基于多序列MRI影像組學模型預測宮頸鱗癌病理組織分型

李笑然，郭妍，徐臣，亢野，孫洪贊*

子宮頸癌每年新發病例數在女性腫瘤中位于第二位，由于HPV的預防和治療條件不同，在發展中國家其發病數量呈現逐年增多及年輕化的趨勢[1]。臨床資料證明，子宮頸癌病理類型中約80%為子宮頸鱗狀細胞癌(cervical squamous cell carcinoma)[2]。鱗狀上皮細胞分化的終末細胞是角化細胞，正常角化與凋亡諸多機制相似皆被認為是細胞的一種死亡形式。角化型宮頸鱗癌臨床分期更偏向于FIGO Ⅲ期和Ⅳ期，有研究發現角化型子宮頸鱗癌5年生存率為63.4%，而非角化型子宮頸鱗癌則為65.3% (P=0.04)，未接受治療和放療后的亞組中角化型宮頸鱗癌中位生存期要低于非角化型鱗癌[2]。因此治療前精確預測宮頸鱗癌細胞的角化程度，對于患者的預后評估及治療方案的精準制訂有著一定指導意義。

目前，傳統MRI廣泛應用于宮頸癌的診斷、分期、治療后反映的評估，然而傳統MR的解剖成像僅僅能反映病變的形態特征，缺乏對于腫瘤病理類型、分化程度的判斷和評估。而隨著大數據和人工智能技術的發展，近年來熱門的影像組學可以通過高通量的提取圖像特征并利用機器學習建模等方法來評估病變異質性從而對病理類型進行分類預測。國外有研究PET圖像影像組學特征對宮頸癌病理類型及分化程度進行聚類分析，Liu等[3]和Tsujikawa等[4]也通過ADC圖像特征對宮頸癌分化程度進行鑒別等。國內研究多參數MR影像組學可以預測宮頸鱗癌的淋巴結轉移和淋巴血管周圍侵犯[5]。然而MR影像組學預測宮頸鱗癌病理分型還處于空白，因此我們想通過MR影像組學來對宮頸鱗癌角化型與非角化型預測的價值進行進一步探索。

1 材料與方法

1.1 一般資料

本回顧性研究收集2017年1月至2019年6月我院收治的140例宮頸癌患者為研究對象。納入標準：(1)18歲以上經病理活檢證實宮頸鱗癌的女性患者；(2)活檢病理證實后1周內進行常規盆腔MR平掃檢查，期間未進行任何治療；(3)無MRI檢查禁忌證；(4)患者均知情同意；(5)患者無其他惡性腫瘤疾病史。排除標準：(1)檢查所得圖像質量不理想；(2)活檢組織過少無法確認角化情況；(3)病理類型非鱗癌患者；(4)病灶小于5 mm3以至于無法準確勾畫病灶感興趣區。最終入組患者數量為103例，中位年齡為57歲(25～77歲)，角化型48例，非角化型55例；國際婦產聯盟(the International Federation of Gynecology and Obstetrics，FIGO)分期：ⅠB期7例，ⅡA期25例，ⅡB期41例，ⅢA期9例，ⅢB期20例，Ⅳ期1例。將入組患者按照3︰1隨機分成訓練集和測試集，詳見表1。

1.2 病理分析

入組103例腫瘤活檢或術后冰凍切片均由我院病理科醫生進行分析，根據HE染色后光鏡下癌巢形態學特點及細胞質角化程度分為角化型和非角化型鱗癌。其中低分化38例，中分化34例，高分化31例。

1.3 圖像采集

采用Philips Ingenia 3.0 T MR掃描儀，通用體表相控陣列線圈包繞整個盆腔。行常規T2W-TSE軸位、T1W-TSE矢狀位及T2W-SPAIR (T2R)軸位掃描。掃描參數及圖像參數詳見表2。

