基于T2WI影像組學模型產前預測胎盤植入性病變

路 濤，張天悅，李緗琦，郭愛文，宋 彬，劉思耘

(1.四川省醫學科學院·四川省人民醫院放射科，四川 成都 610072；2.四川大學華西醫院放射科，四川 成都 610037；3.GE醫療，北京 100176)

胎盤植入性病變(placenta accrete spectrum disorders, PAS)為胎盤絨毛不同程度侵入子宮肌層所致，是引起產科大出血的主要原因之一。影像組學可從形態學影像中提取高通量的定量信息，更具客觀性，有利于分析病變特征。本研究評估基于產前MR T2WI的影像組學模型預測PAS的價值。

1 資料與方法

1.1 一般資料 回顧性分析2018年1月—2020年3月于四川省人民醫院就診的241例單胎妊娠孕婦，年齡19～45歲，平均(30.7±4.9)歲；孕22～38周，平均(32.05±3.98)周。納入標準：具有PAS高危因素或超聲提示PAS。排除標準：①患高血壓、糖尿病及腎臟疾病；②嚴重幽閉恐懼癥；③以引產結束妊娠；④資料不完整；⑤圖像質量差。

術中診斷PAS標準：剖宮產術中見胎盤緊密粘連于子宮內膜，剝離胎盤時發生難以控制的出血；或需用鉗刮術清除植入子宮肌層的胎盤組織；或肉眼可見胎盤組織侵入子宮壁全層，甚至超出子宮范圍而侵犯周圍器官[1]。病理診斷PAS標準：光鏡下見胎盤絨毛侵入子宮肌層表面或侵入子宮肌層內，或見絨毛達子宮漿膜層或漿膜層外組織。

1.2 儀器與方法 采用Siemens Aera 1.5T MR儀，配備16通道體部相控表面線圈，囑孕婦仰臥、足先進，行盆部掃描，范圍自膈肌至恥骨聯合。采用半傅里葉采集單次激發快速自旋回波(half-Fourier acquisition single-shot turbo spin-echo, HASTE)序列采集軸位及冠狀位、矢狀位T2WI,FOV 420 mm×420 mm，層厚5 mm，層間隔為1 mm，矩陣272×320，TR 1 300 ms，TE 93 ms，掃描時間50 s；真實穩態進動快速成像(true fast imaging with steady-state precession, TrueFISP)序列掃描，FOV 420 mm×420 mm，層厚5 mm，層間隔1.5 mm，矩陣234×384，TR 4.11 ms，TE 1.63 ms，掃描時間48 s。

1.3 影像組學分析

1.3.1 圖像分割和特征提取 將HASTE-T2WI和TrueFISP-T2WI原始圖像分別導入ITK-SNAP軟件(3.6.0, open source, www.itksnap.org)，由1名具有2年婦產科疾病MRI診斷經驗的主治醫師(醫師1)逐層手動勾畫胎盤邊緣，由另1名具有10年以上經驗的副主任醫師(醫師2)進行修改、確認，保存感興趣容積(volume of interest, VOI)，見圖1，并測量宮頸管長度及胎盤厚度。將原始圖像及VOI導入A.K.軟件(GE Healthcare，version 3.3.0)提取特征。由另1名具有3年工作經驗的影像科醫師(醫師3)隨機抽取80例獨立勾畫胎盤VOI，提取其影像組學特征。以一致性相關系數(inter-class correlation coefficient，ICC)評價觀察者間提取影像組學特征的一致性，ICC>0.75為一致性較好。

圖1 勾畫VOI示意圖 手動逐層于軸位(A)、矢狀位(B)、冠狀位(C)HASTE序列圖像上勾畫胎盤(紅色區域)邊緣，形成融合VOI(紅色區域)圖(D)

1.3.2 影像組學特征的孕周校正 采用單因素線性回歸對非PAS組的影像組學特征行孕周線性擬合[2]，對PAS組影像組學特征行孕周校正。

1.3.3 篩選特征及建立模型 對訓練集影像組學特征進行預處理，剔除一致性差者；以Spearman相關性分析及最小絕對收縮和選擇算子(least absolute shrinkage and selection operator, LASSO)算法去除冗余特征，進一步篩選特征、實現數據降維，并采用后向逐步Logistic回歸方法建立不同序列診斷PAS的影像組學模型，獲得影像組學評分(Radscore)公式。

1.4 統計學分析及建立臨床-影像組學模型 采用3.6.1版R軟件(http://www.r-project.org)行統計分析。以±s表示符合正態分布的計量資料，以中位數(上下四分位數)表示不符合者，行獨立樣本t檢驗或Mann-WhitneyU檢驗。采用χ2檢驗比較計數資料。分別以單因素和多因素Logistic回歸篩選PAS的臨床危險特征，建立臨床模型；采用Logistic回歸方法對不同序列影像組學模型的Radscore及臨床模型特征進行聯合分析，獲得不同臨床-影像組學模型。于驗證集對各模型進行驗證。采用受試者工作特征(receiver operating characteristic, ROC)曲線和校準曲線評估模型的預測效能，以Delong檢驗比較不同模型曲線下面積(area under the curve, AUC)的差異。采用決策曲線分析(decision curve analysis, DCA)評估模型的臨床應用價值。P<0.05為差異有統計學意義。

2 結果

241例中，131例接受剖宮產，110例順產；其中116例PAS(PAS組)，125例非PAS(非PAS組)。將所有患者按7∶3比例分為訓練集(n=168)和驗證集(n=73)，訓練集中77例PAS，91例非PAS；驗證集中39例PAS，34例非PAS。

