基于灰階超聲的不同影像組學模型鑒別乳腺腫塊良惡性的價值

周 艷 葉 磊 潘婷婷 張 清 桑彩影 李靜怡 于阿麗 孫明睿 謝玉海

在女性中，乳腺癌的發(fā)病率和死亡率均最高，早期診斷和早期治療是提高乳腺癌生存率及生存質量的最佳途徑[1-2]。目前，超聲是臨床上最常用的篩查方法，但其對乳腺癌診斷的靈敏度和特異度較低[3-5]，且受到醫(yī)師的診斷水平影響較大。影像組學(Radiomics)于2012年由Lambin等[6]首次提出，2016年被Radiology正式命名，作為一種新興的前沿科學領域，目前已成為研究的熱點。影像組學是通過高通量的特征提取，利用大規(guī)模的訓練隊列來闡明圖像特征與疾病狀態(tài)之間的相關性，從而為臨床診斷提供重要信息。本研究基于乳腺腫瘤灰階超聲的影像組學特征，采用5種方法構建模型，旨在探討各模型間的表現(xiàn)能力及最優(yōu)模型預測乳腺腫塊良惡性的臨床價值。

1 資料與方法

1.1 一般資料 回顧性分析2018年10月至2020年10月皖南醫(yī)學院附屬太和縣人民醫(yī)院行乳腺超聲檢查的180位女性患者資料，年齡27～83歲，平均(54.41±13.00)歲；每位患者均有1個乳腺腫塊納入研究，共180個乳腺腫塊。納入標準：①有完整的臨床及超聲影像資料；②超聲檢查前未行任何臨床治療。排除標準：①無病理結果；②超聲圖像不佳，影響興趣區(qū)(region of interest,ROI)勾畫；③超聲檢查與手術間隔時間超過14 d者。

1.2 圖像采集 采用三星麥迪遜RS80A超聲診斷儀，配備L3-12A線陣探頭，頻率5～12 MHz。由具有豐富乳腺超聲診斷經(jīng)驗的醫(yī)師采集圖像，每幅圖像包含腫瘤的最大橫切面和縱切面，導出原始圖像(DICOM格式)，用于特征提取。

1.3 圖像分割、預處理和特征提取 由一名高年資主治醫(yī)師(醫(yī)師1)和一名副主任醫(yī)師(醫(yī)師2)在不知病理結果的情況下，分別使用3D Slicer 4.10.2軟件手動完成腫塊ROI的勾畫并進行特征提取。見圖1。從形態(tài)、直方圖、紋理和小波4個方面共提取851個乳腺腫塊的高通量特征。見表1。為了保證結果的可重復性，通過標準差標準化算法對原始數(shù)據(jù)進行預處理。

圖1 乳腺腫塊ROI勾畫示意圖

表1 影像組學特征名稱及數(shù)量

1.4 特征一致性檢驗 醫(yī)師1進行2次ROI勾畫及特征提取，間隔時間為2周。醫(yī)師2進行1次ROI勾畫及特征提取。采用組內(nèi)和組間相關系數(shù)(inter and intra correlation coefficient of groups,ICC)評價測量者自身和測量者之間的一致性。測量者自身的ICC評價使用醫(yī)師1前后2次的測量結果進行分析，測量者之間的ICC使用醫(yī)師1和醫(yī)師2的測量結果進行分析；ICC>0.75認為一致性較好[7]。本研究最終采用醫(yī)師2提取的影像組學特征參數(shù)進行降維建模。

1.5 特征降維和建模 在180個樣本中按照7∶3比例隨機抽樣分成訓練組(n=126)和驗證組(n=54)。降維在訓練組上進行，分兩步，第一步采用單因素方差分析進行降維，對符合正態(tài)分布的參數(shù)行t檢驗，非正態(tài)分布的參數(shù)行秩和檢驗。第二步采用最小絕對收縮和選擇算子(least absolute shrinkage and selection operato，LASSO)篩選最優(yōu)特征用于模型構建。

1.6 統(tǒng)計學方法 采用R軟件(Version 3.6.1)進行統(tǒng)計學分析，使用軟件包有psych、pROC、glmnet、rpart、rpart.plot、random forest、e1071、adabag。以病理結果為金標準，P<0.05為差異有統(tǒng)計學意義。

2 結果

2.1 臨床資料分析 180例乳腺腫塊中100例為惡性，均為浸潤性乳腺癌；80例為良性，均為纖維腺瘤，其中32例合并有乳腺腺病。訓練組126例乳腺腫塊中惡性70例、良性56例，驗證組54例乳腺腫塊中惡性30例、良性24例。訓練組與驗證組中，浸潤性乳腺癌與乳腺纖維腺瘤患者的年齡差異無統(tǒng)計學意義(P>0.05)。

2.2 一致性檢驗 測量者自身(見圖2A)和測量者之間(見圖2B)均具有較高的一致性(P>0.05)。通過一致性檢驗ICC=0.75剔除其中27個特征后，剩余824個特征用于進一步分析。

注：A為觀察者內(nèi)一致性比較；B為觀察者間的一致性比較。

2.3 特征降維 通過單因素方差分析及最小絕對收縮和選擇算子(Lasso)進行降維，從824個影像組學特征選取8個系數(shù)非零的影像組學特征。見表2、圖3。

