基于ADC序列影像組學鑒別T2、T3期直腸癌的應用價值研究

孫伯堯，姜 洋*，鄭雪微，丁 軍 ，劉 碩，管玉瑤，李 佟，于保婷，治 南

(吉林大學中日聯誼醫院 1.胃腸外科； 2.放射線科，吉林 長春130033)

近年來直腸癌發病率及死亡率呈逐年上升的趨勢，其中T3期約占60%-80%。目前直腸癌的治療主要包括手術治療和新輔助治療，對于T分期達T3或N+的患者，建議先進行新輔助放化療。因此，患者術前準確分期，對于制定治療方案及預后至關重要。高分辨率MRI無法準確鑒別患者術前腫瘤是否侵犯周圍脂肪間隙，造成術前T2與T3期的過高或過低分期[1]。本研究通過對T2、T3期直腸癌ADC序列影像組學特征進行研究，包括提取病灶區域影像特征、特征篩選，進而通過分析比較建立高效穩定的診斷模型，對指導臨床制定個體化的治療方案具有重要指導意義。

1 資料與方法

1.1 一般資料

收集2019年1月-2020年1月于我院就診的59例直腸癌患者的臨床及影像資料，男39例，女20例，平均年齡(51.35±7.05)歲，其中T2期患者16例，T3期患者43例。納入標準：①術后病理證實為T2、T3 期直腸腺癌；②具有完整的影像學資料；③術前未進行新輔助放化療；④術后取得完整的病理結果。排除標準：①幽閉恐懼癥患者；②特殊的病理類型，如黏液腺癌。③圖像質量差，運動偽影明顯，影響圖像分割及影像組學特征提取。

1.2 儀器與方法

采用德國西門子公司1.5TMR掃描儀，8通道體部相控陣線圈，檢查前進行腸道準備，患者取仰臥位，掃描序列和參數：DWI軸位掃描，TR/TE 采用 4 800 ms/66 ms，矩陣112×112，FOV 360×360 cm，層間距 0 mm，層數 30 層，層厚5 mm，b值取800 s/mm2。

1.3 影像組學分析

首先將59例直腸癌患者影像資料以DICOM形式導出，并將ADC圖上傳至多模態科研平臺，由2名具有多年診斷經驗的醫生在ADC圖上逐層手動勾畫腫瘤的ROI，盡量避開正常腸壁及周圍組織。利用PyRadiomics工具包對已標注的所有ROI提取影像特征，對原始MR圖像進行小波變換和拉普拉斯高斯變換預處理后，針對影像數據提取高通量特征，主要包括以下7種：一階特征(first-order feature)、形態特征(Shape Features)、灰度共生矩陣特征(GLCM)、灰度區域矩陣特征(GLSZM)、灰度游程矩陣(GLRLM)、灰度相依矩陣(GLDM)、鄰域灰度差分矩陣特征(NGTDM)。運用L1 Based(L1正則)進行特征篩選，最終篩選出5個特征，最后利用篩選的特征構建診斷模型。本研究中選用邏輯回歸(LR)、支持向量機(SVM)、決策樹(decision tree)、隨機森林(RF)、極限梯度增強(XGBoost)等多種算法進行建模，最后從中選取出診斷效能較高的兩個預測模型。

1.4 統計分析

采用 SPSS 22.0和MedCalc 9.0 軟件進行統計分析，P<0.05 為差異有統計學意義。繪制預測模型的ROC曲線，計算AUC、敏感度、特異度、準確率，以及F1值，以評估影像組學模型的可預測性。采用組內相關系數(ICC)評價2名醫師測量數據的一致性。

2 結果

2.1 臨床資料

本研究中共納入經病理證實的直腸癌59例，男39例，女20例，其中T2期患者16例，T3期患者43例，臨床癥主要包括便血、大便性狀改變以及里急后重等。

2.2 影像組學模型的構建

本研究共提取1132個影像組學特征，最終納入5個特征用于構建影像組學模型，5個特征(表1)分別為wavelet-HLL_firstorder_Skewness、original_shape_Maximum2DDiameterColumn、log-sigma-3-0-mm-3D_glszm_LargeAreaLowGrayLevelEmphasis、wavelet-HLH_firstorder_Mean。應用5折交叉驗證的方法建立組學模型，進而通過ROC曲線下面積、特異性、敏感性及準確性等進行模型評價，兩名醫生測量結果具有很好的一致性，ICC值(ICC值為0.85-0.90)。

