傳統影像特征與多序列影像組學模型對上皮性卵巢癌分型的價值

錢洛丹， 吳慧， 牛廣明， 任嘉梁， 崔艷芬， 蔚納

卵巢癌是婦科惡性腫瘤中最致命的一種，其中大多數起源于上皮[1]。據統計，美國每年新發卵巢癌病例約22240 例，約有14000人死于此病，5年生存率低于30%[2]，中國每年新發病例約52100例，且逐年增加，死亡病例約22500例[3]。上皮性卵巢癌(epithelialovariancancer,EOC)的組織學分型是評估生存期的重要預后因素[4]。傳統上，EOC被分為高、中、低分化，但最近更傾向于將EOC分為Ⅰ型和Ⅱ型，其顯示出不同的分子遺傳特征、形態特征、臨床生物學行為和生存期[5,6]。Ⅰ型腫瘤具有惰性病程，長期局限于卵巢，早期行病側卵巢切除是有效的。而大多數晚期I型EOC對標準的細胞毒性化學療法不敏感，因此BRAF抑制劑和其他MAPK激酶抑制劑等靶向治療方案被倡導[7]。Ⅰ型EOC的總體預后良好。Ⅱ型EOC具有高度侵襲性，其中75%以上的患者發現時已屬晚期，在大多數情況下需要更積極的外科手術。傳統的鉑類化學療法是有效的，但總體預后較差[5]。此外，有研究表明基于術中卵巢腫瘤冰凍切片的組織學診斷并非十分可靠，需要更多的定量診斷信息[8]。因此術前預測EOC組織學分型有助于患者的疾病管理和預后評估。

擴散加權成像(diffusion weighted imaging,DWI)和表觀擴散系數(apparent diffusion coefficient,ADC)是評估EOC組織學分型有價值的指標[9,10]。影像組學是一個新興領域，可以通過自動數據表征算法將醫學圖像轉換為高維可挖掘的特征空間[11-13]，在區分腫瘤組織學分型中顯示出較高的價值[14-16]。本研究旨在比較傳統模型與多序列影像組學模型在鑒別診斷Ⅰ型與Ⅱ型 EOC中的效能，并驗證傳統模型與影像組學模型聯合是否在預測EOC組織學分型上更有價值。

材料與方法

1.研究對象

回顧性搜集本院2015年1月-2019年6月行盆腔MRI檢查的患者。病例納入標準：①MRI檢查后3個月內接受手術治療，術后病理證實為EOC且具有明確的國際婦產科聯盟(international federation of gynecology and obstetrics，FIGO)診斷分期；②在MRI檢查前未進行過放化療或其他治療；③腫瘤固體成分的最大直徑>1.5 cm，可準確測量ADC值及勾畫全腫瘤感興趣區容積(VOI)。病例排除標準：①轉診到其他醫院無準確病理結果；②病變固體成分太?。虎蹐D像質量不佳或無增強掃描圖像；④雙側卵巢病變為種植性轉移。最終61例患者納入本研究(圖1)，年齡29～81歲，中位年齡51.8 歲。

圖1 患者納入途徑。 圖2 影像組學模型、傳統模型和混合模型的ROC曲線。 圖3 影像組學的工作流程。

2.檢查方法

所有MRI檢查均在GE 3.0T 750 Discovery掃描儀上完成，采用8通道腹部線圈?；颊邫z查前禁食4～6 h，并進行腸道準備(服用乳果糖和硫酸鎂)。主要掃描序列包括軸面FS-T2WI、DWI和動態對比增強磁共振成像(dynamic contrast enhanced magnetic resonance imaging，DCE-MRI)。FS-T2WI自旋回波序列掃描參數：TR 4000 ms,TE 100 ms，視野280 mm×280 mm，矩陣320×192，層厚5.0 mm，間隔1.0 mm；DWI檢查采用單次回波平面成像序列，掃描參數：TR 3700 ms，TE 80 ms，視野280 mm×280 mm，矩陣128×128，層厚5.0 mm，間隔1.0 mm ，b值取1000 s/mm2；DWI掃描完成后進入GE Function AW 4.6工作站，自動生成ADC參數圖。DCE-MRI采用3D容積LAVA序列，經高壓注射器注射對比劑釓噴酸葡甲胺(Gd-DTPA)，劑量0.2 mL/kg，流率2.0 mL/s，在推注前10 s開始以10 s間隔順序獲得圖像，總共320 s。

