基于MRI影像組學對評估術前直腸癌周邊纖維脂肪組織浸潤的應用價值

摘要：目的" 評估基于MRI影像組學模型對術前直腸癌周邊纖維脂肪組織浸潤的應用價值。方法" 回顧性分析2019年12月～2022年3月于銅陵市人民醫院術后經病理證實直腸癌75例患者術前MRI圖像資料，根據病理結果分為纖維脂肪組織浸潤組（n=33）及纖維脂肪組織未浸潤組（n=42）。基于T2WI及動脈期對比增強T1WI（CE-T1WI）提取影像組學特征，將數據按照7：3的比例分為訓練組（n=54）與驗證組（n=21），采用最大相關最小冗余和最小絕對收縮和選擇算子回歸的方法對訓練集數據進行特征降維，并將特征降維后作為特征向量，篩選出最佳的影像組學特征，構建出T2WI模型、CE-T1WI模型及T2WI+CE-T1WI模型3種影像組學模型，根據ROC曲線確定其中最優模型；根據腫瘤上下徑、腫瘤最厚徑、CE-T1WI相對信號強度比值（RCE-T1WI）、T2WI相對信號強度比值（RT2）、DWI相對信號強度比值（RDWI）及ADC值多因素Logistic回歸分析構建出聯合模型；評估最優模型與聯合模型二者效能及臨床效益。結果 基于T2WI和CE-T1W1各提取851個影像組學特征，最終分別獲得10個和14個最佳特征，用于構建T2WI+CE-T1WI模型。基于T2WI模型、CE-T1W1模型及T2WI+CE-T1WI模型在訓練組中對判定直腸癌周邊纖維脂肪組織浸潤的AUC分別為0.87（95% CI：0.75～0.95）、0.82（95% CI：0.70～0.91）和0.84（95% CI：0.71～0.92），在驗證組中分別為0.76（95% CI：0.53～0.92）、0.73（95% CI：0.50～0.90）和0.76（95% CI：0.52～0.92）。采用聯合模型在訓練組中對直腸癌纖維脂肪組織浸潤的AUC為0.91（95% CI：0.80～0.97），在驗證組中AUC為0.80（95% CII：0.57～0.94）。決策曲線分析提示，閾值取0～1時，聯合模型的凈收益高于T2WI模型。結論 基于MRI影像組學的聯合模型對評估術前直腸癌周邊纖維脂肪組織浸潤的效能較高。

關鍵詞：直腸癌；磁共振成像；影像組學；纖維脂肪組織浸潤

Application value of fibrous adipose tissue infiltration in rectal cancer using MRI-based radiomics

ZHANG Ran1， TANG Yongxiang1， ZHAI Jian2， SU Zhaoran3， LI Shijian1， ZHANG Jinping1

1Medical Image Center， 3Department of Gastrointestinal Surgery， The People's Hospital of Tongling City， Tongling 244000， China; 2Medical Image Center， Yijishan Hospital of Wannan Medical College， Wuhu 241001， China

Abstract： Objective To evaluate the value of preoperative prediction of fibrous adipose tissue infiltration around rectal cancer using MRI-based radiomics. Methods The preoperative MRI of 75 patients with rectal cancer confirmed by pathology in The People's Hospital of Tongling City from December 2019 to March 2022 were analyzed retrospectively. According to the pathological results， the patients were divided into two groups： the fibrous adipose tissue infiltration group （n=33） and the fibrous adipose tissue noninfiltration group （n=42）. The image group features for T2WI and arterial phase contrast-enhanced T1-weighted imaging （CE-T1WI） were extracted. The data were divided into a training group （n=54） and a verification group （n=21） at a ratio of 7：3. The training set data were reduced by maximum correlation minimum redundancy and LASSO regression， and feature dimension reduction was used to select the optimal imaging features. Three image group models （T2WI model， CE-T1WI model， T2WI+CE-T1WI model） were constructed. The best model had been selected in the three models. Based on the ROC curves and multivariate Logistic regression analysis in accordance with such parameters as upper and lower diameter of tumour， thickest diameter of tumour， unsmoothed edges， blurred boundary， CE-T1WI relative signal intensity （RCE-T1WI）， T2WI relative signal intensity （RT2）， DWI relative signal intensity （RDWI） and ADC， a combined model was constructed， and its predictive efficiency and clinical benefits were evaluated. Results In total， 851 imaging features were extracted from T2WI and CE-T1WI， and 10 and 14 optimal features were obtained， respectively， which were used to construct the combined model. In the training group， the AUC for the T2WI model， CE-T1WI model and T2WI+CE-T1WI model for predicting fibrous adipose tissue infiltration around rectal cancer were 0.87 （95% CI： 0.75-0.95）， 0.82 （95% CI： 0.70-0.91） and 0.84 （95% CI： 0.71-0.92）， respectively. In the verification group， the AUC were 0.76 （95% CI： 0.53-0.92）， 0.73 （95% CI： 0.50-0.90） and 0.76 （95% CI： 0.52-0.92）， respectively. The T2WI modle was the best model. For the combined model， the AUC for predicting fibrous adipose tissue infiltration of rectal cancer was 0.91 （95% CI： 0.80-0.97） in the training group and 0.80 （95% CI： 0.57-0.94） in the verification group. Decision curve analysis suggested that when the threshold was 0：1， the net return of combined model was higher than that of the T2WI model. Conclusion The combined model of MRI-based radiomics is effective in inevaluateing the preoperative of fibrous adipose tissue infiltration in rectal cancer.

