基于定量影像學生物標志物構建腎透明細胞癌術前精準分級預測模型的可行性

舒恩芬，孔春麗，夏海紅，高楊，吳徐璐，謝良鈞，趙雪妙，江春燕，陳春妙，周永進，紀建松

（麗水市中心醫院 放射科 浙江省影像診斷與介入微創研究重點實驗室，浙江 麗水 323000）

腎 透 明細 胞 癌（clear cell renal cell carcinoma，ccRCC）是腎臟最為常見的惡性腫瘤，約占腎臟惡性腫瘤的75%～87%[1-2]。病理分級能夠直接反映腫瘤的侵襲轉移潛能，是臨床治療方案制定的重要依據[3-4]。目前，腎穿刺活檢仍是ccRCC術前病理分級的金標準和常用診斷技術，但其作為有創操作，患者的順應性較差，且易引起患者的腰痛、出血、尿潴留、感染等并發癥[5]，因此，臨床上亟需發展無創ccRCC術前精準病理分級技術。目前國內外學者已進行了一定的探索[6-7]，尤其是功能磁共振成像以及CT成像與病理分級之間的相關性方面開展了較多的探索性工作[8-10]，這也進一步提示術前影像學檢查對于預測ccRCC的病理分級具有一定的價值。定量影像組學技術的快速發展，為腫瘤的無創診療提供了新的途徑[11]，其在ccRCC的分級診斷中同樣也已有相關報道[12-13]，但以往的研究大多用ccRCC的CT平掃圖像進行建模，而臨床上對于ccRCC多基于增強圖像進行分析，且構建的模型特異性和敏感性仍不夠高。基于此，本研究擬利用影像組學技術提取動態增強CT圖像的定量影像學生物標志物，并進一步構建ccRCC的精準分級預測模型，旨在探討利用定量影像學生物標志物構建ccRCC術前WHO/ISUP分級精準預測模型的可行性。

1 對象和方法

1.1 對象 回顧性分析2010年1月至2019年10月在麗水市中心醫院經手術病理證實且病理分級明確的128例ccRCC患者。納入標準：①首次診斷均于術前行常規腹部CT平掃和增強掃描，增強包括皮髓期、實質期、分泌期；②所有患者均有完整手術病理證實且病理分級明確，并有影像學資料；③病例納入均征得患者同意，并符合倫理規范。排除標準：①圖像質量不佳，臨床和影像資料不全；②以囊性成分為主的腫塊，實性成分少。通過篩選最終72例患者納入本研究，其中高分化組（I+ II級）52例，低分化組（ III+IV級）20例，并收集患者的一般臨床資料。

1.2 設備和掃描方法 所有患者均采用Philips Brilllance iCT（256層）掃描儀，掃描范圍從膈頂至腎下極水平，先行常規平掃，再注入對比劑后行增強三期掃描。掃描參數如下：管電壓120 kV，參考管電流142 mAs，開啟自動毫安秒技術，探測器準直128×0.625 mm，球管旋轉時間0.75 s，螺距0.914，矩陣512×512，重建層厚及層間隔均為5.0 mm。采用美國Stellant雙筒高壓注射器經患者肘靜脈以2.5～3.0 mL/s流率注射非離子型對比劑碘克沙醇（江蘇恒瑞醫藥股份有限公司，國藥準字H20067896，規格100 mL：33.9 g），對比劑用量按 1.5 mL/kg計算，注射完畢后以相同速率注射20 mL 0.9%氯化鈉溶液。注入對比劑后分別延遲30、90、180 s行皮髓期、實質期、分泌期掃描。所有圖像均傳送至EBW后處理工作站。2組患者的典型CT圖像如圖1所示。

1.3 影像學生物標志物的提取與篩選

1.3.1 三維感興趣區（volume of interest，VOI）分割：收集所有患者的術前CT皮髓期圖像，由2名具有5年以上醫學影像診斷經驗的放射科醫師在ITK-SNAP（Version3.4.0，http://www.itksnap.org/）軟件上共同對圖像手動逐層勾畫靶病灶（最大病灶）邊緣，并融合成VOI，對于有爭議的區域由另外一名高年資醫師共同協商確認。

