基于CT影像組學模型鑒別頭頸部良、惡性淋巴結

胡大濤，夏春華， 李羚， 高斌

頭頸部惡性腫瘤包括鼻咽癌、口咽癌、下咽癌、淋巴瘤及甲狀腺癌等一系列腫瘤，全球范圍內其發病率位居腫瘤發病率的第7位[1]。頭頸部淋巴結轉移是影響頭頸部惡性腫瘤預后的首要因素，因此準確評估淋巴結的良、惡性，對制訂治療計劃和判斷預后有重要作用。淋巴結的形狀、大小、邊界及有無壞死等目前依舊是臨床判斷淋巴結良、惡性的主要依據[2]，其中淋巴結短徑≥1.0 cm具有重要鑒別診斷價值[3]。但是臨床上發現腫大淋巴結也可能因炎性反應性增生所致，而正常大小的淋巴結亦有可能已發生腫瘤浸潤。淋巴結的大小和發生壞死是最重要的影像學評估標準，但是單純依靠淋巴結來評估淋巴結良、惡性的準確性并不高[4]。常規CT及MRI平掃對判斷淋巴結性質的準確性偏低，尤其對較小淋巴結，當其短徑<1.0 cm時這2種方法的錯判率和漏診率較高。盡管增強CT或MRI提高了對淋巴結中心壞死的檢出率，對鑒別淋巴結的良、惡性有一定價值，但仍舊缺乏特異性。近年來，隨著影像檢查技術的快速發展，逐步由常規形態學診斷拓展到更先進的功能成像、分子影像等，功能成像在鑒別淋巴結良、惡性中的作用已逐漸成為研究熱點。研究較多的功能成像技術主要有DWI和表觀擴散系數(ADC)、超順磁性氧化鐵增強MRI、CT灌注成像及氫質子波譜成像等，這些技術在一定程度上提高了診斷的準確性。如周鎮源等[5]的研究表明頸部淋巴結的壞死區與實性區ADC值的比值有助于鑒別頸部淋巴結病變的良惡性。但上述功能成像技術也存在一定的缺點：如DWI圖像的清晰度及分辨率較差，在頭頸部掃描時可產生偽影；超順磁性氧化鐵的主要缺點是可用性有限，并且缺少標準的人體射頻線圈和成像方法[6]。目前在臨床診療中，對疾病的診斷主要依賴于影像醫師根據病灶的部位、形態、大小、密度、信號和強化方式等形態學征象進行主觀判讀。隨著醫學的發展，醫療模式逐漸轉向精準醫學模式，傳統的影像信息利用方法不能滿足精準醫學的發展需要，亟需發展新的圖像分析方法，充分挖掘影像圖像中蘊含的深層信息，以實現對腫瘤患者的精準診療。

影像組學(radiomics)是通過高通量地從醫學影像中提取大量影像信息，采用自動化算法自ROI內提取出大量的特征信息，深度挖掘影像中蘊含的信息，篩選出具有特征性的數字化信息，并建立相關分類及預測模型，進而定量描述腫瘤表型，從而在腫瘤的診斷、治療和預后評估等方面發揮巨大作用[7]。近年來，影像組學已在腫瘤分類及表型分析、腫瘤治療療效評估預后預測等方面取得了相當豐富的研究成果[8-10]。影像組學分析不僅具有無創性，而且能夠重復使用數據信息，能對病灶整體進行分析，從而有效避免了穿刺活檢及病理檢查存在的取樣誤差等問題。我們基于CT影像資料，將影像組學技術應用于頭頸部淋巴結良、惡性的評估，旨在解決臨床醫師難以成功定性咽后等深部間隙內淋巴結這一難題，提高影像診斷水平。

材料與方法

1.病例資料

回顧性分析本院2010-2019年經手術病理或穿刺活檢證實為良性或惡性淋巴結的200例患者的臨床和術前CT圖像(平掃及增強掃描動脈期)?；颊吣挲g19～80歲，平均(51.86±14.31)歲。惡性淋巴結組95例，其中6例為淋巴瘤，51例為鼻咽癌伴淋巴結轉移，18例為甲狀腺癌伴淋巴結轉移，20例為口咽和喉咽部、舌部、腭部及頰面部惡性腫瘤伴淋巴結轉移；良性淋巴結組105例，其中4例經臨床確診為淋巴結結核，其余101例均為淋巴結清掃術后病理切片或穿刺活檢證實為淋巴結轉移陰性。

納入標準：①經病理或穿刺活檢證實為良性或惡性淋巴結，于術前1～2周在本院行CT檢查；②淋巴結短徑≥5 mm；③CT檢查前未進行過放化療等相關治療；④圖像清晰，圖像質量滿足診斷和分析要求。

