原發(fā)性肝細胞肝癌Ki-67表達的影像組學預測

戴 猛，董 怡，韓 紅，曹佳穎，余錦華，王文平

1.復旦大學電子工程系，上海200433；2. 復旦大學附屬中山醫(yī)院超聲科，上海 200032

原發(fā)性肝細胞癌（hepatocellular carcinoma，HCC）是常見且易復發(fā)的惡性腫瘤，多發(fā)生于肝硬化的人群，具有很強的浸潤性，易導致肝衰竭，致死率極高［1-3］。由于HCC死亡率高，提高診斷技術(shù)水平對HCC的早期診斷、治療和預后評估有著重要意義。Ki-67最早由Gerdes等［4］報道，是一種識別增殖期細胞核內(nèi)相關(guān)抗原的單克隆抗體，目前被廣泛應用于腫瘤分化程度的診斷。許多研究顯示， Ki-67表達陽性率的高低與腫瘤分化程度、浸潤、轉(zhuǎn)移及預后密切相關(guān)［5-6］。

目前，臨床上獲取腫瘤的Ki-67陽性率都需要經(jīng)過病理組織染色和免疫組織化學分析，對Ki-67陽性率的判讀缺乏統(tǒng)一的判斷標準，與醫(yī)師的臨床經(jīng)驗有關(guān)，存在一定的主觀性［5］。醫(yī)學影像中蘊含著大量與疾病相關(guān)的信息，近年來，隨著影像診斷與大數(shù)據(jù)技術(shù)的結(jié)合產(chǎn)生了影像組學方法（radiomics），影像組學可利用特征提取算法從醫(yī)學影像中高通量地提取影像特征，將影像中的信息進行量化、分析，已被廣泛應用于醫(yī)學影像輔助診斷［7-10］。其流程可歸納為：圖像分割、特征提取、特征篩選、分類判別和評價。

本研究擬通過影像組學方法，回顧性分析經(jīng)術(shù)后病理證實的HCC病灶的灰階超聲圖像，判斷分析結(jié)果與術(shù)后免疫組織化學檢測到的Ki-67陽性率的相關(guān)性，衡量影像組學方法評價HCC患者術(shù)前預測Ki-67陽性率的可行性。

1 資料和方法

1.1 患者資料

本回顧性研究所用的133例經(jīng)住院手術(shù)治療且術(shù)后病理證實的HCC患者的腹部灰階超聲圖像均由復旦大學附屬中山醫(yī)院超聲科采集，所涉及到的所有實驗均經(jīng)過倫理委員會的批準。入組條件如下：① 經(jīng)過術(shù)后病理證實的原發(fā)性HCC；② 最終的病理結(jié)果中具有Ki-67陽性率的情況；③ 患者術(shù)前灰階超聲圖像切面規(guī)范，圖像清晰?；颊叩脑敿氋Y料見表1。

1.2 圖像的采集和分割

肝臟病灶的超聲檢查及圖像存儲由2名具有至少10年臨床腹部超聲診斷資質(zhì)的超聲科醫(yī)師完成，采用4臺高端超聲診斷儀器，包括法國聲科公司（SuperSonic）、荷蘭飛利浦公司EPIQ-7、德國西門子公司HELX 2000 OXANA、以及美國通用電氣公司LOGIC E9，腹部超聲探頭頻率為3～5 MHz。所有的圖像根據(jù)現(xiàn)有超聲質(zhì)控標準規(guī)范采集，并存儲為DICOM格式。之后在MATLAB上對圖像進行感興趣區(qū)（region of interest，ROI）的勾畫，勾畫圖像見圖1，紅色圈內(nèi)是ROI。

