不同聯(lián)合方式的瘤內(nèi)與瘤周影像組學特征對肺腺癌的診斷價值研究

陳小波 郭馨雨 于哲軒 許茂盛 周長玉

隨著胸部低劑量CT的廣泛篩查，肺結(jié)節(jié)的發(fā)現(xiàn)頻率也越來越高。如果能盡早地對結(jié)節(jié)作出診斷和治療，將極大地提高肺癌患者的生存質(zhì)量，同時避免不必要的侵入性檢查和手術(shù)，因此早期區(qū)分肺結(jié)節(jié)良惡性具有潛在的重要臨床意義［1］。

影像組學作為一種獲取高通量影像圖像放射學特征的非侵入性方法，能夠反映腫瘤感興趣區(qū)的異質(zhì)性特征。近年來的研究表明，腫瘤周圍實質(zhì)在細胞遷移、炎癥反應(yīng)和血管形成方面具有重要的生物學特性，對于臨床評估病灶侵襲行為具有重要價值［2］。大多數(shù)研究主要關(guān)注于原發(fā)病灶的評估，忽略了瘤周微環(huán)境的細微變化。從已有的文獻報道來看，最佳瘤周放射學信號位于何處，以及這些特征如何與瘤內(nèi)特征相互作用仍不清楚［3］。目前聯(lián)合瘤內(nèi)和瘤周影像組學特征的研究方法主要有2種：常見的是將瘤內(nèi)和瘤周區(qū)域進行整體分割而得到總區(qū)域，提取特征后進行建模分析［4-5］；Beig等［6］則對瘤內(nèi)和瘤周區(qū)域進行單獨分割，再對各區(qū)域特征進行聯(lián)立并完成建模分析。本研究將通過聯(lián)合瘤內(nèi)和瘤周影像組學特征對肺腺癌及肺良性結(jié)節(jié)進行鑒別，并對2種方法進行對比分析。

方 法

1.一般資料

回顧性分析2017年1月至2019年12月在浙江中醫(yī)藥大學附屬第一醫(yī)院就診的肺結(jié)節(jié)患者臨床和影像資料。所有患者CT平掃圖像都由高年資肺部影像診斷醫(yī)師進行分析和判斷，最后經(jīng)胸腔鏡、肺部穿刺或手術(shù)切除標本病理檢查明確結(jié)節(jié)良惡性。納入標準：①手術(shù)治療前1個月內(nèi)曾行薄層（0.75 mm或1.0 mm）胸部CT掃描；②病灶最大徑≤30 mm；③術(shù)前無化療、放療、靶向治療；④無肺部腫瘤病史。排除標準：①圖像質(zhì)量不佳；②CT檢查前行肺腫瘤活檢、放療、化療或手術(shù)切除；③同一肺葉多個肺結(jié)節(jié)。

2.CT檢查方法

圖像采集采用東芝Aquilion ONE（Toshiba Medical Systems，Japan） 和 西 門 子Somatom sensation 64層CT掃描儀（Siemens Healthcare，Germany）。前者掃描參數(shù)：管電壓120 kV，管電流200 mA，探測器準直0.5 mm×64 mm，矩陣512×512，重建層厚1.0 mm，旋轉(zhuǎn)時間0.4 s，重建核為FC51。后者掃描參數(shù)：管電壓120 kV，自動管電流調(diào)制，探測器準直0.6 mm×64 mm，矩陣512×512，重構(gòu)層厚0.75 mm，重建核為B31f。

3.影像組學分析

3.1 圖像預(yù)處理與圖像分割

將DICOM格式的薄層軸位CT平掃圖像導入開源軟件ITK?SNAP V3.8.0（https：//www.itksnap.org），設(shè)置肺窗（窗位：-600 HU；窗寬：1 300 HU），由2名分別具有3年和10年胸部CT影像診斷經(jīng)驗的放射科醫(yī)師獨立完成三維容積感興趣區(qū)（VOI）的勾畫。勾畫過程中支氣管、大血管和胸膜以外的正常組織都被人工盡可能地排除在VOI之外。對于2名放射科醫(yī)師之間的差異情況，分割模式由1名具有28年肺部影像診斷經(jīng)驗的放射科教授進行評估。

