術(shù)前MRI影像組學(xué)模型預(yù)測子宮內(nèi)膜癌風(fēng)險分層

孔 偉,余裕珍,王 康,陳 龍,胡運(yùn)祥,陳衛(wèi)國

(1.南方醫(yī)科大學(xué)南方醫(yī)院放射科,廣東 廣州 510515;2.南方醫(yī)科大學(xué)附屬韶關(guān)市第一人民醫(yī)院醫(yī)學(xué)影像科,廣東 韶關(guān) 512000)

子宮內(nèi)膜癌(endometrial carcinoma, EC)為女性常見生殖系統(tǒng)惡性腫瘤[1],可根據(jù)術(shù)后病理結(jié)果分為高風(fēng)險EC及低風(fēng)險EC[2]:具有下列任一高風(fēng)險因素,包括G3級子宮內(nèi)膜樣癌、非子宮內(nèi)膜樣癌、淋巴血管間隙侵犯(lymphovascular space invasion, LVSI)、國際婦產(chǎn)科聯(lián)盟(International Federation of Gynecology and Obstetrics, FIGO)Ⅰb期及以上者為高風(fēng)險EC,否則為低風(fēng)險EC[3-4];其間治療方案及預(yù)后均存在差異,使得術(shù)前評估EC風(fēng)險分層并制定個體化治療方案具有重要臨床意義。影像組學(xué)可通過提取醫(yī)學(xué)圖像中的高通量特征而反映腫瘤內(nèi)部情況[5-7]。本研究觀察術(shù)前MRI影像組學(xué)模型預(yù)測EC風(fēng)險分層的價值。

1 資料與方法

1.1 研究對象 回顧性分析2018年6月—2022年2月219例于南方醫(yī)科大學(xué)南方醫(yī)院及韶關(guān)市第一人民醫(yī)院接受手術(shù)治療的EC患者,年齡30～76歲、平均(54.9±8.6)歲。其中104例為高風(fēng)險EC(高風(fēng)險組),年齡34～76歲、平均(56.2±8.3)歲;115例為低風(fēng)險EC(低風(fēng)險組),年齡32～76歲、平均(53.8±8.8)歲。分別以于2018年6月—2020年12月、2021年1月—2022年2月接受檢查者歸入訓(xùn)練集(n=153)及測試集(n=66)并于集內(nèi)劃分亞組:訓(xùn)練集74例高風(fēng)險(高風(fēng)險亞組)、79例低風(fēng)險(低風(fēng)險亞組),測試集分別為30例及36例。納入標(biāo)準(zhǔn):接受盆腔MR檢查;此前1個月內(nèi)未接受侵入性檢查、治療以及放射或化學(xué)治療;MR檢查后2周內(nèi)行全子宮+雙側(cè)附件切除術(shù);術(shù)后病理證實為EC。排除標(biāo)準(zhǔn):①MRI質(zhì)量不佳;②腫瘤最大徑<5 mm或邊界不清;③其他惡性腫瘤。本研究經(jīng)院倫理委員會批準(zhǔn)[韶一醫(yī)倫審(2020)44號、NFEC-2023-541],術(shù)前患者及家屬均簽署知情同意書。

1.2 儀器與方法 采用Philips Achieva 1.5T/3.0T MR儀或GE Signa EXCITE 3.0T MR儀、體部相控陣線圈,囑患者仰臥,自盆底掃描至臍水平采集軸位及矢狀位脂肪抑制(fat suppression, FS)T2WI;參數(shù):TR 3 000～4 000 ms,TE 85～100 ms,層厚3～4 mm,層間距0.5～1 mm,FOV 350 mm×380 mm,矩陣256×256或512×512;EC病灶較大時酌情擴(kuò)大掃描范圍,對屏氣不佳者采用呼吸門控。完成平掃后經(jīng)肘靜脈以2.0～3.0 ml/s流率注射釓噴酸葡胺(0.2 mmol/kg體質(zhì)量),以三維梯度回波(three-dimensional gradient echo, 3D-GRE)序列采集軸位及矢狀位增強(qiáng)FS-T1WI;參數(shù):TR 3.0～3.6 ms,TE 2.0～2.3 ms,層厚3～4 mm,FOV 350 mm×380 mm,矩陣256×256或380×380;選取平衡期(120～180 s)圖像進(jìn)行分析。

