CT平掃影像組學模型在術前預測腎透明細胞癌WHO/ISUP分級的臨床價值

劉增建 楊帆 張濱 徐井旭 黃陳翠 李萬蘭 唐美榮

腎透明細胞癌（Clear cell renal cell carcinoma，ccRCC）是腎細胞癌（Renal cell carcinoma，RCC）占比最多的亞型（約70%），此外，ccRCC 是惡性程度高、預后差、死亡率最高的亞型[1～4]。世界衛生組織/國際泌尿病理學會（WHO/ISUP）分級系統根據核仁突出情況進行分級，核等級不僅可以反映ccRCC 侵襲性，也可作為ccRCC 預后的重要指標[5]。術前經皮穿刺活檢因腫瘤本身異質性存在取樣偏差，其結果的準確性和代表性受到限制。影像組學作為新興的且非侵入性診斷及評估方法，對傳統醫學影像圖像進行分割、特征提取，量化分析圖像異質性，客觀地實現臨床在術前預測腫瘤類型與病理分級[6]。

本研究旨在探討利用傳統CT 平掃圖像構建影像組學術前模型預測ccRCC WHO/ISUP分級的價值，并尋求構建高準確度的預測模型。

1 材料與方法

1.1 一般資料 回顧性分析我院收治且符合以下標準的研究對象資料。納入標準：①術后病理證實為ccRCC 的患者；②術前進行腎臟CT 平掃檢查；③術前未進行穿刺活檢及其他抗腫瘤相關治療。排除標準:①術前2 周以上CT 平掃檢查；②CT 層厚未達5mm；③CT 平掃圖像資料不全或存在偽影，或圖像質量不能滿足診斷和校準要求。201 例患者共203 枚病灶納入研究，其中男136 例，女65 例，年齡27～83 歲，平均（55.6±12.4）歲。

1.2 病理學分組 納入研究病例術后組織病理切片均進行HE 染色，并由兩名泌尿系腫瘤診斷病理科醫師（7年和11年診斷經驗）復閱，依據2016 版腎癌WHO/ISUP 分級標準，對病理學切片進行重新診斷、分級[5]。根據患者不同預后結局[5]分為低級別組（Ⅰ～Ⅱ級）和高級別組（Ⅲ～Ⅳ級）。

1.3 掃描方法 使用螺旋CT 進行數據采集，范圍為膈頂至恥骨聯合，具體機器型號、掃描參數和掃描病灶數，見表1。

表1 CT 掃描機參數與掃描病灶數

1.4 CT 圖像分析與特征提取 將所有CT 平掃數據導入Deepwise 科研平臺（深睿醫療），逐層手動勾畫ccRCC 病灶輪廓，產生3D 腫瘤感興趣區（Region of interest，ROI），3D-ROI 病灶內壞死、囊變、包膜及鈣化區域；為了提高CT 圖像分割時的準確性，所有病灶近腎盂側邊緣均參考同期排泄期，遠腎盂側邊緣的確定均參考同期皮質期圖像。為避免部分溶劑效應干擾，3D-ROI 外緣在病灶邊緣以內1～2mm。由兩名放射科醫師（6年和15年診斷經驗）分別對CT 平掃圖像進行靶區分割，并提取影像組學特征；21d 后，由低年資醫師再次對上述患者提取影像組學特征，并且計算觀察者間及觀察者內相關系數（ICC）。為避免不同掃描CT 儀器中不同參數設置造成的灰度不均勻性，在進行特征選擇之前對所有CT 掃描圖像進行歸一化處理，所有CT 掃描圖像在三個方向上重新采樣至5mm 分辨率，以標準化患者的體素大小；為使每個區域提取表征腫瘤強度和結構的放射學特征，對腫瘤區域進行8 個方向的小波變換。處理后的特征均值為0，方差為1。

影像組學特征包含基于10 種圖像預處理（原始、小波變換、LoG、Square、SquareRoot、Logarithm、Exp-onential、Gradient、LBP2D、LBP3D）的7 類共2 107 個特征，包含一階特征、形狀特征、灰度相依矩陣特征、灰度共生矩陣特征、灰度游程矩陣特征、灰度區域矩陣特征（GLSZM Features）及鄰域灰度差分矩陣特征。