Keywords：rectal cancer; magnetic resonance imaging; radiomics; fibrous adipose tissue infiltration

收稿日期：2023-10-27

基金項目：銅陵市衛生健康委醫學科研項目（2021029）

作者簡介：張" 冉，碩士，主治醫師，E-mail： wtlzxr@163.com

通信作者：張金平，主任醫師，E-mail： zjpmri@163.com

直腸癌是目前消化道常見惡性腫瘤，其發病率和病死率在我國各種惡性腫瘤中位居前列，并且有進位的趨勢［1-3］。當直腸癌腫瘤細胞還未突破漿膜層/外膜層時，臨床治療以手術方案為主，但當腫瘤細胞突破漿膜層/外膜層向周邊纖維脂肪組織浸潤，即達到T3期或T3期以上時，臨床上需要先進行新輔助化療，再經臨床綜合評估來決定下一步可否進行手術，以減低治療后患者的復發率，因此，直腸癌術前對于T3期準確評估十分重要，同時也是挑戰［4-5］。

多年來，MRI作為直腸癌的常規檢查技術，作為臨床治療前進行腫瘤分期的重要檢查手段，通過MRI評估直腸癌周邊纖維脂肪組織浸潤對于直腸癌治療方案選擇和預后均具有重要意義［6-7］；目前影像組學對直腸癌診斷及診療評估應用廣泛，在術前預測直腸癌T分期、預測放化療后直腸癌的完全緩解及預測局部晚期直腸癌患者的生存期，顯示出非常大的優勢［8-10］。但是，MRI影像組學對于直腸癌術前T2期與T3期的鑒別仍然存在著困難［11］。本研究旨在探討通過MRI影像組學模型預測術前直腸癌周邊纖維脂肪組織浸潤，以解決臨床在此分期中的困難，為臨床個體化治療提供更多參考。

1" 資料與方法

1.1" 一般資料

本研究已通過銅陵市人民醫院醫學倫理委員會批準同意（審批號：2023006），免除受試者知情同意。回顧性納入2019年12月～2022年3月銅陵市人民醫院收治的75例直腸癌患者為研究對象，其中男44例，女31例，年齡28～76（60.2±12.3）歲，并根據病理結果將其分為直腸癌周邊纖維脂肪組織浸潤（n=33）和纖維脂肪組織未浸潤（n=42）。納入標準：直腸癌接受手術后病理證實；術前接受直腸MRI平掃+增強檢查，未接受抗腫瘤治療。排除標準：MR圖像質量不佳，無法準確勾畫病灶ROI；患有其他惡性腫瘤疾病及治療史；臨床及影像學資料不完整。

1.2" 儀器與方法

采用Philips Achieva 3.0T超導型磁共振，16通道體表相控體表陣列線圈，掃描范圍整個盆腔，先行常規MR掃描（T1WI軸位、T2WI軸位及矢狀位），后行擴散加權成像（DWI）軸位掃描，掃描層面與軸位T2WI保持一致。DWI掃描參數：b值=1000 s/mm2，TR 6000 ms，TE 64 ms，FOV 300 mm×400 mm，矩陣136×180，NSA=2，層數24層，層厚6 mm，層間距1 mm。CE-T1WI以2 mL/s流率注射釓雙胺對比劑（0.1 mmol/kg體質量）后行增強掃描，參數同T1WI。

