基于CT影像組學特征術前預測肝細胞癌微血管侵犯的價值

何穎 周顯軍 陳鑫 朱呈瞻 董蒨

(青島大學附屬醫院，山東 青島 266003 1 小兒外科； 2 肝膽胰外科)

肝細胞癌是常見的原發性肝臟腫瘤,占肝臟惡性腫瘤的75%～85%[1-2]，肝細胞癌患者術后復發率高,預后較差[3-4]。微血管侵犯是影響肝癌患者術后早期復發和長期生存的重要因素[5-6]。因此，術前預測微血管侵犯情況對肝細胞癌患者治療決策的選擇及綜合預后評估有重要的臨床價值。但術前不能通過影像學檢查直接檢測到肝癌微血管侵犯情況，并且微血管侵犯術前病理活檢的效果也不盡人意，從而限制術前對肝癌患者微血管侵犯情況的評估。

在腫瘤學領域，影像組學正在成為預測腫瘤異質性的重要工具，利用影像組學，可將傳統醫學圖像轉化為高維、定量和可開發的圖像數據，從而建立腫瘤預測模型來定量描述腫瘤表型和腫瘤微環境[7-8]。研究表明，影像組學在評估肝細胞癌患者的總生存期、腫瘤復發以及治療反應等方面具有重要的應用價值[9-10]。目前，影像組學已成功應用于鼻咽癌、非小細胞肺癌和直腸癌等腫瘤的研究[11-13]。最近的研究表明，基于增強CT的影像組學模型可以高效、無創地預測微血管侵犯情況，為肝癌患者術前是否存在微血管侵犯的明確診斷提供了可靠的依據[14-15]。本研究旨在建立并評估基于CT影像紋理特征的影像組學列線圖，以預測肝細胞癌患者術前微血管侵犯發生情況。

1 資料與方法

1.1 資料來源

選取2013年1月—2018年12月于我院肝膽胰外科接受肝切除術的271例肝細胞癌患者的臨床資料。患者納入標準：①術后病理學檢查證實肝細胞癌的患者；②肝切除術前2周行上腹部CT增強掃描檢查，掃描范圍從肝臟的頂部到雙腎下緣的患者。患者排除標準：① CT圖像質量差，無法識別或圖像缺如的患者；②術前行其他抗腫瘤治療的患者；③CT影像特征提取過程中存在誤差的患者。患者按照3∶1的比例隨機分為訓練組(n=203)和驗證組(n=68)兩組，訓練組用于建模，驗證組進行模型預測效能的評估。患者的一般資料見表1，組間一般資料比較差異均無顯著性(P>0.05)。

1.2 圖像分割

患者均使用CT(德國西門子，美國GE醫療)檢查獲得上腹部的三期增強掃描圖像。掃描范圍從肝臟的頂部到雙腎的下緣。掃描參數設置為：電壓120 kV，電流200～350 mA，掃描層厚5 mm，層間距5 mm，矩陣512×512。

由兩名具有10年以上工作經驗的放射科醫師使用ITK-SNAP(版本3.6.0. http://www.itksnap.org)對納入患者的CT圖像中動脈期、靜脈期、延遲期腫瘤區域進行分割勾畫。2周后，由其中一名放射科醫生隨機選取50例肝細胞癌患者，再次勾畫ROI，評估ROI的組內差異。另一名放射科醫生對隨機選取的50例肝細胞癌患者獨立進行腫瘤區域繪制，以評估腫瘤區域的組間差異。當觀察者內部和觀察者之間繪制腫瘤的組間差異值和組內差異值均超過0.75時，認為該特征具有良好一致性。

1.3 影像組學特征預處理和提取

使用3D Slicer軟件(版本：v.4.10.2 https://www.slicer.org/)中的radiomics包進行圖像預處理以及特征提取。影像組學特征主要包括一階統計特征(Firstorder)、形狀形態特征(Shape)、基于灰度共生矩陣的特征(GLCM)、鄰域灰度差值矩陣特征(NGTDM)、灰度游程矩陣特征(GLRLM)、灰度大小區域矩陣特征(GLSZM)、基于灰度依賴矩陣特征(GLDM)以及小波和拉普拉斯變化(Log)。

1.4 影像組學特征篩選和影像組學特征評分計算

使用最小冗余最大相關算法和最小絕對收縮和選擇算子算法對影像組學特征進行降維篩選，選擇出具有最佳鑒別價值的影像組學特征計算影像組學特征評分。

1.5 預測模型建立以及性能評價

基于影像組學特征評分構建影像學模型，將多因素分析獲得的有差異的臨床危險因素構建臨床模型，通過Logistic多元回歸分析構建聯合臨床危險因素和影像組學特征評分的聯合模型,并繪制聯合模型訓練組的列線圖。通過ROC曲線分析評價臨床模型、影像學模型、聯合模型這3個模型在訓練組和驗證組中預測肝癌微血管侵犯的效能，計算相應曲線下面積(AUC)以及95%CI、靈敏度、特異度。繪制校準曲線和決策曲線。通過Delong檢驗比較各個模型預測效能差異是否具有統計學意義。

