基于增強CT放射組學預測肝細胞肝癌病理分級

寧培鋼，高 飛，海金金，武明輝，陳 健，朱紹成，王梅云，史大鵬*

(1.河南省人民醫院 河南大學臨床醫學院 鄭州大學人民醫院醫學影像科，河南 鄭州 450003；2.戰略支援部隊信息工程大學信息系統工程學院，河南 鄭州 450001)

多數肝細胞肝癌(hepatocellular carcinoma, HCC)的發生是經過多級別癌變進展而來，病理組織學分級和類型是其預后因素影響[1]。影像學對診斷HCC及病理分級具有重要作用，多項研究[2-4]結果顯示HCC影像學與病理分級及分類之間存在相關性。放射組學可充分挖掘圖像中隱藏的生物信息[5]，反映組織的異質性[6-7]。本研究探討增強CT放射組學術前預測HCC病理分級的可行性及其價值。

1 資料與方法

1.1 一般資料 回顧性分析2013年2月—2017年8月429例接受肝部分切除術的HCC患者，男385例，女44例，年齡18～81歲，平均(55.3±8.9)歲。納入標準：①經手術病理證實為HCC，并有HCC組織學報告；②術前2周內接受肝臟CT平掃及多期增強掃描；③術前未接受過其他HCC相關治療。排除標準：圖像質量欠佳；臨床資料不全。將患者隨機納入測試組(n=100)和訓練組(n=329)。

1.2 儀器與方法 采用GE LightSpeed VCT、Seimens SOMATOM Definition Flash CT機或Philips Brilliance 16排螺旋CT儀行術前腹部CT平掃及多期動態增強掃描，參數：管電壓120 kV，自動管電流，轉速0.4、0.5、0.75 s/r，探測器準直64×0.625 mm/128×0.625 mm/16×0.625 mm，視野(300～500) mm×(300～500) mm，矩陣512×512，層間距5 mm，層厚5 mm，重建層厚2 mm；經肘靜脈以流率3.0～3.5 ml/s注射對比劑優維顯(370 mgI/ml)1.5 ml/kg體質量后行增強掃描，分別于注射對比劑后25～30 s及60～70 s開始動脈期及靜脈期掃描。記錄CT特征，包括腫瘤位置、大小、形態、邊界、數目、動態增強方式，腫瘤包膜，靜脈栓子、肝硬化表現及淋巴結腫大等特征；并記錄患者臨床特征，包括年齡、性別、相關實驗室檢查結果[血清谷氨酰轉移酶、丙氨酸轉氨酶、甲胎蛋白(alpha fetoprotein, AFP)]及病理分級等。根據病理報告將其HCC分為低級別和高級別HCC，低級別HCC對應Edmondson Ⅰ、Ⅰ-Ⅱ及Ⅱ級，高級別HCC對應Edmondson Ⅱ-Ⅲ、Ⅲ、Ⅲ-Ⅳ及Ⅳ級[8]。

1.3 分割腫瘤圖像并提取放射組學特征 由1名具有11年影像學診斷經驗的副主任醫師采用免費軟件ITK-SNAP(http://www.itk-snap.org)于動脈期及靜脈期圖像手動分割腫瘤體積感興趣區(volume of interest, VOI)；參考相關文獻[9-10]，以MATLAB 2010a(MathWorks, Natick, USA)軟件提取其組學特征，包括灰度特征、形狀特征、紋理特征和小波特征等。

1.4 篩選特征并建立組學模型 采用最小絕對值收斂和選擇算子(the least absolute shrinkage and selection operator method, LASSO)邏輯回歸模型，基于動脈期(arterial phase, AP)、靜脈期(venous phase, VP)及AP與VP聯合圖像分別篩選最有價值的組學特征，用于預測HCC病理分級[11]；對篩選所得特征及其系數相乘進行線性組合，計算患者的放射學評分(rad-score)，進行二分類判別。以10倍交叉驗證訓練選擇HCC病理分級的最優組學預測模型。

1.5 統計學分析 采用R軟件3.4.2版(http://www.Rproject.org)及Medcalc 16.2版本(Medcalc software, http://www.medcalc.org)統計分析軟件。以中位數(上下四分位數)表示非正態分布計量資料，以頻數表示計數資料。采用Mann-WhitneyU檢驗比較訓練組及測試組中高級別與低級別HCC的Rad-score的差異；以chi-square檢驗及Mann-WhitneyU檢驗比較2組患者臨床特征差異。對臨床特征進行標準化處理后行單因素及多因素Logistic回歸分析，結合LASSO邏輯回歸模型構建臨床模型；對最優組學模型的特征和臨床特征進行多元回歸分析，共同構建聯合模型進行二分類判別。繪制組學模型、臨床模型及聯合模型分別預測訓練組及測試組病理分級的ROC曲線，計算其AUC，評價其診斷效能；以用德隆檢驗比較3種模型AUC的差異。P<0.05為差異有統計學意義。

