基于MRI影像組學的隨機森林模型預測頭頸部腫瘤放化療結局的臨床研究

謝麗霞 呂海香 曾歡 劉翰文 鐘榮明

（廣東省人民醫院贛州醫院（贛州市立醫院）放射影像科，江西 贛州 341000）

近年來，頭頸部惡性腫瘤的發病率持續增長。臨床對早期或局限性頭頸部惡性腫瘤患者常采用單一治療方法。同步放化療是局部晚期頭頸部惡性腫瘤患者的主要治療方式，通過開展同步放化療可減少患者術后周圍神經浸潤、血管侵犯或淋巴結轉移等風險[1]。目前，隨機森林算法在國內外影像學領域受到高度關注，在腫瘤的診斷與評估中均能發揮良好的作用[2]。本研究旨在有效提升對頭頸部腫瘤患者放化療結局的預測評估準確性，選取頭頸部腫瘤放化療患者后，為其開展了MRI影像組學及隨機森林模型評估，通過進行矢狀面T2WI與增強T1WI掃描，提取影像組學特征并實施隨機森林測試，最終獲得MRI影像組學及隨機森林模型預測頭頸部腫瘤放化療結局的作用及價值，從而為頭頸部腫瘤放化療患者形成良好臨床獲益。報道如下。

1 資料與方法

1.1 一般資料 選取2020年1月至2021年11月我院頭頸部腫瘤患者100例。在本組患者中男性75例（75.0%），女性25例（25.0%）；年齡22～83歲，平均（61.7±5.8）歲；其中，喉癌9例（9.0%），甲狀腺癌17例（17.0%），食管癌24例（24.0%），鼻咽癌50例（50.0%）。本研究中涉及內容均經過本院醫學倫理委員會批準，患者或家屬簽署知情同意書。

1.2 納入與排除標準 納入標準：①符合頭頸部惡性腫瘤的病理診斷標準。②入組前未行手術、放化療等治療。③入組后接受放化療。④具有良好依從性。排除標準：①合并肝腎功能障礙。②存在精神系統疾病病史。③接受了影像研究結果的治療方式。

1.3 方法

1.3.1 儀器與參數 在檢查時輔助患者取仰臥位，使用1.5T MRI掃描儀與3.0T掃描儀，采取體部相控陣線圈。矢狀面T2WI掃描參數：1.5T MRI，層厚為5.0 mm，間距為6.0 mm，層數為20，FOV為340 mm×340 mm，TE為125 ms，TR為4120 ms；3.0T MRI，層厚為5.0 mm，間距為1.0 mm，層數為24，FOV為240 mm×240 mm，TE為116 ms，TR為4500 ms。而后經患者周靜脈注入扎特酸葡胺0.5 mL/kg與生理鹽水20 mL，速率為2 mL/s，在注射后的19 s、35～50 s以及112～130 s時反復開展3個時相的增強掃描，隨后再行冠狀面、橫軸面延遲掃描。增強T1WI掃描參數：1.5T MRI，層厚為2.5 mm，間距為0 mm，層數為48，FOV為340 mm×340 mm，TE為1.55 ms，TR為3.25 ms；3.0T MRI，層厚為2.5 mm，間距為0 mm，層數為48，FOV為360 mm×282 mm，TE為1.22 ms，TR為3.22 ms。

1.2.2 分割圖像、提取影像組學特征及建立模型的方法 在矢狀面T2WI與增強T1WI掃描圖像中勾畫腫瘤組織的各個層面，綜合各層面將其保存在三維圖像Mask并獲得VOI。使用軟件工具包提取所有影像VOI腫瘤區域的影像組學特征。提取包括鄰域灰度差分矩陣、灰度相關矩陣、灰度級長矩陣、灰度級帶矩陣、灰度共生矩陣、形狀及一階統計量7類影像組學特征，采取分層抽樣發（1∶4）將患者的不同掃描影像數據劃分為測試集與訓練集。開展隨機森林模型訓練使用集成學習算法RF分類器，在2種掃描模式下建立預測模型，結合患者的放化療結局評價其預測效能。

1.3.3 放化療結局評估方法 在完成同步放化療后，采用實體瘤的療效評價標準（RECIST 1.1）對患者放化療結局進行評估。其中，腫瘤完全消失為完全緩解（CR），腫瘤減少50%以上為部分緩解（PR），腫瘤面積減少不到50%或增大不超過25%為疾病穩定（SD），出現新發病灶組織或腫瘤面積增大超過25%為疾病進展期（PD），以CR+PR為敏感，以SD+PD為不敏感[3]。

1.4 觀察指標 分別比較平掃T∶WI測試集與訓練集兩組患者的基本資料，觀察平掃T2WI以及增強T1WI的影像組學結果，評價MRI影像組學模型對放化療后結局的預測作用及診斷效能。

1.5 統計學方法 采用SPSS 22.0統計學軟件對數據進行分析。計量資料采用（）表示，組間比較行t檢驗；計數資料采用[n（%）]表示，組間比較行χ2檢驗；采用ROC曲線分析基于MRI影像組學的隨機森林模型對頭頸部腫瘤放化療結局的預測價值；P＜0.05表示差異有統計學意義。

