影像組學為基礎的列線圖模型對子宮內膜癌淋巴血管間隙浸潤的診斷價值

崔玉杰，鄭濤，楊林沙，石清磊，劉蘭祥，劉德豐

1.秦皇島市第一醫院 醫學影像中心，河北 秦皇島 066000；2.西門子有限公司 磁共振產品事業部，北京 100000

引言

子宮內膜癌（Endometrial Cancer，EC）是最為常見的女性生殖系統惡性腫瘤之一，具有較高的致死率，近年來其發病趨于年輕化[1-2]。除了國際婦產科協會（FIGO）分級、肌層侵犯深度（Myometrial Invasion，MI）、病理學分級及轉移與否等因素以外，近期研究表明是否存在淋巴血管間隙浸潤（Lymph Vascular Space Invasion，LVSI）是影響預后的另一獨立危險因素[3]。LVSI可以用于預測患者的生存時間，其陽性患者預后較差。盡管FIGO分級、MI等因素可以通過術前宮腔鏡或MRI檢查等手段進行評估，但目前為止LVSI必須依賴于子宮切除術后的病理檢查結果。是否存在LVSI對EC治療方案的選擇具有重要影響，對于Ⅰ期存在LVSI的EC患者，手術之前進行輔助治療能夠改善其預后[4]。除此之外，盡管對于早期EC是否進行淋巴結清掃仍然存在爭議，但對于存在LVSI的早期患者，FIGO指南建議必須進行主動脈旁的淋巴結清掃[1]。因此，術前應用無創的影像學手段對其進行預測具有重要的意義。然而，常規的MRI圖像評估依賴于肉眼觀察，具有主觀性，且與觀察者診斷水平關系密切。近十年來，影像組學技術的迅猛發展為深入發掘醫學圖像信息，客觀準確進行評估腫瘤LVSI情況提供了技術基礎[5-6]。本研究擬以表觀擴散系數加權圖像（Apparent Diffusion Coefficient，ADC）為基礎，建立影像組學為基礎的列線圖模型，并對子宮內膜癌LVSI情況進行預測。

1 材料和方法

1.1 研究對象

本研究收集了2015年6月至2020年6月在我院就診并經手術切除后病理確診的295例子宮內膜癌病例。本研究為回顧性研究，經我院倫理委員會審批同意，且所有臨床和影像信息均為匿名，因此無須簽署知情同意書。所有患者在手術前均行MR平掃及動態增強掃描，所有的子宮內膜癌患者在術后均進行LVSI情況的評估。本研究的納入標準為： ① 患者在MR檢查前未進行放化療或者靶向治療；② 所有患者在腫瘤切除前兩周內行MR檢查。排除標準：① 患者患有子宮內膜異位癥或黏膜下肌瘤；② 患者患有其他組織惡性腫瘤；③MR檢查圖像偽影嚴重，影響參數測量。最終，有225例患者被納入了本研究，按照0.7：0.3的比例，將其隨機分入訓練集（n=157）和測試集（n=68）（圖1）。

圖1 組學和研究流程圖

1.2 MR檢查

使用配有8通道體部相控陣線圈的1.5T西門子Avanto磁共振系統（Siemens, Germany）采集MR圖像。患者在掃描前4 h禁食水，減少膀胱和直腸的運動偽影。受檢者取仰臥位、頭先進。掃描范圍包括髂前上棘至恥骨聯合，方位包括斜橫軸位、斜冠狀位和斜矢狀位，三個方位均應以子宮體部形態為標準進行定位。掃描序列包括：① 橫軸位平面回波（EPI）-DWI：TR=4600 ms，TE=63 ms，反轉角=150°，層數=24，層厚=6 mm，層間距=0.6 mm，FOV=380 mm×380 mm，體素大小=2 mm×2 mm×6 mm，b值=0，1000 s/mm2。ADC圖由DWI計算得來；② 橫軸位壓脂快速自旋回波（TSE）-T2WI：TR=2000 ms，TE=96 ms，反轉角=70°，層數=24，層厚=6mm，層間距=0.6 mm，FOV=380 mm×380 mm，體素大小=1 mm×1 mm×6 mm；③ 橫軸位梯度回波（opp-in phase）-T1WI：TR=75ms，TE=2.38/4.79 ms，反轉角=70°，層數=24，層厚=6 mm，層間距=0.6 mm，FOV=380 mm×380 mm，體素大小=0.7 mm×0.7 mm×6 mm。

