基于治療前M R-T2W I影像組學特征預測肝細胞癌射頻消融術后早期復發的價值

李文華，許傳斌，崔景景，劉曉鳴，王 肖，賈文昊 ，李天然

（1.佳木斯大學臨床醫學院，黑龍江 佳木斯 154002；2.解放軍總醫院第四醫學中心放射診斷科，北京 100048；3.聯影醫療科技<北京>有限公司，北京 100089）

肝細胞癌（hepatocellular carcinoma，HCC）是導致人類死亡的常見腫瘤。因其惡性程度高，病程短、病情發展迅速的特性，被視為臨床重點防治的腫瘤疾病。肝硬化和未經抗病毒治療的慢性乙型肝炎是我國肝癌的主要病因[1]。隨著體檢的普及、各種血清腫瘤標志物的臨床指導應用以及成像技術的快速發展，肝癌的早期診斷率明顯提高。近年來，精準外科和微創外科的時代已經到來，射頻消融治療（radiofrequency ablation，RFA）以其微創、安全、操作簡單、可反復使用、費用低的優點，逐漸成為我國早期肝癌的首選治療方式[2]。有研究指出，RFA 治療肝癌的近期療效可達到手術切除的同等效果，可替代臨床上部分外科手術治療[3]。但是長期的隨訪結果表明[4，5]，RFA 術后5 年內的腫瘤總復發率及消融部位的局部復發率較高，肝癌的復發轉移是影響患者療效和長期生存的主要因素。因此，探討預測HCC 術后早期復發因素并采取相應措施，是進一步提高療效的關鍵，是個性化醫療和精準醫療的需要。近年來，隨著腫瘤個體化精準治療的發展，影像組學應運而生。影像組學從海量圖像中提取人眼無法識別出的深層次、高通量的定量特征，在高保真的高維數據空間中評價腫瘤生物學行為的異質性，而腫瘤生物學行為的異質性與腫瘤復發和轉移密切相關。影像組學方法可以作為腫瘤的虛擬活檢技術，在腫瘤的檢測、診斷、預后分析和評估療效[6，7]等方面表現出巨大潛力。基于此，本研究旨在建立基于T2WI 的影像組學自動化預測模型，并探討其用于預測肝癌射頻消融術后早期復發轉移的可行性，為肝癌精準治療提供參考。

1 資料與方法

1.1 一般資料 回顧性連續收集自2015 年1 月-2021 年3 月解放軍總醫院第四醫學中心收治并行腹腔鏡輔助超聲引導下射頻消融治療的140 例HCC 患者納入隊列研究，并隨機將80%的患者納入訓練集，20%的患者納入測試集。140 例患者中男126 例，女14 例；年齡30～91 歲，平均年齡（57.86±10.10）歲。肝功能Child-Pugh 分級：A 級134 例，B級6 例。納入標準：①經臨床或穿刺活檢病理證實為早期HCC 患者；②HCC 患者于我院接受首次RFA 治療；③所有患者術前1 周均在我院行MRI 上腹部動態增強檢查。排除標準：①影像學或臨床資料不全或失訪者；②消融失敗或曾行其他手術治療者；③合并其他腫瘤疾病者。

1.2 早期復發的定義及隨訪方案 早期復發[8]是指肝癌RFA 術后1 年或1 年內發生肝內復發或肝外轉移。肝癌RFA 術后的復發及進展評判如下[9]：①局部腫瘤進展：腫瘤完全消融后，消融灶的邊緣出現新的病灶，新病灶與消融灶相連；②腫瘤完全消融后，肝內其它部位出現新的病灶；③遠處轉移：出現肝外的轉移灶。肝內局部復發、肝內新病灶和肝外轉移，統稱為復發。所有患者RFA 術后1 個月內復查超聲造影、增強CT 或MRI，并檢測肝功能及腫瘤標志物，后每間隔3 個月定期規律隨訪，通過電話、門診、住院復查等方式進行隨訪。隨訪終點：從HCC 患者首次RFA 后隨訪至發現HCC 復發，截止時間至少為術后1 年。

1.3 MRI 圖像的獲取及分割 從我院PACS 系統下載患者的MRI 圖像，以DICOM 的格式保存，選取MRI 掃描最早成像且能清晰看到肝癌病灶的T2WI序列，導入到ITK-SANP 軟件（Version 3.8，來源：http://www.itksnap.org）中，對整個腫瘤輪廓進行逐層勾畫，勾畫時注意避開血管及周圍正常肝臟組織。將所勾畫輪廓融合形成一個三維感興趣區域，獲得感興趣區域容積（volume of interest，VOI），由另一名從事腹部診斷工作10 年的放射科醫師審查分割圖像，對有異議的VOI 通過討論達成一致，見圖1。患者的檢查方法及參數：采用Siemens Skyra3.0 T超導型磁共振掃描儀及體部相控陣表面線圈。掃描前進行呼吸訓練，T2WI 采用快速自旋回波序列，TR 2400 ms，TE 87 ms，層厚6 mm，層間距1.5 mm，矩陣320×320，FOV220 mm×220 mm，NEX 為1。

