基于CT的紋理分析預測甲狀腺乳頭狀癌BRAFV600E突變

童永秀，陳永欽，陳曉芳，張瑋，張惠娟*

1.福建醫科大學省立臨床醫學院，福建省立醫院南院放射科，福建 福州 350028；2.福建醫科大學附屬協和醫院病理科，福建 福州 350001；3.福建省立醫院放射科，福建 福州 350001； *通信作者 張惠娟 workyx22@163.com

近年全世界范圍內甲狀腺癌的發病率均明顯升高，其中絕大部分為甲狀腺乳頭狀癌（papillary thyroid carcinoma，PTC），占所有分型的80%以上[1]。BRAFV600E是一種與PTC密切相關的基因，既往研究證實，合并BRAFV600E突變的PTC具有更強的侵襲性，臨床上需要選擇積極的、擴大范圍的手術治療方案[2]。因此，明確PTC的BRAFV600E突變情況，可對患者進行高風險分類，并制訂相應的治療計劃。紋理分析是影像組學的一種新型的無創方法，利用從醫學圖像中提取的數據轉化成高通量、可挖掘的和定量的紋理特征，可用于揭示腫瘤的內部結構特征（如病理生理狀況）[3-4]。近年多項研究將影像組學紋理特征與不同器官的腫瘤分子特征聯系起來，目前將影像組學應用于預測甲狀腺癌的分子狀態的相關研究較少[5-6]。本研究將基于CT的紋理分析用于預測PTC的BRAFV600E突變情況，并評價其判斷性能。

1 資料與方法

1.1 研究對象 系統性回顧2016年1月—2019年12月在福建省立醫院南院完成術前甲狀腺CT靜脈期增強掃描檢查后接受手術治療，并經病理證實且成功進行BRAFV600E突變分析的PTC患者。排除標準：①結節直徑<10 mm，因為<10 mm的病灶ROI準確性低[7]；②多發結節的病理、BRAF突變情況和CT圖像缺乏準確對應；③非首次發現、經過臨床干預和治療的病例。最終納入52例PTC患者，其中女38例，男14例；年齡19～78歲，平均（41.1±13.3）歲。

1.2 CT檢查和圖像評估 采用Siemens 64排螺旋CT掃描儀（Definition AS 128），所有患者行雙期增強掃描。患者取仰臥位，掃描范圍從口咽部至鎖骨上緣，對胸骨后甲狀腺病例，掃描至氣管分叉水平。掃描參數：管電壓120 kV，采用自動管電流調節技術，參考毫安秒165 mAs，準直寬度128×0.6 mm，螺距0.8，球管旋轉時間0.3 s，層厚3 mm。增強掃描采用雙筒高壓注射器，使用非離子型對比劑碘佛醇（320 mgI/ml，江蘇恒瑞醫藥股份有限公司）90 ml，以3 ml/s經右肘前靜脈注射；靜脈期掃描延遲時間為70 s。

所有患者的術前CT增強靜脈期圖像由2名具有10年以上甲狀腺疾病診斷經驗的放射醫師進行回顧分析和評估，意見不一致時協商統一。

1.3 紋理特征分析 將圖像通過PACS下載并導入MaZda 4.6軟件。在腫瘤的最大層面、沿病灶邊緣勾畫感興趣區（ROI），勾畫過程中盡可能保持勾畫范圍與病灶本身大小一致，同時避開明顯的鈣化及囊變區（圖1）。MaZda軟件對ROI進行紋理分析，分為3步：①紋理特征參數提取：MaZda軟件提供了灰度直方圖、灰度絕對梯度、游程矩陣、灰度共生矩陣、自回歸模型和小波分析6種紋理分析方法。本研究綜合采用以上6種紋理分析方法，每個ROI共得到256個紋理特征參數。②最優特征選擇：分別運用軟件內的費希爾參數法（Fisher）、最小分類誤差與最小平均相關系數法（POE+ACC）和互信息測度法（MI）3種常見的特征選擇算法，對256個特征參數進行篩選，得到10個最優特征。③最優特征數據降維和分類：使用軟件自帶的B11程序中的主要成分分析（PCA）、線性判別分析（LDA）和非線性判別分析（NDA）3種降維方法對10個最優特征進行降維。最后，根據降維情況軟件會對病灶進行分類，并得出BRAFV600E的誤判率R。

