影像組學(xué)特征對肺部10mm以下純磨玻璃結(jié)節(jié)侵襲性的診斷價值

王亞麗 朱慧媛 毛海霞 楊 洋 江 森 孫希文

醫(yī)學(xué)影像學(xué)在肺癌的診斷、治療方案的制訂、療效評價、動態(tài)監(jiān)測和預(yù)后評估等方面發(fā)揮著重要的作用。然而，臨床工作中醫(yī)生對圖像的分析局限在大小、密度和形態(tài)學(xué)征象等基本的觀察指標(biāo)，而蘊含在數(shù)字化圖像中的大量信息沒有被利用。影像組學(xué)作為一個新興領(lǐng)域，通過高通量地提取醫(yī)學(xué)圖像中的大量定量影像學(xué)特征[1]，對醫(yī)學(xué)圖像信息的深度挖掘和量化分析，能夠全面、客觀地反映腫瘤表型差異。國內(nèi)外學(xué)者相繼報道了影像組學(xué)在肺癌的診斷、分期、基因表達(dá)模式、療效評價和預(yù)后評估方面的研究[2-5]。而利用影像組學(xué)特征預(yù)測肺部純磨玻璃結(jié)節(jié)侵襲性的相關(guān)文獻(xiàn)尚未見報道，本研究旨在探討基于CT圖像的影像組學(xué)特征與10mm以下pGGN侵襲性的關(guān)系及對pGGN侵襲性的預(yù)測價值。

方 法

1.研究對象

回顧性分析我院2014年6月至2015年12月手術(shù)患者的臨床、病理和影像資料。入組標(biāo)準(zhǔn)：①薄層CT圖像上表現(xiàn)為≤10mm的pGGN；②經(jīng)手術(shù)切除病理診斷為AAH、AIS、MIA、IAC；③臨床、病理及影像資料完整。排除標(biāo)準(zhǔn)：①薄層CT圖像上磨玻璃結(jié)節(jié)內(nèi)見實性成分；②患者術(shù)前進(jìn)行過抗腫瘤治療。

2.CT掃描方案

掃描設(shè)備包括：西門子64排或飛利浦40排螺旋CT。掃描參數(shù)：螺距1.2，掃描顯示野350mm，矩陣512×512，準(zhǔn)直寬度128×0.6mm，管電壓120kV，管電流150～200mAs；掃描層厚5mm，重建層厚1mm或2mm。在Extended BrillianceTM工作站 V3.5系統(tǒng)進(jìn)行后處理重建。由2位高年資放射科醫(yī)師獨立閱片，記錄病灶的大小及平均CT值。

3.影像組學(xué)分析

3.1 圖像分割和特征提取：一名放射科醫(yī)師采用手動方式沿結(jié)節(jié)邊緣逐層分割（避開血管），另一名高年資放射科醫(yī)師檢查分割結(jié)果，最終計算機(jī)自動生成整個病灶的三維容積感興趣區(qū)（volume of interest，VOI）。

從每一個術(shù)前CT圖像上分割所得到的VOI提取93個影像組學(xué)特征，分為以下3類：①強(qiáng)度特征：19個，采用一階直方圖定量CT圖像上腫瘤區(qū)域的密度。②形狀特征：14個，量化腫瘤的三維幾何性質(zhì)。③紋理特征：描述腫瘤異質(zhì)性，包括28個灰度共生矩陣（gray level cooccurrence，GLCM）特征、16個灰度游程長度矩陣（gray level run length matrices，GLRLM）特征和16個灰度區(qū)域大小矩陣（grey level size zone matrices，GLSZM）特征。

3.2 特征選擇及模型構(gòu)建：第一步通過Mann-Whiteny U檢驗選擇出兩組病變間具有明顯統(tǒng)計學(xué)差異的特征，第二步采用信息增益（Information Gain）算法進(jìn)一步過濾特征，得到構(gòu)建模型的特征集合。

根據(jù)篩選所得的特征集對分類器進(jìn)行訓(xùn)練和測試，隨機(jī)選擇60%的樣本用于模型訓(xùn)練，40%用于測試，建立區(qū)分pGGN侵襲性的預(yù)測模型。三種分類器分別為支持向量機(jī)（support vector machine，SVM）、樸素貝葉斯（Naive Bayes）和邏輯回歸（logistic regression）。使用Orange數(shù)據(jù)挖掘軟件進(jìn)行特征選擇及模型構(gòu)建。

4.統(tǒng)計分析

采用SPSS22.0統(tǒng)計軟件對兩組病變的臨床和CT數(shù)據(jù)分析。繪制風(fēng)險指數(shù)的受試者特征（receiver operating characteristic，ROC）曲線，計算曲線下面積；P＜0.05時差異具有統(tǒng)計學(xué)意義。

結(jié) 果

1.一般資料

患者的一般資料見表1。浸潤前病變組包括25例 AAH、35例AIS；浸潤性病變組包括27例MIA、15例 IAC。病灶大小和平均CT值在兩組間差異具有統(tǒng)計學(xué)意義（P＜0.05），ROC曲線如圖1，曲線下面積分別為0.726、0.786。

2.影像組學(xué)特征值熱圖顯示

所有特征及篩選后特征在兩組病變間的差異熱

圖如圖2、3所示。

表1 浸潤前病變組和浸潤性病變組病例一般資料

圖1 病變大小和平均CT值ROC曲線。

圖2 兩組病變93個影像組學(xué)特征熱圖。

圖3 兩組病變48個影像組學(xué)特征熱圖。

圖4 分類器模型ROC曲線。

第二步應(yīng)用信息增益算法后共選擇出48個特征。

3.分類器預(yù)測表現(xiàn)

