基于CT影像組學特征的腎腫瘤組織學亞型分類

朱元良

摘 要：目的：分析基于CT影像組學特征的腎腫瘤組織學亞型分類的方法及作用，以期為腎透明細胞癌（ccRCC）、乏脂肪血管平滑肌脂肪瘤（fp-AML）臨床鑒別診斷工作提供參考。方法：以我院38例ccRCC患者與40例fp-AML患者為研究對象，均施以CT影像學檢測，提取其CT影像學組織學特征，以皮爾森相關陣矩去除冗雜特征，通過Welchs實驗，確定存在明顯差異的特征，借助序列浮動前向選擇算法篩選有鑒別能力的CT影像組學特征，應用AdaBoost、支持向量機（SVM）、隨機森林（RF）、k最近鄰（kNN）分類器實施分類。結果：在AdaBoost、SVM、RF、kNN4種分類器中，SVM的準確度、敏感度、特異度、陰性預測率、陽性預測率均較高，ROC曲線下面積較大，分別為91.82%、89.75%、92.36%、95.01%、86.42%、0.942。結論：基于CT影像組學特征的腎腫瘤組織學亞型分類模型的構建，可提高ccRCC、fp-AML臨床鑒別準確度，促進臨床診療工作的順利開展。

關鍵詞：CT影像組學特征;腎透明細胞癌;乏脂肪血管平滑肌脂肪瘤;分類

腎腫瘤為泌尿系統最常見的腫瘤之一，多為惡性[1]。臨床上常見的腎腫瘤包括腎母細胞瘤、腎細胞癌與發生于腎盞腎盂的移行細胞乳頭狀腫瘤。在腎部惡性腫瘤中，90%以上均為腎細胞癌，其中滲透膜細胞癌（ccRCC）約占70%，為目前臨床上常見的致死率較高的腎細胞癌亞型[2]。腎血管平滑肌脂肪瘤則為常見的腎部良性腫瘤，可通過CT檢測確診。而乏脂肪血管平滑肌脂肪瘤（fp-AML）由于缺乏或不含分散性脂肪組織，致使其與ccRCC影像學特征較為類似，故而，易被臨床誤診[3]。因此，需找尋一種有效鑒別ccRCC、fp-AML的方法，以保證臨床診斷的有效性與準確性。影像學組技術為近年來興起的一種新型影像學分析方法，其主要是通過提取醫學影像內具有特殊性的特征，來明確腫瘤特征，從而提升臨床診斷的正確率。現有研究表示，影像學技術結合機器學習而建立的影像學模型能有效提升無創檢查方式的客觀性與準確性，為臨床診療提供可靠依據。但現階段臨床上對基于CT影像組學特征的腎腫瘤組織學亞型分類模型構建的相關研究較少。鑒于此，為驗證在ccRCC、fp-AML鑒別中基于CT影像組學特征的腎腫瘤組織學亞型分類模型構建的方法及意義，現對本院本院38例ccRCC患者與40例fp-AML患者的CT影像學組特征實施模型構建及分類，具體如下：

1 資料與方法

1.1 臨床資料

選擇我院2019年2月至2020年2月收治的38例ccRCC患者與40例fp-AML患者。所有患者均了解且支持本次研究，并經醫學理論委員會批準。

1.2 方法

所有患者均施以CT檢測：選用我院多層螺旋CT機，管帶碾壓設為120kV，重建切片厚度控制為1mm，截面厚度為5mm，施以常規掃描。CT圖像攝取時間和病理檢查時間間隔不可超過4周。

提取CT影像學特征前，首先由1名工作經驗超過10年的影像學診斷醫師勾畫腫瘤感興趣區域（ROI）。該醫生于選擇腫瘤最大切面之后，依照腫瘤大小，根據以下準則提取ROI：（1）于腫瘤區域中提取;（2）避開鈣化、出血、囊腫、壞死區域;（3）選擇均勻、明顯區域。本研究把矩形框最大尺寸設定為23×23像素，以減少算法計算量。

本研究通過影像學組技術，從每個ROI中選取540個特征，包括：417個小波特征，92個紋理特征，31個灰度特征，以上特征計算方式皆和圖像生物標志物標準化倡議（IBIS）內的計算方法相一致。紋理特征借助分析圖像內像素灰度值關系與分布狀況，客觀評估腫瘤異質性，本研究中分別提取灰度依賴矩陣特征22個、灰度區域大小矩陣特征20個、灰度游程矩特征18個、灰度共生矩陣特征24個。灰度特征無需考慮空間關系便可描述圖像灰度分布狀況，本研究獲取的灰度值特征主要有峰度、偏度、能量等。對一階離散小波變換（DWT）可把ROI圖像分成HH、HL、LH、LL4個子圖像，從每個子圖像中選取紋理、灰度特征，總獲取417個小波特征。