1.3 評估圖像 由分別具有5年(醫(yī)師1)、10年(醫(yī)師2)及20年(醫(yī)師3)腹盆腔影像學(xué)診斷經(jīng)驗的醫(yī)師參照文獻(xiàn)[8-9]方法以盲法獨立分析測試集MRI所示EC特征,包括腫瘤大小、信號、子宮肌層浸潤深度、宮頸間質(zhì)浸潤、淋巴結(jié)轉(zhuǎn)移及宮外侵犯;繪制受試者工作特征(receiver operating characteristic, ROC)曲線,預(yù)測EC風(fēng)險分層。

1.4 處理圖像及提取特征 采用3D Slicer 5.0.2對平掃軸位及矢狀位FS-T2WI和增強(qiáng)軸位及矢狀位FS-T1WI進(jìn)行數(shù)據(jù)洗脫;利用Python程序及Simple ITK軟件包依次對圖像進(jìn)行N4偏置場校正及重采樣(1 mm×1 mm×1 mm)。將所獲圖像再次導(dǎo)入3D Slicer,由醫(yī)師1在醫(yī)師3指導(dǎo)下沿病灶邊緣逐層手動勾畫ROI,以高斯拉普拉斯濾波及小波濾波提取1 130個影像組學(xué)特征。按照1∶10比例隨機(jī)抽取21例患者,由醫(yī)師1重復(fù)勾畫ROI,將結(jié)果用于一致性檢驗。

1.5 構(gòu)建模型 采用Z-score法對提取數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。對訓(xùn)練集影像組學(xué)特征行獨立樣本t檢驗,保留差異有統(tǒng)計學(xué)意義(P<0.05)者。利用最小絕對收縮和選擇算子(least absolute shrinkage and selection operator, LASSO)算法分別于軸位、矢狀位平掃FS-T2WI和軸位、矢狀位增強(qiáng)FS-T1WI特征中篩選12、14、16及12個影像組學(xué)特征,共獲得54個聯(lián)合MRI特征;再以LASSO降維并選出25個聯(lián)合LASSO特征,包括1個形態(tài)特征、6個一階特征、4個灰度共生矩陣、5個灰度游程矩陣、4個灰度區(qū)域矩陣、1個鄰域灰度差分矩陣及灰4個度相關(guān)矩陣?；跇O度隨機(jī)樹(extremely randomized trees, ET)算法分別將以各序列特征、聯(lián)合MRI特征及聯(lián)合LASSO特征構(gòu)建模型。采用10折交叉驗證獲得準(zhǔn)確度、F1評分;繪制ROC曲線,計算曲線下面積(area under the curve, AUC),比較各模型預(yù)測效能。以測試集比較各模型預(yù)測效能。具體流程見圖1。

圖1 構(gòu)建術(shù)前醫(yī)師、MRI影像組學(xué)模型預(yù)測EC風(fēng)險流程圖

1.6 統(tǒng)計學(xué)分析 采用Python 3.8及MedCalc 19.0統(tǒng)計分析軟件。以±s表示符合正態(tài)分布的計量資料,行獨立樣本t檢驗;以中位數(shù)(上下四分位數(shù))表示不符合正態(tài)分布者,行Mann-WhitneyU檢驗。以χ2檢驗或Fisher精確概率法比較計數(shù)資料。以組內(nèi)相關(guān)系數(shù)(intra-class correlation coefficient, ICC)行觀察者內(nèi)一致性檢驗,以ICC>0.75為一致性良好。計算針對測試集主觀閱片及各影像組學(xué)模型的敏感度、特異度及AUC,并以DeLong檢驗進(jìn)行比較。P<0.05為差異有統(tǒng)計學(xué)意義。經(jīng)Bonferroni校正后,比較醫(yī)師聯(lián)合主觀閱片與最優(yōu)影像組學(xué)模型預(yù)測EC風(fēng)險的效能,P<0.025為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 一般資料與腫瘤MRI及病理特征 訓(xùn)練集與測試集患者年齡、FIGO分期,EC病理類型、病理分級、LVSI、子宮深肌層受累(子宮肌層浸潤深度≥50%)、宮頸間質(zhì)浸潤、淋巴結(jié)轉(zhuǎn)移及宮外侵犯差異均無統(tǒng)計學(xué)意義(P均>0.05),見表1。