1.3" 圖像分析及處理

常規MRI特征：在冠狀或矢狀面測腫瘤的上下徑，測量橫軸面T2WI上腫瘤的最厚徑，以病灶強化為界；形態是指腫瘤邊緣有無顯著不規則分葉狀變化；邊界包括腫瘤與鄰近組織之間有無明顯的分界。分別于橫軸位對比劑對比增強T1WI、T2WI及DWI上勾畫病變內部以及相鄰正常臀大肌肌肉組織興趣區（ROI）處，測定病灶及正常肌肉組織信號強度，全部ROI外形、大小一致，且面積均≥10 mm2；病灶ROI擺放時，應盡量避免腫瘤出血、壞死和囊變區。每處測量均各測3次，取平均值。分別統計病灶在T2WI、CE-T1WI及DWI中信號強度與正常肌肉信號強度的比值即相對信號強度，分別獲得直腸癌病灶的CE-T1WI相對信號強度（RCE-T1WI）、T2WI相對信號強度（RT2）、DWI相對信號強度（RDWI）；另從表觀擴散系數（ADC）圖中獲取病灶的ADC值。

將軸位T2WI及CE-T1WI的DICOM格式導入3D-slicer軟件，由1位主治醫師與1位副主任醫師進行閱片后共同討論后確定瘤體邊界，隨后沿病灶邊緣逐層手動勾畫病灶的ROI，要求避開周邊血管及腫大淋巴結，同時為避免容積效應影響，需要舍棄病灶上下顯示不完整層面，3D-slicer軟件自動生成瘤體的體積感興趣區（VOI）（圖1）。采用通過3D-slicer軟件的radiomics插件提取影像組學特征，通過原始圖像及小波變換濾波器之后提取影像特征，包含形態特征、一階特征值、灰度依賴矩陣、灰度共生矩陣、灰度游程矩陣及灰度區域大小矩陣等特征。

采用組內相關系數（ICC）來評價2位醫師所提取的影像組學特征的一致性，保持一致性良好的（ICCgt;0.80）特性。基于T2WI及CE-T1WI序列提取影像組學特征，將數據按照7：3的比例劃分為訓練組與驗證組， 采用最大相關最小冗余（mRMR）和最小絕對收縮和選擇算子（LASSO）回歸的方法對訓練集數據進行特征降維，并將特征降維后作為特征向量，篩選出最佳的影像組學特征，構建出T2WI模型、CE-T1WI模型和T2WI+CE-T1WI模型3種影像組學模型；根據腫瘤上下徑、腫瘤最厚徑、RCE-T1WI、RT2、RDWI及ADC值多因素Logistic回歸分析構建出聯合模型。

1.4" 統計學分析

采用SPSS26.0、MedCalc20.0和R4.2軟件對數據進行統計學分析。符合正態分布的計量資料以均數±標準差表示，組間比較采用獨立樣本t檢驗；不符合正態分布的數據以中位數（上下四分位數）表示，組間比較采用Mann-Whitney U檢驗。計數資料的比較采用Pearson檢驗或Fisher精確概率法。等級資料的比較采用秩和檢驗。繪制出各個預測模型對直腸癌周邊纖維脂肪組織滲透的ROC曲線，計算相應曲線下面積（AUC），并采用DeLong檢驗對比差異。采用多因素Logistic回歸分析，建立了預測直腸癌周邊纖維脂肪組織浸潤聯合模型。通過決策曲線分析（DCA）評價該模式的臨床效益。以Plt;0.05為差異有統計學意義。

2" 結果

2.1" 訓練組與驗證組患者特征比較

訓練組中纖維脂肪組織浸潤23例、纖維脂肪組織未浸潤31例，驗證組中纖維脂肪組織浸潤12例、纖維脂肪組織未浸潤9例。訓練組邊緣欠光整及邊界模糊差異有統計學意義（Plt;0.05），驗證組間邊緣欠光整差異有統計學意義（Plt;0.05），腫瘤上下徑、腫瘤最厚徑、RCE-T1WI、RT2、RDWI及ADC值差異均無統計學意義（Pgt;0.05，表1）。