3.病理及MRI圖像分析

由兩位專業病理醫師(婦科腫瘤診斷經驗分別為10年和20年)共同閱片。根據Kurman和Shih的EOC二元模型[5]，將患者分為Ⅰ型和Ⅱ型。Ⅰ型包括低級別漿液性癌、子宮內膜樣癌、透明細胞癌、粘液癌和惡性Brenner腫瘤，Ⅱ型包括高級別漿液性癌、未分化癌和癌肉瘤。組織學亞型根據世界衛生組織(WHO)指南確定[17]。

由2位分別具有3年和10年婦科MRI診斷經驗的放射科醫師在GE PACS工作站上共同閱片，并記錄以下病變特征：①最大直徑;②側向性：單側或雙側卵巢病變；③實性成分的T2WI信號強度，分為低、中和高(與子宮肌層的信號強度進行比較)；④性狀：包括囊性、囊實性和實性(相當于實性成分小于1/3、1/3～2/3和超過2/3)；⑤是否存在腹膜轉移； ⑥腹水。形態學特征的選取與評價根據Thomassin-Naggara等[18]制定的標準。所有結果均由兩位放射科醫生共同決定，若為雙側病變則分別描述單側病灶的T2WI信號強度和囊實性特征。由以上2位放射醫師在DWI圖像(b=1000 s/mm2)的每層高信號區手動勾畫單層ROI融合成VOI，參考T2WI及對比增強T1圖像，避開壞死、出血及囊變區域，獲取ADC值。

5.建立傳統模型、影像組學模型和混合模型

采用單因素分析以比較Ⅰ型與Ⅱ型EOC的常規MRI形態學特征和ADC值差異，再進行多因素 Logistic回歸分析選擇具有統計學差異的變量構建傳統模型。

根據Thomassin-Naggara等[18]的研究結論，本研究中影像組學模型包括FS-T2WI、DWI和 DCE-MRI(動脈晚期)圖像。3D slicer(4.10.2 版) 用于醫學圖像配準和重采樣。根據Cohen等[19]的研究方法，在配準之前對可能影響強度不均勻性的因素進行了校正，即Z-socre標準化。由兩位放射科醫師采用ITK-SNAP (3.8.0 版)在DWI高信號區域沿病灶邊緣連續層面勾畫腫瘤ROI，參考T2WI、T1WI增強圖像以避開壞死、囊變、出血區域，最終得到全腫瘤感興趣容積VOI。基于上述強度的非剛性配準，可將描繪DWI圖像的VOI轉換到相應的T2WI、T1WI增強圖像上，所得VOI參考重要解剖標志(如股骨頭、膀胱、子宮等)進行視覺評估。兩個月后，兩位放射科醫生隨機選擇 30例患者，以重新畫取VOI進行一致性檢驗。采用PyRadiomics 軟件[20]進行影像組學特征提取，包括直方圖特征、形態特征以及紋理特征等三大類，紋理特征包括灰度共生矩陣(GLCM)、灰度區域矩陣(GLSZM)、灰度游程矩陣(GLRLM)和灰度依賴矩陣(GLDM)，分別從每個序列中提取1070個影像組學特征。為了減少模型的過擬合或選擇偏倚，采用方差分析(ANOVA)、Kruskal-Wallis檢驗、單變量logistic回歸分析和最小絕對收縮選擇算法(least absolute shrinkage and selection operator,LASSO)選擇與組織學分型高度相關的特征以建立影像組學模型。

最后，結合傳統特征與影像組學特征構建混合模型。同時，本研究進行了分層分析，以比較影像組學模型與傳統模型在區分早期與晚期EOC中的作用。

6.統計學分析

采用R軟件(3.6.0 版)進行統計學分析。采用組內相關系數(intraclass correlation efficient,ICC)評估兩位放射科醫生所提取的影像組學特征和ADC值的一致性。分別采用獨立樣本t檢驗(ADC值)、Chi-Squared或Fisher精確檢驗(MRI形態學特征)評估Ⅰ型與Ⅱ型EOC的差異。為了確保所建立模型不受數據偏差或樣本量不足的影響，所有模型均通過十倍交叉驗證，并重復建模20次。使用Delong檢驗比較不同模型之間的曲線下面積(area under curve,AUC)值差異。根據最大尤登指數的臨界值計算準確度、敏感度、特異度、陽性預測值和陰性預測值。采用校準曲線評估每個模型的預測性能。通過評估閾值概率下的凈收益，進行了決策曲線分析(decision curve analysis,DCA)以評估每種模型的臨床實用性。以P<0.05為差異有統計學意義。