在完成瘤內(nèi)感興趣區(qū)的分割后，需要進行外擴得到瘤周區(qū)域。根據(jù)較多文獻［3-6］的報道，聯(lián)合瘤內(nèi)及瘤周0~5 mm區(qū)域時模型的整體預(yù)測性能最佳，因此本研究的瘤周區(qū)域被定義為3 mm和5 mm。AK軟件（Analysis Kit；GE Healthcare，US）可以根據(jù)勾畫好的VOI來自動分割瘤周區(qū)域，瘤內(nèi)及瘤周總區(qū)域，軟件內(nèi)置的邊緣識別算法可自動識別胸膜邊緣，有效地防止縱隔區(qū)域被納入，保護結(jié)節(jié)組學特征不被縱隔衰減或改變。最終，依次整理得到瘤內(nèi)感興趣區(qū)［即腫瘤區(qū)（gross target volume，GTV）］，瘤周感興趣區(qū)［即腫瘤周圍區(qū)（peritumoral volume，PTV）；分別外擴0~3 mm和3~5 mm，記為PTV3和PTV5］，瘤內(nèi)和瘤周總區(qū)域(GPTV；即瘤內(nèi)至瘤周3 mm和5 mm,記為GPTV3和GPTV5），合計5個區(qū)域。

3.2 影像組學特征提取

將分割好的感興趣區(qū)再次導入ITK?SNAP軟件進行核實與修正，無誤后利用開源工具Pyradiomics 3.0工具箱［7］對影像體素進行1×1×1重采樣，隨后完成影像組學特征的計算和提取。包括一階統(tǒng)計特征、形狀特征，灰度區(qū)域大小矩陣（GLSZM）、灰度共生矩陣（GLCM）、灰度依賴矩陣（GLDM）等灰度特征等。另外，將小波、平方、對數(shù)、指數(shù)4種圖像濾波器分別應(yīng)用于原始圖像，得到相應(yīng)衍生圖像，并在5種不同類型圖像中完成所有類別影像組學特征提取。

3.3 影像組學特征篩選

首先，對所有影像組學特征進行Z?score標準化處理，公式為Z=(x-μ)/σ，其中x為某組學特征的數(shù)值，μ代表所有患者相應(yīng)特征的平均值，σ代表相應(yīng)特征的標準差。對樣本按7∶3的比例隨機劃分為訓練集和驗證集。為避免特征數(shù)量過多而使模型過度擬合，需對特征進行逐步篩選，具體方法如下。①單因素分析：鑒于組學特征均為連續(xù)型特征，因此采用獨立樣本t檢驗進行逐個分析，初步篩選出具有顯著差異的影像組學特征。②Boruta特征選擇算法：Boruta算法被用來進一步篩選具有潛在預(yù)測性的組學特征，其核心思想是統(tǒng)計比較數(shù)據(jù)中真實特征與隨機加入的原始拷貝特征（也稱為影子變量）之間重要性的差異。重要性得分是基于隨機森林建模計算的，其中顯著重要于最佳影子變量的真實特征被定義為重要特征，重要性低于最差影子變量的特征則被剔除。通過不斷迭代最終篩選獲得具有潛在預(yù)測性的組學特征。

3.4 模型構(gòu)建與評價

基于最終篩選得到的影像組學特征建立多元logistic逐步回歸模型，以P<0.05為顯著性閾值，赤池信息準則（Akaike information criterion，AIC）為特征篩選和模型迭代準則，通過不斷迭代直至模型AIC值達到最優(yōu)時完成訓練。對篩選得到的GTV、PTV3模型特征進行聯(lián)立，并再次利用logistic逐步回歸建模得到Combined3模型。同理，聯(lián)立GTV、PTV3、PTV5特征建立Combined5模型。受試者工作特征（receiver operator characteristic，ROC）曲線下面積（AUC）、準確度、靈敏度、特異度、陰性預(yù)測值、陽性預(yù)測值等指標被用來評價模型效能。