2.檢查方法及圖像選擇

使用GE Discovery CT750 HD寶石能譜CT機，所有患者行頭頸部CT平掃及雙期增強掃描，掃描參數：300 mA，120 kV，層厚3.0～5.0 mm，矩陣512×512，掃描范圍自眉弓上緣至頸根部水平。增強掃描使用高壓注射器注射對比劑碘海醇(350 mg I/mL)，注射流率2.5～3.0 mL/s，總量80～100 mL，注射對比劑后25～30 s行動脈期掃描、60～70 s行靜脈期掃描。平掃及增強掃描的層面需保持一致。

3.臨床資料的搜集和圖像分析

由2位臨床診斷經驗豐富的影像科醫師閱片分析所有患者的CT圖像并提取主要臨床資料，包括患者的年齡和性別、橫軸面圖像中靶淋巴結最大層面上淋巴結短徑、平掃及動脈期CT值。將所有受試者隨機分為2組，訓練集133例(70例良性+63例惡性)，測試集67例(35例良性+32例惡性)。

4.影像組學特征的提取和篩選

由一位具有多年工作經驗的影像科醫師進行影像組學分析和測量。首先，選取每例患者靶淋巴結最大層面的橫軸面平掃及增強圖像(平掃跟增強圖像務必是同一層面)，將其自PACS系統中以DICOM格式導入開源MaZda 4.6軟件(www.eletel.p.lodz.pl/programy/mazda/)；圖像導入后先行μ±3σ(μ為灰度平均值，σ為灰度值標準差)進行灰度標準化處理，減少圖像不同明暗度及對比度對灰度值的影響；然后，采用手動分割方法于靶淋巴結內勾畫ROI，ROI邊緣距病灶邊緣1～2 mm，避開鈣化、周邊血管等區域。在病灶勾畫完成后，利用Mazda軟件提取包括游程矩陣、灰度共生矩陣、灰度直方圖、絕對梯度、小波變換和自回歸模型在內的共275種紋理特征。

在訓練集中使用選擇算子和最小絕對收縮(selection operator and least absolute shrinkage，LASSO)算法進行降維，并通過10折交叉驗證法篩選出3～5個與頭頸部淋巴結良惡性預測最具相關性的影像組學特征。

5.預測模型的建立、驗證和評估

在訓練集中應用LASSO方法并結合10倍交叉驗證法去除冗余特征，獲得最優組學特征，將其LASSO回歸系數帶入線性方程計算組學評分并建立影像組學標簽；運用多因素Logistic回歸分析各診斷因子(性別、年齡、病灶短徑、平掃CT值、動脈期CT值、影像組學標簽)，分別建立非影像組學和影像組學診斷模型，采用受試者工作特征曲線(ROC)及曲線下面積(AUC)和校準曲線(calibration curves)評價各診斷模型在訓練集和測試集中的診斷效能和擬合度。

最后將影像組學標簽(score)聯合獨立診斷因子(Size、Z)制作成可量化賦分的諾模圖預測工具：根據相應變量值在Points線段上賦分，計算出總得分，再垂直對應到Low weight rate線段上，以概率形式預測目標淋巴結的良、惡性。

6.統計學方法

使用SPSS24.0和R3.4.4軟件(https://www.r-project.org/)對所有數據進行統計學分析。本研究中計量資料均不符合正態分布，故采用U檢驗；分類變量采用χ2檢驗。以P<0.05為差異具有統計學意義。

結 果

1.臨床和常規CT資料

訓練集和測試集中良、惡性組患者的臨床和常規CT特征的比較見表1。訓練集和測試集中良性組與惡性組之間患者年齡、性別及病灶平掃CT值的差異均無統計學意義(P>0.05)。動脈期強化CT值、淋巴結短徑及影像組學標簽在良性組與惡性組之間的差異具有統計學意義(P<0.05)。

表1 訓練集和測試集中良、惡性組臨床資料及常規CT征象的比較

2.特征選擇、影像組學標簽建立及診斷效能評價

在訓練集中通過應用LASSO回歸模型并結合10倍交叉驗證法去除冗余特征，選擇AUC最大處的λ值來篩選特征，最終從275個組學特征中篩選出3個最優組學特征(圖1)，分別為S(2,-2)Correlat、S(0,3)InvDfMom和S(4,0)Contrast。將這3個特征用于建立影像組學標簽，表達式為y=12.846714×S(2,-2)Correlat+(-22.142526) ×S(0,3)InvDfMom+3.500306×S(4,0)Contrast+(-41.876957)。在訓練集和測試集中影像組學標簽判別良、惡性淋巴結的AUC值分別為0.884(95%CI：0.830～0.937)和0.749(95%CI：0.634～0.864)，診斷效能良好(圖2)。