圖1 肝細胞癌的手動分割勾畫VOI 示意圖

1.4 MRI 圖像的預處理及影像組學特征提取 在聯影智能科研平臺系統V1.0（上海聯影智能醫療科技有限公司）（以下簡稱聯影智能科研平臺）上將原始影像經wavelet 濾波器進行圖像濾波處理，然后利用聯影智能科研平臺從濾波后的T2WI 圖像提取影像特征。提取的影像組學特征主要有7 組共734 個：形狀特征14 個，灰度統計量特征144 個，灰度共生矩陣（gray level cooccurence matrix，GLCM）特征168個，灰度游程矩陣（gray level run length matrix，GLRLM）特征128 個，灰度區域矩陣（gray level size zone matrix，GLSZM）特征128 個，鄰域灰度差矩陣（neighbouring gray tone difference matrix，NGTDM）特征112 個，灰度相關矩陣（gray level dependence matrix，GLDM）特征40 個。

1.5 影像組學特征選擇及模型的建立 首先，通過分析組間相關系數（interclass correlation coefficient，ICC）對兩次勾畫的VOI 觀察者間一致性進行評價，僅保留兩次勾畫VOI 的ICC≥0.75 具有較高可重復性的影像組學特征；然后，對不同維度的影像組學特征進行Z-score 歸一化處理。所有數據按8∶2 的比例隨機分為訓練集及測試集；在訓練集中使用方差閾值法、K 最佳篩選出差異有統計學意義的特征。最后，使用LASSO 回歸操作并提取非零系數的影像組學特征納入接下來的研究。基于LASSO 回歸的結果，在訓練集中分別建立邏輯回歸（logistic regression，LR）、支持向量機 (support vector machine，SVM)、隨機森林（random forests，RF）模型以實現肝細胞癌RFA 術后早期復發的預測[10-12]。

1.6 統計學分析 使用聯影智能科研平臺進行數據分析以及放射學統計分析。采用方差閾值法、K 最佳法和LASSO 回歸法進行特征值選擇，采用ROC 曲線來評價模型的預測性能，并計算AUC 值、準確率、敏感度和特異度，且當敏感度和特異度最大時，選擇臨界值作為臨界點。臨床資料采用SPSS 22.0 軟件進行統計學分析，正態分布的計量資料以（）表示，比較采用t檢驗。計數資料以[n（%）]表示，比較采用χ2檢驗。P＜0.05 為差異有統計學意義。

2 結果

2.1 患者一般資料 根據隨訪結果，研究對象分為RFA 術后1 年內復發組39 例，未復發組101 例；兩組患者按照隨機分配原則分為訓練集112 例，測試集28 例，訓練集和測試集患者的基本特征見表1。

表1 訓練集和測試集患者的基本特征[，n（%）]

表1 訓練集和測試集患者的基本特征[，n（%）]

注：※腫瘤位置特殊指瘤灶鄰近膈肌、膽囊、胃腸、膽管或位于第一肝門區、肝包膜下等部位

2.2 篩選最佳的影像組學特征 對每個患者提取影像組學特征共提取734 個，對2 次勾畫的VOI 進行一致性分析，僅保留ICC≥0.75 的特征，剔除112 個特征；在訓練集進行方差閾值分析，以P＞0.05 為標準，剔除1 個特征；使用K 最佳分析，以絕對值＞0.05為標準，剔除541 個特征；最終使用LASSO 回歸分析，利用5 折交叉驗證中最優的Lambda 值，選擇最佳影像組學特征子集，共篩選出8 個影像組學特征，篩選流程及系數分布見圖2 和圖3。

圖2 LASSO 模型選擇影像組學特征

圖3 LASSO 降維后8 個懲罰系數非零的影像組學標簽及其系數

2.3 機器學習構建影像組學的預測模型 基于篩選出來的8 個最穩定的影像組學特征建立LR、SVM、RF 分類器的預測模型，3 種分類器影像組學模型在訓練集和測試集的診斷效能見表2；所構建的3 種影像組學預測模型在訓練集和測試集中的ROC 曲線見圖4。

