MR放射組學預測直腸腺癌患者神經周圍侵犯的研究

楊彥松，馮峰，傅愛燕，段書峰，陳瑜鳳，葛亞瓊

直腸癌是男性和女性均較常見的惡性腫瘤[1]，年齡小于50歲的人群患病率逐年增加，且在低年齡組中死亡率每年增加1%[2]。全直腸系膜切除術(total mesorectal excision，TME)是用于直腸癌治療的標準經腹手術[3]。腫瘤神經周圍侵犯(perineural invasion，PNI)是直腸癌患者轉移擴散的可能途徑[4]，與預后不良有關[4-9]。因此術前準確預測評估PNI至關重要[3]。目前評估直腸癌PNI的影像學研究較少，本研究旨在探討術前MR放射組學模型預測直腸癌患者PNI的價值。

材料與方法

1.一般資料

回顧性分析本院2016年12月-2019年7月經TME手術病理證實為直腸癌的患者136例。入組標準：①手術病理證實為直腸腺癌；②MR檢查前未行放化療、新輔助治療等相關治療；③術前1周內在本院行高分辨率直腸MR掃描。排除標準：①術后病理為粘液腺癌、腫瘤病灶含粘液分泌或其他病理類型的腺癌；②術前檢查提示遠處轉移或患者身體不佳未行TME手術；③MR檢查圖像偽影較大，無法勾畫病灶。136例直腸癌患者中，排除16例粘液腺癌，4例含分泌粘液的腺癌，3例神經內分泌腫瘤，3例腺瘤，最終共計110例患者入組，其中男76例，女34例，平均年齡(64.2±9.7)歲。

2.MR檢查及方法

患者檢查前禁食4h，檢查前使用開塞露清潔腸道，采用Siemens Magnetom verio 3.0超導MR掃描儀及8通道體部表面相控陣線圈?；颊呷⊙雠P位，足先進。掃描范圍設置為兩側髂棘到兩側腹股溝下緣。掃描方案參照文獻報道方法[10]，依次行脂肪抑制T2WI矢狀面及冠狀面、DWI掃描，然后在垂直于直腸腫瘤長軸方向行高分辨率軸位T2WI 掃描，最后行VIBE系列T1WI平掃和動靜脈期增強掃描，掃描參數見表1。

表1 直腸癌MR掃描參數

3.圖像勾畫

選取高分辨率T2WI橫軸面病灶最大截面所在層面[11]，使用ITK-SNAP3.8軟件勾畫病灶。

4.建立影像組學特征模型[12-14]

使用AK軟件(GE healthcare，version 3.2.0)從圖像中提取396特征，包括42個直方圖特征，20個形態特征，334個紋理特征，將患者按13:7的比例分為訓練集(72例)和驗證集(38例)。訓練集用于影像特征的篩選與建模，驗證集用來評估模型的穩定性及可行性。首先采用最大相關最小冗余的方式對組學特征進行初步篩選，保留10個有最大預測效能的特征，然后將剩余的影像特征作LASSO回歸分析，通過10折交叉驗證篩選LASSO回歸模型的最優超參數lambda值，在最優lambda值下，特征系數不為0的參數作為最終構建影像組學評分(Radscore)的特征。Radscore為最終所保留的特征與各自對應系數乘積的和，其公式為Radscore=截距+βi·Xi，按這個公式分別計算每一個樣本的Radscore；并由樣本的Radscore根據閾值對樣本進行分類，評分大于閾值的樣本歸為一類，小于閾值的樣本歸為另一類，采用wilcoxon檢驗比較兩組間Radscore的差異。ROC曲線分析用于評價模型的預測能力。首先得到訓練集的ROC曲線，根據約登指數選擇最優的判別閾值，進而得到模型在訓練集上的效能。決策曲線分析用于分析模型的臨床應用價值。在驗證集中，根據影像組學評分公式計算出每個被測試的評分，得出驗證集ROC曲線，利用訓練集中所得到的閾值，判斷模型在驗證集上的預測效能。