表1 患者資料

圖 1 2例HCC病灶灰階超聲圖像的手動分割圖

1.3 影像組學特征提取

特征提取是本研究的關(guān)鍵環(huán)節(jié)，我們將小波分解后的圖像和原圖像一起用于特征提取。小波變換可以將整個頻域的信號分解成不同尺度的分量，降低所提取特征之間的相關(guān)性，有利于圖像的特征提取。將圖像經(jīng)過二維離散小波變換后，得到了圖像的近似分量、水平細節(jié)分量、垂直細節(jié)分量和對角細節(jié)分量。之后，通過計算灰度共生矩陣（graylevel co-occurrence matrix，GLCM）、灰度區(qū)域大小矩陣（gray-level size zone matrix，GLSZM）、灰度行程紋理矩陣（gray-level runlength matrix，GLRLM）和鄰域灰調(diào)差矩陣（neighborhood gray-tone difference matrix，NGTDM）等方式對腫瘤區(qū)域進行特征提取。所提取特征包括紋理特征、形態(tài)特征和小波特征。

1.4 特征篩選

影像組學中的特征選擇方法有多種，由于冗余特征不僅無法起到分類作用還會影響分類效果，需要對提取的特征進行選擇。本研究選用結(jié)合最大相關(guān)最小冗余（minimumredundancy-maximum-relevance，mRMR）準則的遺傳算法和稀疏表示（sparse representation coefficient，SRC）方法來篩選出與分類目標高度關(guān)聯(lián)的特征。

本研究利用mRMR遺傳算法進行第一遍特征篩選，相比傳統(tǒng)的遺傳算法，我們采用了改進的適應度函數(shù)，以一種過濾式的特征選擇模型，利用數(shù)據(jù)間具有內(nèi)在依賴性的特點評價候選特征集，并對特征進行排序［11］。SRC是一種可以量化特征重要性的方法［12］，通過SRC的方法，可以依據(jù)特征的重要性先選出候選特征子集，再利用分類器與特征選擇相結(jié)合的包裹法（wrapper）［13］將不同維度的特征視為一個包裹，將所有包裹都用于分類，對比每個包裹的分類效果來進行特征選擇。

1.5 分類和評價

本研究利用支持向量機（support vector machine，SVM）進行分類，采用留一法交叉驗證（leave-one-out cross-validation，LOOCV）。SVM是一種常見的分類判別方法，可通過非線性映射把樣本空間映射到高維特征空間中，使得在原來非線性可分的問題轉(zhuǎn)化為線性可分的問題，簡化了通常的分類和回歸等問題，避免了“維數(shù)災難”，具有較好的“魯棒”性。

采用目前常用的評價體系對分類結(jié)果進行評價，其中包含的指標有受試者工作特征曲線下面積（area under the receiver operating characteristic curve，AUC）、準確度（accuracy，ACC）、靈敏度（sensitivity，SENS）、特異度（specificity，SPEC）、陽性預測值（positive predictive value，PPV）、陰性預測值（negative predictive value，NPV）和馬修相關(guān)系數(shù)［7］（Matthew’s correlation coefficient，MCC），可用如下公式進行計算：

2 結(jié) 果

本研究從灰階超聲圖像ROI中進行特征提取，并采集相應的性別和年齡兩項信息，共得到452個特征。之后利用利用mRMR遺傳算法和SRC方法選出最優(yōu)特征子集，并利用SVM和LOOCV進行分類和評價。本研究首先設(shè)定一個Ki-67陽性率閾值，將樣本按照閾值分成兩組，并分配標簽。表2是將Ki-67陽性率的閾值根據(jù)設(shè)定在10%、20%和30%時進行分類實驗所得到結(jié)果，發(fā)現(xiàn)當閾值設(shè)定在20%時較為合理。將Ki-67陽性率的閾值設(shè)定在20%進行研究，此時的ROC曲線如圖2所示，實線和虛線分別表示由8個特征組成的最優(yōu)特征子集和SRC篩選前的234個特征組成的特征集的結(jié)果，此時最優(yōu)特征集的評價指標AUC為0.75，ACC為0.71，SENS為0.67，SPEC為0.75，PPV為0.72，NPV為0.79，MCC為0.41。特征集中的特征個數(shù)與分類效果的關(guān)系見圖3。最優(yōu)特征集的箱線圖見圖4。

