影像組學在甲狀腺癌應用的初步研究

周世崇，劉桐桐，周 瑾，余錦華，郭 翌，汪源源，李佳偉，常 才

1. 復旦大學附屬腫瘤醫院超聲診斷科，復旦大學上海醫學院腫瘤學系，上海 200032；

2. 復旦大學電子工程系，上海 200433；

3. 上海市醫學圖像處理與計算機輔助手術重點實驗室，上海 200433

影像組學在甲狀腺癌應用的初步研究

周世崇1，劉桐桐2,3，周 瑾1，余錦華2,3，郭 翌2,3，汪源源2,3，李佳偉1，常 才1

1. 復旦大學附屬腫瘤醫院超聲診斷科，復旦大學上海醫學院腫瘤學系，上海 200032；

2. 復旦大學電子工程系，上海 200433；

3. 上海市醫學圖像處理與計算機輔助手術重點實驗室，上海 200433

周世崇，復旦大學附屬腫瘤醫院超聲診斷科醫師，博士研究生。目前國外SCI收錄期刊及國內核心權威期刊發表有關論文十余篇。作為負責人承擔國家級、省部級課題各1項，作為主要參與人參加國家級課題3項、省部級課題2項。

目的：探索影像組學在甲狀腺癌中的應用價值。方法：選擇于復旦大學附屬腫瘤醫院手術的77例甲狀腺乳頭狀癌單灶患者的病灶超聲圖像，進行影像組學特征研究并判斷有否淋巴結轉移，并與病理結果進行比較。結果：77例患者中，淋巴結轉移27例，超聲術前發現4例；淋巴結未轉移50例，超聲術前發現47例。通過影像組學方法判斷病灶淋巴結有無轉移，對照病理結果，準確率為73.1%，靈敏度為71.4%，特異度為74.0%。結論：影像組學在判斷甲狀腺乳頭狀癌淋巴結轉移中有明確價值和極大潛力。

甲狀腺癌；影像組學；淋巴結轉移

近年來我國女性甲狀腺癌的發病率持續增高[1]，引起社會廣泛關注，其中以乳頭狀癌發病率增加為主[2]。甲狀腺乳頭狀癌(papillary thyroid carcinoma，PTC)的淋巴結轉移是手術范圍和方式選擇的重要指征[3]，因此術前判斷有無淋巴結轉移有極大的臨床意義。超聲是探測甲狀腺癌的最有效影像學方式[4]，但目前超聲診斷的標準定義并不清晰，應用過程中過于依賴經驗，主觀性較強。影像組學(radiomics)這一概念由 Lambin等[5]于2012年提出，定義為高通量地從放射影像中提取大量高級的定量影像學特征，并進行分析。通過計算機客觀地提取、分析和判斷超聲圖像信息，進而解決超聲診斷中存在的問題。本研究嘗試應用影像組學方法來分析PTC病灶的超聲特征與淋巴結轉移之間的關系。

1 資料和方法

1.1 一般資料

收集2016年1—3月于復旦大學附屬腫瘤醫院接受手術的患者。入組條件：術前于復旦大學附屬腫瘤醫院行超聲檢查，并均留圖；無論超聲或CT提示有無淋巴結轉移，均行可疑區域頸部淋巴結清掃；術后獲取病理結果證實為單灶性PTC。超聲檢查由不同年資的主治醫師完成。癌灶的大小以超聲檢查時相應的病灶大小測量為準，測量3個徑線。按世界衛生組織(World Health Organization，WHO)的標準[6]，最大徑線≤10 mm的為PTC為甲狀腺乳頭狀微癌(papillary thyroid microcarcinoma，PTMC)，最小徑線＞10mm的為非PTMC。

1.2 研究方法

采用影像組學方法分析患者的甲狀腺病灶超聲圖像。首先，由高年資主治醫師手工勾勒腫瘤邊緣。然后，根據甲狀腺超聲診斷標準(大小、形態、邊界、邊緣、內部回聲和后方回聲)，設計并由計算機提取460個高通量特征，包括形態特征[7-10]、灰度特征[11]、紋理特征[12-17]和小波特征[18]。采用最大相關最小冗余準則的遺傳算法(genetic algorithm combined with maximum correlation minimum redundancy certain，GA_mRMR)[19]的特征選擇方法，以及基于稀疏表示(sparse representation，SR)[20]的特征選擇方法，篩選出最具代表性的14個特征。最后，將篩選出的特征輸入支持向量機(support vector machine，SVM)分類器，采用留一法交叉驗證(leave-one-out cross validation，LOOCV)進行相關性分析。

