基于MR圖像的深度學(xué)習(xí)預(yù)測乳腺癌脈管浸潤狀態(tài)＊

張慈慈 程相宜 熊玉超 歐志強(qiáng) 鐘敏之 步 軍,*

1.暨南大學(xué)附屬廣州市紅十會醫(yī)院放射科 (廣東 廣州 510220)

2.暨南大學(xué)附屬第一醫(yī)院影像中心 (廣東 廣州 510632)

脈管浸潤(lymphovascular invasion，LVI)是指在顯微鏡視野下發(fā)現(xiàn)腫瘤組織區(qū)域的小淋巴管、血管的管壁被腫瘤細(xì)胞侵襲、破壞或淋巴管、血管管腔內(nèi)有癌栓形成，是腫瘤進(jìn)展和遠(yuǎn)處轉(zhuǎn)移的重要步驟之一[1]。術(shù)前預(yù)測乳腺癌LVI狀態(tài)，有利于幫助臨床制定治療決策如保乳手術(shù)、淋巴結(jié)活檢術(shù)，避免手術(shù)擴(kuò)大乳房切除、過度清掃淋巴結(jié)帶來的創(chuàng)傷及并發(fā)癥，且對放化療方案的選擇及患者預(yù)后有重要的指導(dǎo)作用[2-4]，有助于推動乳腺癌患者個(gè)體化精準(zhǔn)醫(yī)療的發(fā)展。臨床上，手術(shù)病理學(xué)檢查是診斷LVI的“金標(biāo)準(zhǔn)”，它能提供最完整，最準(zhǔn)確的信息，但無法做到術(shù)前預(yù)測，進(jìn)而導(dǎo)致臨床過度治療或治療不足。傳統(tǒng)醫(yī)學(xué)影像不能直接診斷LVI。因此，尋找新方法預(yù)測乳腺癌LVI刻不容緩。近年來，深度學(xué)習(xí)在醫(yī)學(xué)影像中廣泛應(yīng)用，通過高通量分析、提取醫(yī)學(xué)圖像的許多定量特征的信息，對疾病診斷、預(yù)測及預(yù)后的判斷方面具有明顯優(yōu)勢，已有應(yīng)用于乳腺癌的相關(guān)報(bào)道[5]。

1 資料與方法

1.1 研究對象本研究回顧性收集2010年1月至2021年12在廣州市紅十字會醫(yī)院治療的乳腺癌患者。這項(xiàng)研究得到了本院倫理審查委員會的批準(zhǔn)。

納入標(biāo)準(zhǔn)如下：手術(shù)病理診斷的乳腺癌和LVI；女性患者，單側(cè)；MR檢查檢查前未進(jìn)行放療、內(nèi)分泌治療、化療或穿刺活檢，MRI檢查和手術(shù)之間的時(shí)間間隔<兩個(gè)周，沒有隆胸手術(shù)。排除標(biāo)準(zhǔn)為：活檢病理診斷的乳腺癌和LVI；男性患者雙側(cè)乳腺癌、復(fù)發(fā)或轉(zhuǎn)移性乳腺癌，腋窩處副乳腺癌；具有運(yùn)動偽影、化學(xué)位移偽影和脂肪抑制不良的圖像。

1.2 資料收集收集病理相關(guān)信息：腫瘤的病理類型、脈管浸潤狀態(tài)。MRI資料收集：從我院PACS系統(tǒng)中回顧性收集的符合納入條件的乳腺癌MRI圖像，將軸位FS-T2WI圖像和動態(tài)增強(qiáng)圖像(dynamic contrast-enhanced，DCE)第2期導(dǎo)出為Dicom格式用于分析處理。在本研宄中，選擇第2期圖像序列進(jìn)行分割和分析的原因一般乳腺癌表現(xiàn)為早期快速強(qiáng)化，且此時(shí)背景腺體組織尚未強(qiáng)化，對腫塊影響小。本研究中的圖像均來源于同一1.5T MRI(Siemens Healthcare，Germany)設(shè)備。

1.3 圖像的勾畫和處理所有圖像的感興趣容積(volume of interest，VOI)勾畫均使用ITK-SANP軟件(http://www.itksnap.org)。我們在原始圖像上對病灶進(jìn)行人工勾畫逐層分隔，勾畫方式如圖1所示，VOI包含整個(gè)病變，由另一名放射科醫(yī)師對每個(gè)VOI進(jìn)行復(fù)核，確保每個(gè)VOI準(zhǔn)確勾勒病灶邊界，最后保存nii格式。兩位醫(yī)師均對患者的臨床信息不知情。

圖1 動態(tài)增強(qiáng)圖像上感興趣區(qū)的勾畫。

圖2 VanillaCNN網(wǎng)絡(luò)結(jié)構(gòu)；圖3 ResNet10-2D網(wǎng)絡(luò)結(jié)構(gòu)；圖4 3D-ResNet10網(wǎng)絡(luò)結(jié)構(gòu)

