基于治療前磁共振成像列線圖預測鼻咽癌新輔助化療療效的初步研究

鄭德春，許淑桂，賴國靜，陳加優，任旺，陳韻彬

新輔助化療(neoadj uvant chemot her apy，NAC)聯合三維適形調強放療是當前治療中晚期鼻咽癌(nasophar yngeal car cinoma，NPC)的國人首選治療模式之一。一項對6個臨床試驗的Met a分析顯示，新輔助化療不僅可以使約5.8%的鼻咽癌患者的5年總生存率獲益，同時還能降低遠處轉移率，相對風險比為69%［1］。然而，研究表明新輔助化療2周期后鼻咽腫瘤的退縮率差異很大，約45%的患者在新輔助化療后獲益不理想，腫瘤最大徑退縮小于30%，療效評估僅為穩定［2］。目前觀點認為，腫瘤內部的異質性是影響化療敏感性和療效的主要因素之一。

影像組學方法是研究腫瘤異質性的新方法，它采用計算機技術原理無創性地提取醫學影像圖像上的高通量紋理特征，通過對這些特征進行篩選和構建模型，從而達到評價腫瘤異質性、評估腫瘤生物學特征等目的。目前已有學者應用影像組學方法在膠質瘤、直腸癌等方面開展了許多研究，取得了良好的效果［3-4］。基于MRI圖像的影像組學紋理特征構建的模型可用于預測直腸癌新輔助放化療療效、基因突變狀態等［4-5］。然而，各不同研究在預測模型的可重復性、準確性和穩定性等方面存在較多差異，有待于進一步研究。

本研究旨在構建立一個基于治療前MRI紋理特征的列線圖模型，探討其預測鼻咽癌新輔助化療療效的應用價值。

1 材料與方法

1.1 臨床病例資料

本研究回顧性收集2017年6月至2019年3月在我院收治的213例中晚期鼻咽癌患者(年齡15～77歲，中位年齡46歲)。本研究獲得了我院倫理委員會的批準，所有參與研究的受試者簽署了知情同意書。入組標準：(1)經病理證實的臨床Ⅱ～Ⅳ期(UICC/AJCC第7版)鼻咽癌初診患者；(2)擬行NAC聯合三維調強放療的治療方案；(3)卡氏評分(kar nof sky perf or mance st atus，KPS)≥70，能夠耐受化療；(4)關于MRI檢查時間的規定：治療前MRI在住院后7 d內完成，化療后MRI在第2周期末完成并用于療效評價。排除標準：(1)Ⅰ期鼻咽癌患者；(2)MRI圖像質量不佳；(3)未采取本研究所規定的治療方案。

所有入組患者均接受每21 d為一個周期的“鉑類＋紫杉醇”化療方案。用藥方法如下：順鉑(中國山東省齊魯制藥有限公司)100 mg/m2ivgtt第1～3天＋紫杉醇(海南中化聯合制藥工業有限公司)135 mg/m2ivgtt第1天。患者完成新輔助化療后繼續接受根治性調強放射治療。

在本研究中，22例患者被剔除出組，包括：10例(4.7%)為Ⅰ期，6例(2.8%)有明顯假牙偽影，5例(2.3%)接受同步放化療方案。最后，共191例(89.6%)NPC患者納入本研究。

1.2 臨床因素收集和療效評估

收集入組患者的年齡、性別、組織學WHO病理分型、TNM分期、鼻咽癌原發灶的最長徑(l ongest diamet er，LD)和最短徑(shor test diamet er，SD)等8個臨床因素納入統計分析。

臨床療效評價采用實體瘤治療療效評價標準(response eval uation criteria in sol id tumors，RECIST)［6］。根據化療前與化療后MRI所測得的鼻咽原發灶最大層面上最大徑的變化率將化療療效分為：完全緩解(compl et e response，CR)，在MRI鼻咽部腫塊基本退縮且黏膜厚度小于5 mm，鼻咽鏡檢查未見明顯異常；部分緩解(par t ial r esponse，PR)，退縮率大于30%；疾病穩定(st abl e disease，SD)，退縮率小于30%。本研究中無疾病進展的病例。在新輔助化療第2周期末和放療前進行療效評估：將PR和CR的患者定義為有效組，將SD組定義為無效組。