2 結 果

符合入組條件的患者共77例，年齡最小22歲，最大77歲，淋巴結轉移情況見表1。術前超聲檢查懷疑淋巴結轉移情況見表2。4例超聲診斷準確的轉移淋巴結，均來自非PTMC病灶，分別位于頸部Ⅲ、Ⅳ、Ⅵ區。術前超聲診斷淋巴結轉移的靈敏度14.81% (4/27)，特異度94.00% (47/50)，準確率66.23% (51/77)。

表1 淋巴結轉移情況(n)

表2 術前超聲懷疑淋巴結轉移對比病理結果(n)

影像組學分析方面，圖1與2分別為1例淋巴結轉移和未轉移患者的PTC超聲圖像。其中圖A為原始圖像，圖B為手工勾勒邊緣結果。由此可見手工勾勒的高準確性。

圖1 甲狀腺癌淋巴結轉移的PTC超聲圖像(一)

圖2 甲狀腺癌淋巴結轉移的PTC超聲圖像(二)

通過2次特征篩選，最后獲得14個特征，分別為與區域具有相同標準二階中心矩的橢圓的長軸與X軸的交角、分葉數、第一層近似第二種銳度定義、矩形擬合因子、邊緣環形區的信噪比(signal to noise ratio，SNR)、第一層水平腫瘤內外的自相關系數對比度的標準偏差、GLZLM.LRLGE、第一層近似LRLGE、第一層垂直GLV、第一層對角Correlation、第一層近似感興趣區(region of interest，ROI)的非相似度的標準偏差、第一層垂直Cluster Shade、第一層近似ROI的協方差的標準偏差、第一層垂直相對亮度。分別表示腫瘤的形狀、邊界、邊緣、回聲模式等特性。最終達到了準確率=0.731、曲線下面積(area under curve，AUC)=0.789的準確率。表3為特征預測結果，圖3為其受試者工作特征(receiver operating characteristic，ROC)曲線。

表3 影像組學分析特征預測結果

圖3 14個特征預測結果的ROC曲線

3 討 論

據報道，P T C的淋巴結轉移比例為20%～50%[21]，本研究結果41.94% (13/31)與之吻合；PTMC的Ⅵ區淋巴結轉移比例約為32.81%[22]，本研究結果30.43% (14/46)也與之基本吻合(部分淋巴結并非來自Ⅵ區)。結果表明，本研究取樣基本與既往研究取樣具有一致性。

本研究發現，僅依靠超聲檢查診斷淋巴結轉移的靈敏度為14.81%，特異度為94%。有報道證實[21]，術前超聲只能分辨出半數在術中發現的異常淋巴結，即超聲對陽性淋巴結的檢出率較低。因此，如何有效發現PTC的淋巴結轉移成為研究熱點。雖有研究報道[23]，基于超聲能發現的淋巴結圖像特點進行轉移性分析，根據淋巴結的鈣化、內部回聲不均勻和淋巴結大小特點判定轉移與否，可獲得AUC為0.74、靈敏度為65%、特異度為85%這一較為樂觀的結論，與本研究結果相比稍低，但考慮到并不是所有淋巴結都能被超聲探測發現這個前提，該結果可能會大打折扣。

那么，如何探測轉移淋巴結的存在呢？淋巴結轉移是腫瘤的生物學特征，很多研究[22,24]已證實，患者年齡、性別，以及腫瘤大小、鈣化、多灶性等因素與PTC/PTMC的淋巴結轉移具有相關性，尤其鈣化和多灶性為高危因素。但這樣的風險研究僅能提示，在面對具有高危特征的患者時需更加小心地進行超聲檢查，而不能直接判定是否有淋巴結轉移。

