影像組學(xué)為基礎(chǔ)的列線圖模型對子宮內(nèi)膜癌淋巴血管間隙浸潤的診斷價值

崔玉杰，鄭濤，楊林沙，石清磊，劉蘭祥，劉德豐

1.秦皇島市第一醫(yī)院 醫(yī)學(xué)影像中心，河北 秦皇島 066000；2.西門子有限公司 磁共振產(chǎn)品事業(yè)部，北京 100000

引言

子宮內(nèi)膜癌（Endometrial Cancer，EC）是最為常見的女性生殖系統(tǒng)惡性腫瘤之一，具有較高的致死率，近年來其發(fā)病趨于年輕化[1-2]。除了國際婦產(chǎn)科協(xié)會（FIGO）分級、肌層侵犯深度（Myometrial Invasion，MI）、病理學(xué)分級及轉(zhuǎn)移與否等因素以外，近期研究表明是否存在淋巴血管間隙浸潤（Lymph Vascular Space Invasion，LVSI）是影響預(yù)后的另一獨立危險因素[3]。LVSI可以用于預(yù)測患者的生存時間，其陽性患者預(yù)后較差。盡管FIGO分級、MI等因素可以通過術(shù)前宮腔鏡或MRI檢查等手段進(jìn)行評估，但目前為止LVSI必須依賴于子宮切除術(shù)后的病理檢查結(jié)果。是否存在LVSI對EC治療方案的選擇具有重要影響，對于Ⅰ期存在LVSI的EC患者，手術(shù)之前進(jìn)行輔助治療能夠改善其預(yù)后[4]。除此之外，盡管對于早期EC是否進(jìn)行淋巴結(jié)清掃仍然存在爭議，但對于存在LVSI的早期患者，F(xiàn)IGO指南建議必須進(jìn)行主動脈旁的淋巴結(jié)清掃[1]。因此，術(shù)前應(yīng)用無創(chuàng)的影像學(xué)手段對其進(jìn)行預(yù)測具有重要的意義。然而，常規(guī)的MRI圖像評估依賴于肉眼觀察，具有主觀性，且與觀察者診斷水平關(guān)系密切。近十年來，影像組學(xué)技術(shù)的迅猛發(fā)展為深入發(fā)掘醫(yī)學(xué)圖像信息，客觀準(zhǔn)確進(jìn)行評估腫瘤LVSI情況提供了技術(shù)基礎(chǔ)[5-6]。本研究擬以表觀擴散系數(shù)加權(quán)圖像（Apparent Diffusion Coefficient，ADC）為基礎(chǔ)，建立影像組學(xué)為基礎(chǔ)的列線圖模型，并對子宮內(nèi)膜癌LVSI情況進(jìn)行預(yù)測。

1 材料和方法

1.1 研究對象

本研究收集了2015年6月至2020年6月在我院就診并經(jīng)手術(shù)切除后病理確診的295例子宮內(nèi)膜癌病例。本研究為回顧性研究，經(jīng)我院倫理委員會審批同意，且所有臨床和影像信息均為匿名，因此無須簽署知情同意書。所有患者在手術(shù)前均行MR平掃及動態(tài)增強掃描，所有的子宮內(nèi)膜癌患者在術(shù)后均進(jìn)行LVSI情況的評估。本研究的納入標(biāo)準(zhǔn)為： ① 患者在MR檢查前未進(jìn)行放化療或者靶向治療；② 所有患者在腫瘤切除前兩周內(nèi)行MR檢查。排除標(biāo)準(zhǔn)：① 患者患有子宮內(nèi)膜異位癥或黏膜下肌瘤；② 患者患有其他組織惡性腫瘤；③MR檢查圖像偽影嚴(yán)重，影響參數(shù)測量。最終，有225例患者被納入了本研究，按照0.7：0.3的比例，將其隨機分入訓(xùn)練集（n=157）和測試集（n=68）（圖1）。