1.3 MRI檢查

采用3.0 T超導型磁共振成像儀(Achieva 3.0 T TX，Phil ips Medical Systems，The Net her l ands)進行MRI檢查，接收線圈為16通道頭頸聯合神經血管線圈。本研究以患者的橫軸位T2WI脂肪抑制(T2 weighted imaging with f at suppression，T2WI_FS)平掃和增強T1WI(T1 weighted imaging with contrast enhance，T1WI_CE)序列圖像作為研究序列。主要成像參數如下：TR/TE：6000/70 ms(T2WI_FS)，550/8.1 ms(T1WI_CE)；本研究中T2WI_FS和T1WI_CE的幾何參數一致，FOV為240 mm×230 mm，矩陣為232×219，空間分辨率為0.25 mm×0.25 mm×5.0 mm，層厚/層間距為5/1 mm。對比劑Gd-DTPA［馬根維顯(Magnevist)，拜耳先靈，德國柏林］的用量為0.1 mmol/kg，注射速率為2 mL/s。

1.4 MR圖像分割

將所有入組患者的MRI圖像以DICOM格式從圖像存儲與傳輸系統中導出，采用ITK-SNAP軟件(www.it ksnap.or g，ver sion 3.6.0)進行圖像分割。由2名頭頸診斷經驗豐富的高年資主治醫師盲法在T2WI_FS圖像上手動逐層勾畫鼻咽癌原發灶，從而獲得原發灶的三維容積感興趣區(vol ume of int er est，VOI)，并在T1WI_CE序列的腫瘤最大層面上測量治療前、化療后鼻咽原發灶的LD和SD；由于T1WI_CE和T2WI_FS的幾何參數一致，故直接將該VOI復制到T1WI_CE序列，然后再通過該軟件進行VOI確認，使用該方法所有病例均能包括T1WI_CE序列上的腫瘤病灶。本研究的流程如圖1所示。

圖1 工作流程圖。工作流程中包括3個主要步驟：第一步是MRI圖像的采集、鼻咽癌原發灶VOI的勾畫。第二步是T2WI_FS和T1WI_CE序列的影像紋理特征的提取。第三步是數據分析，包括臨床數據的單變量邏輯回歸分析和影像紋理特征降維分析；機器學習和模型構建；進行診斷效能分析Fig.1 Workflow.This study included three main steps:Firstly,acquisition of MRIand segmentation of nasopharyngeal carcinoma by mean of volume of interest(VOI).Secondly,features extraction of T2WI_FS and T1WI_CE.Thirdly,data analysis,which included univariate logistic regression and redundancy reduction of imaging features,model construction by machine learning,and performance evaluation.

1.5 影像組學的紋理特征的提取

本研究使用GE公司開發的人工智能軟件(Ar t if icial Int el l igence Kit V3.0.0.R，GE公司)進行MRI紋理特征提取。分別從T2WI_FS和T1WI_CE兩個序列中提取180個紋理特征，包括直方圖特征(n=42)、紋理特征(n=18)、形態學特征(n=9)、灰度級共生矩陣(n=40)、灰度級長度矩陣(n=60)和灰度區域大小矩陣(n=11)。

在使用機器學習模型對紋理特征進行降維分析之前，用Z-scor es法對患者的所有紋理特征的數學值進行標準化，以消除這些紋理特征的單位限制。Z-scor es=(x-μ)/σ，其中x為紋理特征的數學值，μ表示該特征在全體入組患者的平均值，σ為對應的標準差。

1.6 模型建立和統計學分析

統計分析使用SPSS軟件和R編程語言(3.5.2版本)進行。不同療效組之間的臨床因素差異分析，數值變量根據數據正態分布檢驗結果采用獨立t檢驗或Mann-Whit ney U檢驗，分類變量采用卡方檢驗。

