基線MRI中直腸癌原發灶與淋巴結交互特征預測新輔助治療后淋巴結狀態

朱海濤，張曉燕，李曉婷，史燕杰，朱匯慈，王 林，武愛文，孫應實

1. 北京大學腫瘤醫院醫學影像科，北京 100142；

2. 北京大學腫瘤醫院結直腸腫瘤外科，北京 100142

直腸癌淋巴結狀態的判斷對于治療方案的選擇和優化具有重要的意義。如能在根治性手術之前準確預測無淋巴結轉移（pN-），那么對于局限在T1期或T2期的直腸癌患者，臨床可選擇行內鏡下局部切除替代傳統根治性全直腸系膜切除術。如能在新輔助治療后準確預測區域淋巴結轉移（pN+），即使直腸癌原發灶已完全退縮（T0），臨床也不能施予“等待觀察”的非手術策略。

目前尚沒有準確的轉移淋巴結評價標準，影像科醫師主要通過以下主觀征象來判斷淋巴結性質：淋巴結短徑、淋巴結形態邊緣是否規則以及淋巴結內部信號是否均勻，但這些方法或標準均為主觀評價，主要依賴醫師的個人經驗，不僅重復性差，而且準確度欠佳，不能滿足臨床應用。此外，術前新輔助治療所導致的部分纖維化、促纖維組織反應以及膠原反應等進一步增加了新輔助治療后淋巴結再評價的難度［1］。淋巴結準確定性目前只能依賴手術后病理學檢查，淋巴結評價的滯后性使得臨床上無法對新輔助治療或手術的方案進行個性化調整。

影像組學方法的興起及其在臨床醫學問題中的廣泛應用，為我們提供了新的思路和方法。Huang等［2］率先采用影像組學的方法，基于計算機體層成像（computed tomography，CT）圖像預測結直腸癌患者的淋巴結病理學狀態，該研究為解決結直腸癌淋巴結轉移這一疑難問題提供了新的思路。目前淋巴結影像組學相關研究中所使用的主要影像學檢查手段包括CT和磁共振成像（magnetic resonance imaging，MRI），選擇的組學特征主要分為3類：僅使用腫瘤原發灶特征［3-8］；僅使用淋巴結特征［9-11］；聯合使用腫瘤原發灶特征和淋巴結特征［12-13］。但是這里的聯合僅是簡單的合并，并沒有考慮腫瘤原發灶特征和淋巴結特征的協同作用。我們推測腫瘤原發灶特征和淋巴結特征之間應該有某些共同特征與淋巴結的病理學特性關系更為密切，本研究擬應用影像組學方法，選擇局部進展期直腸癌基線MRI圖像，利用腫瘤原發灶特征和淋巴結特征的交互項預測淋巴結病理學狀態。

1 資料和方法

1.1 研究對象

本研究為回顧性研究，得到了北京大學腫瘤醫院醫學倫理委員的批準（編號2019KT76）。納入標準：① 2011年8月—2015年4月北京大學腫瘤醫院直腸鏡活檢明確診斷為直腸癌；② 基線MRI證明為局部進展期（≥T3期或N+期）；③ 此前未行抗腫瘤治療；④ 于北京大學腫瘤醫院行完整治療（新輔助治療后行直腸癌根治術）；⑤ 病理學評價完整。排除標準：① MRI圖像存在嚴重偽影或影響測量的噪聲；② 腸鏡病理學診斷為黏液腺癌。

1.2 MRI及淋巴結影像評價

采用美國GE公司的Discovery 750 3.0 T MRI掃描儀，使用8通道相控陣體部線圈。常用掃描序列和參數見表1。

表1 直腸癌常用MRI掃描序列及掃描參數

所有患者如無注射禁忌證（青光眼、心臟病、前列腺增生），需在掃描前30 min內肌內注射20 mg山莨菪堿抑制腸道蠕動。

獲取的MRI圖像將由3名高年資影像科醫師雙盲評價，主觀評價為轉移淋巴結的標準：① 淋巴結短徑大于9 mm；② 淋巴結短徑為5～9 mm，淋巴結邊緣欠光整或淋巴結內部信號不均勻；③ 淋巴結短徑小于5 mm，淋巴結邊緣欠光整且淋巴結內部信號不均勻。

1.3 新輔助放化療

采用適形調強長療程放療計劃，總劑量50.0～55.0 Gy，大體腫瘤區2.3～2.5 Gy/次，臨床靶區1.8～2.0 Gy/次，共22次。放療同期給予同步口服卡培他濱（825 mg/m2，每日2次）化療。化療結束后8～11周接受手術。