1.4 圖像預處理及病灶分割

基于Artificial intelligence kit，AK (GE醫療，中國)軟件對圖像進行預處理，首先采用模板匹配算法(block matching algorithm)以T2W-TSE序列為參考進行各個序列圖像配準。然后采用線性插值法對圖像進行重采樣，以保證體素大小均一和各向同性。

由我院放射科2名具有10年以上腹盆部影像診斷經驗的醫師采用AK軟件對各序列癌灶進行手動逐層勾畫分割出三維感興趣區(voxel of interest，VOI)，各序列最大范圍勾畫實體腫瘤區域，如遇宮頸管內存在氣體或積血等異常信號，在勾畫時應該避開該區域，遇到爭議時兩者協商后勾畫。圖1為人工勾畫腫瘤原發灶感興趣區病例。

1.5 提取影像組學特征

采用GE healthcare研發的AK軟件對T2、T1及T2R序列圖像分割的VOI分別進行高通量提取影像組學特征396個，其中包括統計直方圖特征(histogram) 42個，形態特征(formfactor) 9個，移動方向為0、45、90、135度，移動步長為1、4、7的灰度共生矩陣特征144個(glcm)和灰度游程矩陣特征180個(glrlm)，灰度區域大小矩陣特征(glszm) 11個及基于灰度共生矩陣的哈拉利克特征(haralick) 10個。

1.6 建立機器學習模型及評價

采用基于python語言的orange[6]數據挖掘組件進行模型的建立及評價。詳細步驟可見流程圖2。

1.6.1 數據預處理

對103例患者影像組學特征異常值替換為平均值，再將其各個特征數據按照μ=0，δ2=1進行標準化。

1.6.2 劃分數據集

按照之前入組103例患者3︰1隨機分組后的訓練集和測試集歸納影像組學特征分集。

1.6.3 篩選特征

表1 患者一般信息及分布情況Tab. 1 General information of patients and Person Chi-square test

表2 掃描序列及相關參數Tab. 2 Scanning sequence and related parameters

對T1、T2及T2R的特征信息增益率、gini系數、reliefF算法值進行評分并排序，綜合篩選評分前五個特征；聯合預測模型采用各序列前5個特征進行回歸分析，去除冗余特征后為建模所用特征。篩選后的具體特征及評分見表3。

1.6.4 建立預測模型并對其測試

采用樸素貝葉斯算法(na?ve bayes)分別對T1、T2、T2R及聯合模型的78例數據進行20折交叉驗證建模。將25例測試集數據分別代入各個預測模型中，獲得預測分類概率值。

1.6.5 模型預測結果評價

采用ROC曲線對訓練集和測試集預測效果進行評價。

1.7 統計分析

采用SPSS 25.0統計分析及R語言軟件對訓練集和測試集的臨床特征進行統計檢驗，由于不滿足正態性分布而對兩組年齡進行非參數兩獨立樣本M-U秩和檢驗；對兩組病理組織學分類及臨床分期的分級數據進行Person卡方檢驗。對驗證集和測試集各個預測模型的ROC曲線進行兩兩比較的Delong test檢驗。P＜0.05為差異具有統計學意義。

2 結果

2.1 分組患者的臨床特征分布統計

訓練集和驗證集患者的臨床特征情況顯示于表1中，兩組之間的年齡分布的非參數M-U檢驗結果顯示檢驗統計量為1207.5，P=0.073；兩組之間病理分型和臨床分期的構成比Person卡方檢驗的卡方值分別為2.381、5.935；P值均大于0.05，訓練集和測試集臨床特征分布無顯著統計學差異

2.2 各個模型預測結果ROC曲線兩兩比較

圖3和圖4顯示各個預測模型在訓練集和測試集中ROC曲線。預測模型在訓練集中的ROC曲線兩兩配對的delong test統計分析(表4)，結果顯示聯合模型的ROC曲線與T2、T1模型的ROC曲線差異存在統計學差異，P值分別為0.004和0.018。預測模型在測試集中的ROC曲線進行兩兩配對的delong test統計分析(表5)，結果顯示只有聯合模型與T1模型ROC曲線差異具有統計學意義，P=0.027。