圖1 采用LASSO 10折交叉驗證圖。a)用10倍交叉驗證的方法尋找LASSO的超參數lambda，模型偏差最低點對應的橫坐標為最優的lambda值，即第一個虛線所在位置；b)圖中每條彩色的線代表特征的系數隨lambda值的變化曲線，通過圖a尋找到的lambda值(虛線代表的位置)來確定哪個參數的系數不為0，則該參數用于最后的模型構建。

表2 LASSO降維為最后保留的特征表

5.統計分析

本研究采用R語言(Version 3.5.1，www.R-project.org)進行統計學分析，“mRMRe”程序包采用最大相關最小冗余的方式對組學特征進行初步篩選，保留10個有最大預測效能的特征，“glmnet”程序包用于選擇最佳的特征集合并進行LASSO回歸分析，構建影像組學模型。ROC分析是基于“pROC”程序包來評估模型預測PNI的效能?！癕odelGood”程序包用來進行模型的校準分析?！皉mda”程序包用于繪制決策曲線，驗證模型的臨床價值。采用獨立樣本t檢驗、χ2檢驗及秩和檢驗比較訓練集、驗證集和PNI組和無PNI組年齡、性別、CEA的差異。以P< 0.05為差異具有統計學意義。

結 果

1.患者一般資料分析

訓練集72例，驗證集38例，兩組年齡(65.6±9.7歲，64.4±9.8歲，t=0.363，P=0.719)、性別(男女比例50:22和26:12，χ2=0.012，P=0.912)、CEA[2.86(1.49，4.84)ng/mL，3.20(2.14，6.37)ng/mL，Z=-0.0990，P=0.322]差異均無統計學意義。術后病理提示有PNI的患者24例，無PNI的患者86例，PNI組和無PNI組兩組間年齡(63.9±12.1歲，64.9±9.0歲，t=0.423，P=0.673)、性別(男女比例57:27和9:7，χ2=0.253，P=0.615)、CEA[3.20(1.94，4.88)ng/mL，2.90(1.68，6.12)ng/mL，Z=-0.004，P=0.997]差異無統計學意義。

2.構建放射組學預測模型

圖2 wilcoxon檢驗。兩組P值均<0.05，兩組差異具有統計學意義。

首先采用最大相關最小冗余的方式對組學特征進行初步篩選，保留10個有最大預測效能的特征，然后將剩余的影像特征作LASSO回歸分析，通過10折交叉驗證篩選LASSO回歸模型的最優超參數lambda值(圖1)。LASSO降維為最后保留的特征見表2，特征系數絕對值越大，表明該特征與PNI之間的關系越大，預測價值越大。

3.計算影像組學模型的預測效能

Radscore是由模型構建的特征乘以對應的系數之和所得到，其公式為“Radscore=截距+βi·Xi”，按這個公式分別計算每一個樣本的Radscore；并由樣本的Radscore根據閾值對樣本進行分類，評分大于閾值的樣本歸為一類，小于閾值的樣本歸為另一類，wilcoxon檢驗兩組P值均<0.05，兩組分類差異具有統計學意義(圖2)。

Radscore=0.163*Correlation_angle135_offset7+-0.299*HighGreyLevelRunEmphasis_AllDirection_offset7_SD+0.339*LongRunLowGreyLevelEmphasis_AllDirection_offset1_SD+0.331*RunLengthNonuniformity_AllDirection_offset7_SD+-0.334*InverseDifferenceMoment_AllDirection_offset7_SD+0.448*ClusterProminence_angle135_offset7+0.282*LongRunHighGreyLevelEmphasis_AllDirection_offset1_SD+-0.647*ClusterShade_AllDirection_offset1_SD+-0.109*RunLengthNonuniformity_AllDirection_offset4_SD+-0.028

繪制該模型預測PNI的ROC曲線(圖3)，計算閾值時訓練集和驗證集的效能，訓練集曲線下面積(area under the curve，AUC)為0.79，驗證集AUC為0.76。

該模型的臨床應用價值，決策曲線分析(decision curve analysis，DCA)顯示閾值在0. 2～1較大的范圍內，模型的凈收益較大(圖4)，在這個閾值范圍內使用模型來預測PNI相對安全。