1.3 三維分割和組學特征提取

首先在我院PACS系統中下載分析所需ADC圖像。隨后由兩名具有5年盆腔MR診斷經驗且對腫瘤病理分級和臨床資料并不知情的影像醫師，應用ITK-SNAP軟件，在各個圖像上逐層勾勒腫瘤的范圍，勾勒時注意包括腫瘤內部的壞死、囊變和出血區域，最終獲取腫瘤3D分割圖像。將分割圖像保存，導入Python環境下運行的Pyradiomics工具包進行參數提取。提取的組學特征參數共計100個，包括：一階參數18個，灰度共生矩陣22個，灰度依賴矩陣參數14個，灰度游程長度矩陣（Grey Level Run Length Matrix，GLRLM）參數16個，灰度區域大小矩陣參數16個以及形態學參數14個。圖1顯示了組學參數的提取過程，更多關于組學參數提取的方法學信息見補充材料。

1.4 血清糖類抗原125和腫瘤體積測量

血清糖類抗原125（Carbohydrate Antigen，CA125）水平應用化學發光法微粒免疫檢測技術檢測，儀器采用羅氏電化學發光Cobas 8000 e602全自動生化免疫分析儀。腫瘤體積是通過ITK-SNAP軟件完整勾勒腫瘤邊界后，軟件自動顯示。

1.5 統計分析

本研究數據主要通過R軟件（版本：3.4.3）進行分析。應用Student-t檢驗和卡方檢驗比較LVSI（+）和LVSI（-）患者CA125水平、腫瘤體積和年齡。將CA125、腫瘤體積和患者年齡三個參數納入，利用邏輯回歸（Logistic Regression）建立模型（ModelC）。計算兩名測量者所抽取的組學參數的組內相關系數（ICC），以評估數據抽取結果的一致性，大于0.75認為一致性良好。通過LASSO回歸篩選與腫瘤LVSI相關性最強的影像組學參數，以回歸方程系數為基礎，計算每名EC患者的組學評分（Radscore）。隨后，將組學評分、CA125水平、腫瘤體積和年齡聯合，建立組學列線圖模型（ModelN）。應用受試者工作特征（Receiver Operator Characteristic，ROC）曲線評估模型對EC是否存在LVSI的鑒別能力。應用校準曲線及Hosmer-Lemeshow檢驗評估列線圖模型預測LVSI風險與其實際風險的一致性。應用Delong test比較兩種模型ROC曲線下面積[7]。通過計算機模擬重采樣的方法進行模型的內部驗證[8]。

2 結果

2.1 臨床特征比較結果

LVSI（+）EC在訓練集和測試集中所占比例分別為41.4%和41.2%，二者之間無顯著性差異。訓練集和測試集內，LVSI（+）和LVSI（-）兩組患者之間年齡、CA125水平和EC體積均存在統計學差異（均P<0.05），前者高于或大于后者。另外在兩個數據集之間，兩組患者年齡大小、CA125水平和腫瘤位置構成比較均無差異，說明了兩組數據分配的隨機性和均衡性，見表1。

表1 訓練集和測試集的基線特征

2.2 由年齡、CA125和腫瘤體積所構成的ModelC對LVSI的預測效能

通過繪制ROC曲線的方法來評估ModelC對EC是否存在LVSI的鑒別能力。訓練集AUC、95%可信區間、敏感性和特異性分別為0.760、0.675～0.823、0.723、0.685。測試集AUC、95%可信區間、敏感性和特異性分別為0.825、0.718～0.904、0.929、0.625（圖 2，表 2～3）。

圖2 列線圖以及驗證集和測試集ROC曲線圖

表2 訓練集中兩個模型的表現

表3 測試集中兩個模型的表現

2.3 影像組學模型的建立及預測能力

在225名EC患者腫瘤勾勒完畢后，我們從ADC圖像中抽取組學參數，每名患者共抽取100個參數。計算兩名測量者各自測量的每個組學參數的ICC值，該值小于等于0.75認為參數在兩名測量者之間穩定性較差，不納入LASSO回歸方程分析。本研究中共排除了24個參數。在剩余的76個參數中，通過LASSO回歸我們共篩選出三個組學參數，這三個參數與腫瘤LVSI與否具有較強的相關性（圖3）。它們分別是：灰度級分布（Gray Level Non Uniformity，GLNN），標準化游程長度分布（Run Length Non Uniformity Normalized，RLNN），低灰度游程優勢（Low Gray Level RunEmphasis，LGLRE）。根據回歸方程的系數得到如下方程：Radscore=0.031*GLNN+2.395* RLNN-0.531* LGLRE。根據此方程，分別計算了驗證集和測試集的Radsocre。