2.3 基于T1、T2、T2脂肪抑制序列及聯合以上多序列影像組學模型的預測效能

T1、T2、T2抑脂及聯合模型在訓練集交叉驗證中均表現良好(表6)，其中聯合模型預測結果ROC曲線的AUC值最高，為0.863 (P＜0.001)，準確率為0.756.四種模型在測試集中的預測效能見表6，其中T1模型預測效能最低，AUC值為0.673 (P=0.149)；聯合模型預測結果AUC值最高，為0.860 (P=0.003)，準確率為0.720，召回率為0.900，精確率為0.600，F1-score為0.720。

表3 篩選特征及評分Tab. 3 Features selected and scores

表4 訓練集中各模型ROC曲線的Delong test檢驗Tab. 4 Delong test of ROC curve of models in the training dataset

表5 測試集中各模型ROC曲線的Delong test檢驗Tab. 5 Delong test of ROC curve of models in the testing dataset

表6 各模型在訓練集和測試集中的評價結果Tab. 6 Evaluation results of each model on the training and testing sets

3 討論

通過影像方法來評估及預測宮頸癌病理組織分型對臨床決策有著積極意義，國內外已經有很多研究MR動態增強[7]及功能成像[8-10]在鑒別宮頸癌組織分型中的作用。基于高通量的影像特征的影像組學模型近些年引起了廣泛關注，從機器學習和人工智能方面為醫學影像提供了新的視角。自1975年起WHO將子宮頸腫瘤病理分型為角化型大細胞癌、非角化型大細胞癌及小細胞癌，國外對于宮頸鱗癌預后研究的多元分析中發現臨床分期、角化分型為獨立預測因素(P＜0.05)，而病理組織分化程度并不是獨立預測因素[2]，因此本研究集中于通過傳統多序列MR圖像的影像組學模型預測子宮頸鱗癌是否為角化型。

對訓練集和驗證集的其他可能存在干擾的臨床特征我們進行統計分析，其年齡、病理組織分型及臨床分期P值均＞0.05，說明兩組之間臨床特征分布沒有明顯的統計學差異，排除其他混雜因素干擾模型建立。

國內外之前有研究MR功能成像與子宮頸鱗癌組織類型及分化程度的關系，葉曉華等[8]利用體素不相干成像研究宮頸癌組織類型和分化程度，發現IVIM中ADC值、D*、D值和f值在宮頸鱗癌和腺癌之間存在明顯統計學差異(P＜0.05)；并發現鱗癌組織分化程度減低，D值隨之下降，但其沒有統計學差異(P＞0.05).而也有國內研究者采用DWI雙b值單指數模型的ADC值在不同分化組之間存在明顯統計學差異[9](P＜0.001). 有研究進一步[3]對DWI的b=0、800、1000的圖像提取圖像影像組學特征，并用LASSO模型進行交叉驗證發現b=1000時模型在錯誤分類率(0.3642±0.0162)比b=800時的錯誤分類率(0.3758±0.0118)明顯減低，P=0.0076。但其沒有測試數據集進行驗證，缺乏客觀的模型評價。證實了MR的彌散功能成像可以鑒別鱗癌組織分化程度，猜想可能是因為隨著腫瘤分化減低，癌巢的角化程度減低，細胞質內角蛋白和細胞間橋減少，導致細胞變形，細胞密度增高，整體癌巢空間的水分子彌散作用減低，所以研究發現標準化ADC值與D值減低。Meng等[10]采用MR酰胺質子轉移(amide proton transfer，APT)對宮頸癌組織分化程度差異進行探索，發現低分化組鱗癌的MTRasym (3.5 ppm)明顯高于高分化組和中分化組(P=0.02/0.01)，同樣是因為低分化組細胞密度增高導致MTRasym (3.5 ppm)增高。