1.3.2 定量影像學生物標志物的提取：利用美國GE公司AI-Kit（Artificial Intelligence Kit，AI kit，Version 3.0.1.A）軟件對勾畫好的圖像進行特征提取。該軟件通過提取病灶的影像組學生物標志物來定量分析腫瘤內部的異質性，本研究共提取得到5個類別的共396個紋理參數，分別為histogram， Grey level co-occurrence matrix（GLCM），run-length matrix（RLM），gray level Size Zone Matrix（GLSZM）和Formfactor。

圖1 ccRCC患者的代表性CT圖像

1.3.3 降維篩選影像學生物標志物：針對上述396個紋理特征參數進行預處理，參數中的所有異常值均使用中位數替代，并進行Z-score標準化處理，進而使用R語言進行降維篩選紋理特征，具體步驟如下：①檢驗數據是否呈正態分布，若為正態分布，使用方差分析降維，否則使用K-W秩和檢驗降維；②使用單因素logistic回歸分析（GLM test）、SPM test去冗余去除相關性大于0.9的參數；③使用最小絕對收縮與選擇算子算法（least absolute shrinkage and selection operator，lasso）回歸分析與10倍交叉驗證法對數據降維；④對得到的影像學生物標志物運用多元logistic回歸分析建模。

1.4 統計學處理方法 采用R軟件（Version:3.4.4， https://www.r-project.org/）進行統計分析。K-S檢驗計量資料正態性，符合正態分布以±s表示，不符合正態分布以M（P25，P75）表示，2組比較采用獨立樣本t檢驗或Mann-WhitneyU檢驗；計數資料以χ2檢驗比較。利用有統計學意義的影像學生物標志物計算得到每個患者的放射值（Rad-score），并進一步基于每個患者的Rad-score，利用多元logistic 回歸構建訓練組和驗證組的預測模型，并評價2個模型的穩定性和準確性。P＜0.05為差異有統計學意義。

2 結果

2.1 患者的一般資料 高分化組和低分化組年齡差異有統計學意義（P＜0.05），性別、病灶形態、出血、壞死囊變以及鈣化等一般資料比較差異均無統計學意義（P＞0.05），見表1。

2.2 影像學生物標志物篩選結果及其相對應的診斷效能 采用lasso回歸以及十字交叉驗證法降維（見圖2），最終篩選得到5個顯著性最強的紋理參數（Correlation_angle135_offset7，GLCMEntropy_ angle90_offset7，Inertia_angle135_offset7，kurtosis和RMS）作為分級診斷的影像學生物標志物。針對上述5個影像學生物標志物，進一步分析其診斷效能，發現Correlation_angle135_offset7的AUC在所有參數中最高，kurtosis的靈敏度最高，Inertia_angle135_offset7的特異度最佳，具體的診斷效能見表2。

表1 高分化和低分化組患者一般資料比較

2.3 預測模型的構建及其診斷效能 利用上述5個特征性影像學生物標志物計算各個患者的Radscore，計算公式如下：Rad-score=-0.009+0.864× Kurtosis-1.417×RMS+2.259×Correlation_angle135_offset7+0.1×GLCMEntropy_angle90_offset7-0.799×Inertia_angle135_offset7，利用Rad-score構建ccRCC的術前預測模型，發現低分化組的Rad-score明顯小于高分化組，診斷的AUC為0.891（95%CI=0.797～0.952），截斷值為0.301，預測的靈敏度和特異度分別高達84.6%和85.3%，提示該預測模型穩定且可靠（見圖3）。

