基于增強CT 影像組學模型預測膀胱尿路上皮癌組織學分級

王梓華，吳紅珍，梁瑩瑩，楊蕊夢，莫蕾*，張家雄

1.佛山市中醫(yī)院放射科，廣東 佛山 528000；2.廣州市第一人民醫(yī)院放射科，廣東 廣州 510180

膀胱癌的發(fā)病率居惡性腫瘤第10位，男性較女性多見[1]。尿路上皮癌是膀胱癌最常見的病理類型，占90%以上。根據(jù)腫瘤細胞分化程度不同，可將尿路上皮癌分為低級別尿路上皮癌（low-grade urothelial carcinoma，LGUC）和高級別尿路上皮癌（high-grade urothelial carcinoma，HGUC）[2]。與LGUC相比，HGUC的侵襲力更強、臨床預后更差[3-4]。因此若能在術前準確地預測膀胱尿路上皮癌（bladder urothelial carcinoma，BUC）的組織學分級，對改善膀胱癌患者的臨床管理具有重要意義。常規(guī)CT檢查可以確定腫瘤的大小、形態(tài)和部位等，能夠為臨床醫(yī)師對腫瘤進行分期提供參考，然而單憑影像圖像資料無法直觀地反映腫瘤的異質性，影像組學能夠很好地解決這一問題[5]。影像組學通過高通量提取影像特征，客觀和定量地對腫瘤信息進行表征，從而評估惡性腫瘤的組織學分級[6-8]。目前國內較少采用影像組學研究BUC，本研究基于增強CT影像組學構建鑒別BUC組織學分級的預測模型，并驗證其術前診斷HGUC和LGUC的效能。

1 資料與方法

1.1 研究對象 回顧性收集2016年11月—2020年9月廣州市第一人民醫(yī)院經病理證實的膀胱癌139例。納入標準：①術后病理結果為尿路上皮癌；②術前CT圖像和臨床資料齊全。排除標準：①病理包含2種級別或合并其他病理類型；②病灶直徑＜5 mm或僅表現(xiàn)為膀胱壁局限性增厚而未見明確腫塊；③存在影響圖像分析偽影。最終納入66例HGUC和61例LGUC，其中HGUC組年齡52～90歲，LGUC組年齡47～90歲。由深?？蒲衅脚_使用隨機拆分方法并按7∶3將127例膀胱癌患者分為訓練集（n=89）和驗證集（n=38）。本研究通過醫(yī)院倫理委員會審核（K-2020-005-01）。

1.2 儀器與方法 采用東芝320排螺旋CT（Aquilion ONE）行中下腹部和盆腔CT平掃及多期增強掃描。掃描參數(shù)：管電壓120 kV，探測器準直64×0.6 mm，層厚5 mm，層間距5 mm。先進行CT平掃，經肘靜脈注射對比劑碘帕醇（370 mg/ml），用量2.0 ml/kg，流速3.5 ml/s，延遲20～25 s和50～60 s后再次進行掃描，獲得動脈期和靜脈期圖像。由于排泄期造影劑潴留于膀胱腔內，高密度的造影劑對腫瘤病灶的圖像分析造成干擾，因此本研究未納入排泄期CT圖像進行分析。

1.3 圖像分析和特征提取 將所有BUC患者的術前增強CT圖像以DICOM格式從影像儲存系統(tǒng)中導出并保存。將CT圖像導入ITK-SNAP 3.8軟件，由1名具有5年影像診斷經驗的影像科醫(yī)師采用盲法對三期CT圖像逐層手動勾畫腫瘤邊界作為感興趣區(qū)（ROI），避開膀胱病灶的鈣化或壞死區(qū)域，有多個病灶者，協(xié)定僅選取其中體積最大的病灶進行勾畫。最后軟件生成獲得三維容積感興趣區(qū)（VOI）（圖1）。從127例BUC中隨機抽取1/4的病例，由另一名具有10年以上腹部影像診斷經驗的醫(yī)師采用盲法對腫瘤病灶進行再次勾畫，并獲得相應的VOI，后續(xù)將獲得的2批影像組學特征數(shù)據(jù)進行組間相關系數(shù)（ICC）分析。采用深睿醫(yī)療科研平臺對基于三期CT圖像生成的VOI進行數(shù)據(jù)標注分類并提取影像組學特征，其中圖像的間距標準化、圖像濾波和特征計算等步驟由科研平臺進行，最后提取得到的影像組學特征主要包括一階統(tǒng)計量特征、形態(tài)特征和紋理特征等。