2.2" 篩選影像組特征并建立預測模型

根據T2WI與動脈期CE-T1WI分別提取851個的影像組學特征；經過剔除冗余特征和回歸降維（圖2A～B）后，分別得到10和14個的最佳影像組學特征，分別應用于T2WI模型（圖3A）和CE-T1WI（圖3B）模型的構造。根據T2WI和CE-T1WI選擇影像組學特征，以此構建聯合序列預測T2WI+CE-T1WI模型（圖3C）。

2.3" 影像組學模型之間診斷效能比較

ROC曲線顯示，T2WI模型在訓練組的AUC為0.87（表2、圖4A）高于CE-T1WI的AUC（0.82）及T2WI +CE-T1WI模型的AUC（0.84）。因此，將T2WI模型聯合腫瘤上下徑、腫瘤最厚徑、腫瘤邊界、腫瘤邊緣、RCE-T1WI、RT2、RDWI及ADC值的MRI相關參數共同納入多因素Logistic回歸分析并建立聯合模型。結果表明，形態學（OR=8.03），邊界（OR=53.90）和聯合序列影像組學評分（OR=3.75）為纖維脂肪組織浸潤獨立預測因子（Plt;0.05）。在訓練組和驗證組數據中，聯合模型的AUC分別為0.91和0.8（表2、圖4B）。DCA曲線顯示，風險閾值為0～1時，聯合模型的凈收益高于T2WI模型（圖5）。

3" 討論

在診斷直腸癌T分期時，周邊的纖維脂肪組織浸潤是被認為是診斷直腸癌T3期的最重要因素，同時也是決定治療策略和預后的決定性因素［12-16］，當直腸癌周邊纖維組織浸潤出現時，應優先考慮進行新輔助治療，而未發生纖維脂肪組織浸潤，手術治療可以被優先考慮。在進行直腸癌治療前T分期的精確評估階段，影像組學起到至關重要的作用。本研究利用T2WI、CE-T1WI序列勾化病灶，并從中提取影像特征，通過LASSO降維分析確定了原始圖像和小波變換濾波后的最佳圖像特征。小波變換濾波圖像中提取的特征占最終Rad分數的大部分，這為診斷提供了重要依據，這與既往研究［17-20］結果一致。通過影像組學的方法，我們可以更加全面地評估腫瘤的異質性，從而提高影像診斷的效能，并減少影像科醫生的主觀因素的影響。

本研究采用T2WI模型、CE-T1WI模型及T2WI+CE-T1WI模型來進行影像組學分析，結果顯示T2WI模型在訓練組和驗證組中的診斷效能最為出色，分析其原因可能是T2WI序列在軟組織的分辨能力上超過其他序列，并且對腫瘤的主體和瘤周組織信號的變化非常敏感；與CE-T1WI后病灶由于腫瘤間皮細胞的脫落和腫瘤間質反應出現周邊毛刷狀纖維化樣強化［21-22］，從而導致直腸癌周邊纖維脂肪組織浸潤假陽性征象，此與真正脂肪纖維組織浸潤存在著一定程度的重疊。通過影像組學的量化特征，對腫瘤的異質性進行了量化分析，證實T2WI模型在診斷直腸癌周邊纖維脂肪組織浸潤時，對腫瘤邊緣的形態和灰度變化在纖維脂肪組織浸潤具有更高的診斷價值；既往研究通過T2WI模型來分別預測直腸癌病理特征和直腸癌周圍神經浸潤，均認為T2WI模型相對于其他序列模型具有更高的診斷準確性［23-24］。

通過T2WI結合常規的MRI的其他相關參數，本研究建立了聯合模型。其與T2WI模型相比，該模型顯示出更高的預測準確性。DCA結果顯示，T2WI及聯合模型的預測曲線具有良好的臨床獲益，但是聯合模型的表現要優于T2WI模型。因此，聯合模型在評估直腸癌周邊纖維脂肪組織浸潤方面具有更高的實用性。探討其高效性能的原因主要有：基于T2WI模型的出色穩定性，在整合MR相關參數時，聯合模型展示出具有更高的敏感度和特異性；加入了其他MRI相關參數可以更深入全面地探測直腸癌的異質性，并反映腫瘤的復雜病理生理學信息，從而提高聯合模型判定的準確性。因此，通過聯合模型來預測直腸癌周邊纖維脂肪組織浸潤更具價值。

