基于MRI影像組學預測肝泡型包蟲病邊緣微血管侵犯

樊 霞，王 健，夏雨薇，劉文亞*

[1.新疆醫科大學第一附屬醫院影像中心，新疆 烏魯木齊 830054；2.慧影醫療科技(北京)有限公司，北京 100192]

肝泡型包蟲病(hepatic alveolar echinococcosis，HAE)是多房棘球絳蟲幼蟲感染人體引起的潛在致命性寄生蟲疾病，農牧區多發，未經藥物及手術干預患者10年生存率僅29%[1]。根治性肝切除術是治療HAE的首選方法[2]，術中在完整切除病灶的同時，需最大限度保留正常肝組織，避免術后發生肝功能衰竭；但肉眼并不能區分病灶邊緣是否具有活性及微血管侵犯，傳統影像學雖能于術前判斷病灶邊界活性[3]，但人工閱片受主觀因素影響。影像組學能從原始圖像中挖掘肉眼不可見的潛在數據[4-6]，將其用于精確診斷和治療。本研究基于機器學習(machine learning， ML)方法定量分析HAE病灶及邊緣的異質性，評估MR T2WI影像組學模型預測HAE病灶邊緣微血管侵犯的價值。

1 資料與方法

1.1 一般資料 回顧性收集2012年1月—2020年3月89例于新疆醫科大學第一附屬醫院經手術病理證實HAE患者，男38例，女52例，年齡12～65歲，平均(36.8±13.2)歲。納入標準：①于術前3天內接受MR檢查，且資料完整；②術后病理資料完整。排除標準：①病理切片未包括病灶邊緣帶與肝正常組織交界帶；②MRI數據來自不同機型，影響提取影像組學特征。檢查前患者或監護人均簽署知情同意書。

1.2 儀器與方法 采用Philips Achieva11.5T MR儀行上腹部掃描，采集T1WI、T2WI，行彌散加權成像(diffusion-weighted imaging, DWI)。軸位T2WI：TR 477 ms，TE 80 ms，層厚5.5 mm，層間隔1 mm，FOV 375 mm×375 mm，翻轉角90°；DWI：采用單次激發自旋回波平面掃描序列，b值為0和1 000 s/mm2，TR 1 600 ms，TE 88 ms。

1.3 病理分析 由2名具有3年病理科住院醫師在1名副主任醫師指導下評估HAE病灶邊緣帶微血管密度(microvessel density， MVD)，并進行MVD計數，計數誤差≤3時取二者平均數，>3時由副主任醫師進行核對。首先于光鏡下觀察HE染色或CD34染色切片，以確定邊緣帶區域；之后參照Weidmer方法先于低倍鏡(40倍)下尋找病灶邊緣微血管密集區域，即微血管“熱點”區域，再以高倍鏡(200倍)在微血管最多視野內進行微血管計數；每例尋找3個“熱點”進行計數，取平均值作為結果，以MVD>15為病灶邊緣帶存在微血管侵犯[7]。

1.4 影像組學分析 將影像學數據以DICOM格式導入影像組學Radcloud平臺(http://radcloud.cn/，3.1.0版本，慧影醫療科技有限公司，北京)。HAE病灶呈T2WI稍低信號或含小囊泡的高混雜信號[8]；邊緣帶 DWI呈條帶狀高信號，表觀彌散系數(apparent diffusion coefficient， ADC)圖呈低信號。由1名具有10年腹部MRI診斷經驗的副主任醫師參考DWI及自動生成的ADC圖，于T2WI上沿病灶及邊緣帶外緣逐層手動勾畫ROI，由另1名具有20年影像學診斷經驗的主任醫師復核勾畫結果，對病灶ROI進行自動插值，獲得其感興趣容積(volume of Interest， VOI),見圖1。

圖1 患者女，60歲，HAE 于軸位T2WI上勾畫HAE病灶ROI并生成VOI的示意圖 A.腹部軸位T2WI示肝右前葉及方葉巨大混雜短T2信號病灶，內見多發小圓形長T2囊泡； B.于T2WI上沿病灶邊緣勾畫ROI(紅線區域)； C.對病灶ROI進行自動插值，獲得整個病灶VOI

采用Radcloud平臺python中的函數包pyradiomics(https://pyradiomics.readthedocs.io/)提取VOI的影像組學特征。以方差閾值(方差閾值=0.8)和單變量特征選擇法進行特征降維，篩選P<0.05的最優特征，剔除與微血管侵犯相關性較低的特征。

按8∶2比例將89例患者分為訓練集(n=70)和測試集(n=19)。在訓練集數據中以最優特征參數建立隨機森林(random forest，RF)、極限梯度增強樹(extreme gradient boosting，XGBoost)和邏輯回歸(Logistic regression， LR)三類ML模型，并于測試集數據中進行驗證。

1.5 統計學分析 采用SPSS 26.0統計分析軟件。以±s表示符合正態分布的計量資料，采用t檢驗進行組間比較。對計數資料行χ2檢驗。在Radcloud平臺上進行影像組學統計分析，采用受試者工作特征(receiver operating characteristic, ROC)曲線，計算曲線下面積(area under the curve, AUC)，以敏感度、特異度、召回率及F1得分(指基于準確率與召回率的調和平均值)評價ML模型預測HAE病灶邊緣微血管侵犯的效能。