1.4 病理學檢查

病理學檢查依據美國癌癥聯合會（American Joint Committee on Cancer，AJCC）第8版TNM分期標準，對所有根治性手術切除后的標本進行病理學檢查。本研究以病理學檢查結果顯示淋巴結轉移為1，非轉移為0對模型進行訓練和驗證。

1.5 腫瘤原發灶與淋巴結的勾畫

本研究由3名高年資影像科醫師采用ITKSNAP軟件在基線T2加權成像圖像上對腫瘤原發灶和體積最大的區域淋巴結進行逐層勾畫，并分別保存為不同的感興趣區（region of interesting，ROI）。

1.6 影像組學特征提取

采用Matlab軟件對原發灶和體積最大的淋巴結分別提取41個影像組學特征，包括9個灰度一階特征、24個灰度共生矩陣（GLCM）的紋理特征和8個幾何形狀特征。41個腫瘤原發灶的特征標記為Ftumor,i（i=1,2,…,41）；41個淋巴結特征標記為FLN,i（i=1,2,…,41）。其中灰度一階特征為最大值、最小值、均值、中位值、標準差、方差、灰度總和、偏度、峰度；形狀特征為體積、長軸長、短軸長、偏心率、延展度、方向、矩形框大小、周長；紋理特征為GLCM在距離（d值）分別取1和2時的以下特征：能量、熵、相關度、對比度、均勻度、變化度、和平均、慣性度、集群陰影、集群傾向性、最大概率值、倒方差。其中對比度特征（contrast）由于在后文中涉及，此處由公式⑴中給出，其中C為大小為LxL的GLCM，L為灰階數，C（i,j）代表灰度為i和j的像素對的個數。

1.7 交互項與相加項

本研究依照以下步驟定義腫瘤原發灶與淋巴結特征的交互項。

將Ftumor,i和FLN,i按照公式⑵分別標準化到0～1的區間。

將pN-定義為pN=0；將pN+定義為pN=1，并分別計算Ftumor,i和FLN,i和pN之間的相關系數。對于相關系數為正值或0的特征，Ftumor,i和FLN,i保持不變；對于相關系數為負值的特征通過公式⑶變換。

1.8 受試者工作特征（receiver operating characteristic，ROC）曲線

本研究以pN為參照對Ftumor,i、FLN,i和Fmutual,i（i=1,2,…,41）繪制ROC曲線。因此，本研究共對123個特征（41個腫瘤原發灶特征，41個淋巴結特征，41個交互項）繪制了ROC曲線，并計算曲線下面積（area under curve，AUC）。

1.9 統計學處理

采用SPSS 22.0軟件進行統計學分析。由3名醫師共同勾畫50例連續患者的ROI并測量其影像學特征，分別由影像組學模型計算其得分，再采用組內相關系數（intraclass correlation coefficient，ICC）計算醫師間的一致性。ICC＞0.80提示極高一致性，0.60＜ICC≤0.80提示較高一致性，0.40＜ICC≤0.60提示中等一致性，0.20＜ICC≤0.40提示較差一致性，ICC≤0.20提示無一致性。連續變量年齡采用t檢驗計算，其他分類變量采用χ2檢驗。ROC曲線的比較采用DeLong檢驗［14］。P＜0.05為差異有統計學意義。

2 結 果

2.1 患者一般臨床資料

本研究納入局部進展期直腸癌患者229例，臨床及流行病學特征見表2，分為pN-和pN+兩組進行比較。其中年齡和基線N分期在兩組之間差異有統計學意義（P＜0.05），年齡較小者淋巴結轉移的風險更高，與文獻［15］報道相符。

表2 臨床及流行病學特征 n (%)

2.2 一致性分析

3名醫師ROI勾畫一致性分析結果顯示達到了較高的一致性（ICC為0.779～0.914，P＜0.05）。

2.3 直腸癌原發灶特征、淋巴結特征及兩者交互特征預測淋巴結狀態

本研究采用AUC來評價直腸癌原發灶與淋巴結交互特征對于淋巴結病理學狀態的預測效能（表3）。如果將總共的123個特征按照AUC從大到小排列，前1/3的特征（即41個特征）中有21個特征是交互項。在所有的123條ROC曲線中，AUC最大的特征為GLCM_contrastmutual，即GLCM_contrasttumor和GLCM_contrastLN的交互項。GLCM_contrastmutual（AUC=0.727 6）的預測結果要優于單獨使用GLCM_contrasttumor（AUC=0.555 3，P=0.000 8）或GLCM_contrastLN（AUC=0.713 9，P=0.038 4），差異有統計學意義。除GLCM_contrast特征，AUC最大的特征為firstorder_summutual，即腫瘤區域灰度總和firstorder_sumtumor與淋巴結區域灰度總和firstorder_sumLN的交互項。firstorder_summutual（AUC=0.713 5）的預測結果要優于單獨使用firstorder_sumtumor（AUC=0.567 6，P=0.003 1）或firstorder_sumLN（AUC=0.690 8，P=0.012 0），差異有統計學意義。圖1A和B分別為GLCM_contrast特征和firstorder_sum特征相對于淋巴結病理學檢查結果的ROC曲線。

