基于增強CT影像組學評估肝硬化患者肝儲備功能的應用

張智星， 黃忠江， 何生， 王軍， 梁敏茜， 楊曉芳， 李卓君， 姜增譽， 李健丁

肝硬化是一種慢性、進行性、破壞性的肝臟疾病[1]，30%的肝硬化患者最終會發展為肝細胞癌，約有90%的肝細胞癌合并肝硬化[2]。肝硬化患者的肝內活性肝細胞數目減少從而導致肝臟儲備功能下降，此時若行肝切除術發生肝功能衰竭的幾率會大大增加[1,3]。因此，在肝切除術前對肝硬化患者的肝臟儲備功能進行準確的評估，對降低術后肝衰竭及死亡的發生率至關重要[4]。

目前，Child-Pugh評分系統仍然是臨床上應用最廣泛的評估肝儲備功能以及輔助原發性肝癌分期的重要方法[5,6]。根據中國臨床腫瘤協會發布的《原發性肝癌診療指南(2020)》指出：Child-Pugh A級是實施肝切除手術的必要條件之一[7]，而Child-Pugh B級患者選擇肝切除術應該慎重，Child-Pugh C級是肝切除手術及放化療的絕對禁忌證。因此，術前定量評估Child-Pugh分級對于患者如何選擇治療方式以及評估預后具有十分重要的意義[8]。

CT檢查是目前篩查和診斷肝臟疾病的主要影像學檢查手段[9,10]，但放射科醫生對肝臟影像表征的主觀觀察還不足以診斷肝臟儲備功能，以致影響治療方案的選擇和患者的預后。近年來興起的影像組學能從標準醫學影像中高通量挖掘、提取并分析人眼不能直接觀察到的高維影像組學特征，實現對醫學影像的量化分析[11]。本研究使用影像組學技術基于CT增強圖像提取肝臟影像組學特征，建立列線圖模型預測肝硬化患者的Child-Pugh分級，以期能夠定量評估肝臟儲備功能，輔助臨床診療決策。

材料與方法

1.研究對象

回顧性分析2018年1月-2020年1月于山西醫科大學第一醫院經臨床證實為肝硬化并行上腹部增強CT檢查的患者，納入標準:①據中華肝病學分會《肝硬化診治指南(2019)》[12]中的臨床診斷標準確診為肝硬化的患者；②具有完整的臨床病史資料及腹部CT檢查一周以內的實驗室檢查結果，包括白蛋白水平、膽紅素水平、凝血酶原時間國際標準化比值(International normalized ratio of prothrombin time，INR)等指標；③均行腹部增強CT掃描，有完整、清晰的腹部CT影像資料。④均行腹部超聲檢查，有關于腹水嚴重程度的診斷報告。排除標準:①既往有過介入治療或肝切除術史的患者；②肝內有巨大腫塊(最大直徑>5 cm)或肝內有彌漫性病灶(數目>5個)的患者；③肝靜脈和/或門靜脈主干內有血栓或癌栓等改變肝臟血流動力學而影響肝臟顯像的患者；④因運動等產生偽影導致圖像質量不佳者。根據上述納入標準及排除標準，最終納入符合條件的肝硬化患者共144例。其中Child-Pugh A級33例，Child-Pugh B級61例，Child-Pugh C級50例。

2.肝儲備功能分級

依照《臨床實踐指南：肝膽腫瘤(2020.V4)》[5]中的Child-Pugh評分細則(表1)，據每位患者肝性腦病程度、腹水程度、白蛋白水平、膽紅素水平、INR等五項指標進行評分。每項指標按照3個等級分別記為1、2、3分，以5項指標的分數總和進行Child-Pugh分級：Child-Pugh A級為5～6分；Child-Pugh B級為7～9分；Child-Pugh C級為10～15分。

表1 Child-Pugh評分細則

3.CT圖像采集

所有患者均接受上腹部CT平掃及增強掃描。采用美國GE64排128層Light Speed螺旋CT、西門子雙源能譜Force CT以及飛利浦IQon光譜CT。3種型號的CT機器采用相同的掃描參數：橫斷層厚5 mm，層間距5 mm，管電壓120 kV，管電流自動調控，矩陣512×512，掃描范圍自膈頂至肝右葉下緣。增強掃描用高壓注射器經肘靜脈注入對比劑(優顯維，370 mg I/mL)，劑量80～100 mL，流率3.0 mL/s，延遲時間分別約為35～40 s、60～80 s、100～120 s，分別獲得動脈期、門脈期和平衡期的肝臟圖像。