表1 訓(xùn)練集與測試集219例EC患者一般資料及腫瘤MRI與病理特征比較

2.2 醫(yī)師主觀閱片預(yù)測效能 兩兩比較,3名醫(yī)師預(yù)測EC風(fēng)險分層結(jié)果整體差異無統(tǒng)計學(xué)意義(P均>0.05);醫(yī)師1、2與3名醫(yī)師共同預(yù)測結(jié)果差異均有統(tǒng)計學(xué)意義(P均<0.05),醫(yī)師3與3名醫(yī)師共同預(yù)測結(jié)果差異無統(tǒng)計學(xué)意義(P>0.05)。見表2。

表2 醫(yī)師主觀閱片預(yù)測效能比較

2.3 訓(xùn)練集各影像組學(xué)模型預(yù)測效能 觀察者內(nèi)勾畫ROI的一致性良好(ICC>0.75)。聯(lián)合MRI模型與聯(lián)合LASSO模型的準(zhǔn)確度、F1評分及AUC均高于各單一序列模型;聯(lián)合LASSO模型預(yù)測效能高于聯(lián)合MRI模型,為最佳模型。見表3、圖2。

表3 各影像組學(xué)模型預(yù)測訓(xùn)練集EC風(fēng)險的效能

圖2 各影像組學(xué)模型預(yù)測訓(xùn)練集EC風(fēng)險的ROC曲線

2.4 醫(yī)師主觀閱片與各影像組學(xué)模型預(yù)測測試集EC風(fēng)險的效能 聯(lián)合MRI模型及聯(lián)合LASSO模型的AUC均高于各醫(yī)師主觀閱片(P均<0.025);聯(lián)合LASSO模型的AUC高于3名醫(yī)師聯(lián)合(P均<0.025)。聯(lián)合LASSO模型預(yù)測效能最佳(AUC為0.934)。見表4。

表4 各影像組學(xué)模型預(yù)測測試集EC風(fēng)險效能

3 討論

MRI軟組織分辨率高、可多平面成像,為預(yù)測EC風(fēng)險分層的首選影像學(xué)手段[9]。本研究針對相同序列正交平面圖像的分析結(jié)果顯示,盡管3名醫(yī)師聯(lián)合預(yù)測效能高于單一醫(yī)師,但AUC僅為0.750,提示憑借醫(yī)師主觀閱讀MRI難以準(zhǔn)確預(yù)測EC風(fēng)險分層。

YAN等[5]以臨床及影像組學(xué)特征聯(lián)合列線圖預(yù)測EC風(fēng)險分層,其AUC為0.877～0.919。LEFEBVRE等[10]基于盆腔MRI構(gòu)建隨機(jī)森林(random forest, RF)模型,術(shù)前預(yù)測EC風(fēng)險分層的AUC為0.74～0.81。本研究采用ET方法構(gòu)建的MRI影像組學(xué)模型在訓(xùn)練集和測試集預(yù)測EC風(fēng)險分層的AUC分別為0.783～0.855及0.773～0.934,與列線圖[5]結(jié)果相符而高于RF模型[10];可能原因在于相比RF模型,ET模型樣本利用率、決策樹間差異性及隨機(jī)性均較高,能有效處理多維數(shù)據(jù)集并自動選擇特征[11];且本研究以10折交叉驗證后的準(zhǔn)確度、F1評分及AUC為模型評價指標(biāo),可更好地體現(xiàn)模型穩(wěn)定性及預(yù)測效能。本研究結(jié)果顯示,聯(lián)合MRI模型及聯(lián)合LASSO模型各項指標(biāo)均高于各單一序列模型,且聯(lián)合LASSO模型預(yù)測效能最佳,提示可通過精簡影像組學(xué)特征提高模型的預(yù)測效能。經(jīng)Bonferroni校正對比分析,影像組學(xué)模型與主觀閱片預(yù)測測試集結(jié)果更為準(zhǔn)確,而聯(lián)合LASSO模型的預(yù)測效能顯著優(yōu)于醫(yī)師主觀閱片(P<0.025)。

本研究所獲聯(lián)合LASSO模型的影像組學(xué)特征以紋理特征(24/25,96.00%)為主;其中的一階紋理特征描述ROI內(nèi)像素或體素強(qiáng)度分布,高階紋理特征描述圖像體素灰度間的空間排列關(guān)系,均與腫瘤細(xì)胞異質(zhì)性存在一定相關(guān)性[12]。

綜上所述,術(shù)前MRI影像組學(xué)模型可有效預(yù)測EC風(fēng)險分層。但本研究為回顧性研究,缺乏大規(guī)模外部數(shù)據(jù)驗證,有待通過前瞻性研究進(jìn)一步觀察。