圖3 影像組學參數LASSO回歸曲線和二項偏差曲線圖。

隨后在訓練集中將年齡、CA125、腫瘤體積和Radscore聯合起來構建了列線圖，以直觀顯示臨床和影像綜合指標的預測效果。訓練集ModelN的AUC、95%CI、敏感性、特異性分別為0.907、0.851～0.940、0.831、0.843；測試集分別為 0.922、0.827～0.964、0.893、0.850。應用Delong方法與ModelC進行比較，發現該模型對LVSI預測具有更高的準確性。另外校準曲線表明ModelN同時具有良好的擬合優度 (Hosmer–Lemeshow test, 訓練集和測試集P值分別為 0.673、0.804)（圖4）。

圖4 訓練集和測試集的校準曲線圖

3 討論

將影像組學參數與臨床指標結合后建立預測模型，提高腫瘤的診斷或預測率是目前影像組學研究的熱點問題之一[9-10]。本研究中，為了術前準確預測EC是否存在LVSI，我們建立并驗證了一個基于放射組學特征的列線圖模型。與臨床模型相比，組學參數的加入能夠明顯提升模型的預測能力。將放射學特征和臨床危險因素納入列線圖中,能夠方便快捷的計算LVSI的可能性，有助于術前LVSI的個體化預測。

3.1 ModelC：年齡、腫瘤體積和CA125聯合預測LVSI特異性不高

本研究首先將年齡、CA125和腫瘤體積這三個指標聯合起來構建了方程。年齡是影響子宮內膜癌預后和復發的重要危險因素之一，對于60歲以上的EC患者術后復發概率明顯上升[11]。盡管沒有研究發現年齡可以作為LVSI的獨立危險因素，但本研究中，LVSI（+）組患者平均年齡高于LVSI（-）組，因此本研究將年齡納入了方程。另外，先前研究表明子宮內膜癌患者的CA125水平高于正常受試者，其原因可能是子宮內膜癌患者通常存在子宮內膜屏障破壞，滋養層細胞脫落、變形及壞死等情況，而滋養層細胞分泌會促使外周CA125水平升高[12]。研究表明CA125水平與EC淋巴結轉移存在相關性，與影像組學聯合可以較為準確的預測淋巴結轉移情況[13]。也有研究者建議一旦CA125水平高于40 U/mL，則手術時必須進行盆腔淋巴結的清掃[14]。然而，CA125作為惡性腫瘤的篩選指標，特異性較低，在多種生殖系統腫瘤中均可能升高，因此僅用于腫瘤的篩查，必須和其他手段聯合。另外腫瘤體積相關參數-腫瘤-子宮體積比（TVR），對預測EC的LVSI具有一定意義，以TVR≥25%為閾值預測LVSI，敏感性、特異性及準確性分別為77%、83%及81%[3]。但該方法除了需要測量腫瘤體積外，還需測量子宮體積，增加了工作量。也有研究者發現腫瘤體積與TVR法對LVSI的預測無統計學差異[15]。為了不影響結果準確性的前提下減少工作量，本研究中納入了體積。盡管以上三個指標臨床中較易獲得，但所建立預測模型的特異性僅為0.685，原因可能是這三個指標都是間接指標，不能直接反應腫瘤內部的性質。

3.2 ModelN：組學模型能夠顯著提高LVSI預測的準確性

影像組學技術能夠自動提取并分析醫學影像的圖像特征，獲取灰度分布、體素間空間關系以及紋理不均質性等指標，深入反映腫瘤內部的異質性[16]。作為惡性腫瘤最為重要的特征之一，異質性決定了腫瘤的多種生物學行為，包括生長速度的加快、代謝活動的改變以及血管的新生[17-18]。先前研究表明腫瘤的血管異質性可能導致局部靜水壓的改變，最終增加腫瘤轉移的風險[19]。先前研究者發現應用組學技術能夠很好地對腫瘤的淋巴結和遠處轉移情況進行預測[20-21]。因此，應用影像組學技術對腫瘤本身異質性進行挖掘，不僅能夠輔助評估分期、病理分型等原發腫瘤本身的情況，同時還能幫助預測腫瘤所常見的周圍侵犯和轉移等異常情況。