2 結果

2.1 平掃T2WI的影像組學結果 100例頭頸部腫瘤患者均獲得完整平掃T2WI圖像，根據分層抽樣法得到測試集20例與訓練集80例，兩組患者的基本資料比較差異均無統計學意義（P＞0.05）。見表1。選取測試集中最佳特征子集30個，應用RF分類器完成頭頸部腫瘤放化療結局的預測模型，測得特異度為93.1%，敏感度為88.2%，準確性為91.2%，AUC為0.935。見表2。根據影像組學特征評定其重要性評分，前3位表現為形狀平坦度、灰度級帶矩陣區域方差、灰度級長矩陣運行方差。

表1 平掃T2WI測試集與訓練集兩組患者的基本資料比較

表2 平掃T2WI模型與增強T1WI模型對放化療后結局的預測診斷效能比較

2.2 增強T1WI的影像組學結果 100例頭頸部腫瘤患者均獲得完整增強T1WI圖像，根據分層抽樣法得到測試集20例與訓練集80例，兩組患者的年齡與性別比較差異無統計學意義（P＞0.05），但兩組的放化療結局比較差異有統計學意義（P＜0.05）。見表3。選取測試集中最佳特征子集30個，應用RF分類器完成頭頸部腫瘤放化療結局的預測模型，測得特異度為75.4%，敏感度為100.0%，準確性為82.1%，AUC為0.819。見表2。根據影像組學特征評定其重要性評分，前3位表現為形狀平坦度、灰度相關矩陣高灰度依賴程度、灰度共生矩陣相關性。

表3 增強T1WI測試集與訓練集兩組患者的基本資料比較

3 討 論

近年來，頭頸部惡性腫瘤已成為國內外臨床中常見的惡性腫瘤。調查數據顯示，頭頸部惡性腫瘤的發病率在各類腫瘤中占第7位，每年約有88萬新發病例，約45萬人由于頭頸部惡性腫瘤導致死亡[4-5]。目前，局限性或早期頭頸部惡性腫瘤患者主要采取手術或放療的單一治療方法，對于此類患者行手術或放療取得的療效基本相當。但局部晚期頭頸部惡性腫瘤患者在手術后仍需接受化療聯合治療[6]，部分患者在手術后仍會存在周圍神經浸潤、血管侵犯或淋巴結轉移等高危風險，還需進一步補充放療或給予同步放化療[7-8]。隨著臨床影像診斷學技術的不斷發展，頭頸部病變的診斷篩查方法也取得了顯著進步。新型影像診斷方法不僅在使用效果上得到認可，而且其易用性與使用成本也具備良好的優勢?，F階段，超聲、CT、MRI等影像技術均已被應用于頭頸部病變的篩查診斷中，通過開展MRI檢查還能進一步了解腫瘤組織范圍及其與周圍結構的關系。超聲對操作者的要求較高，對于實性病變的鑒別能力相對偏差。CT不僅對人體存在輻射，而且難以準確顯示病灶內部結構。MRI的軟組織分辨率高，但常規MRI檢查并不能準確評價惡性腫瘤的類型及其惡性程度。因此，還需要尋找新的影像診斷方法，以為頭頸部惡性腫瘤患者的篩查診斷及預后評估形成積極作用[9-11]。

2012年，來自荷蘭的研究人員提出了影像組學概念，通過高通量獲取大量的醫學影像特征，采取自動化數據算法將圖像具化為空間數據，此類空間數據具有可深度挖掘、高分辨率等特征，據此完成建模分析，客觀定量地進行疾病診斷及預后評估[12]?，F階段，該種影像組學技術被認為是改進醫學影像評估質量的重要途徑，現已被應用在多種惡性腫瘤的診斷中。隨機森林算法主要是指一種新型且具有高度靈活性的集成學習算法，其中含有較多的決策樹，在多個領域均有廣泛的應用前景[13]。該種學習算法融合了不同集成方式[14]，促使獲得了不同的決策樹集成學習算法，在實際應用時善于快速、大量處理數據集[15]，同時存在較強的泛化能力，增強了計算效率，使用便捷性極高[16-17]。目前，在國內外的醫學圖像分析系統中已使用了隨機森林算法，將其應用于影像分析中有助于提高自動化與準確性[18-20]。在頭頸部腫瘤診斷及療效評估中，MRI始終為其重要影像學檢查方法，能夠為診斷、評估疾病發揮可靠作用，但基于MRI影像組學的隨機森林模型對頭頸部腫瘤放化療結局的預測作用仍有待研究。

本研究結果顯示，平掃T2WI測得特異度為93.1%，敏感度為88.2%，準確性為91.2%，AUC為0.935。根據影像組學特征評定其重要性評分，前3位表現為形狀平坦度、灰度級帶矩陣區域方差、灰度級長矩陣運行方差。增強T1WI測得特異度為75.4%，敏感度為100.0%，準確性為82.1%，AUC為0.819。根據影像組學特征評定其重要性評分，前3位表現為形狀平坦度、灰度相關矩陣高灰度依賴程度、灰度共生矩陣相關性。

由此可見，基于MRI影像組學的隨機森林模型對頭頸部腫瘤放化療結局有較好的預測作用，而平掃T2WI具有更好的臨床應用潛力。