圖1 組學(xué)和研究流程圖

1.2 MR檢查

使用配有8通道體部相控陣線圈的1.5T西門子Avanto磁共振系統(tǒng)（Siemens, Germany）采集MR圖像。患者在掃描前4 h禁食水，減少膀胱和直腸的運動偽影。受檢者取仰臥位、頭先進(jìn)。掃描范圍包括髂前上棘至恥骨聯(lián)合，方位包括斜橫軸位、斜冠狀位和斜矢狀位，三個方位均應(yīng)以子宮體部形態(tài)為標(biāo)準(zhǔn)進(jìn)行定位。掃描序列包括：① 橫軸位平面回波（EPI）-DWI：TR=4600 ms，TE=63 ms，反轉(zhuǎn)角=150°，層數(shù)=24，層厚=6 mm，層間距=0.6 mm，F(xiàn)OV=380 mm×380 mm，體素大小=2 mm×2 mm×6 mm，b值=0，1000 s/mm2。ADC圖由DWI計算得來；② 橫軸位壓脂快速自旋回波（TSE）-T2WI：TR=2000 ms，TE=96 ms，反轉(zhuǎn)角=70°，層數(shù)=24，層厚=6mm，層間距=0.6 mm，F(xiàn)OV=380 mm×380 mm，體素大小=1 mm×1 mm×6 mm；③ 橫軸位梯度回波（opp-in phase）-T1WI：TR=75ms，TE=2.38/4.79 ms，反轉(zhuǎn)角=70°，層數(shù)=24，層厚=6 mm，層間距=0.6 mm，F(xiàn)OV=380 mm×380 mm，體素大小=0.7 mm×0.7 mm×6 mm。

1.3 三維分割和組學(xué)特征提取

首先在我院PACS系統(tǒng)中下載分析所需ADC圖像。隨后由兩名具有5年盆腔MR診斷經(jīng)驗且對腫瘤病理分級和臨床資料并不知情的影像醫(yī)師，應(yīng)用ITK-SNAP軟件，在各個圖像上逐層勾勒腫瘤的范圍，勾勒時注意包括腫瘤內(nèi)部的壞死、囊變和出血區(qū)域，最終獲取腫瘤3D分割圖像。將分割圖像保存，導(dǎo)入Python環(huán)境下運行的Pyradiomics工具包進(jìn)行參數(shù)提取。提取的組學(xué)特征參數(shù)共計100個，包括：一階參數(shù)18個，灰度共生矩陣22個，灰度依賴矩陣參數(shù)14個，灰度游程長度矩陣（Grey Level Run Length Matrix，GLRLM）參數(shù)16個，灰度區(qū)域大小矩陣參數(shù)16個以及形態(tài)學(xué)參數(shù)14個。圖1顯示了組學(xué)參數(shù)的提取過程，更多關(guān)于組學(xué)參數(shù)提取的方法學(xué)信息見補充材料。

1.4 血清糖類抗原125和腫瘤體積測量

血清糖類抗原125（Carbohydrate Antigen，CA125）水平應(yīng)用化學(xué)發(fā)光法微粒免疫檢測技術(shù)檢測，儀器采用羅氏電化學(xué)發(fā)光Cobas 8000 e602全自動生化免疫分析儀。腫瘤體積是通過ITK-SNAP軟件完整勾勒腫瘤邊界后，軟件自動顯示。

1.5 統(tǒng)計分析

本研究數(shù)據(jù)主要通過R軟件（版本：3.4.3）進(jìn)行分析。應(yīng)用Student-t檢驗和卡方檢驗比較LVSI（+）和LVSI（-）患者CA125水平、腫瘤體積和年齡。將CA125、腫瘤體積和患者年齡三個參數(shù)納入，利用邏輯回歸（Logistic Regression）建立模型（ModelC）。計算兩名測量者所抽取的組學(xué)參數(shù)的組內(nèi)相關(guān)系數(shù)（ICC），以評估數(shù)據(jù)抽取結(jié)果的一致性，大于0.75認(rèn)為一致性良好。通過LASSO回歸篩選與腫瘤LVSI相關(guān)性最強的影像組學(xué)參數(shù)，以回歸方程系數(shù)為基礎(chǔ)，計算每名EC患者的組學(xué)評分（Radscore）。隨后，將組學(xué)評分、CA125水平、腫瘤體積和年齡聯(lián)合，建立組學(xué)列線圖模型（ModelN）。應(yīng)用受試者工作特征（Receiver Operator Characteristic，ROC）曲線評估模型對EC是否存在LVSI的鑒別能力。應(yīng)用校準(zhǔn)曲線及Hosmer-Lemeshow檢驗評估列線圖模型預(yù)測LVSI風(fēng)險與其實際風(fēng)險的一致性。應(yīng)用Delong test比較兩種模型ROC曲線下面積[7]。通過計算機模擬重采樣的方法進(jìn)行模型的內(nèi)部驗證[8]。