本研究嘗試應用影像組學對甲狀腺癌病灶的圖像特征進行提取和分析，進而預判是否存在淋巴結轉移?？紤]到多灶性PTC可能由腺體內播散和(或)多中心灶造成，無法判定是否更易引起淋巴結轉移[25]，因此僅選擇單灶性PTC作為研究對象，以期更準確地獲得超聲影像學特征與淋巴結轉移的關系?；谕瑯幽康模狙芯课纯桃夂Y選甲狀腺腫瘤大小及患者性別和年齡，僅隨機入組。

本研究應用影像組學針對PTC病灶特征判斷轉移性淋巴結的準確率為0.731，靈敏度為0.714，特異度為0.74，大大高于常規研究中二維超聲掃查的診斷率，也高于一般報道的20%～31%的超聲檢出率[21]，結果比較讓人鼓舞。分析其高預測性的原因，主要有兩點：①根據甲狀腺超聲診斷設計和提取了460個高通量特征，這些量化特征可避免人為經驗帶來的診斷誤差，并極大豐富了肉眼觀察范圍。特別用經過小波分解獲得的特征，體現了超聲圖像更深層次的內容，比僅觀察回聲模式和邊緣特性更有說服力。② 通過2次篩選和最優組合后獲得的特征集更具有代表性，能充分反映甲狀腺超聲圖像的特點，準確率往往比常用診斷標準更高。

目前正在進行更大樣本的研究，以期獲得更可靠的結果而用于臨床。

[1] CHEN W Q, ZHENG R S, BAADE P D, et al. Cancer statistics in China, 2015 [J]. CA Cancer J Clin, 2016, 66(2): 115-132.

[2] LIVOLSI V A. Papillary thyroid carcinoma: an update [J]. Mod Pathol, 2011, 24(Suppl 2): S1-S9.

[3] 中華醫學會內分泌學分會, 中華醫學會外科學分會內分泌學組, 中國抗癌協會頭頸腫瘤專業委員會, 等. 甲狀腺結節和分化型甲狀腺癌診治指南 [J]. 中華內分泌代謝雜志, 2012, 28(10): 779-797.

[4] DAVIES L, WELCH HG. Current thyroid cancer trends in the United States [J]. JAMA Otolaryngol Head Neck Surg, 2014, 140(4):317-322.

[5] LAMBIN P, RIOS-VELAZQUEZ E, LEIJENAAR R, et al. Radiomics: extracting more information from medical images using advanced feature analysis [J]. Eur J Cancer, 2012, 48(4): 441-446.

[6] DELELLIS R A, LLOYD R D, HEITZ P U, et al. WHO: Pathology and Genetics. Tumours of endocrine organs [J]. Lyon: IARC press, 2004.

[7] SELLAMI L, BEN S O, CHTOUROU K, et al. Breast cancer ultrasound images’ sequence exploration using BI-RADS features’ extraction: towards an advanced clinical aided tool for precise lesion characterization [J]. IEEE Trans Nanobiosci, 2015, 14(7): 740-745.

[8] HUANG Y L, CHEN D R, JIANG Y R, et al. Computer-aided diagnosis using morphological features for classifying breast lesions on ultrasound [J]. Ultrasound Obs Gyn, 2008, 32(4): 565-572.

[9] CHEN C M, CHOU Y H, HAN K C, et al. Breast lesions on sonograms: Computer-aided diagnosis with nearly setting-independent features and artificial neural network [J]. Radiology, 2003, 226(2): 504-514.

[10] JOO S, YANG Y S, MOON W K, et al. Computeraided diagnosis of solid breast nodules: use of an artificial neural network based on multiple sonographic features [J]. IEEE Trans Med Imaging, 2004, 23(10): 1292-1300.

[11] FAVE X, MACKIN D, YANG J, et al. Can radiomics features be reproducibly measured from CBCT images for patients with non-small cell lung cancer? [J]. Med Phys, 2015, 42(12): 6784-6797.

[12] SHAN J, ALAM S K, GARRA B. Computer-aided diagnosis for breast ultrasound using computerized BIRADS features and machine learning methods [J]. Ultrasound Med Biol, 2016, 42(4): 980-988.

[13] HARALICK R M, SHANMUGAM K, DINSTEIN I. Textural features for image classification [J]. IEEE Trans Syst Man Cyb, 1973, 3(6): 610-621.