4.統(tǒng)計學分析

采用Python 3.7.4軟件的“Pyradiomics”包完成影像組學的特征提取，“scipy.stats”包完成特征的單因素分析，滿足方差齊性采用Studentt檢驗，方差不齊采用校正t檢驗，P<0.05認為差異有統(tǒng)計學意義。采用R 3.6.1軟件完成數(shù)據(jù)處理與建模，“caTools”包用于分層隨機劃分數(shù)據(jù)集，“Boruta”包用于建立Boruta特征選擇算法，“glmnet”包用于建立logistic模型，“ROCR”包繪制ROC曲線。DeLong檢驗被用來評估不同模型之間的效能差異。

結(jié) 果

1.一般資料

根據(jù)納入排除標準，295例肺結(jié)節(jié)中腺癌161例，良性結(jié)節(jié)134例，其中包括炎性結(jié)節(jié)60例、肉芽腫38例、結(jié)核瘤15例、肺泡細胞瘤6例、錯構(gòu)瘤6例、機化性肺炎5例、非典型腺瘤樣增生4例。腺癌平均最大徑（11.34±4.47）mm，良性結(jié)節(jié)平均最大徑（11.15±4.05）mm，兩者間比較，差異無統(tǒng)計學意義（P>0.05）。

2.影像組學特征分析結(jié)果

利用AK軟件分別對5個區(qū)域（GTV、PTV3、PTV5、GPTV3和GPTV5）進行特征提取，每個區(qū)域均得到1 037個影像組學特征。首先對特征進行單因素分析完成特征的初步篩選，5個區(qū)域分別得到394、650、614、567和559個顯著特征；隨后Boruta特征選擇算法被用來進一步降維，設(shè)置迭代次數(shù)為300，以0.01為顯著性閾值，分別得到45、69、61、45和36個具有潛在預(yù)測性的組學特征。圖1示例了GTV中的影像組學特征經(jīng)Boruta特征選擇算法篩選后的結(jié)果，即Boruta特征重要性箱線圖。

圖1 GTV的Boruta特征重要性箱線圖

3.肺腺癌及良性結(jié)節(jié)鑒別模型的效能評估

對篩選得到的影像組學特征建立logistic逐步回歸模型，以訓練集數(shù)據(jù)來訓練模型參數(shù)，以驗證集數(shù)據(jù)進行效能評估，分別得到GTV、PTV3、PTV5、GPTV3和GPTV5模型。對篩選得到的GTV、PTV模型特征進行聯(lián)立，經(jīng)過logistic逐步回歸得到Combined模型。其中，Combined5模型AIC=143.27，在納入的9個特征中有4個特征源于GTV，3個特征源于PTV3，2個特征源于PTV5，所有特征間存在統(tǒng)計學差異，具體參數(shù)結(jié)果如表1所示。Combined3模型AIC=153.93，相比Combined5模型納入的特征少了2個源于PTV5的特征。圖2為組合模型的特征系數(shù)條形圖，從中可以看出，源于GTV的特征不僅數(shù)量居多，而且特征系數(shù)的數(shù)值也較大，源于最外周PTV5的特征數(shù)量最少，且特征系數(shù)數(shù)值也較小。

表1 基于瘤內(nèi)及瘤周特征聯(lián)合的Combined5模型參數(shù)表

圖2 Combined模型特征系數(shù)條形圖

5種 模 型，即GTV、PTV3、PTV5、GPTV3、GPTV5、Combined3和Combined5對肺結(jié)節(jié)良惡性的判別效能結(jié)果詳見表2。各個模型的ROC曲線分析結(jié)果（圖3）顯示，瘤內(nèi)、瘤周及瘤內(nèi)與瘤周聯(lián)合的模型對肺結(jié)節(jié)均具有良好的預(yù)測性，其AUC均大于0.83。其中，PTV模型（AUCPTV3=0.892，AUCPTV5=0.858）和GPTV模型（AUCGPTV3=0.859，AUCGPTV5=0.833）在驗證集中的表現(xiàn)效能均低于GTV模型（AUCGTV=0.916）。而Combined模 型 （AUCCombined3=0.953，AUCCombined5=0.953）相比GTV、GPTV3和GPTV5模型，其在肺腺癌和良性結(jié)節(jié)的鑒別中表現(xiàn)出了更好的效能。