圖1 影像組學特征篩選和影像組學標簽的建立。a)LASSO模型結合10折交叉驗證選擇參數λ，虛線對應最優參數λ以及AUC和特征個數；b)275個影像組學特征在LASSO模型中的系數圖，虛線處對應最優參數λ，共篩選得到3個最優非零系數特征。 圖2 影像組學標簽的ROC曲線。a)訓練集，AUC=0.884；b)測試集，AUC=0.749。 圖3 預測模型的ROC曲線。a)影像組學模型在訓練集和測試集中的AUC分別為0.985和0.908；b)非影像組學模型在訓練集合測試集中的AUC分別為0.847和0.806 。

3.預測模型建立和診斷效能評價

將所有臨床診斷因子和影像組學標簽進行多因素Logistic回歸分析，結果顯示淋巴結短徑(size)、動脈期增強CT值(Z)和影像組學標簽(score)可作為判別淋巴結性質的獨立診斷因子(表2)，并由此分別被納入非影像組學模型(聯合size和Z)及影像組學聯合診斷模型(score聯合size和Z)。

表2 多因素Logistic回歸分析結果

采用ROC曲線對兩種模型在訓練集和測試集中的診斷效能進行評估，結果見表3。綜上影像組學診斷模型比非影像組學表現出更好的診斷效能(P=0.025，P=0.033)(圖3)。影像組學預測模型在訓練集和測試集中的校準曲線對比理想曲線顯示出了良好的擬合效果(訓練集R2為0.958，測試集R2為0.975)，優于非影像組學診斷預測模型(訓練集R2為0.930，測試集R2為0.918)，詳見圖4。

圖4 診斷模型在訓練集和測試集的校準曲線(校準度曲線中X軸代表預測模型值，Y軸表示真實值，曲線越接近對角線，說明吻合度越好)。a)影像組學診斷模型；b)非影像組學診斷模型。 圖5 CT影像組學預測模型的諾模圖。將所有變量得分相加計算總得分，再垂直對應到Low weight rate線段，得出預測概率。

表3 兩種診斷模型的診斷效能

將影像組學標簽(score)聯合獨立診斷因子依據Logistic回歸系數權重制作可量化賦分的nomogram預測工具，計算出總得分后對應到Low weight rate線段上得出預測概率(圖5)。本研究結果以各項得分總和68分為臨界點，超過此臨界點預測為惡性，且總分值越大，惡性概率越高。

討 論

CT掃描在頭頸部良、惡性淋巴結的術前和術后診斷中具有良好的診斷效能[11]。目前淋巴結大小和壞死的證據仍然是最重要的影像學診斷標準，但是淋巴結大小這一指標顯示出很大的可變性，而且容易受到觀察者對于影像特征解讀的主觀因素的影響，并不能有效鑒別出較的淋巴結是否存在惡變。這就迫切需要一種新的技術手段，近年來影像組學技術的應用不斷深入，它不僅可以規避觀察者本身對于影像特征解讀的主觀偏向，還能深度挖掘并整合圖像中大量的人眼無法識別和區分的數字化信息，從而能明顯提高對頭頸部轉移性淋巴結的診斷水平，減少漏判或誤判率。目前而言，影像組學應用最多的領域是腫瘤的輔助診斷，尤其是對腫瘤良、惡性的輔助判別；其次是對腫瘤病灶的發展趨勢進行預測。

目前將影像組學應用于淋巴結的相關研究大多是圍繞縱隔、腋窩及腹盆腔淋巴結，利用多參數MRI、PET-CT及超聲成像，對原發腫瘤的侵襲性、療效和預后等方面進行探討，少有基于CT影像組學對頭頸部淋巴結良惡性進行鑒別診斷的相關研究。如施奕倩等[12]的研究中發現基于CT的影像組學對頭頸部鱗狀細胞癌患者總生存期的預測具有一定價值，有潛力成為預測頭頸部鱗狀細胞癌患者預后的潛在生物學標志物。Chen等[13]的研究中納入了115例直腸癌患者，利用直腸腔內超聲、剪切波彈性成像和CT圖像，提取直腸腫瘤、淋巴結和周圍組織的組學特征，并對3種方法分別建立影像組學標簽，使用多元Logistic回歸分析與臨床數據進行進一步驗證，其結果顯示在訓練組和驗證組中，淋巴結轉移患者的所有3個影像組學標簽AUC值均顯著高于淋巴結轉移陰性患者(P<0.05)。單嫣娜等[14]利用動態增強MRI影像組學技術研究乳腺癌腋窩淋巴結轉移，經過降維成功篩選出5個最佳影像組學特征，它們獨立預測腋窩淋巴結轉移的AUC為0.747～0.931。王偉鎮等[15]運用影像組學方法預測甲狀腺乳頭狀癌頸部中央區淋巴結轉移，結果超聲橫、縱雙切面紋理特征預測的準確性較單切面高，且遠高于常規超聲檢查的準確率。Wu等[16]使用磁共振T2WI圖像篩選出9種影像特征用于預測淋巴結轉移，其預測效能AUC值達到0.887，并與臨床診斷因子結合組成混合模型的診斷效能AUC值為0.890。以上各研究成果均表明了影像組學方法在淋巴結轉移的診斷和預測中取得了令人滿意的效果。