討 論

直腸癌術后病理提示PNI是術后病理診斷的一個內容，多項研究證實直腸癌患者PNI與較差的預后相關[4-9]。有PNI的直腸癌患者較無PNI的直腸癌患者總生存率(overall survival，OS)降低，無病生存率(disease free survival，DFS)降低，局部復發率(local recurrence，LR)增高。

一項納入269例直腸癌切除術后生存分析的單中心回顧性研究發現，無PNI的患者較PNI患者的5年生存率提高了4倍[8]。Quah等[9]對448例II期直腸癌患者進行長期隨訪，中位隨訪時間約53個月，多變量分析顯示PNI患者的5年DFS顯著低于無PNI的患者(29% vs. 82%，P=0.0005)。III期的直腸癌患者有與上述研究類似的結果[7]。

一項納入58項研究的22900例直腸癌患者的Meta分析[4]結果表明PNI與LR增加、5年無病生存率(5-year disease free survival，5yDFS)減少、5年癌癥特異性生存率(5-year cancer-specific survival，5yCSS)減少和5年總生存率(5-year overall survival，5yOS)減少相關，多因素分析顯示PNI是5yDFS，5yCSS和5yOS的獨立預后因素。

圖3 該模型預測PNI的ROC曲線。a)驗證集；b)訓練集。

圖4 該模型的DCA。橫坐標為閾值概率，綠色曲線表示所有樣本都為陽性，都接受干預，黑色水平線表示所有樣本都為陰性，不做任何干預；藍色曲線表示閾值在0. 2～1較大的范圍內，模型的凈收益大于其它兩種情況。

目前術前用現有的影像方法評估預測PNI相關研究較少。放射組學是目前新興的研究熱點，通過提取高通量的影像特征，分析其與疾病異質性的相關性，構建預測疾病異質性的模型[12-15]。如Park等[12]將294例接受術前MRI檢查的浸潤性乳腺癌患者隨機分為訓練組(n=194)和驗證組(n=100)，基于訓練集中的彈性網絡回歸生成Rad-score，最終構建了結合Rad-score、MRI及臨床病理學特征的放射組學列線圖，結果顯示在訓練組和驗證組中，較高的Rad評分與較差的DFS顯著相關(P分別為0.002和0.036)。放射組學列線圖估計DFS(C指數0.76，95%CI為0.74～0.77)優于臨床病理學(C指數0.72，95%CI為0.70～0.74)或僅有Rad評分的列線圖(C指數0.67，95%CI為0.65～0.69)[12]。Chen等研究回顧性分析487例病理診斷為非小細胞肺癌的增強CT圖像，每個患者提取了511個放射組學特征，最終構建了基于9放射學特征的Rad-score，用于區分非小細胞肺癌的組織分化水平(訓練集AUC=0.763，驗證集AUC=0.782)[13]。Xu等[14]通過回顧性分析提取495名肝細胞癌患者的CT影像特征和臨床特征，建立一個在肝細胞癌術前預測微血管侵犯(microvascular invasion，MVI)的模型，訓練集AUC為0.909，驗證集AUC為0.889，多因素回歸分析顯示Radscore計算的MVI概率、組織學MVI、腫瘤大小和Edmondson-Steiner等級與疾病特異性復發和死亡率獨立相關。通過對諸如上述放射組學文獻的閱讀與思考，我們試圖通過構建放射組學模型預測直腸癌PNI。本研究通過提取高通量的放射組學數據，成功構建有效穩定可行的預測直腸癌PNI的模型，能較好的預測PNI，訓練集AUC為0.79，驗證集AUC為0.76。

本研究有以下不足之處，首先樣本量相對較少，尚待后期擴充樣本量進行進一步研究；其次本研究中因所有入選患者均行TME，無T4期患者納入，無法評估該模型在T4期患者中預測價值；最后本研究選取高分辨率T2WI軸位最大截面勾畫病灶，非全體積，數據可能存在一定偏差。

總之，通過提取高通量的放射組學數據，建立預測直腸癌PNI的模型，能較好的預測PNI，早期評估預后。