4.CT圖像預處理及特征提取

將DICOM格式的原始CT圖像導入醫學圖像處理軟件ITK-SNAP(Penn image computing and science laboratory,version3.8.0)。由4名影像住院醫師對動脈期、門脈期、平衡期薄層圖像中的肝臟區域進行逐層手動勾畫作為感興趣區(region of interest，ROI)，勾畫時沿肝臟邊緣進行，盡可能避開肝內大血管、膽管及病灶，最后儲存為3維容積ROI(圖1)。然后由2名影像診斷主任醫師(醫師A與醫師B)對ROI進行檢驗及校準，之后對醫師A與醫師B的檢驗及校準結果進行一致性分析，計算組內相關系數 (interclass correlation coefficient,ICC) ，最終醫師A與醫師B判定結果比較的ICC為0.866～0.938。說明所提取影像特征在兩者間的一致性較好，其再現性及可重復性能夠滿足研究需要。使用Pycharm(version-2021.1.3)平臺載入pyradiomics庫對ROI進行特征提取，在原始圖像上和衍生圖像上提取一階特征(first order statistics)、形狀特征(shape-based)、灰度共生矩陣特征(gray levelco-occurrence matrix,GLCM)、灰度區域大小矩陣特征(gray level sizezone matrix,GLSZM)、灰度行程矩陣特征(gray level runLength matrix,GLRLM)、鄰域灰度差矩陣特征(neighborhood graytone difference matrix,NGTDM)以及灰度相關矩陣特征(gray level dependence matrix,GLDM)，共提取2832個組學特征。

圖1 肝臟分割與生成3D-ROI。

5.特征篩選及影像組學標簽建立

構建Child-PughAVersus (vs) Child-Pugh B/C(數據集1)和Child-Pugh A/B vs Child-PughC(數據集2)2個數據集，將每個數據集中的病例按8∶2的比例分層抽樣分為訓練集和測試集。采用合成少數類過采樣技術(synthetic minority oversampling technique,SMOTE)解決數據集中樣本不平衡的問題。使用Z-SCORE技術對特征進行歸一化處理，然后用主成分分析法(principal component analysis,PCA)對特征進行降維。使用遞歸特征消除法(recursive feature elimination,RFE)及5倍交叉驗證法進行特征選擇，分別選取權重最高的1～10個影像組學特征使用邏輯回歸(logistic regression,LR)構建影像組學標簽，以交叉驗證集受試者工作特征(receiver operating characteristic,ROC)曲線下面積(area under curve,AUC)最大的模型為最優、最穩定模型。

6.列線圖預測模型的建立與評估

根據影像組學標簽分別創建用于區分Child-Pugh A級和Child-Pugh B/C級以及區分Child-Pugh A/B級和Child-Pugh C級的列線圖預測模型(分別命名為A vs B/C模型與A/B vs C模型)，將模型分別用于訓練集與測試集，繪制ROC曲線，并計算AUC。采用Hosmer-Lemeshow擬合優度檢驗分析模型的擬合度，并繪制校正曲線。最后繪制臨床決策曲線(decision curve analysis,DCA)評價模型鑒別Child-Pugh分級的凈獲益。

7.統計學分析

結 果

1.臨床資料比較

將數據集1和數據集2分別按照8：2的比例隨機分成訓練集和測試集。分別比較2個數據集中訓練集和測試集的一般臨床資料及實驗室指標，發現差異均無統計學意義(P>0.05) (表2) 。

2.特征篩選及影像組學標簽建立

在數據集1中，經特征降維后發現選取權重最大的前6個特征(圖2a)所建立的模型在交叉驗證集中表現最優，其AUC=0.757 (95%CI：0.840～0.866)。對這6個特征進行LR回歸構建影像組學標簽計算公式(表3)，并計算每例患者的組學評分。對每例患者影像組學標簽分數值進行統計學分析顯示訓練集與測試集中的Child-Pugh A和Child-Pugh B/C的差異具有統計學意義(表4)。