1.5 模型構建 利用Pearson 相關系數（Pearson correlation coe-fficients，PCC）構建相關矩陣，以此降低影像組學特征之間的冗余性。當訓練集上任意兩個自變量之間的r＞0.95時，將剔除其中的一個特征，優先保留和因變量的線性相關系數較高的特征。使用十折交叉驗證法進行分類判別，進行10 次循環，以便于每個部分數據均可用于訓練模型。分別使用5 個分類器（SVM、Decision Tree、XG Boost、Linear SVC、Logistic Regression）對篩選出來的特征值進行分類并建立模型。通過超參搜索，尋找當前模型較優的特征篩選（降維）算法及其參數，從而得到較好的結果。基于方差分析的特征篩選（ANOVA F-value），具有顯著性差異的特征被認為對分類具有較高區分度，將被保留。特征選擇參數為1%。

1.6 統計學分析 采用R 語言統計分析軟件進行數據統計分析，對基于CT 平掃圖像提取的影像組學特征進行兩獨立樣本Mann-Whitney U 檢驗，從而獲取對鑒別低級別和高級別ccRCC 差異有統計學意義的特征集。計數參數比較采用χ2檢驗。P＜0.05 為差異有統計學意義。采用受試者工作特征（ROC）曲線及校準曲線對不同組別模型分類效能進行評價，參數值為對應曲線下面積（AUC）、敏感性、準確度、精確度及特異性。模型校準度的評價使用Hosmer-Lemeshow 擬合優度檢驗。對測試集影像組學評分的預測模型采用決策曲線分析不同概率閾值下的患者凈獲益。

2 結果

2.1 一般資料 WHO/ISUP 低級別組147 枚（Ⅰ級55 枚，Ⅱ級92 枚），其中男98 枚，女49 枚，患者平均年齡（55.8±11.7）歲，左腎68 枚，右腎79 枚；高級別組病灶數為56 枚（Ⅲ級34 枚，Ⅳ級22 枚），其中男39 枚，女17 枚，患者平均年齡（54.9±14.2）歲，左腎26 枚，右腎30 枚。兩組年齡、性別、發病部位及病理分級比較差異無統計學意義（P＞0.05）。本研究中觀察者間組間ICC 為0.85，觀察者內ICC 為0.92，手工標注圖像一致性較好。

2.2 特征選擇及模型特征 經過一系列智能調整參數，查詢各種參數組合獲取的人工智能模型中，基于L1 正則化的特征篩選項C=0.4504，當常量不添加至決策函數時，二分類模型——邏輯回歸（Logistic regression，LR）模型在訓練集十折交叉驗證所得平均AUC 值最高。本實驗中，采用觀察者間和觀察者內相關系數評判一致性（ICC ≥0.75），首先初步保留了1 995 個特征（ICC：0.7581～0.999），在經過PCC 的選擇后，保留483 個獨立并相關性強的影像組學特征。在LR 模型中，通過監督學習來估計模型參數，最終篩選出5 個非零回歸系數的與ccRCC 病理等級強相關的預測特征，模型方程為：Logit=0.3487×[original_shape_Maximum2DDiameterSlice（最大2D 直徑）]+0.6251×[log-sigma-5-0-mm-3D_glszm_ZoneEntropy（區 域 熵）]+{（-0.6138）×[logsigma-4-0-mm-3D_gldm_DependenceVariance（相關方差）]}+0.0471×[log-sigma-4-0-mm-3D_glszm_GrayLevelNonUniformity（灰度不均勻性）]+0.7139×[squareroot_firstorder_Mean（平均值）]+（-0.5675）。訓練集、測試集Hosmer-Lemeshow 擬合優度檢驗結果表明，該預測模型均有較好的校準度（χ2=5.364，P=0.718；χ2=12.471，P=0.104）。

在本研究中LR 分類模型里，最終提取5 個高權重特征參數，并且根據上述5 個特征及系數的線性加權建立影像組學標簽，得出每例患者的Radscore。其中低、高級別影像組學風險評分在訓練集分別為（-1.59±1.89）分和（1.94±2.75）分，差異有統計學意義（t=-6.752，P＜0.05）。低、高級別影像組學風險評分在測試集分別為（-2.14±2.12）分和（1.65±2.12）分，差異有統計學意義（t=-4.621，P＜0.05）。此時，該模型訓練集預測高級別ccRCC的準確度為82.35%、精確度為63.51%，最佳點的敏感性和特異性分別為83.93%和81.76%，AUC為0.893（95%CI：0.8479～0.9381）；對應的測試集準確度為79.9%、精確度為60.27%，最佳點的敏感性和特異性分別為78.57%和80.41%，AUC 為0.864（95%CI：0.8106～0.9174），見表1。訓練集與測試集ROC 曲線（見圖1、2）。根據臨床應用，LR 模型的決策曲線（見圖3）體現出較好的性能。當訓練集中高級別ccRCC 的閾值概率在0～0.89 之間或測試集中在0～0.97 之間時，影像組學預測ccRCC 病理分級可使患者凈獲益。通過影像組學標簽繪制能夠預測ccRCC 病理分級的諾模圖（見圖4）。