2 結(jié)果

2.1 臨床特征比較結(jié)果

LVSI（+）EC在訓(xùn)練集和測試集中所占比例分別為41.4%和41.2%，二者之間無顯著性差異。訓(xùn)練集和測試集內(nèi)，LVSI（+）和LVSI（-）兩組患者之間年齡、CA125水平和EC體積均存在統(tǒng)計學(xué)差異（均P<0.05），前者高于或大于后者。另外在兩個數(shù)據(jù)集之間，兩組患者年齡大小、CA125水平和腫瘤位置構(gòu)成比較均無差異，說明了兩組數(shù)據(jù)分配的隨機性和均衡性，見表1。

表1 訓(xùn)練集和測試集的基線特征

2.2 由年齡、CA125和腫瘤體積所構(gòu)成的ModelC對LVSI的預(yù)測效能

通過繪制ROC曲線的方法來評估ModelC對EC是否存在LVSI的鑒別能力。訓(xùn)練集AUC、95%可信區(qū)間、敏感性和特異性分別為0.760、0.675～0.823、0.723、0.685。測試集AUC、95%可信區(qū)間、敏感性和特異性分別為0.825、0.718～0.904、0.929、0.625（圖 2，表 2～3）。

圖2 列線圖以及驗證集和測試集ROC曲線圖

表2 訓(xùn)練集中兩個模型的表現(xiàn)

表3 測試集中兩個模型的表現(xiàn)

2.3 影像組學(xué)模型的建立及預(yù)測能力

在225名EC患者腫瘤勾勒完畢后，我們從ADC圖像中抽取組學(xué)參數(shù)，每名患者共抽取100個參數(shù)。計算兩名測量者各自測量的每個組學(xué)參數(shù)的ICC值，該值小于等于0.75認(rèn)為參數(shù)在兩名測量者之間穩(wěn)定性較差，不納入LASSO回歸方程分析。本研究中共排除了24個參數(shù)。在剩余的76個參數(shù)中，通過LASSO回歸我們共篩選出三個組學(xué)參數(shù)，這三個參數(shù)與腫瘤LVSI與否具有較強的相關(guān)性（圖3）。它們分別是：灰度級分布（Gray Level Non Uniformity，GLNN），標(biāo)準(zhǔn)化游程長度分布（Run Length Non Uniformity Normalized，RLNN），低灰度游程優(yōu)勢（Low Gray Level RunEmphasis，LGLRE）。根據(jù)回歸方程的系數(shù)得到如下方程：Radscore=0.031*GLNN+2.395* RLNN-0.531* LGLRE。根據(jù)此方程，分別計算了驗證集和測試集的Radsocre。

圖3 影像組學(xué)參數(shù)LASSO回歸曲線和二項偏差曲線圖。

隨后在訓(xùn)練集中將年齡、CA125、腫瘤體積和Radscore聯(lián)合起來構(gòu)建了列線圖，以直觀顯示臨床和影像綜合指標(biāo)的預(yù)測效果。訓(xùn)練集ModelN的AUC、95%CI、敏感性、特異性分別為0.907、0.851～0.940、0.831、0.843；測試集分別為 0.922、0.827～0.964、0.893、0.850。應(yīng)用Delong方法與ModelC進(jìn)行比較，發(fā)現(xiàn)該模型對LVSI預(yù)測具有更高的準(zhǔn)確性。另外校準(zhǔn)曲線表明ModelN同時具有良好的擬合優(yōu)度 (Hosmer–Lemeshow test, 訓(xùn)練集和測試集P值分別為 0.673、0.804)（圖4）。

圖4 訓(xùn)練集和測試集的校準(zhǔn)曲線圖

3 討論

將影像組學(xué)參數(shù)與臨床指標(biāo)結(jié)合后建立預(yù)測模型，提高腫瘤的診斷或預(yù)測率是目前影像組學(xué)研究的熱點問題之一[9-10]。本研究中，為了術(shù)前準(zhǔn)確預(yù)測EC是否存在LVSI，我們建立并驗證了一個基于放射組學(xué)特征的列線圖模型。與臨床模型相比，組學(xué)參數(shù)的加入能夠明顯提升模型的預(yù)測能力。將放射學(xué)特征和臨床危險因素納入列線圖中,能夠方便快捷的計算LVSI的可能性，有助于術(shù)前LVSI的個體化預(yù)測。