圖3 瘤內(nèi)及瘤周影像組學模型預(yù)測肺腺癌及良性結(jié)節(jié)的ROC曲線

表2 不同聯(lián)合方式的瘤內(nèi)及瘤周影像組學模型效能

上述模型的DeLong檢驗結(jié)果見圖4，從中可以發(fā)現(xiàn)，在驗證集中，PTV5與2種Combined模型，GPTV3和GPTV5與2種Combined模型之間的差異均有統(tǒng)計學意義（P<0.05）。2種Combined模型與2種GPTV模型的詳細對比信息如表4所示。

表4 Combined模型與GPTV模型的對比與檢驗

圖4 瘤內(nèi)及瘤周影像組學模型DeLong檢驗顯著性熱圖

討 論

在CT圖像上，肺良惡性結(jié)節(jié)在大小、形態(tài)上都有部分重疊，在視覺評估的基礎(chǔ)上對其進行鑒別具有一定的挑戰(zhàn)性。經(jīng)皮穿刺活檢是臨床上確定肺結(jié)節(jié)性質(zhì)的一種方法，可以提供相對準確的病理信息。然而，經(jīng)皮穿刺活檢是一種侵入性手術(shù)，可能會給患者帶來一些手術(shù)相關(guān)的并發(fā)癥，且有時活檢獲得的小塊組織不能代表整個病變的特征［8］。在這方面，影像組學作為一種定量化的無創(chuàng)手段已經(jīng)被廣泛證明可提供更多的紋理信息來準確地評估病變的異質(zhì)性，已經(jīng)有文獻報道了影像組學方法在腫瘤分級［9］、肝細胞癌的微血管浸潤和預(yù)后評估［10］、浸潤性肺腺癌和浸潤前病變的區(qū)分能力［11］等方面的研究。在我們的研究中，GTV模型（AUCGTV=0.916）在肺腺癌與良性結(jié)節(jié)鑒別中有著良好的表現(xiàn)。

以往的研究主要集中于瘤內(nèi)的組學特征分析，然而單純瘤內(nèi)特征并不足以充分反映病灶的所有特征，例如炎性結(jié)節(jié)可以表現(xiàn)為典型的磨玻璃樣改變，經(jīng)過治療，病灶吸收后易被誤診為肺癌，而慢性炎癥反應(yīng)會促進肺免疫抑制微環(huán)境形成。目前，人們越來越認識到微環(huán)境在腫瘤中包含的豐富生物學信息［12］，在肺部結(jié)節(jié)的診斷方面同樣如此。良性腫瘤通常生長緩慢，對周圍正常組織主要產(chǎn)生擠壓等作用，例如肺細胞瘤可對周圍血管產(chǎn)生推移作用甚至造成出血、肺結(jié)核周圍可有衛(wèi)星灶、結(jié)核球可有毛刺和胸膜牽拉等。惡性腫瘤則通常具有更強的浸潤性，會破壞周圍實質(zhì)組織的正常結(jié)構(gòu)，比如造成病灶周圍的小葉間隔水腫，病灶外圍的小血管、淋巴管、氣管周圍發(fā)生癌性或炎性浸潤以及阻塞后擴張等表現(xiàn)。病灶周圍的微觀環(huán)境在影像上難以很好地體現(xiàn)，而這種微環(huán)境的異質(zhì)性變化可以通過瘤周影像組學的方法很好地被挖掘。目前，基于瘤內(nèi)和瘤周放射學特征的研究方法在非小細胞肺癌的總體生存率和免疫治療反應(yīng)［13］、術(shù)后復發(fā)［14］等方面均有著良好的價值表現(xiàn)。在肺腺癌及良性結(jié)節(jié)的鑒別研究中，我們發(fā)現(xiàn)單純提取瘤周感興趣區(qū)的PTV模型（AUCPTV3=0.892，AUCPTV5=0.858）、瘤內(nèi)及瘤周總感興趣區(qū)的GPTV模型（AUCGPTV3=0.859，AUCGPTV5=0.833）在驗證集中表現(xiàn)的效能均低于僅提取瘤內(nèi)感興趣區(qū)的GTV模型（AUCGTV=0.916），同時，隨著外擴距離的增加，模型效能會逐漸減弱。同樣地，也有研究［4，15］發(fā)現(xiàn)，GPTV和GTV在肺腺癌與肉芽腫鑒別、肺腺癌淋巴結(jié)轉(zhuǎn)移預(yù)測的研究中無統(tǒng)計學差異。其可能的原因是研究所納入的肺結(jié)節(jié)體積比較小，惡性結(jié)節(jié)的瘤周微環(huán)境浸潤程度不明顯，導致瘤周區(qū)域的鑒別性能欠佳。同時隨著外擴距離的增加，正常的肺紋理組織會被納入到感興趣區(qū)中，也會導致良惡性結(jié)節(jié)差異縮小。