將受試者按7∶3的比例隨機分為訓練組(training cohort，TC)和驗證組(val idation cohort，VC)，即134例歸為TC組，57歸為VC組。依次使用最大相關最小冗余(maximumrel evance minimumredundancy，mRMR)算法和LASSO(l east absol ut e shr inkage and sel ect ion oper at or)算法對TC組中T1WI_CE和T2WI_FS的360個紋理特征進行降維分析［7-8］。首先，采用mRMR方法去除TC組中冗余和無關的紋理特征，僅保留前20個紋理特征。然后，采用LASSO算法進一步選出最優特征子集，用于構建模型。計算出每個患者腫瘤原發灶的Radscor e：Radscor e由LASSO所選擇的紋理特征的線性組合及每個特征所對應的加權系數計算出來。其次，通過多變量Logi st ic回歸構建基于臨床因素和Radscor e的預測模型。通過ROC曲線分析來評價和比較影像組學模型(r adiomics，僅Radscor e)、臨床模型(cl inics，僅臨床因素)和Radscor e與臨床因素相結合的列線圖模型三者之間的預測能力，計算出診斷準確度、ROC曲線下面積、敏感度、特異度、陽性預測價值(posit ive pr edict ion val ue，PPV)和陰性預測值(negat ive pr edict ion val ue，NPV)。最后，獲得列線圖、ROC圖、校準曲線圖(衡量預測NAC響應概率與實際的NAC響應概率的一致性)，并通過Hosmer-Lemeshow檢驗獲得預測模型的擬合優度和決策曲線來對這3種模型進行評價。在VC組中驗證相對應模型的穩定性和實用性。P＜0.05認為差異具有統計學意義。

2 結果

2.1 臨床結果

經過2個NAC治療，191例患者中有90例歸為無效組，101例歸為有效組，化療有效率為52.9%，其中24例(12.6%)患者MRI評估達到CR。本研究中，除T分期(P=0.046)外，無效組和有效組之間的其他臨床因素差異均無統計學意義(P＞0.05)(表1)。

表1 有效組與無效組之間患者臨床特征差異分析Tab.1 Characteristics differences between responders and non-responders NPC

2.2 列線圖模型的構建

首先，通過mRMR方法在T2WI_FS和T1WI_CE兩個序列的360個紋理特征中篩選了出20個紋理特征(圖2A)，然后采用LASSO算法(圖2B)進一步優化，又剔除了3個因素，最終保留17個紋理特征(圖2C)。接著計算每個患者的Radscor e，其公式為：Radscor e=-0.814×F1＋(-0.749)×F2＋(-0.625)×F3＋(-0.545)×F4＋(-0.464)×F5＋(-0.361×F6)＋(-0.186)×F7＋(-0.065)×F8＋(-0.02)×F9＋(-0.012)×F10＋0.036×F11＋0.082×F12＋0.121×F13＋0.164×F14＋0.315×F15＋0.401×F16＋0.525×F17＋0.213(式中用圖2C中的F1、F2、…F17代替各紋理特征的全名)。

圖2 影像紋理特征降維分析。最大相關最小冗余(A)和LASSO算法降維分析(B、C)Fig.2 Redundancy reduction of imaging features.Maximum relevance minimum redundancy(mRMR)(A)and least absolute shrinkage and selection operator(LASSO)analyses(B,C).