1.6 統計學分析

使用Python 3.8(https://www.python.org/)進行統計學分析，連續變量以M(P25,P75)表示，分類變量以百分比(χ/%)表示。連續變量使用Mann-WhitneyU檢驗。分類變量使用卡方檢驗或Fisher精確檢驗。使用R語言的“RMS”和“RMDA”軟件包分別獲得列線圖和決策曲線。以P<0.05為差異具有顯著性。

2 結 果

2.1 影像組學特征選擇和評分的計算

從肝臟腫瘤分割區域中動脈期、靜脈期、延遲期每一期分別提取到1 130個特征，采用最小冗余最大相關算法和最小絕對收縮和選擇算子算法對所提取的影像學特征進行特征選擇，最終獲得16個影像組學特征并計算相應評分。

表1 兩組患者的一般資料比較

影像組學特征評分=log-sigma-0-5-mm-3D_GLRLM_RunLengthNonUniformityNormalized×-7.421e-1+wavelet-LHL_GLSZM_LargeAreaEmphasis×1.279e-9+wavelet-HLH_GLSZM_LargeAreaHighGrayLevelEmphasis×1.286e-13+wavelet-HHH_Firstorder_Variance×1.174e-2+wavelet-HHL_GLDM_LowGrayLevelEmphasis×-4.336e-2+V_original_Shape_Elongation×-1.198e-1+wavelet-LHL_NGTDM_Busyness×3.707e-5+wavelet-LLH_GLSZM_SizeZoneNonUniformity×1.720e-4+wavelet-HHL_GLSZM_LargeAreaLowGrayLevelEmphasis×2.411e-10+wavelet-HLL_GLCM_InverseVariance×-2.736e-1+wavelet-HLL_GLSZM_ZoneVariance×2.971e-10+D_wavelet-LHL_GLRLM_LongRunEmphasis×3.142e-3+wavelet-LHH_GLCM_Imc×2.124+waveletLLL_GLDM_LargeDependenceLow-GrayLevelEmphasis×-1.276e-3+wavelet-LLL_GLCM_JointEnergy×-7.959e-1+original_GLRLM_LongRunLowGrayLevelEmphasis×-7.867e-3+1.037

2.2 影像學模型、臨床模型和聯合模型的建立及性能評價

對訓練組影像組學特征評分和臨床因素進行單因素二元回歸分析顯示，BMI、腫瘤直徑、乙肝表面抗原、甲胎蛋白、血小板/淋巴細胞、影像組學特征評分與微血管侵犯的發生相關(P<0.05)。多因素二元回歸分析結果顯示，影像組學特征評分、腫瘤直徑、甲胎蛋白為肝癌微血管侵犯發生的獨立預測因子(P<0.05)。見表2。

表2 訓練組的臨床危險因素和影像組學特征評分的單因素和多因素回歸分析

在訓練組中，聯合模型的列線圖如圖1A所示,聯合模型的AUC為0.80(95%CI=0.75～0.85)，特異度為0.84，靈敏度為0.69；臨床模型的AUC為0.72(95%CI=0.67～0.77)，特異度為0.86，靈敏度為0.59；影像學模型的AUC為0.71(95%CI=0.65～0.77)，特異度為0.84，靈敏度為0.52。見圖1B。聯合模型預測微血管是否侵犯效能顯著優于影像學模型(Z=-3.18，P<0.05)和臨床模型(Z=3.70，P<0.05)，臨床模型的預測效能與影像學模型無顯著差異(P>0.05)。

驗證組的ROC曲線顯示，聯合模型的AUC為0.75(95%CI=0.65～0.85)，特異度為0.81，靈敏度為0.59；臨床模型的AUC為0.70(95%CI=0.60～0.78)，特異度為0.83，靈敏度為0.56；影像學模型的AUC為0.62(95%CI=0.50～0.74)，特異度為0.78，靈敏度為0.47。結果見圖1C。聯合模型的預測效能與影像學模型和臨床模型相比較差異均無顯著的統計學意義(P>0.05)。同樣的臨床模型的預測效能與影像學模型相比較差異沒有顯著的統計學意義(P>0.05)。

A為聯合模型訓練組的列線圖，B、C分別為訓練組和驗證組中影像學模型、臨床模型、聯合模型預測微血管侵犯效能的ROC曲線

訓練組和驗證組的校準曲線顯示出良好的一致性(圖2A、B)。決策曲線分析表明，加入影像組學特征評分之后的列線圖模型臨床應用價值高于影像學模型和臨床模型(圖2C、D)。