圖1 男，60歲，高級別尿路上皮癌（HGUC）。CT平掃圖像逐層手動勾畫ROI，紅色區(qū)域為ROI（A）；獲得VOI（B）

1.4 特征篩選和模型構建 對上述2位醫(yī)師勾畫生成VOI提取到的所有影像組學特征采用ICC進行可重復性分析，根據(jù)ICC＞0.9篩選出可重復性最佳的特征用于下一步分析。使用Z-score進行影像組學特征數(shù)值的歸一化，采用最小絕對收縮與選擇算子（least absolute shrinkage and selection operator，LASSO）回歸模型分析特征，模型參數(shù)設置λ值的取值個數(shù)為50，采用5折交叉驗證，迭代次數(shù)為10萬，由模型自行運算得出最優(yōu)λ值，并從納入的特征中篩選出最有價值的特征。然后對上述影像組學特征進一步進行特征相關性分析，剔除相關性高的特征后，入組得到的影像組學特征用于構建模型。使用科研平臺提供的建模方法對入組的特征進行Logistic回歸模型訓練，擬合出最優(yōu)模型并輸出模型信息，從而獲得各影像組學特征與其對應的加權系數(shù)乘積的回歸方程，即為預測BUC組織學分級的多變量Logistic回歸模型。繪制受試者工作特征（ROC）曲線，采用曲線下面積（AUC）評估構建模型的診斷效能，采用決策曲線評價模型鑒別HGUC和LGUC的凈獲益。

1.5 統(tǒng)計學方法 使用R 3.5.3軟件進行統(tǒng)計學分析。年齡和病灶最大徑為連續(xù)變量，符合正態(tài)分布以表示，組間比較采用t檢驗；非正態(tài)分布的計量資料以M（Q1，Q3）表示，組間比較采用Mann-WhitneyU檢驗；采用χ2檢驗比較組間性別分布差異；采用AUC預測模型效能。使用Python 3.8軟件進行LASSO回歸分析。其余統(tǒng)計分析及統(tǒng)計圖形繪制在深睿醫(yī)療科研平臺上進行。P＜0.05為差異有統(tǒng)計學意義。

2 結果

2.1 臨床資料 HGUC組與LGUC組患者年齡和性別差異無統(tǒng)計學意義（P＞0.05），兩組腫瘤最大徑差異有統(tǒng)計學意義（P＜0.05），見表1。訓練集和驗證集患者年齡、性別和腫瘤最大徑差異均無統(tǒng)計學意義（P＞0.05），見表2。

表1 HGUC患者與LGUC患者臨床資料比較

表2 訓練集與驗證集患者臨床資料比較

2.2 預測模型構建 每位患者每期CT圖像均可提取獲得1 734個影像組學特征，3期CT圖像共提取5 202個特征，經過ICC檢驗后剩下4 467個特征，經LASSO回歸模型篩選后得到22個特征，剔除相關系數(shù)r＞0.85的2個高度相關特征后，最終得到20個特征（表3），從而構建得到預測模型。

表3 用于構建影像組學模型的三期影像組學特征

2.3 預測模型效能 使用基于增強CT影像組學預測模型診斷BUC組織學分級，在訓練集中預測效能的AUC為0.90（95%CI0.83～0.96），敏感度為80%，特異度為81%；在驗證集中的AUC為0.93（95%CI0.85～1.00），敏感度為95%，特異度為63%（圖2）。決策曲線（圖3）結果顯示該預測模型鑒別HGUC和LGUC具有良好的凈獲益。

圖2 基于增強CT影像組學模型預測膀胱尿路上皮癌組織學的ROC曲線。訓練集鑒別HGUC與LGUC的ROC曲線，AUC為0.90（A）；驗證集鑒別HGUC與LGUC的ROC曲線，AUC為0.93（B）

圖3 預測模型的決策曲線。黑線（None）代表假設全部患者為LGUC，灰線（All）假設全部患者為HGUC，藍線（Train）代表訓練集，紅線（Val）代表驗證集