DWI是目前臨床常用的反映組織內水分子擴散情況的功能成像指標，研究者多采用ADC值對多種腫瘤的病理分級、轉移和預后進行預測[22-24]。先前有研究者將該技術與體積分析相結合，對EC的分級進行預測[25]。然而，ADC值僅能反映腫瘤平均擴散情況，對腫瘤組織內部復雜的信號信息利用不充分，不能全面反映腫瘤的異質性情況。因此為了從不同角度深入挖掘腫瘤內部大量影像信息，提高LVSI的預測能力，本研究采用影像組學的方法對ADC圖像進行了分析。

本研究最后篩選出的參數包括：GLNN，RLNN，LGLRE。三者均為GLRLM二階特征，與其他組學參數相比，GLRLM可能對EC的LVSI情況更加敏感。GLNN和RLNN分別反映了圖像信號灰度強度值以及行程長度的相似性，這兩個值越高表明圖像灰度值及行程長度差異越大，圖像信號越不均勻。研究表明腫瘤惡性程度越高，內部越容易出現出血、壞死、囊變等改變，因此信號的異質性越強。LGLRE測量了較低的灰度信號的分布，該值越高低灰度信號聚集性越低。先前研究表明，ADC值的高低可以作為判斷腫瘤惡性程度的依據，惡性腫瘤實質部分的ADC值往往更低[26]。這也與本研究的結果相符。

本研究發現ModelN的鑒別診斷效能高于ModelC。將組學特征與臨床資料相結合，對腫瘤的惡性程度及預后進行預測，是目前組學技術發展的趨勢所在[20]。先前有多序列MR組學分析研究表明，MR紋理特征對EC病理分級和預測EC的LSVI具有較高的診斷價值，其準確率分別為80%、70%。但該研究僅僅考慮組學指標，未能對臨床指標進行綜合，且樣本量較少[15]。本研究加大了樣本量并綜合了臨床指標，對兩種危險度腫瘤區分的準確性達到85%。另一項淋巴結轉移的預測研究綜合評價了臨床模型、單一組學模型、組學臨床混合模型對淋巴結轉移的預測效果，最后經病理證實混合模型對淋巴結轉移預測能力最強[20]。研究者通過MR紋理分析技術對子宮內膜癌病理風險分級及患者生存時間進行預測，但該模型僅僅應用了6個一階參數，另外該研究模型由于采用2D的方式進行圖像分割，因此操作簡單、耗時短，但僅獲得病變組織單層圖像，難以全面反映腫瘤的信息[20]。本研究納入了大量的形態學及二階特征，參數數量和類型也更為多樣，同時采用3D多層分割的方式，因此可能更能發現不同危險度腫瘤的差異。同時本研究在建立模型是加入了年齡、體積和CA125三個參數，綜合模型Nomogram的訓練集AUC約為0.907，表明該混合模型具有良好的預測能力。將測試集數據帶入該混合模型，其AUC約為0.922，表明其兼具良好的泛化能力。

本研究存在以下不足：首先，本研究為回顧性研究，其結論的可靠性需要進行前瞻性研究以驗證。其次，本研究所建立的模型基于單中心、單一MR掃描系統，模型還需要在多中心、多MR系統驗證。

4 結論

通過與臨床模型的比較，本研究發現以組學模型為基礎的混合模型，能夠很好地預測EC的LVSI。在組學分析中，GLRLM參數與腫瘤LVSI關系最為密切。對于腫瘤患者表現為高齡、CA125升高、腫瘤體積大，并且組學評分較高時，存在LVSI的風險增大。根據FIGO標準，LVSI的EC必須進行盆腔淋巴結的清掃。相反，對于高齡、患者多種并發疾病患者而言，由于分級錯誤所導致的不必要的淋巴結清掃，將導致患者術后康復時間的延長和回復效果的降低，從而使患者遭受更多的痛苦。

總而言之，采用以組學參數為基礎的模型和列線圖分析，能夠為EC的術前無創分級提供重要指導，避免可能出現的治療不足和過度治療。