A：訓練組校準曲線，B：驗證組校準曲線，C：訓練組決策曲線，D：驗證組決策曲線

3 討 論

影像組學研究的重點是通過使用計算機算法提取大量定量特征來分析圖像特征，這些特征可以提高醫學圖像的預測性能。本研究使用最小冗余最大相關算法和最小絕對收縮和選擇算子算法兩種特征選擇方法識別出最強的特征。同時使用十倍交叉驗證減少模型過擬合。最小冗余最大相關算法和最小絕對收縮和選擇算子算法能夠適用于在相對小的樣本容量下分析大量的影像組學特征集，并避免過擬合，從而有助于減少數據噪聲的干擾。該技術在臨床的多項研究均有應用[16-17]。

本研究最終選擇了與微血管侵犯相關性最強的特征計算影像組學特征評分，構建邏輯回歸模型并優化，結果顯示影像學模型的訓練組AUC為0.71，驗證組AUC為0.62，提示影像組學特征評分具有預測肝癌微血管侵犯的能力。同時，在單因素和多因素回歸分析中，影像組學特征評分均P<0.05，表明影像組學特征評分具有顯著的獨立預測肝癌微血管是否侵犯的能力，與之前的研究結果一致[18]。影像學研究表明微血管侵犯與許多因素密切相關，包括腫瘤體積大小、腫瘤數目、腫瘤邊緣不光滑、組織學病理分級、腫瘤的大體分類、瘤周強化等[19-21]。本研究中在將單因素結果中P<0.05的臨床因素納入多因素回歸分析后，結果顯示腫瘤直徑、甲胎蛋白和影像組學特征評分具有獨立預測肝癌微血管侵犯的能力。本研究顯示，腫瘤直徑有意義的截斷值為5 cm，甲胎蛋白有意義的截斷值為200 μg/L，也與之前的研究結果一致[19-21]。LEI等[22]在米蘭標準下建立了具有代表性的動態磁共振成像特征的列線圖模型，預測乙肝病毒相關性肝細胞癌患者微血管侵犯的發生情況，該模型包括腫瘤直徑、數量、血管狀況、血清甲胎蛋白水平、血小板水平、乙肝病毒核酸載量等危險因素，結果顯示了令人滿意的預測效率，其AUC在訓練組中為0.81，在驗證組中為0.80。

本研究中，無論是在訓練組還是在驗證組，結合影像組學特征評分、腫瘤直徑和甲胎蛋白建立的聯合模型在回歸模型中AUC表現均優于影像組學評分模型和臨床模型；臨床模型對微血管侵犯預測能力和影像學模型并無明顯差異；最后繪制校正曲線對模型性能進行評價，計算得到預測模型的均方誤差為0.018，評價結果顯示模型預測性能較好，表明影像組學方法對預測肝癌微血管侵犯具有一定效能。根據決策曲線對患者的臨床凈獲益進行分析，顯示當閾概率在0.10～0.75時，患者的臨床模型和聯合模型凈獲益均較高，表明模型的安全性較好。

目前CT和MRI等影像學工具已經被證實具有診斷或者預測肝癌微血管侵犯的作用[23-25]，也說明影像組學方法具有穩定性和可重復性的特點。本研究采用影像組學的方法，對肝癌患者微血管侵犯狀況進行術前的無創預測，但是本研究仍有很多不足之處：①本研究為單中心研究。雖然所有CT圖像都是使用統一的掃描儀和標準化的圖像采集序列獲得的，但為了減少結果的偏差和方差，并提高模型的穩健性，還需要進一步確認來自其他機構患者的數據。②本研究采用的是手工方式繪制二維ROI，比較費時，也不便于臨床應用，因此，實現影像病變區域分割的智能化將是影像組學未來研究的重點內容。③影像組學特征和生物學行為之間的復雜聯系很難完全闡釋清楚，或許將來可以借助影像基因組學相關指標特征，來進一步明確影像組學特征和生物學特性之間的潛在相關性。

綜上所述，本研究基于肝細胞癌患者術前CT影像的影像組學特征及相應臨床危險因素，構建肝細胞癌患者微血管狀況的預測模型，分析顯示該模型效能評價良好。

利益沖突聲明：所有作者聲明不存在利益沖突。

ConflictsofInterest： All authors disclose no relevant conflicts of interest.

倫理批準：本研究涉及的所有試驗均已通過青島大學附屬醫院醫學倫理委員會的審核批準(文件號QYFYWZLL26949)。

EthicsApproval： All experimental protocols in this study were reviewed and approved by The Medical Ethics Committee of The Affi-liated Hospital of Qingdao University (Approval Letter No.QYFYWZLL26949).

作者貢獻：董蒨、朱呈瞻、何穎參與了研究設計；何穎、周顯軍、陳鑫參與了論文的寫作和修改。所有作者均閱讀并同意發表該論文。

Contributions： The study was designed byDONGQian,ZHUChengzhan, andHEYing. The manuscript was drafted and revised byHEYing,ZHOUXianjun, andCHENXin. All the authors have read the last version of the paper and consented to submission.