圖1 利用腫瘤特征、淋巴結特征及兩者交互項預測淋巴結病理學狀態的ROC曲線

表3 原發灶特征、淋巴結特征和交互特征的ROC曲線的AUC及其95% CI

為了對比交互項，本研究還對淋巴結特征與腫瘤原發灶特征的相加值進行了同樣的AUC計算。GLCM_contrastadd與 firstorder_sumadd的AUC分別為0.610 1和0.634 3，介于腫瘤原發灶與淋巴結的AUC之間。因此特征的簡單相加無法體現出腫瘤原發灶與淋巴結特征在預測中的協同作用。

3 討 論

本研究結果表明，在淋巴結病理學狀態的預測中，腫瘤原發灶與淋巴結特征的交互項要優于單獨的腫瘤原發灶特征或單獨的淋巴結特征。如果僅將腫瘤原發灶與淋巴結的對應特征相加，我們無法得到優于單獨腫瘤原發灶特征或單獨淋巴結的結果。本研究中對淋巴結病理學狀態預測效果最好的特征為GLCM中的對比度。根據方程⑴的定義，對比度與GLCM中灰度差及像素對數目成正比，即灰度差異越大的像素對的數目越多則對比度越大。因此，對比度越高說明該區域內成分的差異越大，更傾向于惡性；而且當腫瘤原發灶內部的對比度與淋巴結內部的對比度同時增高時，淋巴結病理學狀態為惡性的概率更大。一階特征中灰度總和的交互項是AUC排第二的特征，它是ROI內所有體素灰度值相加的結果。因此，該特征既包含了體積信息，也包含了信號強度信息。無論原發灶還是淋巴結，體積的增大均與惡性程度呈正相關。本研究的結果表明，原發灶與淋巴結體積的同時增大，能更好地預測淋巴結病理學狀態。

本研究只對特征進行了單因素的分析，證明了腫瘤原發灶與淋巴結特征的交互項能夠更好地預測淋巴結病理學狀態。交互項在與其他特征聯合的多因素分析中也會提高預測模型的準確度。盡管目前已有多個直腸癌影像組學的模型被提出，但尚沒有研究將腫瘤原發灶與淋巴結特征的交互項納入模型。包含交互項的影像組學模型不僅能夠提高預測淋巴結病理學狀態的準確度，而且有可能應用于其他目標，如遠端轉移或生存期的預測等。

本研究只提取了體積最大的淋巴結的特征，但體積最大的淋巴結不一定就是惡性的淋巴結。如何從1例患者的多個淋巴結中挑選出1個作為代表是有待解決的難題。有研究［16］從不同數目的淋巴結中提出其集體展現的特征，被證明優于選擇體積最大淋巴結的特征。更準確的方法是在影像學勾畫和病理學檢查時做到影像學和病理學的淋巴結一一對應。這種情況將可以把同一例患者的每個淋巴結作為不同的對象進行研究。目前已有影像學與病理學一一對應的影像組學和深度學習方面的研究［10-11］。本研究所提出的方法也可以在淋巴結影像學與病理學一一對應的情況下應用。

本研究為回顧性研究，存在一定的局限性，無法做到淋巴結的MRI影像學與病理學一一對照，這是目前大多數淋巴結影像學研究面臨的共性問題。但我們選擇體積最大的、發生轉移概率最高的淋巴結［16-19］作為研究對象，以患者個體為單位，評價是否有淋巴結轉移，而不去關注淋巴結分期（淋巴結轉移個數），不失為回顧性研究中新的研究思路和解決方法。本研究具有單中心的研究屬性，且所有患者均在同一臺MRI系統上完成。當圖像數據的來源不同時，交互項是否優于單獨特征仍需要進一步的驗證。在使用不同來源的圖像數據時，圖像的標準化是必要的步驟，也需要更進一步的研究。

綜上所述，相對于單獨使用直腸癌新輔助治療前MRI圖像中的腫瘤原發灶特征或淋巴結特征，二者的交互項有可能對新輔助治療后淋巴結病理學狀態進行更準確的預測。