2 結果

2.1 篩選組學特征及建立組學模型 共于增強圖像中提取656個放射學特征，包括328個AP特征和328個VP特征。基于AP圖像、VP圖像及AP與VP聯合圖像，分別篩選出15、23及31個最有價值的組學特征；結合LASSOLogistic回歸模型構建其放射組學模型，對2組患者進行分類，結果顯示訓練組及測試組中高級別與低級別HCC的Rad-score差異均有統計學意義(Z=6.50及2.51、6.63及2.17、8.58及3.24，P均<0.05)。見圖1。最終以AP與VP的聯合組學模型為最優組學模型。

圖1 2組基于AP+VP、AP及VP圖像的rad-score A～C.測試組； D～F.訓練組

2.2 2組臨床特征比較 測試組與訓練組患者臨床特征差異均無統計學意義(P均>0.05)。見表1。

表1 2組HCC患者臨床特征比較

2.3 3種模型的診斷效能 經單因素分析，年齡(P<0.01)、腫瘤直徑(P<0.01)和血清AFP(P<0.01)為預測HCC病理分級的臨床因素。多因素分析結果顯示年齡、腫瘤直徑及血清AFP為HCC病理分級的獨立預測因子；結合LASSO邏輯回歸模型構建臨床模型，聯合模型中，放射組學特征為預測HCC病理分級的獨立危險因素(P<0.01)，見表2。組學模型、臨床模型和聯合模型預測測試組和訓練組HCC病理級別的ROC曲線結果見表3。測試組中，聯合模型的AUC值(0.70)均大于組學模型(0.69)和臨床模型(0.63)，見圖2；經德隆檢驗，3種模型間AUC差異無統計學意義(P均>0.05)。見圖3。

圖2 放射組學模型、臨床模型和聯合模型預測2組病理級別的ROC曲線 A～B.基于測試組(A)和訓練組(B)的組學模型； C～D.基于測試組(C)和訓練組(D)的臨床模型； E～F.基于測試組(E)和訓練組(F)的聯合模型

圖3 3種模型預測測試組HCC病理級別的ROC曲線

表2 臨床特征及放射組學特征預測HCC病理分級的多因素分析結果

表3 放射組學模型、臨床模型和聯合模型分別預測2組HCC病理分級的ROC曲線分析結果

3 討論

利用放射組學方法可捕獲人眼無法識別的圖像微觀信息，反映組織的生物異質性，獲得與腫瘤病理改變相關的更精準的信息，有利于鑒別診斷腫瘤、評估病理分級及預測預后等。本研究基于增強CT圖像的放射組學特征術前預測HCC病理分級，均可將HCC分類為高級別HCC和低級別HCC，提示增強CT圖像可反映腫瘤異質性，根據其放射學特征可識別腫瘤異質性所致微小密度差異。

研究[12]表明HCC病理分級Ⅰ級與Ⅱ級、Ⅲ級與Ⅳ級患者之間總生存時間或無瘤生存期差異無統計學意義，但Ⅲ級患者生存時間明顯短于Ⅰ級及Ⅱ級。本研究將病理Ⅰ級、Ⅱ級及Ⅰ-Ⅱ級HCC歸為低級別HCC，Ⅱ-Ⅲ級、Ⅲ級、Ⅲ-Ⅳ級及Ⅳ級歸為高級別HCC。HCC本身的異質性導致其病理分級復雜多樣，同一個腫瘤內可能同時存在分化程度不同的腫瘤細胞；鑒于高級別腫瘤具有更明顯的血管侵犯傾向，其預后較低級別病變更差，故將整個腫瘤分級以較高級別部分為準[13]。

本研究結果顯示，臨床模型預測HCC病理分級的能力弱于放射祖學模型和聯合模型，后者的預測能力最強，與基于放射學特征進行的結腸直腸癌分級研究結果[14]相符合。ZHOU等[15]采用基于增強MRI的紋理特征預測HCC病理分級的AUC值達0.83及以上，明顯高于本研究采用CT增強圖像的紋理特征的AUC，可能與增強MRI能提供更多腫瘤異質性相關信息有關；但該研究樣本量較少(46例)，且缺少測試組驗證，可能導致過擬合現象，有待進一步驗證。

與既往研究[16-17]不同，本研究臨床模型中，患者年齡、腫瘤直徑及血清AFP均為獨立危險因素。CHEN等[18]認為年齡<40歲HCC患者1年生存率低于年齡≥40歲者，原因可能在于發生于年輕患者的腫瘤的生物學行為更具侵襲性；而血清AFP升高與HCC的侵襲性增加及細胞倍增時間縮短密切相關[19]，血清AFP越高代表腫瘤惡性程度越高，病理分級也越高。聯合模型中僅放射組學特征為獨立危險因素，原因可能在于相對于放射組學特征，臨床特征對HCC的影響較小，與OUYANG等[20]的結果一致，提示放射組學特征反映整個腫瘤的異質性，與患者預后相關。

本研究的主要局限性：①樣本量相對仍顯不足；②HCC病理分級僅分為低級別和高級別，不夠細化；③手動分割腫瘤VOI，不可避免地影響其準確性及可重復性，有待擴大樣本量進一步觀察。

綜上所述，基于增強CT圖像的放射組學特征可用于術前預測HCC組病理學分級，為診斷及治療HCC提供參考。