分類器ROC曲線見圖4，支持向量機(jī)、樸素貝葉斯及邏輯回歸模型曲線下面積分別為0.822、0.848、0.874。對pGGN侵襲性的預(yù)測能力優(yōu)于病灶大小（AUC=0.726）和平均CT值（AUC=0.786）。

討 論

本研究探討了影像組學(xué)特征對10mm以下pGGN侵襲性的價值，研究結(jié)果表明影像組學(xué)特征與pGGN侵襲性明顯相關(guān)，影像組學(xué)特征可以用于術(shù)前預(yù)測pGGN有無侵襲性，預(yù)測準(zhǔn)確性較高。

形狀特征描述腫瘤的形狀、體積等物理特性。常用的特征參數(shù)有球形、球形不對稱、緊實度、體積、表面積、表面積與體積比等[6]。腫瘤表面積與體積比越大，說明腫瘤越可能出現(xiàn)毛刺或形狀不規(guī)則，反之表明腫瘤表面光滑，形狀趨于圓形。本組研究結(jié)果顯示，表面積與體積比在兩組病變間無明顯差異。臨床常用CT圖像上長徑和短徑的平均值作為球的直徑計算腫瘤體積。影像組學(xué)則通過將感興趣區(qū)內(nèi)體素的個數(shù)與體素的體積相乘得到腫瘤的體積，這種方法計算出的體積更接近于腫瘤的實際體積。本研究結(jié)果顯示浸潤性病變組的病灶體積明顯大于浸潤前病變組。因此，影像組學(xué)可以更準(zhǔn)確度量結(jié)節(jié)體積的變化，在臨床工作中對pGGN的診斷和隨訪治療方案的制訂有重要的價值。

研究報道pGGN病灶內(nèi)也存在浸潤性成分[7]。利用直方圖分析感興趣區(qū)內(nèi)像素灰度值的大小和出現(xiàn)頻率[8]，能夠發(fā)現(xiàn)病灶內(nèi)小的浸潤性成分以及預(yù)測磨玻璃結(jié)節(jié)的變化[9-10]。本組研究結(jié)果顯示，浸潤性病變組的熵、均值、最大值、方差等參數(shù)明顯高于浸潤前病變組，均勻性明顯低于浸潤前病變。紋理特征可以描述腫瘤內(nèi)異質(zhì)性，與腫瘤的分期、治療反應(yīng)和生存期具有相關(guān)性[11]?；贕LCM的紋理特征應(yīng)用最廣泛，本組12個GLCM參數(shù)在兩組病變間存在明顯差異。

本研究有一些不足之處。由于10mm以下pGGN手術(shù)病例較少，本研究樣本量較少，無法做到采用獨立樣本對模型進(jìn)行驗證。此外，掃描機(jī)器、參數(shù)及重建算法影響影像組學(xué)特征的穩(wěn)定性[12]，本研究為回顧性研究，入組患者的CT圖像來自于兩個不同廠家，重建層厚包括1mm和2mm，這些原因可能導(dǎo)致基于影像組學(xué)特征的分類器模型沒有達(dá)到更理想的預(yù)測效果。

總之，本研究表明影像組學(xué)特征可以反映10mm以下pGGN浸潤前病變和浸潤性病變之間的差異，結(jié)合分類器模型可以提高術(shù)前對pGGN的侵襲性診斷能力，有助于10mm以下pGGN處理方案的制訂。

[1]Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer, 2012, 48: 441-446.

[2]Ganeshan B, Panayiotou E, Burnand K, et al. Tumour heterogeneity in non-small cell lung carcinoma assessed by CT texture analysis: a potential marker of survival. Eur Radiol, 2012, 22: 796-802.

[3]Parmar C, Leijenaar RT, Grossmann P, et al. Radiomic feature clusters and prognostic signatures speci fi c for Lung and Head & Neck cancer.Sci Rep, 2015, 5: 11044.

[4]Coroller TP, Agrawal V, Narayan V, et al. Radiomic phenotype features predict pathological response in non-small cell lung cancer.Radiother Oncol, 2016, 119: 480-486.

[5]Huang Y, Liu Z, He L, et al. Radiomics Signature: A Potential Biomarker for the Prediction of Disease-Free Survival in Early-Stage(I or II) Non-Small Cell Lung Cancer. Radiology, 2016, 281: 947-957.

[6]Aerts HJ, Velazquez ER, Leijenaar RT, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun, 2014, 5: 4006.

[7]Eguchi T, Yoshizawa A, Kawakami S, et al. Tumor size and computed tomography attenuation of pulmonary pure ground-glass nodules are useful for predicting pathological invasiveness. PLoS One, 2014, 9:e97867.

[8]Bae KT, Fuangtharnthip P, Prasad SR, et al. Adrenal masses: CT characterization with histogram analysis method. Radiology, 2003,228: 735-742.

[9]Ko JP, Suh J, Ibidapo O, et al. Lung Adenocarcinoma: Correlation of Quantitative CT Findings with Pathologic Findings. Radiology, 2016,280: 931-939.

[10]Bak SH, Lee HY, Kim JH, et al. Quantitative CT Scanning Analysis of Pure Ground-Glass Opacity Nodules Predicts Further CT Scanning Change. Chest, 2016, 149: 180-191.

[11]O'Connor JP, Rose CJ, Waterton JC, et al. Imaging intratumor heterogeneity: role in therapy response, resistance, and clinical outcome. Clin Cancer Res, 2015, 21: 249-257.

[12]He L, Huang Y, Ma Z, et al. Effects of contrast-enhancement,reconstruction slice thickness and convolution kernel on the diagnostic performance of radiomics signature in solitary pulmonary nodule. Sci Rep, 2016, 6: 34921.