對8個臨床因素做序貫單變量和多變量邏輯回歸分析表明(表2)：T分期和N分期兩個臨床因素可用于與Radscore構建列線圖，預測新輔助化療療效(P＜0.10)。

表2 臨床因素預測鼻咽癌新輔助化療療效的邏輯回歸分析Tab.2 Logistic regression analyses of clinical factors for predicting NACresponse in NPC

2.3 模型預測新輔助化療療效的效能分析

在本研究中，影像組學模型、臨床模型、列線圖模型預測鼻咽癌新輔助化療療效的診斷效果歸納于表3。通過在TC組中構建基于Radscor e與臨床預測因子的列線圖模型，本研究驗證了基于治療前MRI影像組學構建的模型評估NAC治療反應的能力和潛在優勢，并且對其可靠性和穩定性進行驗證(圖3)。

研究結果表明，列線圖模型和影像組學模型在區分有效組和無效組患者的整體診斷效能適中，TC組的曲線下面積均為0.72(95%CI：0.63～0.81)。在VC組中，二者的曲線下面積分別為0.72(95%CI：0.59～0.85)和0.77(95%CI：0.74～0.89)。在TC組中，列線圖模型預測新輔助化療療效的準確度高于臨床模型(0.687 vs.0.604)。與單純的影像組學模型相比，將影像學紋理特征與選定的臨床因素相結合后的列線圖模型在預測NAC治療反應的診斷準確度略有提高(0.687 vs.0.679)。來自T1WI_CE和T2WI_FS的紋理特征對預測NAC療效均有貢獻，盡管各紋理特征之間的權重系數存在差異。在TC和VC組中，列線圖模型的敏感度、特異度和NPV均大于臨床模型(表3)；在VC組中，列線圖模型的PPV亦大于臨床模型(0.733 vs.0.667，表3)，而在TC組則不然。

表3 列線圖、影像組學、臨床模型預測鼻咽癌新輔助化療療效的診斷效能Tab.3 Performance of nomogram,radiomics and clinics models in assessing NACresponse in NPC

列線圖模型的校準曲線在訓練和驗證組中呈現出良好的校準性(圖3D)，說明TC組中列線圖模型用于判斷鼻咽原發灶經NAC治療后預后不良的預測率和實際概率均較好。決策曲線進一步明確：在高風險閾值大于0.4水平時，基于治療前MRI的列線圖模型為預測中晚期鼻咽癌患者NAC療效反應提供了關鍵值(圖3C)。

圖3 診斷效能分析。列線圖構建(A)、訓練組(TC)和驗證組(VC)中影像組學模型、臨床模型和列線圖模型三者的工作者特征性曲線(B)、決策曲線(C)、TC和VC對應列線圖的校準曲線(D)Fig.3 Performance analysis.Constructed nomogram(A),receiver operating characteristic curves(ROC)analyses of the radiomics,clinics and nomogram models in training cohort and validation cohort(B),decision curve of nomogram(C),calibration curve(D).

3 討論

新輔助化療是局部中晚期鼻咽癌患者治療的重要環節之一，鼻咽癌患者對新輔助化療的反應與其遠期療效預后有關。本研究結果顯示，完成2周期新輔助化療后，52.9%的患者(101/191)療效評定為治療有效，這與Wang等［9］報道的鼻咽癌新輔助化療有效率58.3%比較接近。有研究表明，鼻咽癌對NAC的治療反應是無病生存、無局部區域復發生存、總生存的獨立預后因素(P＜0.03)［10-11］。然而，高達23%的鼻咽癌患者并沒有從NAC中受益［10，12］。因此，建立一個可在治療前預測腫瘤NAC治療療效的方法顯得極其重要。這可讓一部分患者免于接受無效的NAC，為患者選擇和接受其他替代療法提供依據，從而有望提高治療效果并減少經濟負擔和心理負擔［13］。盡管已有研究表明功能MRI技術在這方面具有潛在的應用價值［14-15］，但采用功能MRI技術預測療效需要額外的掃描序列和復雜的后處理分析。本研究表明，列線圖模型預測鼻咽癌NAC療效的診斷AUC為0.72(0.63～0.81)。今后，有望通過常規序列紋理特征構建出可靠的預測模型來預測鼻咽癌患者對NAC的療效，代替功能MRI技術［3，9］。