然而，大多數研究所采用的影像工具：MRI為多序列多參數成像，耗時相對較長，在不同參數和序列圖像中篩選影像組學特征及最優模型的過程較為復雜，不利于常規應用和推廣；PET-CT費用高昂，對于小病灶顯示不佳，而且注射用藥物對身體有一定影響。而基于CT的影像組學方法，僅基于CT值數據提取紋理特征，相對而言快速、簡單和實用。如孔丹等[17]利用影像組學軟件于患者術前平掃及增強CT圖像提取出378個特征，經過篩選得到16個最優影像組學特征用于建立甲狀腺良惡性結節的鑒別診斷模型，其在訓練組和測試組中的ROC曲線下面積分別為0.92和0.90，診斷符合率為88.2%。沙雪等[18]基于平掃、動脈期和靜脈期CT圖像，建立鑒別非小細胞肺癌縱隔淋巴結轉移的影像組學模型，并探討不同模型的診斷效能，他們共提取了841個影像組學特征，使用LASSO算法篩選降維后，基于各時相CT影像組學特征和兩個時相CT影像組學特征的差值來建立診斷模型，結果顯示基于CT各時相圖像建立的影像組學模型均可輔助臨床來判斷淋巴結的性質，其中以基于平掃CT圖像的影像組學模型的AUC最高，結合CT平掃及動脈期增強圖像建立的影像組學模型具有更高的鑒別敏感度和陰性預測值。張力等[19]將影像組學工具應用于頭頸部木村病淋巴結病變和淋巴瘤的鑒別研究中，建立的CT影像組學模型具有良好的診斷效能。以上這些研究大多只給出影像組學特征單獨的診斷效能，未利用影像組學特征建立可供量化分析的綜合預測模型，也未在不同數據集中對其進行驗證。

本研究團隊使用影像組學方法建立并驗證了一個結合CT強化值、淋巴結短徑和影像組學標簽的諾模圖診斷預測模型，并量化輸出預測值。通過回歸分析，顯示淋巴結短徑(size)和增強動脈期CT值(Z)對判別淋巴結的良惡性具有統計學意義(P<0.05)。另外，采用影像組學方法最終篩選出3個最具鑒別意義的組學特征，建立影像組學標簽，根據組學特征的LASSO系數，以逆差矩(InvDfMom)的貢獻最大，該特征參數反映局部灰度均勻性，其值越高表明該區域在灰度值之間缺乏變化，這一結果可能提示腫瘤的異質性跟圖像灰度的均勻性有關聯。而且Yip等[20]的研究結果顯示組學特征中以InvDfMom(逆差矩)與非小細胞肺癌體細胞突變最具相關性，同樣驗證了上述結果。在此基礎上，我們進一步采用ROC曲線對影像組學標簽(score)的診斷效能進行了分析，在訓練集和測試集中其AUC均大于0.80，隨后將score與動脈期強化CT值(Z)、淋巴結短徑(size)聯合建立影像組學綜合診斷模型，該模型在兩個數據集中的診斷效能同樣表現優秀。

本研究存在以下不足之處：(1)部分患者注射造影劑時間快慢不等，可能對病灶動脈期強化CT值有些許影像。(2)所有ROI都是在橫軸面CT圖像上手動勾畫，沒有獲得病灶容積ROI來提取病灶特征，因此所獲的影像信息可能不全面。已有相關研究證實對腫瘤病灶采用三維紋理特征提取所構建的診斷模型更加準確[21]。(3)沒有將多期或動態增強掃描圖像納入本研究，它們或許較單純動脈期掃描能提供更多影像學信息，這也是本研究的一大缺憾。但本次研究已積累部分經驗，有望在以后的研究中進一步完善。