表 2 不同閾值預測結(jié)果

3 討 論

HCC是全球常見的惡性腫瘤之一，發(fā)病率和死亡率一直居高不下，嚴重威脅著人類生命健康［1］。我國HCC高發(fā)，且男性患者多于女性，2012年，HCC占我國癌癥發(fā)病總數(shù)的12.9%［3］，其惡性程度及復發(fā)率較高［1］，目前臨床尚無簡便、有效的術(shù)前評估腫瘤分化及預后的敏感指標。

K i-6 7作為與細胞增殖相關(guān)的標志物，對多種疾病的診斷和預后有著重要價值［4］。臨床上常用的Ki-67檢測方法是基于細胞染色比的免疫組織化學法。宋志忠等［14］經(jīng)過研究發(fā)現(xiàn)，腫瘤Ki-67的表達情況與乳腺癌臨床分期有關(guān)。張曉雨等［15］采用免疫組織化學Powervision兩步法研究發(fā)現(xiàn)，Ki-67在直腸癌中的陽性表達率明顯高于周圍正常組織。對于Ki-67在肝癌中的表達，也有許多研究證明了Ki-67對于預后的價值。劉平果等［6］的研究顯示，肝癌組織Ki-67陽性與陰性對患者的預后有著明顯的區(qū)別。范永衛(wèi)［16］的研究結(jié)果顯示，Ki-67在正常肝組織中不表達，而在肝癌的陽性率為97.28%。趙文龍等［17］通過化學方法研究了肝癌中Ki-67的表達并結(jié)合患者術(shù)后情況，也證實了Ki-67的檢測對HCC具有很高的預測價值。龐旭峰等［18］的研究結(jié)果表明，肝癌組織Ki-67的陽性率更高，Ki-67的陽性率與HCC的預后高度相關(guān)。

影像組學方法最早由Lambin等［19］提出，與組織檢驗相比，影像組學是一種無損預測方法，許多與疾病預后相關(guān)的影像組學方法研究都已展開；Kumar等［7］采用影像組學的方法預測腦膠質(zhì)瘤；夏凡等［10］基于影像組學的方法預測化療后肝功能的異常。

圖 4 最優(yōu)特征子集中8個特征的箱線圖

HCC的灰階超聲圖像蘊含了很多病理信息，如呈浸潤性生長的肝癌周圍多呈現(xiàn)一種欠清晰的邊界，通常情況下，小肝癌的灰階超聲圖像呈現(xiàn)球形，腫塊后方回聲較強而內(nèi)部回聲較均勻，臨床中常依據(jù)HCC組織不同的灰階超聲特征做出相應的診斷［20］。本研究基于患者術(shù)前的腹部二維超聲灰階圖像，通過影像組學的方法提取圖像中腫瘤的大小、形狀、邊緣、紋理等信息并進行分析，從中發(fā)現(xiàn)了影像信息與Ki-67陽性率存在一定的關(guān)聯(lián)。此外，為了使模型盡可能準確地實現(xiàn)預測，在實驗中我們設(shè)置了多個Ki-67陽性率閾值進行探索，發(fā)現(xiàn)當閾值設(shè)置在20%時對于預測結(jié)果較為合理。

本研究中相比傳統(tǒng)的影像組學方法，采用mRMR準則的遺傳算法進行第一步特征選擇，利用SRC方法進行第二次選擇，最終通過實驗得到了由8個特征組成的特征子集，為最優(yōu)特征篩選的結(jié)果。其中，由原圖小區(qū)域的低灰度值的區(qū)塊度量得到的紋理特征和由邊緣環(huán)形區(qū)的標準偏差得到的小波特征與Ki-67陽性率的聯(lián)系表明，HCC的生長方式和邊緣形狀可能與Ki-67表達情況有關(guān)聯(lián)。特征子集中的其他基于圖像紋理分析得到的6個特征表明腫瘤內(nèi)部的成分可能與Ki-67表達有關(guān)。