選擇CT影像學特征前，先對特征實施預處理，把特征全部歸一化，以防止大數值中的特征對小數值中特征進行過度的支配。首先，借助皮爾森相關矩陣（PCM），將冗余特征剔除，然后，通過Welchs查看是否存在統計學差異特征;以序列浮動前向選擇（SFFS）算法，取具有較好識別能力的子集，以提高分類的準確性。

本研究利用AdaBoost分類器、支持向量機（SVM）、隨機森林（RF）、k最近鄰（kNN）分類ccRCC、fp-AML。以留1法評估分類器性能，性能評估內容包括陰性預測值、陽性預測值、特異度、敏感度、準確度及ROC曲線下面積。

2 結果

于Spyder3.2.8環境下實現編程，因留1法較差檢驗的應用，對每1折內訓練集數據分別實施特征選擇。本研究實驗開展82次特征選擇。通過PCM篩選后，剩下401～432個特征。之后，借助Welchs實施特征選擇，保留113～125個特征。最后，以SFFS算法于每1折剩下的特征中選取大小分別為60、50、40、30、20、10的特征子集。對剩余的子集分別應用AdaBoost、SVM、kNN、RF分類器實施分類。4種分類器的性能如下：AdaBoost分類器的準確度、敏感度、特異度、陰性預測率、陽性預測率、ROC曲線下面積分別為88.27%、83.34%、9041%、92.38%、78.24%、0.868;SVM準確度、敏感度、特異度、陰性預測率、陽性預測率、ROC曲線下面積分別為9182%、89.75%、92.36%、95.01%、86.42%、0.942，RF準確度、敏感度、特異度、陰性預測率、陽性預測率、ROC曲線下面積分別為86.74%、83.25%、88.13%、91.42%、75.03%、0.876;kNN準確度、敏感度、特異度、陰性預測率、陽性預測率、ROC曲線下面積分別為88.29%、88.75%、88.13%、93.15%、76.14%、0.921。

3 討論

既往臨床關于ccRCC、fp-AML分類研究中多是通過紋理分析技術選取少量紋理特征實施分析。本研究中則選用影像學技術，獲取CT影像學圖像的特殊征象，以全面地對腫瘤特征實施描述。相較于其他研究中通過單一算法實施特征選擇，本研究則有效融合Wrapper算法與Filter算法對影像學組特征實施選擇。同時，本研究選用4種應用較為廣泛的分類器對其性能實施對比，以獲取性能最佳的分類器，從而保證后期臨床診斷正確性。

目前，在臨床醫學影像分析中越來越多的學者開始關注于影像學組技術的應用及發展。于非侵入性診斷方面，通過影像學組模型的構建，可有效幫助臨床醫師了解腫瘤特征，為臨床診療工作提供科學依據。在基于CT影像學特征的腎腫瘤組織學亞型分類模型的構建中，通過對冗雜特征、弱相關特征、無關特征的剔除，從而可有效明確有效鑒別ccRCC、fp-AML特異性特征，為后期以上兩種疾病診斷中提供參考，促進臨床診斷質量的提升，避免誤診現象的出現。本研究中借助影像學技術于每個CT圖像ROI區域內中提取417個小波特征、92個紋理特征及31個灰度特征，然后通過PCM與Welchs檢驗及SFFS計算選擇有效的特征，最后，利用4種不同分類器組建模型實施分類。通過對4種模型性能的對比，得出SVM分類器性能最佳。

綜上所述，基于CT影像學特征的腎腫瘤組織學亞型分類模型的構建，可提升腎病疾病診斷準確性，促進患者早期治療工作的開展，具有較好實踐價值。

參考文獻：

[1]王禹，董瀟，孔垂澤，等.不同病理類型腎腫瘤的影像學特點和病理學特點分析[J].中華泌尿外科雜志，2019，40（5）：374-379.

[2]王平，裴旭，殷小平，等.基于增強CT影像組學模型鑒別腎透明細胞癌與非透明細胞癌[J].中國醫學影像技術，2019，35（11）：1689-1692.

[3]丁冠融，李涵默，莊君龍.多排螺旋CT檢查對乏脂肪腎血管平滑肌脂肪瘤的診斷價值[J].實用癌癥雜志，2019，31（7）：1201-1203.