陳 薇，祝江紅，張新龍，邱玲琍，董 婷，祝海峰

(九江市第三人民醫(yī)院 婦產(chǎn)科，江西 九江 332000)

宮頸癌是女性僅次于乳腺癌的第二個最常見的惡性腫瘤，嚴重危及婦女的健康，會造成異常陰道出血、盆腔疼痛或不適感等癥狀。[1]目前，多數(shù)的宮頸癌經(jīng)手術(shù)或放療等局部治療手段后預(yù)后良好，但其中10 %～15 %左右的病例卻因治療后的復(fù)發(fā)和遠處轉(zhuǎn)移而致治療失敗。[2]目前多數(shù)研究宮頸癌患者預(yù)后不良的模型普遍采用臨床指標，包括腫瘤分期、病理類型、分化程度等，但這些指標采集困難周期長容易延誤患者治療。[3]而磁共振成像(Magnetic resonance imaging，MRI)作為一種新興醫(yī)學(xué)影像技術(shù)，可利用強大的磁場和無害的無線電波來生成人體內(nèi)部結(jié)構(gòu)的詳細圖像，直觀評估宮頸癌病變情況。[4]但目前尚無研究采用術(shù)前T2WI影像組學(xué)特征預(yù)測宮頸癌患者預(yù)后情況，基于此，本研究通過收集我院接受宮頸癌手術(shù)治療患者的影像學(xué)資料，分析術(shù)前T2WI影像組學(xué)特征對預(yù)后的預(yù)測作用并構(gòu)建SVM預(yù)測模型。

1 資料和方法

1.1 一般資料

回顧性選取2020年6月至2022年6月在我院接受宮頸癌手術(shù)治療的患者80例，統(tǒng)計患者2年內(nèi)預(yù)后情況，根據(jù)患者預(yù)后情況分為良好組(n=40)和不良組(n=40)，再按7：3比例分為建模集(n=56)和驗證集(n=24)。納入標準：①經(jīng)術(shù)前病理診斷為宮頸癌病變者；②無磁共振禁忌癥；③術(shù)前未接受放、化療；④MRI檢查后1周內(nèi)接受根治性手術(shù)治療；⑤手術(shù)后病理確診為宮頸癌，全程診斷符合《2020 NCCN子宮頸癌臨床實踐指南(第1版)》[5]的診斷與治療，且臨床資料完整；⑥自愿簽署知情同意書且研究期間愿意全程配合的患者；排除標準：①MR圖像質(zhì)量不能滿足診斷要求者；②既往有盆腔手術(shù)史者；③伴有或患過其他腫瘤并接受過盆腔放療或化療者。

1.2 觀察指標

1.2.1 預(yù)后情況

在患者行宮頸癌手術(shù)治療后，通過定期常規(guī)MRI影像檢查的形式隨訪兩年，統(tǒng)計患者宮頸癌復(fù)發(fā)、轉(zhuǎn)移及死亡的不良預(yù)后發(fā)生情況。

1.2.2 術(shù)前T2WI影像組學(xué)特征

收集建模集56例和驗證集24例患者術(shù)前MRI檢查MR-T2WI原始數(shù)據(jù)中dicom圖片數(shù)據(jù)，光盤刻錄保存。將患者MR-T2WI導(dǎo)入MRIcroGL軟件，將dicom格式轉(zhuǎn)換為nrrd格式，在itk-snap軟件中手動勾畫宮頸癌和淋巴結(jié)影像中的感興趣區(qū)，見圖1、圖2。采用python語言開源pyradiomics包提取包括：一階統(tǒng)計特征值、3D形狀特征值、2D形狀特征值、灰度共生矩陣特征值、灰度游程長度矩陣、灰度尺寸區(qū)域矩陣、鄰域灰度差矩陣和灰度相關(guān)矩陣類共八大類120個影像組學(xué)特征值。