2.4 影像組學模型鑒別價值 通過兩步降維將篩選出的8個最優(yōu)特征與其對應的加權系數(shù)乘積構成線性組合形成預測患者良惡性模型標簽，運用邏輯回歸、決策樹、隨機森林、支持向量機和集成算法進行模型建立，結果見表3。在訓練組，隨機森林和支持向量機模型的表現(xiàn)能力略高于決策樹和邏輯回歸，集成算法最差，但在驗證組，隨機森林和邏輯回歸模型的表現(xiàn)能力最強，而在驗證組鑒別乳腺腫塊良惡性的準確性、靈敏度、特異度、陽性預測值和陰性預測值以邏輯回歸模型最佳，其值分別為83.33%、91.70%、83.33%、85.71%、81.82%。見圖4。

表2 系數(shù)非零的影像組學特征

注：A為使用10倍交叉驗證法篩選特征的特征系數(shù)收斂圖；B為使用10倍交叉驗證法調(diào)節(jié)參數(shù)λ繪制。左邊和右邊的虛線分別表示最小準則和1-標準誤差準則，本研究選擇標準為1-標準誤差準則，共選出8個最優(yōu)特征特征。

表3 5種模型的表現(xiàn)能力

注：邏輯回歸模型訓練組(A)和驗證組(B)的ROC曲線；決策樹模型訓練組(C)和驗證組(D)的ROC曲線；隨機森林模型訓練組(E)和驗證組(F)的ROC曲線；支持向量機模型訓練組(G)和驗證組(H)的ROC曲線；集成算法模型訓練組(I)和驗證組(J)的ROC曲線。

3 討論

常規(guī)超聲檢查作為一種便捷、無創(chuàng)又經(jīng)濟的影像檢查技術廣泛應用于乳腺腫瘤的篩查及隨訪，但對乳腺腫塊良惡性的鑒別缺乏特異性，且受到操作者主觀性影響較大。影像組學是一種通過自動化的高通量的特征提取，利用大規(guī)模的訓練組來闡明圖像特征與疾病狀態(tài)之間的細微關系，從而鑒別患者乳腺腫塊良惡性[8]。近年來，影像組學在臨床中的應用研究越來越多，主要是用于腫瘤良惡性的判斷[9-12]、病理分級[13]、新輔助放化療療效的評價[14-15]以及預測淋巴結的轉移[16-17]等。

目前，影像組學建模的常用方法有邏輯回歸、K-近鄰、支持向量機、隨機森林、決策樹、集成算法和人工神經(jīng)網(wǎng)絡[18]。本研究通過對選取8個系數(shù)非零的影像組學特征分別運用了邏輯回歸、決策樹、隨機森林、支持向量機和集成算法建模，結果表明邏輯回歸模型的表現(xiàn)能力最強，尤其是對驗證組的預測能力高于其它4種模型，其預測乳腺腫塊良惡性的曲線下面積(area under the curve of ROC，AUC)、準確性、靈敏度、特異度、陽性預測值和陰性預測值在訓練組和驗證組分別為0.949、87.30%、82.14%、94.30%、93.48%、83.75%和0.879、83.33%、91.70%、83.33%、85.71%、81.82%，在兩組間均具有較高的診斷效能，這與既往研究[19-21]結果相一致。集成算法模型的表現(xiàn)能力最差，決策樹、隨機森林和支持向量機模型在訓練組和驗證組的表現(xiàn)能力差異較大，說明這3種模型存在過擬合現(xiàn)象。

劉麗等[22]研究表明，常規(guī)超聲檢查對乳腺腫塊良惡性判斷的準確性、靈敏度、特異度分別為79.17%、81.48%、64.81%。張春菊等[23]使用超聲彈性成像對乳腺良惡性腫塊鑒別的準確性、靈敏度、特異度分別為77.94%、79.49%、75.86%。陳爽等[24]研究表明，超聲造影、彈性成像診斷乳腺癌的準確性、靈敏度、特異度分別為74.60%、73.53%、75.86%和71.43%、70.58%、72.41%。本研究結果表明，邏輯回歸模型標簽預測乳腺癌的準確性、靈敏度、特異度、陽性預測值和陰性預測值在訓練組和驗證組分別為87.30%、82.14%、94.30%、93.48%、83.75%和83.33%、91.70%、83.33%、85.71%、81.82%，均優(yōu)于常規(guī)超聲、超聲彈性成像和超聲造影。本研究最終選取的8個系數(shù)非零的影像組學特征全部為紋理特征和小波特征，提示二維灰階超聲圖像的紋理特征和小波特征可反映腫塊的異質性。

本研究創(chuàng)新點在于對基于灰階超聲影像組學特征的5種預測模型進行了比較，但不足之處有樣本量較少且為單中心研究，因此，后期需要增大樣本量并進行多中心研究，以進一步驗證和提升影像組學模型的預測能力。

綜上，在基于常規(guī)二維灰階超聲的影像組學模型中，邏輯回歸模型表現(xiàn)能力最強，能有效預測乳腺腫塊良惡性。