本研究納入直腸癌MRI相關參數來分析直腸癌周邊纖維脂肪組織浸潤，其中，只有直腸癌邊緣欠光整和邊界模糊的特征差異有統計學意義，分析原因是因為與腸壁壞死、纖維化等良性變化相比，腫瘤細胞對周圍組織的惡性浸潤具有更高的侵蝕性［25］，因此，在T2WI和CE-T1WI序列中更頻繁地顯現出腫瘤浸潤纖維脂肪組織的可能性明顯增多。然而，腫瘤的大小和單項相對信號強度比值差異均無統計學意義，這與既往研究［26-27］結果有所出入，分析其原因與本研究中病灶的大小基本相仿有關，另外如憑借單一的T2WI信號強度相關的腫瘤組織中T2值、單一的CE-T1WI信號強度相關的畸形腫瘤血管釓劑的滲透率以及單一的DWI信號強度相關的腫瘤細胞密實程度、細胞核漿比和細胞分化程度等因素來評價直腸癌腫瘤細胞對周邊纖維脂肪組織均存在一定的局限性。本研究還發現單一的ADC值也無統計學意義，可能緣于本組病例中腫瘤細胞密度、細胞核漿比和細胞外基質狀況之間無顯著性差異。

本項研究的存在的主要局限性：缺少多中心的參與和多參數MRI設備的外在驗證；為回顧性研究，樣本量少，可能出現選擇偏倚；另通過手工勾勒ROI和判斷MRI相關參數，存在個人主觀因素的影響。今后將進一步改善，并且將影像組學擴大研究方向，例如在直腸癌分子分型的預測、淋巴結轉移的預測及直腸癌多學科聯合會診治療后療效的評估等方面的臨床應用。

綜上，本研究初步認為，MRI影像組學的聯合模型在評估直腸癌周邊纖維脂肪組織浸潤具有最優的診斷效能，明顯優于T2WI模型、CE-T1WI模型和T2WI+CE-T1WI模型。借助此項技術，在直腸癌術前T分期精準診斷方面必將發揮一定的作用，從而為臨床醫生對直腸癌治療前決策的選擇提供重要依據。

參考文獻：

［1］" "Sung H， Ferlay J， Siegel RL， et al. Global cancer statistics 2020： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA Cancer J Clin， 2021， 71（3）： 209-49.

［2］" "Rosén R， Nilsson E， Rahman M， et al. Accuracy of MRI in early rectal cancer： national cohort study［J］. Br J Surg， 2022， 109（7）： 570-2.

［3］" "Fernandes MC， Gollub MJ， Brown G. The importance of MRI for rectal cancer evaluation［J］. Surg Oncol， 2022， 43： 101739.

［4］" "應海峰， 周樟偉， 葉妙清， 等. 基于Logistic回歸探討多參數MRI對T;期直腸癌亞分期的診斷價值［J］. 影像診斷與介入放射學， 2021， 7（6）： 403-8.

［5］" " 王裴培， 王傳彬， 吳瑤媛， 等. 體素內不相干運動擴散加權成像評估中低分化直腸腺癌的初步研究［J］. 影像診斷與介入放射學， 2019， 28（3）： 175-80.

［6］" " 邱勇剛， 曾錦花， 汪鑫斌， 等. 基于T2WI及DWI影像特征鑒別T2期與T3期直腸癌［J］. 中國臨床醫學影像雜志， 2022， 33（8）： 557-60.

［7］" "李雪瑩， 倪" 響， 白辰光. 結直腸癌漿膜受累（pT4a）病理診斷的研究進展［J］. 臨床與實驗病理學雜志， 2022， 38（10）： 1232-5.

［8］" " 郭曉霖， 薛良圓， 田春梅， 等. 多模態磁共振成像在評估直腸癌術前分期、放化療后再分期、放化療療效中的應用研究進展［J］. 磁共振成像， 2023， 9（9）： 181-5.

［9］" "Tibermacine H， Rouanet P， Sbarra M， et al. Radiomics modelling in rectal cancer to predict disease?free survival： evaluation of different approaches［J］. Br J Surg， 2021， 108（10）： 1243-50.