2 結果

病理結果顯示，89例中，32例病灶邊緣存在微血管有侵犯，男17例，女15例，年齡12～65歲，平均(37.4±15.3)歲；57例無侵犯，男21例，女36例，年齡15～59歲，平均(36.5±12.0)歲；其間患者性別(t=0.28，P=0.77)及年齡差異均無統計學意義(χ2=2.22，P=0.13)。

訓練集70例中，25例存在微血管侵犯、45例無侵犯；測試集19例中，7例存在微血管侵犯、12例無侵犯。

共提取1 409個影像組學特征，以方差閾值方法選出454個特征，再以單變量選擇法篩選，最終得出7個最優影像組學特征(表1)，包括1個一階統計特征和6個高階統計特征。

表1 最終獲得的基于MR T2WI鑒別HAE病灶邊緣微血管侵犯的7個最優影像組學特征

ROC曲線所示，XGBoost、RF和LR三種ML模型鑒別訓練集及測試集中HAE病灶邊緣有無微血管侵犯的AUC、敏感度及特異度見表2、3。XGBoost分類器在訓練集及測試集中均表現最佳，AUC分別為0.96和0.89，見圖2。

表2 各ML模型判斷訓練集和測試集中HAE病灶邊緣存在微血管侵犯的ROC曲線分析結果

表3 各ML模型判斷訓練集和測試集中HAE病灶邊緣無微血管侵犯的ROC曲線分析結果

圖2 XGBoost模型鑒別訓練集(A)和測試集(B)中HAE病灶邊緣有無微血管侵犯的ROC曲線 紅線為存在微血管侵犯，綠色為無微血管侵犯

3 討論

HAE病灶周邊浸潤增殖帶，即“邊緣帶”，為HAE病灶向周圍浸潤生長的基礎，該區域存在具有增殖活性的蟲體，同時存在較為豐富的微血供狀態。HAE是否具有生物學活性及微血管侵犯，對臨床制定治療及隨訪計劃具有重要指導意義。李肖紅[7]認為光鏡下MVD>15提示邊緣帶存在微血管侵犯，且部分類型HAE的PET-CT最大標準攝取值與MVD計數呈正相關。AZIZI等[9]發現，MRI顯示HAE病變存在小囊泡與其代謝活性存在相關性。T1WI上，HAE病灶實性成分相對周圍正常肝實質呈低信號，液化呈更低信號，對小囊泡顯示不佳，部分病灶邊界顯示不清；T2WI上HAE表現為高、低混雜信號，病灶內液化及小囊泡呈高信號，富含纖維組織的實性成分呈稍低信號；高b值(≥800 s/mm2)DWI上，壞死呈高/稍高信號，實性成分常表現為低信號；ADC圖上HAE病灶實性成分相比周圍肝實質呈高信號[10]，雖易檢出病灶，但圖像分辨率較低；對比劑釓噴酸葡甲胺(Gd-DTPA)增強MRI中正常肝實質強化而HAE病灶無強化，病灶邊界清晰，由于周圍纖維炎性反應，少數HAE病變可能出現不規則邊緣強化[11]，而小囊泡仍顯示不佳。T2WI能反映HAE病灶的影像學特征，故本研究基于T2WI勾畫病灶ROI。

HAE影像學和臨床表現與惡性腫瘤相似[12]，對其進行影像組學紋理分析有助于診斷。既往研究[13]采用瘤內影像組學及瘤內和瘤周聯合影像組學方法于術前預測肝細胞肝癌微血管侵犯，結果顯示瘤內和瘤周聯合影像組學模型的效能較好。HAE病灶邊緣帶生長活躍，結構致密，限制了水分子運動，故DWI呈高信號[14]。本研究參考DWI及ADC圖像，基于T2WI勾畫HAE病灶及邊緣帶，提取與1 049個病灶邊緣微血管侵犯相關的影像組學特征，以反映HAE病灶的異質性；經降維處理，最終篩選出7個最優特征,包括1個一階統計特征和6個高階統計特征。一階統計特征包括一階統計量特征、形狀特征及紋理特征；高階統計特征包括小波分析濾波器、平方根濾波器、對數濾波器及多根濾波器等。一階統計量特征為不考慮空間關系時個體體素值的分布，經過濾波器變換成為高階統計特征，通過鄰域灰度差矩陣計算高階統計量。百分位數為體素值分布的某個百分位數的特征值。高灰度行程強調測量對象為高灰度值的分布，其值越高，則圖像中高灰度值區域所占比例越大。上述特征代表HAE病灶在圖像中的亮度值及高灰度值，反映HAE病灶邊緣區域影像的局部變化，可量化評價有、無微血管侵犯的HAE病灶之間的差異。本研究最終所獲7個最優特征中，3個(灰度級長度矩陣)為紋理特征，與既往研究[15]采用紋理分析評估前列腺癌腫瘤異質性的結果類似。

本研究采用XGBoost及RF分類器構建的ML模型預測訓練集及測試集HAE病灶邊緣微血管侵犯的AUC均較高，但RF分類器判斷測試集存在微血管侵犯的準確率較低(0.62)。F1得分為基于精確率與召回率的調和平均值，F1得分越大，模型性能越好。本研究RF分類器在測試集數據中的F1得分均低于XGBoost分類器，綜合考慮，以XGBoost分類器構建的ML模型預測HAE病灶邊緣微血管侵犯的效能較好。

綜上所述，基于MR T2WI影像組學XGboost ML模型可有效預測HAE邊緣微血管侵犯。本研究的局限性：①為回顧性分析，且樣本量偏小；②僅基于T2WI進行分析，有待進一步完善。