表1 訓練集與測試集模型指標

圖1 LR 模型訓練集ROC 曲線

圖2 LR 模型測試集ROC 曲線

圖3 影像組學模型在訓練集和測試集ccRCC 患者中的決策曲線

圖4 ccRCC 病理分級預測諾模圖

3 討論

CTU 是腎透明細胞癌術前早期診斷和評估的常用影像檢查手段之一，但CT 平掃較增強圖像獲取更加便捷和經濟，對于CT 增強禁忌證患者也具有優勢，但從CT 平掃圖像獲取的常規影像特征在精準診斷和評估ccRCC 病理分級中存在風險，且存在相應主觀性和低特異性[7，8]。目前有學者基于CT增強圖像的影像組學構建ccRCC WHO/ISUP 分級（或Fuhrman 分級）的預測模型[9～11]，雖然對比劑濃度和注射流速固定，但根據患者體重計算對比劑用量，腎灌注的個體差異因素未被消除，影響數據一致性，此外，鏡下腫瘤血管分布的評估與病理核分級沒有明顯相關性，目前基于CT 增強影像組學結果分析缺乏相關醫學解讀，因此，基于CT 平掃影像組學預測ccRCC WHO/ISUP 分級更具有相對的合理的醫學邏輯解釋。

本研究采用手動跟蹤分割病變的輪廓，為盡量避免主觀性偏差，參照皮質期和排泄期，逐層確定ROI，獲取全腫瘤3D-ROI，以便更好地全面獲取腫瘤生物學特點的圖像。在實驗中，采用觀察者間和觀察者內相關系數≥0.75 評判一致性，最終篩選出5 個最有價值的影像組學特征，這些特征均為不容易被肉眼識別的高維特征，其可能獲取腫瘤的異質性信息，從而對治療評估更加敏感。

本研究的5 個分類器通過智能調參狀態下，比較多個人工智能模型的分類性能后，確定采用LG模型。通過10 次十折交叉驗證法進行分類判別，在交叉驗證得到代價函數最小時的λ 值，測試模型就更加接近理想模型，實現了自動選擇特征，使得模型更加容易解釋，最后建立影像組學的風險評分。在本研究的LR 模型中，訓練集、測試集中的AUC 值、敏感度、特異度及準確度均較高，說明基于CT 平掃圖像的影像組學模型具有較好且穩定的預測性能；訓練集的AUC 值（0.893）略大于測試集（0.864），顯示了良好的模型泛化能力。

與低級別組相比，高級別組ccRCC 腫瘤直徑較大，圖像紋理差異更大，且分布更不均勻，亮暗程度更不均勻，說明高級別組異質性更高，灰度均值以及灰度分布的特點又反映了ccRCC 的侵襲性。相校于低級別組，造成這種特征參數不同可能是因為：ccRCC 有豐富的腫瘤血管及小泡狀結構，細胞核存在微觀異質性，高級別ccRCC 腫瘤細胞密度較大，體積大而不規則、緊密排列，圖像紋理更加粗糙，以細胞群為代表的單個體素灰度值增高；ccRCC腫瘤內出現壞死囊變及出血，常更傾向于高級別ccRCC，囊變壞死區在某一坐標方向上的灰度級相似度較高，高級別ccRCC 腫瘤新生血管豐富、迂曲不規則分布，致使整體紋理分布較紊亂，灰度分布不均[12，13]。在臨床工作中，腫瘤內壞死囊變及出血的診斷是基于平掃和增強圖像的聯合閱片，對于較小的壞死囊變和出血，因平掃圖像中缺乏肉眼可辨別的密度差而無法確診，這也說明紋理分析對醫學圖像視覺信息進行數學模型分析獲取定量紋理參數，可用來反映人眼無法明確的病灶病理信息。

本研究亦有一定的局限性：本研究為回顧性研究，樣本量較小，故未對WHO/ISUP 四級分別進行分析，也欠缺外部驗證，后期有待搜集多中心、多樣本進行前瞻性深入研究；靶區的人工勾畫參考了CT增強圖像（動脈期、靜脈期及排泄期），腫瘤區域的自動識別與分割問題有待未來進一步研究解決；紋理特征參數與病理組成差異的相關性推斷，還需結合病理組織學和算法學進行驗證。

綜上所述，基于CT 平掃圖像的影像組學模型能夠對ccRCC WHO/ISUP 分級進行術前預測，僅通過平掃圖像就可以獲取較多信息來用于病情的診斷、預測，對減少患者醫療費用、提高患者的生活質量具有重要意義。