圖1 CT增強掃描靜脈期PTC感興趣區勾畫。A.CT增強掃描靜脈期，甲狀腺左葉PTC（箭）；B.沿腫瘤邊緣勾畫感興趣區（紅色區域，箭）

根據R的大小將紋理分析結果分為5個等級[8]：≤10%為優秀，10%40%為較差。

1.4 病理學診斷 PTC及BRAFV600E突變診斷以術后病理學檢查為依據，病理學資料來自我院病理科。

1.5 統計學方法 采用SPSS 23.0軟件進行統計學分析。采用受試者工作特征（ROC）曲線進行分析，并計算相應的曲線下面積（AUC）、敏感度、特異度、準確度、陽性預測值、陰性預測值和約登指數，評價各種組合方案的性能。

2 結果

2.1 病理診斷 52例患者中，BRAFV600E陽性32例，陰性20例。

2.2 不同紋理分析方法預測BRAFV600E突變的誤判率 不同紋理特征選擇算法和不同降維方法組合下預測BRAFV600E突變陽性和陰性的總誤判率R見表1。無論哪種特征選擇算法，NDA降維方法誤判率最低，均在10%以下，屬于優秀；其次為LDA，各種組合誤判率均<20%，屬于優秀-良好；PCA的誤診率最高，均>30%，屬于一般甚至較差。誤判率最低的組合是POE+ACC+NDA，為3.85%；誤判率最高的組合是Fisher+PCA，為53.85%。未發現哪種特征選擇算法具有較突出的優勢或劣勢。

表1 不同紋理分析方法對PTC患者BRAFV600E突變誤判率

2.3 不同紋理分析方法預測BRAFV600E突變的性能評價 將上述結果進一步繪制成ROC曲線（圖2），各指標評價不同紋理特征分析方法預測PTC 患者BRAFV600E突變的性能見表2。PCA降維方法的AUC為0.4～0.7，診斷性能較低；LDA的AUC為0.7～0.95，有較好的診斷性能；NDA的AUC均>0.9，診斷性能高。診斷性能最好的組合POE+ACC+NDA的AUC約為0.969；診斷性能最差的組合Fisher+PCA的AUC約為0.413。

表2 不同紋理分析方法組合對PTC患者BRAFV600E突變預測性能評價

圖2 不同紋理分析方法組合下PTC BRAFV600E突變預測的ROC曲線

3 討論

目前，甲狀腺癌的主要挑戰是需要一種更有效、更準確的生物學標志物預測PTC的侵襲性，將這類高風險、需要積極治療的甲狀腺癌患者鑒別出來。然而，分子分型、BRAFV600E突變等生物學標志物需通過有創的活檢或手術取得標本進行分析。影像組學作為一種新興的非侵襲性方法，在預測腫瘤生物學標志物方面具有很大的潛力，目前已用于預測多種惡性腫瘤的基因突變情況[9-12]。關于PTC患者BRAFV600E突變的評估，Kwon等[5]和Yoon等[6]基于超聲圖像的影像組學進行了相應的預測研究。本研究發現運用MaZda軟件對PTC患者術前CT圖像進行紋理分析，可以預測BRAFV600E突變情況，但是不同降維方法對結果預測的準確率存在一定的差異，其中NDA具有很高的診斷性能。