[14] CHU A, SEHGA C M, GREENLEAF J F. Use of gray value distribution of run lengths for texture analysis [J]. Pattern Recogn Lett, 1990, 11(6): 415-419.

[15] GALLOWAY M M. Texture analysis using gray level run lengths [J]. Comput Graph Image Processing, 1975, 4(2): 172-179.

[16] THIBAULT G, FERTIL B, NAVARRO C, et al. Texture indexes and gray level size zone matrix application to cell nuclei classification [J]. Pattern Recogn Inf Process, 2009:140-145.

[17] AMADASUN M, KING R. Textural features corresponding to textural properties [17]. IEEE Trans Syst Man CyB, 1989, 19(5): 1264-1274.

[18] AERTS H J, VELAZQUEZ E R, LEIJENAAR R T, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach [J]. Nat Commun, 2014, 5: 4006-4006.

[19] 蔡凌云. 乳腺超聲圖像的自動分割與特征分析研究[M]. 上海: 復旦大學出版社, 2015.

[20] 耿耀君. 高通量數據特征選擇算法研究 [M]. 西安: 西安電子科技大學出版社, 2013.

[21] 李小毅. 2015年美國甲狀腺學會《成人甲狀腺結節與分化型甲狀腺癌診治指南》解讀:外科部分 [J]. 中國癌癥雜志, 2016, 26(1): 13-18.

[22] WANG W H, XU S Y, ZHAN W W. Clinicopathologic factors and thyroid nodule sonographic features for predicting central lymph node metastasis in papillary thyroid microcarcinoma: a retrospective study of 1204 patients [J]. J Ultrasound Med, 2016, 23(11): 2475-2481.

[23] PATEL N U, MCKINNEY K, KREIDLER S M, et al. Ultrasound-based clinical prediction rule model for detecting papillary thyroid cancer in cervical lymph nodes [J]. A pilot study, J Clin Ultrasound, 2016, 44(3): 143-151.

[24] LIU Z, SUN M, XIAO Y, et al. Predictors of metastasis to lymph nodes posterior to the right recurrent laryngeal nerve in differentiated thyroid carcinoma: A prospective study [J]. Asian J Surg, 2016. [Epub ahead of print]

[25] 王宇, 嵇慶海, 黃彩平, 等. 甲狀腺乳頭狀微癌Ⅵ區淋巴結轉移相關因素分析 [J]. 中華外科雜志, 2008, 46(24): 1899-1901.

Preliminary study on application of radiomics in thyroid carcinoma

ZHOU Shichong1, LIU Tongtong2,3, ZHOU Jin1, YU Jinhua2,3, GUO Yi2,3, WANG Yuanyuan2,3, LI Jiawei1, CHANG Cai1
(1. Department of Ultrasound, Fudan University Shanghai Cancer Center; Department of Oncology, Shanghai Medical College, Fudan University, Shanghai 200032, China; 2. Department of Electronic Engineering, Fudan University, Shanghai 200433, China; 3. Key Laboratory of Medical Imaging, Computing and Computer-Assisted Intervention, Shanghai 200433, China)

CHANG Cai E-mail: changcai@sina.com

Objective:To explore the value of radiomics in thyroid carcinoma.Methods:Seventy-seven cases with unifocal papillary thyroid carcinoma in Fudan University Shanghai Cancer Center were chosen. The ultrasound examines were performed before surgery. The ultrasound images were analyzed and predicted lymph nodes metastasis by radiomics. The radiomics results were compared with pathological results.Results:There were 27 cases with lymph node metastasis. Among them, 4 cases were diagnosed by ultrasound before surgery. There were 50 cases without lymph node metastasis. Among them, 47 cases were diagnosed by ultrasound before surgery. Compared with pathological results, the accuracy, sensitivity and specif i city of lymph node metastasis prediction by radiomics were 73.1%, 71.4% and 74.0%, respectively.Conclusion:There are certain value and great potential to determine the lymph node metastasis of papillary thyroid carcinoma by radiomics.

Thyroid carcinoma; Radiomics; Lymph node metastasis

R445.1

A

1008-617X(2017)02-0102-04

國家自然科學基金項目(No：81401422)；上海市科委引導項目(No：134119a1500)

常才 E-mail：changcai@sina.com