3 討論

膀胱HGUC和LGUC的生物學行為和預后具有明顯差異，這是臨床醫(yī)師制訂治療方案時需要考慮的一個因素[9-11]。膀胱鏡活檢術是目前用于術前評估BUC組織學分級的最常用方法，這種有創(chuàng)性檢查可能會由于取樣不足或病理學變異型等問題導致誤診[12]。影像組學的應用和發(fā)展為研究者提供了一種無創(chuàng)和客觀地診斷泌尿系腫瘤的方法，包括良性與惡性病變的鑒別[13-15]。鑒于影像組學在腫瘤診斷研究中的可行性及實用性，本研究嘗試從多期增強CT圖像中提取特征建立影像組學預測模型，結果表明其在鑒別BUC組織學分級時具有良好的診斷效能，在訓練集中AUC達到0.90，在驗證集中AUC達到0.93。在納入構建模型的影像組學特征中，中位數(shù)對模型的影響較為重要，其反映了所勾畫ROI中灰度強度的中位數(shù)。由本研究提取出的特征數(shù)據(jù)可知，HGUC的中位數(shù)較LGUC大，這一結果可能提示惡性程度相對較高的腫瘤往往具有較大的灰度強度值。

3.1 與CT紋理分析技術比較 既往已有研究[16-17]使用CT紋理分析技術鑒別HGUC和LGUC，研究結果顯示CT圖像定量分析具有鑒別BUC組織學分級的潛在能力，然而這些研究的缺點是僅基于數(shù)十個紋理特征進行分析，而且未進行模型構建及驗證。本研究對前述研究方法進行改進，利用影像組學的研究方法，在方法設計上彌補了上述研究的不足。鄒金釗等[18]的研究納入病例數(shù)量較少，構建模型后并未用額外的數(shù)據(jù)對模型的效能進行驗證，其研究方法仍有待進一步改善。此外，上述所有研究均在膀胱癌圖像最大層面勾畫ROI獲得二維數(shù)據(jù)，這種方法顯然不能全面地反映病灶的整體特征信息，因此本研究通過逐層勾畫病灶得到VOI，并對其進行特征提取。Zhang等[19]基于單期增強CT圖像構建影像組學模型預測膀胱癌的病理分級，結果顯示一階特征中的偏度在模型中的作用最大，并且HGUC的偏度值往往較高，然而單期圖像提取的信息可能會遺漏病灶部分重要特征。Wang等[20]基于多序列MRI影像組學特征構建的預測模型診斷膀胱癌肌層受侵時具有良好的診斷效能，而當整合影像組學評分及影像學特征后能夠進一步提高效能，但是影像學特征的判斷帶有主觀性，并且非常依賴醫(yī)師的經驗，納入主觀指標進行模型構建的適用性及可重復性仍有待進一步研究。本研究對比HGUC與LGUC發(fā)現(xiàn)，HGUC的病灶往往較LGUC病灶大，與Zhang等[17]的研究結果類似，然而該研究并未對兩者間的腫瘤大小進行對比，因此腫瘤大小輔助診斷BUC組織學分級的作用仍有待更多研究進行探討。

3.2 本研究的應用價值 本研究在方法中對整個腫瘤病灶進行勾畫得到VOI，因此能夠反映腫瘤整體的異質性。通過從三期增強CT圖像中提取影像組學特征后再進行特征信息挖掘，保留每期圖像中能夠用于對腫瘤進行分類的特征，其建立的影像組學模型更能體現(xiàn)每期圖像有用的信息及特征的權重。在研究過程中通過選擇控制觀察者的組間變異（ICC＞0.9），使獲得的特征具有較好的觀察者間一致性。模型構建時通過增大訓練集的數(shù)量，構建模型后使用驗證集加以驗證，最終結果顯示此模型在訓練集及驗證集中AUC均較高，表明模型的診斷效能良好且性能穩(wěn)定，在臨床應用中具有一定的價值。

3.3 本研究的局限性 ①僅對單中心的病例進行回顧性研究，未來需要進行多中心研究并補充更多的病例數(shù)量，以對上述模型的效能進行外部驗證；②納入的臨床指標較少，如未對吸煙史、血尿病史及其他相關檢查進行研究；③本研究納入病例中男性患者數(shù)量遠大于女性患者，有待更大樣本量的流行病學調查進行探討。

綜上所述，基于增強CT影像組學模型可用于預測BUC的組織學分級，其診斷效能較高，在輔助臨床醫(yī)師評估膀胱癌患者治療時具有一定的參考價值。