1.4 深度學(xué)習(xí)方法實(shí)驗(yàn)系統(tǒng)及參數(shù)：本文使用硬件環(huán)境為NVIDIA Tesla V100 32G，操作系統(tǒng)為Centos 7.9，軟件環(huán)境為Python 3.8、Pytorch 1.8。本文采用2D和3D網(wǎng)絡(luò)的分類模型去建模和驗(yàn)證。457份，數(shù)據(jù)按照9：1的比例切分為訓(xùn)練和測試數(shù)據(jù)集，模型總共訓(xùn)練100個(gè)迭代，使用Adam優(yōu)化器，學(xué)習(xí)率為1e-3，學(xué)習(xí)率使用等間隔衰減策略，衰減率系數(shù)為0.9，衰減間隔為總批處理數(shù)為0.1，2D網(wǎng)絡(luò)的批量大小為64，3D網(wǎng)絡(luò)的批量大小為8。

(1)基于2D網(wǎng)絡(luò)的模型，訓(xùn)練兩種模型：①是簡單的使用卷積和池化層堆疊而成的卷積神經(jīng)網(wǎng)絡(luò)，簡稱為VanillaCNN。②是ResNet10。

①VanillaCNN：使用5次卷積-池化的組合提取輸入特征，每次卷積-池化后特征圖的數(shù)量翻倍、尺寸減半。每個(gè)卷積核大小為3，步長為1，填充大小為1，池化方式選擇最大池化。5次卷積-池化后對特征圖進(jìn)行扁平化，從二維轉(zhuǎn)化為一維，后續(xù)通過一個(gè)全連接層把維度轉(zhuǎn)換為512。第一個(gè)全連接層后添加隨機(jī)失活層，減少過擬合現(xiàn)象，最后使用第二個(gè)全連接層，得到最終輸出。

②ResNet10：ResNet由多個(gè)殘差塊構(gòu)建而成，通過恒等映射和殘差映射(緩解梯度消失/爆炸的現(xiàn)象)解決了由于網(wǎng)絡(luò)深度加深導(dǎo)致的退化問題，使得網(wǎng)絡(luò)性能不會隨著深度增加而降低。

(2)基于3D網(wǎng)絡(luò)的分類模型 本文以2D ResNet10網(wǎng)絡(luò)為基礎(chǔ)，把最后的全局平局池化層替換成2個(gè)卷積-池化層，提取更加豐富的信息。3D ResNet10網(wǎng)絡(luò)架構(gòu)與2D ResNet10類似，只是把其中的所有二維卷積替換為三維卷積，卷積核參數(shù)設(shè)置與2D ResNet10一致。

2 結(jié) 果

2.1 患者的一般資料共納入457例乳腺癌患者，年齡范圍26-91歲，平均年齡57.94±12.63。其中LVI陰性患者共304例，占比約66.52%，平均年齡57.2±12.62；LVI陽性患者153例，占比約33.48%；平均年齡59.41±12.56。

2.2 不同深度學(xué)習(xí)模型預(yù)測乳腺癌脈管浸潤的效能深度學(xué)習(xí)預(yù)測能有效乳腺癌LVI狀態(tài)，不同序列、算法模型進(jìn)行訓(xùn)練數(shù)據(jù)集預(yù)測效能不同。相同算法模型下，DCE序列預(yù)測效能均高于FS-T2W序列(表1)。

表1 深度學(xué)習(xí)預(yù)測乳腺癌脈管浸潤的效能

3 討 論

本研究通過對MR圖像進(jìn)行深度學(xué)習(xí)訓(xùn)練以建構(gòu)多種算法模型來預(yù)測乳腺癌LVI狀態(tài)，有助于推動乳腺癌ΒC患者個(gè)體化精準(zhǔn)醫(yī)療的發(fā)展。

在本研究中，我們利用FS-T2WI和DCE兩個(gè)序列數(shù)據(jù)集去預(yù)測LVI狀態(tài)，結(jié)果顯示DCE的預(yù)測性能優(yōu)于FS-T2WI。這表明，與FS-T2WI相比，DCE序列能提供更多的腫瘤微觀信息，表明腫瘤內(nèi)的異質(zhì)性。FS-T2WI可以清晰顯示病變的大小和形狀，對病變內(nèi)的囊性變化和壞死敏感，但圖像分辨率相對有限，提供的信息有限。而DCE序列可以提供形態(tài)及血流動力學(xué)信息，在乳腺M(fèi)RI中至關(guān)重要。基于DCE的深度學(xué)習(xí)技術(shù)已用于鑒別良惡性腫瘤，分子亞型分類，評估Ki-67狀態(tài)，評估復(fù)發(fā)風(fēng)險(xiǎn)，預(yù)測治療反應(yīng)和預(yù)測乳腺癌前哨淋巴結(jié)轉(zhuǎn)移，具有較好的效能[5-6]。本研究結(jié)果同樣也表明，不同的MRI序列可能包含腫瘤內(nèi)不同特征的鑒別信息，選擇合適的MRI序列有助于更好實(shí)現(xiàn)特定評估任務(wù)。