而本研究基于傳統多序列MR圖像的影像組學預測子宮頸鱗癌病理分型在訓練集交叉驗證中，各個模型的預測結果均表現良好，其中聯合預測模型及T2抑制模型的AUC值較高，分別為0.863、0.819，P值均小于0.001，說明其在訓練集中的預測效能較高。在測試集中聯合模型ROC曲線的AUC值為0.860，P=0.003；T2抑脂模型ROC曲線的AUC值為0.780，P=0.02；T2模型ROC曲線的AUC值為0.830，P=0.006。聯合模型在訓練集和測試集中均擬合良好，而T2抑脂模型的準確率減低；T2模型在測試集中AUC值得到明顯提升，可能存在擬合過度表現，但仍具有統計學意義。同時筆者研究篩選后的模型中發現如GLCM的correlation、differenceEntropy及ClusterShade等反映了病灶體素之間的相關性，混雜程度及集群形態的特征對分類角化型和非角化型鱗癌有著明顯作用，猜想是因為隨著癌巢角化程度減低，細胞排列混雜有關，這還需要高分辨病理圖像的VOI特征分析進行進一步證實。也有類似研究利用MR的T2加權、T2脂肪抑制加權及動態增強圖像的影像組學預測56例子宮頸鱗癌的淋巴血管周圍侵犯、淋巴結轉移及分化程度[5]，其研究也發現結合多序列MR圖像的影像組學模型可以區分中分化和低分化的子宮頸鱗癌，AUC值為0.802，靈敏度和特異度分別為76.5%和73.3%，由于其病例數量的局限，入組病例中未能包含高分化的子宮頸鱗癌，同時也未能進行機器學習模型的構建和組外測試。

我們將傳統MR平掃圖像的影像組學特征與機器學習等數據挖掘技術相結合，建立預測模型，用測試數據集進行組外客觀的評價，聯合T1、T2及T2抑脂模型對于預測宮頸癌非角化型準確性良好。在對模型的兩兩配對檢驗中也可以看出聯合模型較T1模型ROC曲線的提升存在明顯統計學差異(P=0.027)，可能因為T1圖像無法準確反映腫瘤邊界，并且體素灰度基本一致，紋理特征在角化型和非角化型之間無明顯差異；而加入T2脂肪抑制序列，使脂肪信號減少了對圖像特征的影響。

國內外學者也有采用PET影像組學研究對角化型和非角化型鱗癌進行分類鑒別[4]，其研究僅發現子宮頸鱗癌原發灶PET圖像NGLCM的二階相關性特征(0.70±0.07)高于非角化型鱗癌(0.64±0.07，P=0.0030)，可能是因為PET圖像受限于本身分辨率和體素大小所導致。類似PET影像組學研究中亦發現灰度區域大小矩陣(gray-level size zone matrix，GLSZM)的短區域因子(short-zone emphasis，SZE)可以區分子宮頸鱗癌和非鱗癌，P=0.025[11]。而MR圖像本身軟組織的高分辨率更能反映腫瘤異質性和體素分布情況，才使得提取出的紋理特征在樸素貝葉斯分類器中表現良好，希望以后可以聯合MR平掃和功能圖像特征預測病理組織分型。

總之，基于MR平掃的影像組學特征可以預測子宮頸鱗癌角化型和非角化型，并且聯合多序列圖像特征的模型預測效果更好。本研究局限性在于病例數量稍少，未能進一步加入彌散及增強等序列圖像，但常規傳統MR影像組學在鑒別子宮頸鱗癌組織分型上仍是可行的。醫工結合的影像學和機器學習模型相結合在預測宮頸癌病理組織分型提供了一個新方法，對臨床決策及預后評估有一定的參考價值，更為未來的人工智能醫療奠定研究基礎。

利益沖突：無。