圖1 于盆腔軸位T2WI手動勾畫腫瘤ROI示意圖

圖2 于盆腔矢狀位T2WI手動勾畫腫瘤ROI示意圖

1.3 特征篩選和特征降維

特征篩選分為3步，首先使用單變量曲線下面積(Area under curve，AUC)分析，保留AUC大于0.6的特征，然后使用五折交叉驗證的最低絕對收縮和選擇算子LASSO回歸算法進一步進行特征篩選，保留預(yù)測能力最強的目標特征值數(shù)為6-10個。

1.4 統(tǒng)計學(xué)方法

使用R語言軟件進行統(tǒng)計學(xué)分析，采用LASSO回歸算法篩選影響宮頸癌預(yù)后不良的術(shù)前T2WI影像組學(xué)特征，使用SPSS 21.0和SPSS Modeler構(gòu)建SVM支持向量機模型，并采用受試者工作特征(Receiver operator characteristic，ROC)曲線評估模型的區(qū)分度和預(yù)測效能。

2 結(jié)果

2.1 近期預(yù)后情況分析

80例患者經(jīng)宮頸癌治療后2年近期預(yù)后不良發(fā)生40例(50.00 %)，其中建模集中預(yù)后不良27例(48.21 %)，驗證集中不良預(yù)后13例(54.17 %)。

2.2 患者的術(shù)前T2WI影像組學(xué)特征篩選與特征降維

建模集56例患者中每位共提取特征120個，經(jīng)單變量曲線下面積(AUC)分析及五折交叉驗證的最低絕對收縮和選擇算子(LASSO)回歸算法篩選結(jié)果顯示，剩余8個影像學(xué)特征：一階特征平均絕對偏差、灰度共生矩陣差異熵、運行長度不均勻度標準化、最大行2D直徑、短游程高灰度游程優(yōu)勢、灰度尺寸區(qū)域數(shù)量、灰度尺寸最小區(qū)域面積、灰度游程矩陣運行熵，見表1。

表1 LASSO回歸算法篩選的最優(yōu)影像組學(xué)特征

2.3 基于宮頸癌術(shù)前T2WI影像組學(xué)特征的SVM模型構(gòu)建

SVM支持向量機模型設(shè)置規(guī)則化參數(shù)為10，回歸精確度0.1，內(nèi)核類型RBF，RBF伽馬系數(shù)為0.1。結(jié)果顯示影響近期預(yù)后不良發(fā)生重要性的前6位因素依次為灰度游程矩陣運行熵(預(yù)測變量重要性=0.25)、灰度尺寸區(qū)域數(shù)量(預(yù)測變量重要性=0.19)、灰度共生矩陣差異熵(預(yù)測變量重要性=0.15)、一階特征平均絕對偏差(預(yù)測變量重要性=0.10)、運行長度不均勻度標準化(預(yù)測變量重要性=0.09)、最大行2D直徑(預(yù)測變量重要性=0.08)，見圖3。

圖3 SVM預(yù)測變量的重要性

2.4 SVM預(yù)測模型效能驗證

建模集的ROC結(jié)果顯示，曲線下面積(area under curve，AUC)為0.765，最佳截斷值0.536對應(yīng)的靈敏度、特異度分別為0.667、0.828，模型的區(qū)分能力良好，見圖4。

圖4 建模集的ROC曲線

驗證集的AUC為0.792，最佳截斷值0.711對應(yīng)的靈敏度、特異度分別為0.681、0.893，顯示模型具有良好的外部預(yù)測效能，見圖5。

圖5 驗證集的ROC曲線

3 討論

據(jù)統(tǒng)計，宮頸癌在我國的發(fā)生率呈逐年上升趨勢。根據(jù)2018年公布的數(shù)據(jù)，宮頸癌在我國女性惡性腫瘤中的發(fā)病率排名第二，僅次于乳腺癌。[6]多數(shù)患者選擇以手術(shù)為主，放化療為輔的方式治療，雖然短期療效明顯，但不少患者會出現(xiàn)腫瘤擴散及復(fù)發(fā)的情況。[7]而準確預(yù)測患者發(fā)生不良預(yù)后風(fēng)險并加以預(yù)防保護，對患者健康很有幫助。目前使用臨床指標和血清學(xué)指標預(yù)測預(yù)后不良風(fēng)險的研究已較多,[8-9]但關(guān)于MRI影像組學(xué)特征對宮頸癌預(yù)后不良風(fēng)險的預(yù)測作用尚不明確，因此進行本研究探討。