［10］" 范舒璇， 崔效楠， 史雨東， 等. 影像組學在結直腸癌預后風險分層中的研究進展［J］. 臨床放射學雜志， 2023， 42（1）： 149-52.

［11］" Lu HD， Yuan Y， Zhou Z， et al. Assessment of MRI-based radiomics in preoperative T staging of rectal cancer： comparison between minimum and maximum delineation methods［J］. Biomed Res Int， 2021， 2021： 5566885.

［12］" 張學勤， 張" 濤， 楊浩然. CT增強掃描與高分辨MRI在直腸癌術前分期評估中的應用［J］. 中國CT和MRI雜志， 2022， 8（11）： 146-8.

［13］" Lu QY， Guan Z， Zhang XY， et al. Contrast-enhanced MRI for T Restaging of Locally Advanced Rectal Cancer Following Neoadjuvant Chemotherapy and Radiation Therapy［J］. Radiology， 2022， 305（2）： 364-72.

［14］ Petresc B， Lebovici A， Caraiani C， et al. Pre-treatment T2-WI based radiomics features for prediction of locally advanced rectal cancer non?response to neoadjuvant chemoradiotherapy： a preliminary study［J］. Cancers， 2020， 12（7）： 1894.

［15］ Horvat N， Carlos Tavares Rocha C， Clemente Oliveira B， et al. MRI of rectal cancer： tumor staging， imaging techniques， and management[J]. Radiographics， 2019， 39（2）： 367-87.

［16］ Xu YY， Xu QY， Sun HL， et al. Could IVIM and ADC help in predicting the KRAS status in patients with rectal cancer？［J］. Eur Radiol， 2018， 28（7）： 3059-65.

［17］ Liang M， Cai ZT， Zhang HM， et al. Machine learning-based analysis of rectal cancer MRI radiomics for prediction of metachronous liver metastasis［J］. Acad Radiol， 2019， 26（11）： 1495-504.

［18］ Bates DDB， Homsi ME， Chang KJ， et al. MRI for rectal cancer： staging， mrCRM， EMVI， lymph node staging and post-treatment response［J］. Clin Colorectal Cancer， 2022， 21（1）： 10-8.

［19］ He B， Ji T， Zhang H， et al. MRI-based radiomics signature for tumor grading of rectal carcinoma using random forest model［J］. J Cell Physiol， 2019， 234（11）： 20501-9.

［20］" "Hamerla G， Meyer HJ， Hambsch P， et al. Radiomics model based on non?contrast CT shows No predictive power for complete pathological response in locally advanced rectal cancer［J］. Cancers， 2019， 11（11）： 1680.

［21］Bae JS， Kim SH， Hur BY， et al. Prognostic value of MRI in assessing extramural venous invasion in rectal cancer： multi-readers' diagnostic performance［J］. Eur Radiol， 2019， 29（8）： 4379-88.

［22］" Horvat N， Petkovska I， Gollub MJ. MR imaging of rectal cancer［J］. Radiol Clin North Am， 2018， 56（5）： 751-74.

［23］" Ma XL， Shen F， Jia Y， et al. MRI-based radiomics of rectal cancer： preoperative assessment of the pathological features［J］. BMC Med Imaging， 2019， 19（1）： 86.

［24］" Guo XF， Yang WQ， Yang Q， et al. Feasibility of MRI radiomics for predicting KRAS mutation in rectal cancer［J］. Curr Med Sci， 2020， 40（6）： 1156-60.

［25］" Heo SH， Kim JW， Shin SS， et al. Multimodal imaging evaluation in staging of rectal cancer［J］. World J Gastroenterol， 2014， 20（15）： 4244-55.

［26］" 裴笑月， 胡" 波， 呂" 玲， 等. 不同組織學類型結直腸腺癌的臨床病理和免疫組織化學特征[J]. 臨床與病理雜志， 2020， 40（8）： 1941-8.

［27］" 陶" 莎， 錢" 振， 湯永祥.磁共振彌散加權成像信號特征在直腸癌漿膜層侵犯的應用研究［J/OL］. 吉林醫藥學院學報，2023. doi： 10.13845/j.cnki.issn1673-2995.20231007.013

（編輯：郎" 朗）