表1 篩選出的5個組學特征

2.3 影像組學模型的診斷效能評價

采用多種分類器算法構建模型，其中以邏輯回歸(圖1A)及支持向量機(圖1B)算法構建的模型診斷效能較高，兩種模型ROC曲線結果顯示基于影像組學特征的預測模型的AUC分別為0.836、0.828，曲線下面積差異無統計學意義，敏感性為81.4%、86.0%，特異性為81.3%、62.5%，準確度為0.814、0.797，F1值為0.864、0.861(表2)。兩組預測模型的模型評分圖中(圖略)，分值越大越傾向于T3期直腸癌。

圖1 基于影像組學特征的預測模型診斷T2、T3期直腸癌的ROC曲線A 邏輯回歸建模方法；B 支持向量機建模方法

表2 兩種建模方法鑒別T2、T3期直腸癌的診斷效能分析

3 討論

隨著直腸癌發病率的逐年升高，MR檢查對于直腸癌的定性定量分析也成為了目前研究熱點之一。高分辨率T2WI成為術前分期較重要的成像序列，通常T3期術后局部復發及轉移的風險較高，需要先行新輔助放化療，較多文獻對T2、T3期的鑒別診斷展開研究，以期幫助臨床醫師制定合理的個體化診療決策。影像組學(radiomics)應用大量的自動化數據特征化算法，將影像興趣區(ROI)的影像數據轉化為具有高分辨率的、可發掘的特征空間數據，具有數據維度高、定量分析等優點，可將傳統影像學與分子生物學、分子病理學、信息科學相整合，從而實現對疾病的精準預測、診斷及預后評估等[2,3]。

本研究是基于ADC序列提取的影像組學特征，用于術前診斷T2、T3期直腸癌。對59例直腸癌病灶的ADC圖進行特征提取，初始共包括1132個影像組學特征，利用L1 Based(L1正則)進行特征篩選，最終篩選出特征主要分為：①一階特征：通過基本的一階統計量來描述靶區內部的像素強度及其分布，如均值、方差等。②形態特征：描述靶區的形態和大小，如體積、直徑、圓度等。③灰度區域矩陣特征：通過在圖像上二維區域內記錄相同元素相鄰的情況出現的次數即灰度區域矩陣，來描述紋理。④灰度共生矩陣特征：通過統計圖像上保持某距離的兩像素分別具有某灰度的狀況，即灰度的空間相關特性，來描述紋理。通過比較多種分類器算法鑒別T2、T3期直腸癌的曲線下面積AUC、敏感性及特異性等，最后得出應用LR、SVM兩種分類器算法構建的預測模型對T2、T3期直腸癌鑒別診斷效能較高，機器學習結果顯示LR、SVM分類器的AUC分別為0.836、0.828，敏感性為81.4%、86.0%，特異性為81.3%、62.5%。分類問題中LR及SVM是比較經典的構建模型的算法，LR是一種廣義的線性回歸分析模型，使用Sigmoid函數，將線性模型的結果壓縮到0-1，使其擁有概率意義；SVM是一個有監督的學習模型，通常用來進行模型的識別、分類以及回歸分析。與線性模型相比，幾乎不會增加計算的復雜性，而且在某種程度上避免了“維數災難”[4]。有文獻報道兩種模型可應用于腫瘤的不同組織分型和鑒別診斷良惡性腫瘤等[5-8]，定量的影像組學分析已成為腫瘤特征的鑒別和預后評估的重要手段。

本研究只選擇了ADC序列進行影像組學研究，樣本量不夠大，尚未納入T2WI序列進行分析比較?？傊贏DC序列構建的影像組學模型的建立，對鑒別T2、T3期直腸癌具有重要的臨床應用價值。