3 討論

近年來應用影像組學方法預測疾病狀態及進展的方法引起了廣泛關注。影像組學可利用所提取特征信息直觀、定量地描述腫瘤大小、外形及內部異質性，能實現與現有臨床評價指標的有機融合，為臨床提供一種較為準確、無創、操作便捷的分級方法。國內已有研究發現基于腎臟CT容積紋理分析及機器學習相結合的影像組學可以進行ccRCC術前病理分級預測[13]。在本研究中，通過對經手術病理證實且病理分級明確的72例ccRCC患者的皮髓期CT圖像進行高通量的數據采集，最終提取396個紋理參數，利用lasso回歸對特征參數降維，根據10倍交叉驗證法，篩選出誤差最小時對應的5個特征參數作為潛在的影像學生物標志物，并利用上述影像學生物標志物與對應加權系數乘積的線性組合形成ccRCC分級預測模型。

圖2 紋理參數降維過程

表2 篩選出的特征性紋理參數及其診斷效能

圖3 基于Rad-score的診斷效能

本研究結果顯示高分化組和低分化組患者皮髓期CT圖像的相關性（correlation）、熵（entropy）、慣性（inertia）、峰度（kurtosis）、均方根（RMS）5個特征性影像學生物標志物均具有統計學意義，提示其能夠用于高、低級別ccRCC的鑒別診斷。根據上述參數的臨床意義，表明ccRCC的級別越高，即異質性越高，腫塊更容易發生出血、壞死，且其熵、峰度的值明顯大于低級別組。基于上述5個特征性影像學生物標志物構建的預測模型，發現其能夠顯著提升模型的鑒別效能，AUC高達0.891，敏感度和特異度分別高達84.6%，85.3%，95%CI為0.797～0.952，這也進一步提示利用影像組學技術能夠準確預測ccRCC的病理分級。

影像組學中紋理分析等定量方法是將高通量提取的影像學特征與病理學相關聯，深入挖掘影像數據來反映腫瘤的生物學本質，因其無創、重復且能整體分析腫瘤內部異質性，是一種新興的個體化、精準影像技術，因此許多學者也利用影像組學中的紋理分析在ccRCC分級領域展開了一定的研究[13-14]。 任采月等[15]在CT紋理分析GIST病理危險度分級中認為，腫瘤惡性程度越高腫瘤ROI內的紋理更加混雜、緊湊、不規則，這與本研究結果相符。丁玖樂等[12]研究靜脈期的對比度、相關性、均質性、峰度和方差鑒別診斷高、低級別ccRCC有統計學意義，其中對比度的鑒別診斷效能最高，與本研究不一致，這可能與選擇的期相和單層面圖像紋理分析有關，造成了數據結果的偏倚。相比以往的研究，本研究采用CT容積紋理分析，可以更為真實準確地反映腫瘤病變的整體異質性。本研究創新之處在于對腫瘤CT圖像進行手動逐層勾畫靶病灶（最大病灶）邊緣，并融合成全病灶三維ROI，全面提取腫瘤的影像組學特征并篩選高相關性的紋理參數作為影像學生物標志物，更為客觀地反映腫瘤的生物學特征和異質性，且本實驗構建的用于預測ccRCC分級的模型為臨床診斷提供一種無創、操作便捷、準確率較高的分級診斷模型。

本研究也存在一定的局限，首先本研究的入組樣本量相對較少，且高級別組與低級別組病例數不平衡，尤其是高級別組，結果存在一定的偏倚；其次，本研究的影像組學分析并未將入組病例分為訓練組和驗證組，僅將其作為提取定量影像學參數的方法，這在一定程度上影響了模型的穩定性，但在以往的研究中已有學者研究證實單純的紋理分析建立的預測模型也具備較強的預測[16]；同時，本研究僅對皮髓期圖像進行了影像組學分析，后續會對其他兩期圖像的影像組學特征進行提取，并結合臨床指標，對ccRCC的病理分級展開進一步研究。

綜上所述，基于皮髓期CT圖像的定量影像學生物標志物構建的術前ccRCC精準分級預測模型具有較高的準確性、靈敏度和特異性，且操作便捷，可為臨床治療方案的選擇、腫瘤切除的可能性以及預后評估提供重要參考。