2.1 臨床模型 單因素分析顯示，年齡、孕周、前置胎盤、胎盤位置、流產史及流產次數、剖宮產史及剖宮產次數、妊娠次數、生產次數、宮頸管長度及胎盤厚度組間差異均有統計學意義(P均<0.05)，見表1。經單因素及多因素Logistic回歸分析，前置胎盤、流產史、剖宮產史及宮頸管長度是PAS的危險因素(P均<0.05，表2、3)，由此建立臨床模型。

表1 疑診PAS孕婦臨床特征比較(n=241)

表2 PAS臨床特征：單因素Logistic回歸分析結果

2.2 影像組學模型 分別自各序列圖像中提取1 130個影像組學特征，剔除601個一致性差者，保留529個特征。經LASSO算法等處理(圖2)，各篩選出9個影像組學特征，以之構建HASTE序列及TrueFISP序列影像組學模型，并構建影像組學及臨床聯合模型，包括HASTE聯合TrueFISP影像組學模型、臨床-HASTE影像組學模型、臨床-TrueFISP影像組學模型及臨床-HASTE-TrueFISP影像組學模型。

圖2 篩選影像組學特征示意圖 A、B.基于HASTE序列圖像采用LASSO算法篩選影像組學特征(A)及得到特征的LASSO系數剖面圖(B)； C、D.基于TrueFISP序列圖像采用LASSO算法篩選影像組學特征(C)及得到特征的LASSO系數剖面圖(D)

表3 PAS臨床特征：多因素Logistic回歸分析結果

2.3 模型性能評估 ROC曲線(圖3)顯示，驗證集中，臨床模型、HASTE影像組學模型、TrueFISP影像組學模型診斷PAS的AUC分別為0.882、0.968和0.930(P均>0.05)；HASTE-TrueFISP影像組學模型的AUC為0.990，高于臨床模型(Z=-2.36，P=0.02)、HASTE影像組學模型(Z=-2.48，P=0.02)及TrueFISP影像組學模型(Z=-2.43，P=0.02)，其特異度為86.50%，敏感度為94.40%；臨床-HASTE-TrueFISP影像組學模型的AUC為0.995，與HASTE-TrueFISP影像組學模型差異無統計學意義(Z=-0.85，P=0.40)，但高于HASTE及TrueFISP影像組學模型(Z=-2.64、-2.47，P均<0.05)，其特異度為91.90%，敏感度為88.90%。

圖3 各模型診斷PAS的ROC曲線 A.訓練集； B.驗證集

校準曲線顯示，臨床模型之外的各模型在驗證集中的校準度均較好(貼近45°斜線)，見圖4；DCA顯示，閾值取0～0.6時，其在驗證集數據中的臨床凈獲益均大于臨床模型，見圖5。

圖4 訓練集(A)和驗證集(B)中各模型的校準曲線

圖5 訓練集(A)和驗證集(B)中各模型的DCA

3 討論

國際婦產科協會于2018年提出PAS的概念[3]，包括胎盤粘連、胎盤植入及穿透性胎盤植入。既往研究[4]認為子宮手術史可致子宮內膜-肌層交界面缺損、相應子宮區域缺乏正常子宮蛻膜化，引起絨毛外滋養細胞浸潤、絨毛組織侵入子宮肌層深面及血管內，甚至可侵犯周圍盆腔器官，導致不同程度胎盤植入。MRI為診斷PAS的主要影像學方法之一，其主要依據為形態學及信號強度改變[5-6]，但仍具有主觀性。影像組學能從醫學圖像中提取大量的量化特征并進行分析，可用于評價胎盤的異質性。

熊星等[7]發現，基于臨床特征及常規胎盤MRI征象的Logistic回歸模型列線圖可作為術前預測胎盤植入的輔助工具。CHEN等[8]將紋理分析方法用于診斷PAS，發現正常組與PAS組間像素強度及分形分析的標準差存在差異。ROMEO等[9]結合機器學習和紋理分析評價前置胎盤孕婦發生胎盤植入的可能，認為該方法有助于臨床識別胎盤植入的發生。SUN等[1]以紋理分析和機器學習分析前置胎盤MRI表現，發現通過拉普拉斯變換和紋理分析可定量評價胎盤不均勻度，區分胎盤成熟所致異質性改變，有利于預測胎盤植入及協助臨床制定決策。但上述研究樣本量較小，且僅基于單一序列圖像。

HASTE和TrueFISP序列均為快速成像序列，常用于胎盤MR掃描[10-11]。HASTE序列多用于評價子宮層次、胎盤結構、胎兒解剖和鄰近器官，有利于增加胎盤內血管對比度；TrueFISP序列可區分子宮和胎盤流空血管與T2WI低信號帶。本研究基于HASTE和TrueFISP圖像進行分析，篩選出9個與PAS相關性較高的影像組學特征，并建立單一HASTE或TrueFISP影像組學模型及HASTE-TrueFISP影像組學模型。經多因素回歸結果顯示，前置胎盤、流產史、剖宮產史及宮頸管長度為PAS的獨立危險因素，據此分別建立診斷PAS的臨床模型和臨床-影像組學聯合模型。校準曲線顯示，臨床模型之外的其他各模型在驗證集中的校準度均較好；ROC曲線發現，臨床-HASTE-TrueFISP影像組學聯合模型對驗證集的診斷效能最高，與HASTE-TrueFISP影像組學模型相當；DCA顯示，閾值取0～0.6時，上述模型對驗證集的臨床凈獲益均大于臨床模型，提示HASTE-TrueFISP影像組學模型可用于預測PAS。

綜上所述，基于產前HASTE及TrueFISP序列圖像的聯合影像組學模型有助于預測PAS。本研究的主要局限性：①為單中心回顧性研究，存在選擇性偏倚；②樣本量小，未進一步分析不同程度PAS。