本研究基于二維超聲灰階圖像的分析，篩選了8個與Ki-67表達相關(guān)的影像組學特征，為影像組學應用于術(shù)前無創(chuàng)、簡便、精準預測HCC的分化程度及預后評估提供了可行性依據(jù)。在未來的研究中，我們將采取更復雜的特征提取算法獲取更高維的特征信息，力求實現(xiàn)更深層次的影像組學特征提取。

［參 考 文 獻］

［1］ 吳孟超, 陳 漢, 沈 鋒. 原發(fā)性肝癌的外科治療——附5 524例報告［J］. 中華外科雜志, 2001, 39(1): 25-28.

［2］ 呂桂帥, 陳 磊, 王紅陽. 我國肝癌研究的現(xiàn)狀與前景［J］. 生命科學, 2015, 27(3): 237-248.

［3］ 魏礦榮, 彭俠彪, 梁智恒, 等. 全球肝癌流行概況［J］. 中國腫瘤, 2015, 24(8): 621-630.

［4］ GERDES J, SCHWAB U, LEMKE H, et al. Production of a mouse monoclonal antibody reactive with a human nuclear antigen associated with cell proliferation［J］. Int J Cancer,1983, 31(1): 13-20

［5］ 陳夢云, 張翠翠, 軒 菡, 等. Ki-67在腫瘤中的表達及其臨床指導意義［J］. 現(xiàn)代生物醫(yī)學進展, 2015, 15(16): 3193-3196.

［6］ 劉平果, 鐘德玝, 揚竹林. 原發(fā)性肝癌組織中C-myc癌基因、Ki-67抗原的表達與意義［J］. 中華肝膽外科雜志,1999, 5(1): 32-34.

［7］ KUMAR V, GU Y, BASU S, et al. Radiomics: the process and the challenges［J］. Magn Reson Imaging, 2012, 30(9):1234-1248.

［8］ HUANG Y Q, LIANG C H, HE L, et al, Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer［J］. J Clin Oncol, 2016, 34(18): 2157-2164.

［9］ YU J, SHI Z, LIAN Y, et al. Noninvasive IDH1 mutation estimation based on a quantitative radiomics approach for grade Ⅱ glioma［J］. Euro Radiol, 2016, 27: 3509-3522.

［10］ 夏 凡, 胡盼盼, 王佳舟, 等. 影像組學應用于肝臟特征分析及其預測治療反應的初步研究［J］. 中國癌癥雜志,2016, 26(6): 521-526.

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

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

［13］ 張學工. 模式識別［M］. 北京: 清大學出版社, 2010.

［14］ 宋志忠, 郝慶英. Ki-67、CerbB2在乳腺癌組織中的表達及其臨床意義［J］. 中國煤炭工業(yè)醫(yī)學雜志, 2007, 10(3):284-285.

［15］ 張曉雨, 周建農(nóng), 張 彤, 等. survivin、VEGF及Ki-67在結(jié)直腸癌中的表達及其臨床意義［J］. 腫瘤防治研究,2007, 34(1): 35-38.

［16］ 范永衛(wèi). hTERT、c-myc、Ki-67在肝癌組織中的表達及意義［J］. 細胞與分子免疫學雜志, 2009, 25(4): 338-340.

［17］ 趙文龍, 呂立志, 齊興峰, 等. 肝細胞肝癌CD147和Ki-67表達的相關(guān)性及其臨床意義［J］. 華南國防醫(yī)學雜志,2016(11): 700-704.

［18］ 龐旭峰, 王祖森, 吳力群. Ki-67在肝細胞肝癌患者根治性肝切除術(shù)后短期腫瘤復發(fā)預測中的價值［J］. 中華肝臟外科手術(shù)學電子雜志, 2012, 1(2): 53-58.

［19］ 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

［20］ 張 晶, 董寶瑋, 梁 萍,等. 原發(fā)性肝癌超聲鑒別診斷的病理基礎(chǔ)［J]. 中華超聲影像學雜志, 2001, 10(7): 410-413.