在本研究中，我們旨在開發(fā)和驗(yàn)證基于2D VanillaCNN和ResNet10、3D ResNet10算法技術(shù)來訓(xùn)練模型能夠自動地輔助診斷出乳腺癌LVI狀態(tài)，結(jié)果顯示，不同算法的預(yù)測(AUC為0.69–0.80)?？赡茉蛴幸韵聝蓚€(gè)：(1)本研究僅建立了基于單個(gè)MR序列的預(yù)測模型，單個(gè)序列僅反應(yīng)腫瘤一部分特征。目前多模態(tài)圖像是新的應(yīng)用趨勢，即結(jié)合多MRI建立模型，不同的序列可以反映腫瘤的不同特征，如腫瘤信號強(qiáng)度、組織細(xì)胞和微血管密度，因此，多序列結(jié)合可以充分結(jié)合利用每個(gè)序列的優(yōu)勢，更全面的反映腫瘤信息，提供更準(zhǔn)確的圖像評估。Nijiati等人結(jié)合了多個(gè)序列T2WI、DCE、DWI、ADC的MRI特征預(yù)測浸潤性乳腺癌LVI狀態(tài)，結(jié)果表明，融合DCE+T2WI+ADC圖像特征的AUC值最高，達(dá)到0.93，優(yōu)于單獨(dú)使用及其他組合[7]。另一個(gè)類似的研究中，對DCE、ADC及組合DCE+ADC圖像獲得的數(shù)據(jù)進(jìn)行了多參數(shù)評估，結(jié)果發(fā)現(xiàn)，T2WI+DCE+ADC融合放射組學(xué)模型對LVI狀態(tài)的預(yù)測效果優(yōu)于單獨(dú)使用。(2)沒有納入其他相關(guān)的評價(jià)因素，在浸潤性中LVI狀態(tài)受多種因素如臨床特征、病理特征及腫瘤生物行為學(xué)相關(guān)的影響[9]。Shen SD[10]等人采用相關(guān)臨床病理因素建立LVI的預(yù)測模型，Her-2、Ki-67腫瘤大小和3個(gè)因素組合的預(yù)測LVI的AUC值分別為0.614、0.596、0.575和0.670，表明單個(gè)因素預(yù)測效能一般。因此，一些學(xué)者將臨床病理特征、形態(tài)學(xué)特征和組學(xué)標(biāo)簽結(jié)合起來的影像組學(xué)模型來預(yù)測乳腺癌LVI狀態(tài)。朱浩雨等人研究了140例乳腺癌，綜合納入了多參數(shù)變量如患者的臨床資料、病理結(jié)果、形態(tài)學(xué)征象和影像組學(xué)標(biāo)簽去構(gòu)建影像組學(xué)模型及聯(lián)合序列影像組學(xué)標(biāo)簽兩種模型預(yù)測浸潤性乳腺癌LVI狀態(tài)，結(jié)果顯示，影像組學(xué)模型的預(yù)測診斷效能高于聯(lián)合多序列的影像組學(xué)標(biāo)簽的診斷效能(0.91 vs 0.83)[11]，同樣的Ouyang等[12]的研究結(jié)果也表明，通過加入病例臨床特征后，放射組學(xué)模型預(yù)測血管浸潤的診斷效能明顯提高。Wang D等人基于數(shù)字化X線攝影圖像提取的放射學(xué)特征預(yù)測乳腺癌LVI的AUC、敏感性和特異性分別為0.716、72.0%和82.4%，而結(jié)合重要的臨床危險(xiǎn)因素、放射特征和Rad評分建立聯(lián)合放射組學(xué)nomogram圖取得了更好的預(yù)測性能，其AUC、敏感性和特異性達(dá)到0.835、80.0%和76.5%[13]。Liu等人使用基于DCE-MRI的放射組學(xué)特征與MR報(bào)告的ALN狀態(tài)相結(jié)合以預(yù)測浸潤性乳腺癌的LVI狀態(tài)、在訓(xùn)練和測試數(shù)據(jù)集中分別實(shí)現(xiàn)了0.851和0.763的AUC，比單獨(dú)使用MRI中腋窩淋巴結(jié)狀態(tài)、放射組學(xué)特征的準(zhǔn)確性明顯提高[14]。這幾項(xiàng)研究臨床病理特征與影像組學(xué)結(jié)合預(yù)測乳腺癌患者的LVI效能明顯提升，因此，我們后續(xù)的研究將加入臨床病理特征并聯(lián)合多個(gè)序列基于MRI圖像的進(jìn)行預(yù)測研究，提高模型的預(yù)測效能。

總之，深度學(xué)習(xí)能有效預(yù)測乳腺癌LVI狀態(tài)，不同網(wǎng)絡(luò)算法模型的預(yù)測性能。且DCE序列在預(yù)測乳腺癌LVI的效能優(yōu)于FS-T2WI序列，表明DCE序列能提供更多的腫瘤微觀信息。