圖4 訓練集及測試集基于LR、SVM、RF 分類器的ROC 曲線

表2 3 種分類器影像組學模型在訓練集和測試集的診斷效能

3 討論

肝細胞癌的預后與年齡、性別、腫瘤大小、腫瘤位置、微血管浸潤（microvascular invasion，MVI）、病理分級以及轉移復發等多種因素有關，尤其以轉移復發為重要的獨立影響因素。因此，有效預測HCC患者射頻消融術后的早期轉移復發有助于臨床醫生選擇合適的個性化治療方案，改善早期肝癌患者的預后，提高患者的總體生存率[13]。MRI 圖像蘊含著大量的信息，利用影像組學技術對腫瘤整體進行檢測，能夠更為全面的了解腫瘤的特性，而且減少了腫瘤患者的有創檢查，為HCC 患者的預后提供了一種新的診斷方法和思路。

影像組學已經在肝癌復發預測中得到了廣泛的應用。此前有多項研究表明，利用影像組學技術能夠對肝癌根治性切除術[14-16]、肝移植術[17，18]以及肝癌射頻消融[19，20]術后的早期復發進行預測，所構建的模型均有較好的預測性能。Hui T 等[21]使用術前MRI 提取290 個紋理參數，以預測手術切除后730 d 內HCC 患者的復發情況。結果表明，基于增強MRI 的平衡期紋理特征做出了最大貢獻，預測準確率達84%。Yuan C 等[22]通過提取CT 門脈期圖像的紋理特征，證實了紋理特征與HCC 射頻消融術后的早期復發密切相關，且研究發現將臨床病理因素和影像組學特征聯合構建的復發預測模型，其對RFA 治療后早期復發的預測效果明顯高于單純臨床因素模型（P＜0.0001）。

基于以上的研究基礎，本實驗從MRI 的T2WI影像上篩選了一系列影像組學特征，最終選擇了8個最具潛在預測價值的影像組學特征。其中有3 個為一階統計量（firstorder）特征，1 個為灰度區域大小矩陣特征，1 個為灰度相關矩陣特征，3 個為灰度長度游程矩陣特征。Firstorder statistic 代表了灰度級直方圖信息，描述圖像中灰度級的全局分布；GLSZM代表了量化圖像中的灰度級區域；GLDM 量化圖像中的灰度依賴，描述了一個體素灰度的次數和其鄰域中的相關體素；GLRLM 則可量化VOI 內灰度的游程。這些影像組學特征囊括了一階統計量特征和紋理特征，更全面的反映腫瘤的異質性，能夠作為肝癌RFA 術后早期復發的獨立預測因素。

基于相同的序列和特征降維方法，不同的機器學習模型診斷效能有一定差異。建立機器學習分類模型可以進一步挖掘被保留的影像組學特征間的相關信息，通過肉眼無法識別的細微特征對疾病進行診斷、鑒別和預后預測。本研究基于LR、SVM 和RF3 種分類器模型性能的對比，結果顯示3 種分類器模型在訓練集和測試集中均表現出了較好的預測性能，都能有效預測肝癌RFA 術后早期復發。其中，本研究構建的3 種預測模型的穩定性比較結果為：RF＞SVM＞LR。雖然基于RF 分類器構建的肝癌RFA術后早期復發的T2WI 影像組學預測模型在訓練集中特異度和準確率低于LR 和SVM，但差距較小。RF 模型在測試集中的整體表現較另外2 種預測模型更優。提示本研究構建的3 種預測模型，基于RF分類器構建的預測模型不僅具有較好的診斷效能，還具有良好的穩定性，在實際應用中，LASSO 篩選特征和RF 進行分類的有機結合，可以在影像組學的研究中有效協作[23，24]。

本研究存在一定的局限性：①模型的可重復性差，本研究ROI 全部為人工勾畫，部分肝癌病灶與正常肝組織分界不清，在MRI 圖像上分割腫瘤時容易導致分割不準問題；②本研究對T2WI 進行影像組學分析，結果中體現出來的信息及預測效能有一定的局限性，在以后工作中應繼續收集病例，以期獲得標準化、大樣本量的影像數據，繼續對功能成像及增強掃描圖像進行更加全面的影像組學分析。另外，本研究旨在選擇那些對肝癌RFA 治療后早期復發最有預測價值的影像特征，而通過LASSO 降維算法選取的8 個影像組學特征參數，可能會拒絕一些潛在有預測價值的特征參數。

綜上所述，基于治療前T2WI 影像組學的預測模型在預測肝細胞癌預后方面具有較高的價值，可為肝癌RFA 術后早期復發預測提供新的手段，具有較好的臨床應用前景。