本研究采用python語言開源pyradiomics包提取了八大類共120個T2WI影像學(xué)參數(shù)，經(jīng)篩選降維及SVM支持向量機分析后，得到前6位因素依次為灰度游程矩陣運行熵、灰度尺寸區(qū)域數(shù)量、灰度共生矩陣差異熵、一階特征平均絕對偏差、運行長度不均勻度標準化、最大行2D直徑。分析其影響機制，灰度游程矩陣運行熵是一種圖像分析中的特征提取方法，用于描述圖像的紋理復(fù)雜性和灰度級別變化的均勻性，運行熵值越高，表示圖像中灰度級別游程的分布越復(fù)雜，宮頸癌病變越復(fù)雜，預(yù)后不良風(fēng)險更高。[10]灰度尺寸區(qū)域數(shù)量通常指的是醫(yī)學(xué)影像中不同灰度級別的區(qū)域數(shù)量，更多的灰度尺寸區(qū)域數(shù)量可反映了圖像中更多種類的宮頸癌病變，提供更詳細的圖像信息，預(yù)測宮頸癌腫瘤越準確。[11]差異熵是灰度共生矩陣的一項特征，用于衡量圖像中灰度級別之間的差異程度，差異程度越大表示共生矩陣越復(fù)雜，即病灶的結(jié)構(gòu)也越復(fù)雜，治療難度加大容易因手術(shù)操作失誤導(dǎo)致轉(zhuǎn)移。[12]一階特征平均絕對偏差描述一階統(tǒng)計特征值的離散程度，平均值可以反映腫瘤的生長速度或細胞增殖活躍程度，平均絕對偏差可以反映腫瘤的異質(zhì)性或不均勻性，腫瘤異質(zhì)性可以增加腫瘤細胞的突變率和遺傳變異，從而促進腫瘤的進展和轉(zhuǎn)移，形成不良預(yù)后。[13]運行長度不均勻度標準化反映圖像中像素值變化的不均勻性，體現(xiàn)宮頸癌的異質(zhì)性，數(shù)值越高說明病變更嚴重，預(yù)后不良可能性更大。[14]最大行2D直徑是指宮頸癌在某個切片上的最大橫向直徑(水平方向)，可反映腫瘤大小，更大的宮頸癌腫瘤具有更高的細胞增殖率和更強的侵襲能力，產(chǎn)生轉(zhuǎn)移、復(fù)發(fā)的不良預(yù)后風(fēng)險增加。[15]

基于6個術(shù)前T2WI影像學(xué)參數(shù)構(gòu)建的SVM支持向量機模型，其建模集ROC結(jié)果顯示，AUC為0.765，最佳截斷值0.536對應(yīng)的靈敏度、特異度分別為0.667、0.828，模型的區(qū)分能力良好，驗證集AUC為0.792，最佳截斷值0.711對應(yīng)的靈敏度、特異度分別為0.681、0.893，模型具有良好的外部預(yù)測效能，表明該模型對宮頸癌預(yù)后情況分類能力優(yōu)良，可以提前篩選預(yù)后不良的患者，能幫助醫(yī)院采取針對性的治療計劃，預(yù)備醫(yī)療資源應(yīng)對患者的不良預(yù)后。

綜上所述，基于宮頸癌術(shù)前T2WI影像組學(xué)特征構(gòu)建的SVM支持向量機模型具有較好的預(yù)測效能，可為臨床預(yù)防宮頸癌術(shù)后預(yù)后不良提供參考。