3.1 ModelC：年齡、腫瘤體積和CA125聯(lián)合預(yù)測LVSI特異性不高

本研究首先將年齡、CA125和腫瘤體積這三個指標(biāo)聯(lián)合起來構(gòu)建了方程。年齡是影響子宮內(nèi)膜癌預(yù)后和復(fù)發(fā)的重要危險因素之一，對于60歲以上的EC患者術(shù)后復(fù)發(fā)概率明顯上升[11]。盡管沒有研究發(fā)現(xiàn)年齡可以作為LVSI的獨立危險因素，但本研究中，LVSI（+）組患者平均年齡高于LVSI（-）組，因此本研究將年齡納入了方程。另外，先前研究表明子宮內(nèi)膜癌患者的CA125水平高于正常受試者，其原因可能是子宮內(nèi)膜癌患者通常存在子宮內(nèi)膜屏障破壞，滋養(yǎng)層細(xì)胞脫落、變形及壞死等情況，而滋養(yǎng)層細(xì)胞分泌會促使外周CA125水平升高[12]。研究表明CA125水平與EC淋巴結(jié)轉(zhuǎn)移存在相關(guān)性，與影像組學(xué)聯(lián)合可以較為準(zhǔn)確的預(yù)測淋巴結(jié)轉(zhuǎn)移情況[13]。也有研究者建議一旦CA125水平高于40 U/mL，則手術(shù)時必須進(jìn)行盆腔淋巴結(jié)的清掃[14]。然而，CA125作為惡性腫瘤的篩選指標(biāo)，特異性較低，在多種生殖系統(tǒng)腫瘤中均可能升高，因此僅用于腫瘤的篩查，必須和其他手段聯(lián)合。另外腫瘤體積相關(guān)參數(shù)-腫瘤-子宮體積比（TVR），對預(yù)測EC的LVSI具有一定意義，以TVR≥25%為閾值預(yù)測LVSI，敏感性、特異性及準(zhǔn)確性分別為77%、83%及81%[3]。但該方法除了需要測量腫瘤體積外，還需測量子宮體積，增加了工作量。也有研究者發(fā)現(xiàn)腫瘤體積與TVR法對LVSI的預(yù)測無統(tǒng)計學(xué)差異[15]。為了不影響結(jié)果準(zhǔn)確性的前提下減少工作量，本研究中納入了體積。盡管以上三個指標(biāo)臨床中較易獲得，但所建立預(yù)測模型的特異性僅為0.685，原因可能是這三個指標(biāo)都是間接指標(biāo)，不能直接反應(yīng)腫瘤內(nèi)部的性質(zhì)。

3.2 ModelN：組學(xué)模型能夠顯著提高LVSI預(yù)測的準(zhǔn)確性

影像組學(xué)技術(shù)能夠自動提取并分析醫(yī)學(xué)影像的圖像特征，獲取灰度分布、體素間空間關(guān)系以及紋理不均質(zhì)性等指標(biāo)，深入反映腫瘤內(nèi)部的異質(zhì)性[16]。作為惡性腫瘤最為重要的特征之一，異質(zhì)性決定了腫瘤的多種生物學(xué)行為，包括生長速度的加快、代謝活動的改變以及血管的新生[17-18]。先前研究表明腫瘤的血管異質(zhì)性可能導(dǎo)致局部靜水壓的改變，最終增加腫瘤轉(zhuǎn)移的風(fēng)險[19]。先前研究者發(fā)現(xiàn)應(yīng)用組學(xué)技術(shù)能夠很好地對腫瘤的淋巴結(jié)和遠(yuǎn)處轉(zhuǎn)移情況進(jìn)行預(yù)測[20-21]。因此，應(yīng)用影像組學(xué)技術(shù)對腫瘤本身異質(zhì)性進(jìn)行挖掘，不僅能夠輔助評估分期、病理分型等原發(fā)腫瘤本身的情況，同時還能幫助預(yù)測腫瘤所常見的周圍侵犯和轉(zhuǎn)移等異常情況。

DWI是目前臨床常用的反映組織內(nèi)水分子擴散情況的功能成像指標(biāo)，研究者多采用ADC值對多種腫瘤的病理分級、轉(zhuǎn)移和預(yù)后進(jìn)行預(yù)測[22-24]。先前有研究者將該技術(shù)與體積分析相結(jié)合，對EC的分級進(jìn)行預(yù)測[25]。然而，ADC值僅能反映腫瘤平均擴散情況，對腫瘤組織內(nèi)部復(fù)雜的信號信息利用不充分，不能全面反映腫瘤的異質(zhì)性情況。因此為了從不同角度深入挖掘腫瘤內(nèi)部大量影像信息，提高LVSI的預(yù)測能力，本研究采用影像組學(xué)的方法對ADC圖像進(jìn)行了分析。