聯合多參數MRI放射組學方法能夠對疾病的不同生物學特征進行分析，從而具有更好的診斷疾病、指導治療和預測預后的潛能。本研究成果發現從T2WI_FS和T1WI_CE提取的紋理特征對預測NAC療效的Radscor e均有貢獻。既往的研究報道也表明，聯合多參數MRI預測鼻咽癌患者化療反應［9］或遠期生存預后［16］的準確度、敏感度和特異度均有提高。此外，有研究報道，根據Har r el l’s一致性指數(concor dance index，C-index)，影像組學方法鑒別不同生存亞群的能力優于T期(0.815 vs.0.803)和TNM分期系統(0.842 vs.0.765)［17］。在另一項回顧性影像組學研究中，研究者采用LASSO算法方法只在T1WI_CE序列的紋理特征建立了預測模型，而其他序列T2WI_FS、T2WI、T1WI的紋理特征并不能構建出預測NAC療效的模型［9］。這種不一致性可能與該研究的設計有關，他們僅對MRI圖像進行了簡單的二維分析，有待于未來作進一步評估。

放射組學也在許多實體腫瘤中都得到了研究和驗證［18-20］。值得注意的是，隨著實體腫瘤類型的不同和研究設計的不同，相應所構建的影像組學模型之間的診斷準確度存在一定的差異［18］。本研究發現列線圖模型優于單獨使用影像組學或臨床模型。這和一項近期發表的評估PET-CT預測鼻咽癌預后價值的研究一致，他們的成果表明聯合臨床因素、PET和CT紋理特征可以改善一致性指數，聯合使用時的C-index范圍為0.71～0.76，而單獨使用時的范圍為0.67～0.73［19］。另一項采用影像組學預測原發性直腸癌存在同步肝轉移的研究成果顯示其總體預測效能在訓練組高達0.921，在驗證組亦達0.912，結果達到了臨床應用轉化的水平［20］。開展多中心研究可以驗證多參數和(或)多模態成像技術構建的影像組學模型的診斷效能和穩定性。一項收集了中國4家醫療機構的586例乳腺癌患者的回顧性研究率先報道了基于多中心的研究成果，該研究以預測乳腺癌新輔助化療后手術病理證實CR狀態為觀察指標，其所構建的放射組學模型在訓練組中其預測準確度為0.86，在另外3個外部驗證組中對應的預測準確度也大于0.7［4］。盡管針對不同的腫瘤和研究目的所構建的診斷模型均明確了影像組學在腫瘤領域具有獨特的應用價值，然而其診斷準確度存在一定的差異。來自文獻報道的所用于構建模型的影像學紋理特征亦存在明顯不一致性［4，8-9，16-21］。一項對17篇乳腺腫瘤影像組學的回顧分析發現，當前用于影像組學研究的軟件及算法也存在廣泛的多樣性，這也將導致不同研究結果難以進行比較［22］。因此，在腫瘤領域影像組學的研究應用還有待于進一步深入，以保證診斷模型的準確度、敏感度和特異度等可以滿足臨床實際應用的需要。

本研究存在一些局限性。首先，本回顧性研究的兩個序列層厚為5 mm，理論上這對所提取病灶的二階和高階影像紋理特征數值會產生一定的影響。其次，本研究未包括鼻咽癌的其他序列圖像，特別是擴散加權成像的表觀擴散參數圖像。這主要是因為鼻咽顱底區的擴散加權成像經常存在程度不等的磁敏感偽影、圖像變形。最后，本研究未對鼻咽癌患者的頸部轉移性淋巴結同時開展有關研究，這部分內容仍具有一定的挑戰。

總之，基于治療前MRI的列線圖模型預測鼻咽癌新輔助化療療效的價值優于臨床模型。將來尚需要開展基于三維薄層的MRI的放射組學研究，并建立適用于研究頸部轉移性淋巴結的預測模型以明確其預測轉移性淋巴結治療療效的效能，最終構建一體化預測模型，明確建立放射組學方法在鼻咽癌療效評估中的應用價值，最終達到提高鼻咽癌的臨床管理的目的。

作者利益沖突聲明：全體作者均聲明無利益沖突。