結 果

1.病理結果

組織病理學證實61例患者中有24例(平均年齡46.5歲，范圍29～61歲)為Ⅰ型EOC，包括14例低級別漿液性癌，3例透明細胞癌，4 例子宮內膜樣癌和3例粘液性癌，其中6例患者為雙側卵巢病變。其余37例患者(平均年齡57.02 歲，范圍44～81歲)為Ⅱ型EOC，均為高級別漿液性癌，其中13例患者為雙側卵巢病變。61例患者共計80個病灶。

2.傳統模型評估

常規MRI形態學特征：Ⅱ型EOC的直徑小于Ⅰ型EOC(P=0.002)。兩種類型腫瘤在T2WI上均傾向于高信號，但Ⅱ型EOC顯示為高信號的比例更高(分別為78%和50%，P=0.011)。Ⅱ型EOC最常見的性狀為實性病變，而Ⅰ型更常見的是囊性和囊實性病變，兩組差異有統計學意義(P<0.001)。腹膜轉移(P=0.009)和腹水(P<0.001)在Ⅱ型EOC中更為常見。兩組的腫瘤側向性差異無統計學意義(P=0.386)，但Ⅱ型EOC更傾向于雙側卵巢發病(表1)。多因素logistic回歸分析結果顯示，腫瘤性狀(OR：4.46，95%CI：1.854～6.403，P<0.001)和腹水(OR：5.062，95%CI：1.177～25.557，P<0.005)是Ⅱ型EOC的獨立預測因子(表2)。

表1 EOC患者傳統影像特征的單因素分析結果 (n,%)

表2 EOC患者的多因素Logistic回歸分析結果

ADC值：兩位放射科醫師兩次測量的ADC值接近，一致性較好(ICC=0.91)。Ⅱ型EOC的ADC值[(9.3±1.87)×10-4mm2/s]顯著低于Ⅰ型EOC[(12.34±2.29)×10-4mm2/s]，差異有統計學意義(P<0.001，表 1)，表明Ⅱ型EOC水分子擴散限制更為嚴重。

多因素Logistic回歸分析選擇具有統計學差異的變量建立傳統模型(表2)，腫瘤性狀、腹水和ADC值包含在該模型中。此模型的AUC為 0.95(95%CI：0.90～0.99)，診斷閾值0.54，敏感度0.84，特異度0.97，陽性預測值0.98，陰性預測值0.78(表 3、圖2)。

表3 影像組學模型、傳統模型和混合模型預測I型與II型EOC的效能

3.影像組學模型評估

首先保留 ICC>0.75的特征，最終通過特征選擇及LASSO回歸算法進一步去除冗余特征后保留5個特征，包括4個DWI特征和1個T1WI增強特征(流程圖見圖3)。影像組學模型的AUC為0.84(95%CI：075～0.93)，診斷閾值0.37，敏感度0.82，特異度0.77，陽性預測值0.85，陰性預測值0.72(表3、圖2)。

4.混合模型評估

混合模型中包括腫瘤性狀、腹水、ADC值和影像組學特征?；旌夏Ｐ偷腁UC為0.96(95%CI：0.91～1.00)，診斷閾值-0.73，敏感度0.92，特異度0.93，陽性預測值0.96，陰性預測值0.88(表3、圖2)。

5.不同模型之間的比較

傳統模型(AUC=0.95，95%CI:0.90～0.99)顯示出比影像組學模型(AUC=0.84，95%CI:0.75～0.93)更高的分類準確性?；旌夏Ｐ?AUC=0.96，CI:0.91～1.00)的診斷性能與傳統模型基本相同。

校準曲線表明傳統模型與混合模型對預測EOC組織學分型的能力基本一致，均優于影像組學模型(圖4a)。在DCA的所有閾值概率內，傳統模型和混合模型具有基本相同的臨床實用性(圖4b)。交叉驗證證實了傳統模型的可靠性和穩定性(圖5)。為了提供可視化的測量結果，繪制了傳統模型的列線圖，并給出了每種獨立預測因子所占權重(圖6)。分層分析結果表明，在疾病早期，影像組學模型的診斷效率高于傳統模型，在疾病晚期，傳統模型的診斷效率高于影像組學模型(圖7)。

圖4 a) 傳統模型、影像組學模型和混合模型的校準曲線，描述了Ⅱ型 EOC患者的預測概率與觀測到概率的一致性，45°虛線表示理想的預測性能，實線表示各模型的預測性能，結果說明三種模型均在可信范圍內; b) 傳統模型、影像組學模型和混合模型的決策曲線，表示不同風險下的凈收益。當風險閾值為1%～99%時，混合模型與傳統模型在預測EOC患者組織學分型上達到了基本一致的臨床實用性。 圖5 影像組學模型、傳統模型和混合模型的交叉驗證圖，表示每種模型的AUC、敏感度和特異度的分布情況。