本研究最后篩選出的參數(shù)包括：GLNN，RLNN，LGLRE。三者均為GLRLM二階特征，與其他組學(xué)參數(shù)相比，GLRLM可能對EC的LVSI情況更加敏感。GLNN和RLNN分別反映了圖像信號灰度強度值以及行程長度的相似性，這兩個值越高表明圖像灰度值及行程長度差異越大，圖像信號越不均勻。研究表明腫瘤惡性程度越高，內(nèi)部越容易出現(xiàn)出血、壞死、囊變等改變，因此信號的異質(zhì)性越強。LGLRE測量了較低的灰度信號的分布，該值越高低灰度信號聚集性越低。先前研究表明，ADC值的高低可以作為判斷腫瘤惡性程度的依據(jù)，惡性腫瘤實質(zhì)部分的ADC值往往更低[26]。這也與本研究的結(jié)果相符。

本研究發(fā)現(xiàn)ModelN的鑒別診斷效能高于ModelC。將組學(xué)特征與臨床資料相結(jié)合，對腫瘤的惡性程度及預(yù)后進(jìn)行預(yù)測，是目前組學(xué)技術(shù)發(fā)展的趨勢所在[20]。先前有多序列MR組學(xué)分析研究表明，MR紋理特征對EC病理分級和預(yù)測EC的LSVI具有較高的診斷價值，其準(zhǔn)確率分別為80%、70%。但該研究僅僅考慮組學(xué)指標(biāo)，未能對臨床指標(biāo)進(jìn)行綜合，且樣本量較少[15]。本研究加大了樣本量并綜合了臨床指標(biāo)，對兩種危險度腫瘤區(qū)分的準(zhǔn)確性達(dá)到85%。另一項淋巴結(jié)轉(zhuǎn)移的預(yù)測研究綜合評價了臨床模型、單一組學(xué)模型、組學(xué)臨床混合模型對淋巴結(jié)轉(zhuǎn)移的預(yù)測效果，最后經(jīng)病理證實混合模型對淋巴結(jié)轉(zhuǎn)移預(yù)測能力最強[20]。研究者通過MR紋理分析技術(shù)對子宮內(nèi)膜癌病理風(fēng)險分級及患者生存時間進(jìn)行預(yù)測，但該模型僅僅應(yīng)用了6個一階參數(shù)，另外該研究模型由于采用2D的方式進(jìn)行圖像分割，因此操作簡單、耗時短，但僅獲得病變組織單層圖像，難以全面反映腫瘤的信息[20]。本研究納入了大量的形態(tài)學(xué)及二階特征，參數(shù)數(shù)量和類型也更為多樣，同時采用3D多層分割的方式，因此可能更能發(fā)現(xiàn)不同危險度腫瘤的差異。同時本研究在建立模型是加入了年齡、體積和CA125三個參數(shù)，綜合模型Nomogram的訓(xùn)練集AUC約為0.907，表明該混合模型具有良好的預(yù)測能力。將測試集數(shù)據(jù)帶入該混合模型，其AUC約為0.922，表明其兼具良好的泛化能力。

本研究存在以下不足：首先，本研究為回顧性研究，其結(jié)論的可靠性需要進(jìn)行前瞻性研究以驗證。其次，本研究所建立的模型基于單中心、單一MR掃描系統(tǒng)，模型還需要在多中心、多MR系統(tǒng)驗證。

4 結(jié)論

通過與臨床模型的比較，本研究發(fā)現(xiàn)以組學(xué)模型為基礎(chǔ)的混合模型，能夠很好地預(yù)測EC的LVSI。在組學(xué)分析中，GLRLM參數(shù)與腫瘤LVSI關(guān)系最為密切。對于腫瘤患者表現(xiàn)為高齡、CA125升高、腫瘤體積大，并且組學(xué)評分較高時，存在LVSI的風(fēng)險增大。根據(jù)FIGO標(biāo)準(zhǔn)，LVSI的EC必須進(jìn)行盆腔淋巴結(jié)的清掃。相反，對于高齡、患者多種并發(fā)疾病患者而言，由于分級錯誤所導(dǎo)致的不必要的淋巴結(jié)清掃，將導(dǎo)致患者術(shù)后康復(fù)時間的延長和回復(fù)效果的降低，從而使患者遭受更多的痛苦。

總而言之，采用以組學(xué)參數(shù)為基礎(chǔ)的模型和列線圖分析，能夠為EC的術(shù)前無創(chuàng)分級提供重要指導(dǎo)，避免可能出現(xiàn)的治療不足和過度治療。