除此之外，我們還對比研究了瘤內(nèi)和瘤周2種不同聯(lián)合方法構(gòu)建的模型，第一種是常見的將瘤內(nèi)和瘤周區(qū)域進行整體分割后構(gòu)建GPTV模型，第二種是對瘤內(nèi)和瘤周區(qū)域單獨分割，經(jīng)特征篩選后再構(gòu)建Combined模型。2種方法在肺腺癌與良性結(jié)節(jié)的鑒別研究中，AUCCombined3為0.953，高于AUCGPTV3的0.859（P<0.05），AUCCombined5為0.953，高于AUCGPTV5的0.833（P<0.01）。參考Combined5模型保留的參數(shù)結(jié)果：納入的9個特征中有4個源于GTV，3個源于PTV3，2個源于PTV5，推測其可能的原因是各區(qū)域單獨勾畫再聯(lián)立的組合方法不僅可以保留瘤內(nèi)的豐富信息，而且瘤周的顯著特征也會被保留，同時模型會根據(jù)瘤內(nèi)和瘤周特征的重要性進行加權(quán)組合，這也解釋了Combined模型（AUCCombined3=0.952， AUCCombined5=0.953）在驗證集中效能高于GTV模型（AUCGTV=0.916）的原因。對于瘤內(nèi)及瘤周的整體分割，良性結(jié)節(jié)周圍的部分重要信息會因為被更大面積的正常組織所“均勻化”而削弱，使良惡性差異變小，因此GPTV模型（AUCGPTV3=0.859，AUCGPTV5=0.833）的驗證效能低于GTV模型（AUCGTV=0.916）。相比之下，單獨分割瘤內(nèi)及瘤周感興趣區(qū)，經(jīng)特征篩選后再合并的方法能夠更加全面真實地反映瘤內(nèi)和瘤周區(qū)域蘊含的顯著特征。這與實際影像閱片過程中先看瘤內(nèi)密度或信號強度（GTV），再看邊緣形態(tài)（PTV），然后結(jié)合與周圍組織關(guān)系（更大的PTV）的“特征聯(lián)立”綜合分析過程相一致。

本研究存在一些局限性：第一，本研究為小樣本的回顧性研究。第二，本研究以肺腺癌為惡性結(jié)節(jié)代表，以炎性結(jié)節(jié)和肉芽腫為主要良性代表進行了良惡性鑒別研究，這可能存在選擇偏倚，因為易產(chǎn)生明顯微環(huán)境改變的炎性結(jié)節(jié)、肺細胞瘤等良性肺結(jié)節(jié)病種，可能會更容易與惡性肺結(jié)節(jié)進行鑒別，今后仍需擴大樣本將研究對象拓展到良惡性亞組以及多中心研究。第三，本研究僅采集了2種CT儀器的肺結(jié)節(jié)圖像，在未來的研究中，瘤內(nèi)及瘤周影像組學方法對不同型號CT掃描下肺結(jié)節(jié)鑒別診斷的影響仍需驗證。

綜上所述，本研究通過影像組學方法和對比分析發(fā)現(xiàn)，相比于GPTV整體分割的方法，瘤內(nèi)GTV及瘤周PTV單獨分割后再進行特征聯(lián)立的方法在肺腺癌及良性結(jié)節(jié)鑒別中有著更好的效能表現(xiàn)。