圖6 a) 預測II型EOC的傳統影像特征列線圖：在腫瘤性狀、腹水、ADC值橫軸上分別進行定位，分別繪制每條直線到相應的分數值，對3個預測變量的分數值進行總和，并將分數值定位在總分數值軸上，然后畫一條直線到預測的風險系數軸，該風險系數反映了患者為II型EOC的風險性。腫瘤性狀：0表示囊性,1表示囊實性,2表示實性。腹水：0表示陰性,1表示陽性; b) 分別顯示腫瘤性狀、腹水、ADC值所占權重。圖7 分層分析結果表明，在疾病早期，影像組學模型的診斷效率高于傳統模型；在疾病晚期，傳統模型的診斷效率較高。

討 論

本研究結果表明，傳統模型、影像組學模型和混合模型均可在術前預測EOC的組織學分型。傳統模型顯示出最高的預測性能，而混合模型并未沒有明顯優于傳統模型。因此，筆者認為傳統模型可以成為臨床決策中區分Ⅰ型和Ⅱ型EOC的有效工具。

Thomassin-Naggara等[18]早在2013年就建立了卵巢腫塊評分系統，以識別良性與惡性腫瘤，然而隨著個性化醫療的發展，有必要進一步鑒別惡性腫瘤的組織學分型。Ⅰ型EOC通常由規則而穩定的前體病變(如交界性腫瘤和子宮內膜異位癥)發展而來，并且在基因上是相對穩定的。Ⅱ型EOC主要來源于附件上皮細胞，在遺傳上極其不穩定，且常伴有P53突變[5,7]。EOC患者的生存差異與Ⅰ型和Ⅱ型生物學行為密切相關。因此，準確預測EOC的組織學分型可幫助患者進行術前風險分層，對需要進行更廣泛手術的患者選擇最佳決策方案，同時避免對低風險患者進行過度治療。

隨著各種診斷方案的不斷優化，臨床上逐漸結合多種方法來診斷卵巢腫瘤[21-23]，但對組織學分型的研究很少。在本研究中，通過多元logistic回歸分析建立的傳統模型顯示腫瘤性狀、腹水和ADC值是Ⅱ型EOC的獨立預測因子。Ⅱ型EOC 較Ⅰ型EOC的實性成分更小，且腹水更常見，ADC值明顯低于Ⅰ型EOC。這些結果與以往研究結果一致[9,10,24]。基于上述獨立變量建立的傳統模型的診斷效能高達0.95，表明其可以有效區分Ⅰ型與Ⅱ型EOC。

與之前使用少量圖像特征的研究不同[25-27]，本研究從每個病變的每個MRI序列中提取了1070個特征。最近的研究表明，多序列MRI影像組學的定量特征可以作為影像學的生物標志物，以診斷、辨別組織學分型和預測婦科腫瘤的治療反應[28-31]。本研究選擇了3個MRI序列以建立影像組學模型，該模型在預測 EOC的組織學分型方面顯示出較好的預測效能。另外，經過特征篩選后模型中包括4個DWI特征，表明DWI圖像在影像組學方面的重要性，合理的解釋可能是DWI圖像可以更好地監測腫瘤微環境[32]，因此可以觀察到更多的信號差異。分層分析結果顯示，影像組學模型在腫瘤早期階段的預測性能非常好，這意味著該模型可以更好地區分EOC的早期階段。

本研究還比較了傳統模型、影像組學模型和混合模型，發現傳統模型在預測EOC的組織學分型方面表現良好，混合模型的診斷效能并未明顯優于傳統模型，但其診斷準確度及敏感度卻有所提高。傳統模型的列線圖不僅可以可視化和個性化預測Ⅱ型EOC患者，而且在DCA的整個閾值概率范圍內實現了更高的診斷效率和更多的凈收益。交叉驗證結果表明，我們開發的傳統模型是可靠且可重復的，可作為指導臨床實踐的有用工具。

本研究存在以下局限性：①本研究為回顧性研究，樣本量較小，因此，將來需要使用標準化成像技術并對大量樣本進行前瞻性研究；②盡管本研究使用交叉驗證來驗證每個模型的可靠性，但它還應包括其他外部驗證以測試研究的可重復性和泛化性；③本研究納入患者大多屬于晚期，在日后研究中會納入更多早期病例進一步驗證影像組學模型的潛力。

綜上所述，通過比較傳統模型、影像組學模型和混合模型，結果顯示傳統模型具有良好的診斷性能，而混合模型的診斷效果并未明顯提高。因此，筆者認為傳統模型是一種無創且可靠的工具，可在術前更好地區分Ⅰ型與Ⅱ型EOC患者。