MaZda是目前主流的影像組學軟件之一，在國內外運用非常廣泛。該軟件提供Fisher、P0E+ACC和MI等多種紋理特征選擇算法進行紋理特征提取；同時自帶有B11程序，其內含的PCA、LDA和NDA等降維方法和分類器可以對提取的紋理特征進行降維、分類，最終對數據作出鑒別。本研究所選的3種降維方法中，PCA和LDA均是使用數據線性變換進行分類；而NDA則通過數據非線性變換實現分類[13-14]。由于腫瘤異質性（包括時間異質性和空間異質性）的原因，腫瘤細胞間及內部存在一定的特性和差異性，一部分細胞提供了BRAFV600E突變的基礎，而另一些細胞沒有突變[7]。此外，BRAFV600E突變與腫瘤大小、多灶性、疾病分期、侵襲性變異及橋本甲狀腺炎患病率等多種因素相關[15-16]。因此，對于惡性腫瘤和腫瘤BRAFV600E突變情況收集的數據更符合非線性數據集，運用NDA獲得的準確性最高。另外，軟件也指出PCA能夠最優地表示數據集，但是在數據分類上的效果相對較差[14]，因此PCA的結果相對不可靠。本研究中，不管組合哪種特征選擇算法，誤判率最低和最高的均分別為NDA和PCA；相應地，NDA診斷性能也較高，而PCA的診斷性能較低。但是對于3種特征選擇算法的優劣，并未顯示出巨大的差異性，可能與研究數據的特征重疊有關。

運用MaZda軟件預測腫瘤基因突變既往鮮有報道，但用于預測甲狀腺腫瘤良惡性的研究較多。Ardakani等[17]采用超聲影像組學預測甲狀腺結節的良惡性，結果顯示采用POE+ACC+NDA組合分析得到最佳結果，準確率為97.14% ； 與本研究結果POE+ACC+NDA組合最高準確率96.2%相近；但該研究僅采用Fisher和POE+ACC特征選擇算法，并未選用MI方法。黃福靈等[18]運用MaZda軟件基于CT增強圖像預測甲狀腺結節的良惡性，結果發現采用NDA降維方法得到的準確率最高，與本研究結果一致。然而，Kwon等[5]基于超聲圖像用Py-Radiomics開源影像組學軟件預測PTC患者BRAFV600E基因突變情況，結果發現各種降維和分離器選擇對實驗結果影響不大，但特征選擇的算法會影響結果的性能，最終結論認為超聲影像組學對PTC患者BRAF突變情況的預測價值有限，有待進一步研究證實。Yoon等[6]的研究也得出相似的結論。本研究結果顯示，選用NDA降維方法進行分析時，AUC均>0.9，具有很高的準確性，推測可能原因是所選用的影像組學軟件不同造成結果不一致，這也是目前影像組學研究存在的最大困擾之一。另一方面，即使選用同一款軟件，由于紋理特征分析方法的多樣性，選擇不同的方法和組合也會影響實驗結果的對比性。因此，影像組學研究有待進一步制訂統一、規范化的標準。

美國甲狀腺協會指南指出，主動監測已成為低風險PTC患者安全替代手術干預的方法；而對于具有侵襲性的高風險PTC患者，積極、擴大范圍的手術治療是安全、可靠的方案[19]。基于CT的紋理分析研究可以幫助臨床醫師在術前明確PTC的BRAFV600E突變情況，對患者進行高風險分類并制訂相應的治療計劃；同時也指導低風險PTC患者隨訪觀察，避免手術等過度治療。此外，本研究結果對于后續運用MaZda軟件進行相關領域紋理特征分析具有一定的指導意義：如進行腫瘤良惡性或分子特征預測研究時，NDA降維方法可作為首選。

總之，由術前CT圖像提取的紋理特征作為預測PTC存在BRAFV600E突變狀態的非侵入性生物標志物具有一定的價值。但由于本研究納入樣本量較小，10 mm以下的結節未納入研究，而且選用特定的MaZda影像組學軟件。因此，需要擴大樣本量和研究范圍，選用其他影像組學軟件進一步研究論證。