在數據集2中，經特征篩選后發現選取權重最大的前4個特征(圖2b)所建立模型的交叉驗證集AUC=0.710(95%CI：0.601～0.812)為最高。用這4個特征構建鑒別Child-Pugh A/B與Child-Pugh C的影像組學標簽公式(表5)，并計算每例患者的組學評分。對每例患者影像組學標簽分數值進行統計學分析顯示訓練集與測試集中的Child-Pugh A/B和Child-Pugh C的差異具有統計學意義(表6)。

圖2 建立最優模型所選取的特征及貢獻度，Y軸代表特征名稱，X軸代表貢獻度。a) A vs B/C模型；b) A/B vs C模型。圖3 基于訓練集數據構建的預測Child-Pugh分級的列線圖。a) A vs B/C模型列線圖； b) A/B vs C模型列線圖。圖4 最優模型在訓練集及測試集中預測Child-Pugh分級的效能a)A vs B/C模型; b)A/B vs C模型。

3.列線圖構建及效能評價

根據2個數據集中的影像組學評分創建并繪制Avs B/C模型與A/B vs C模型列線圖(圖3)，列線圖分別給出了預測肝儲備功能為Child-Pugh B/C與Child-Pugh C的風險系數(0.1～0.99，0.1～0.95)。繪制ROC曲線(圖4)，并計算AUC值、敏感度(sensitivity)、特異度(specificity)、陽性預測值(positive predictive value,PPV)、陰性預測值(negative predictive value,NPV)等評價指標(表7)。Hosmer-Lemeshow擬合優度檢驗顯示列線圖校準曲線(圖5)在訓練集和測試集顯示出良好的校準性能([A vs B/C模型：訓練集P=0.624，測試集P=0.563]，[A/B vs C模型：訓練集P=0.137，測試集P=0.059])。采用DCA曲線(圖6)評價模型在臨床上的實用性，A vs B/C模型當訓練集概率閾值0.19～0.98和測試集概率閾值0.17～0.83時，比認為全是Child-Pugh A或全是Child-Pugh B/C獲得更多的凈收益。A/B vs C模型中當訓練集概率閾值0.09～1.00和測試集概率閾值0.23～0.79時，比認為全是Child-Pugh A/B或全是Child-Pugh C獲得更多的凈收益。這證明兩模型在鑒別肝硬化患者Child-Pugh分級方面有較高的臨床應用價值。

表2 訓練集與測試集肝硬化患者臨床資料與實驗室指標比較

表3 鑒別Child-Pugh A與Child-Pugh B/C 的影像組學評分公式

圖5 模型在訓練集與測試集中的校準曲線。a) A vs B/C模型訓練集；b) A vs B/C模型測試集； c) A/B vs C模型訓練集； d) A/B vs C模型測試集。

表4 A vs B/C模型訓練集和測試集影像組學標簽分數值統計

表5 鑒別Child-Pugh A/B與Child-Pugh C的影像組學評分公式

表6 A/B vs C模型訓練集和測試集影像組學標簽分數值統計

討 論

Child-Pugh分級是目前臨床上使用最廣泛的評價肝硬化患者肝儲備功能的手段，其對減少肝硬化患者肝臟術后肝衰竭、肝性腦病甚至死亡的發生至關重要[12]。但是要進行Child-Pugh分級需要搜集多項臨床及實驗室指標，在使用時存在一定的局限性[14]。國內外學者研究表明多期增強CT圖像可量化肝循環血流動力學改變來評估肝硬化患者的肝儲備功能[15]，Kang等[16]的研究顯示肝臟多期增強CT掃描圖像經后處理得到的動脈增強分數可反應肝硬化患者的血流動力學改變，并與Child-Pugh分級存在顯著相關性(Spearman ρ=0.553，P<0.0001)。容鵬飛等[17]研究表明肝臟3期增強CT圖像經后處理得到的肝動脈增強分數對于無肝臟疾病者、肝硬化Child-Pugh A、B、C級的患者具有良好的鑒別能力(AUC均>0.9)。

表7 2組模型在訓練集與測試集中的診斷性能

影像組學是近年來新興的可用于影像診斷的一種新技術。它能夠在醫學圖像的感興趣區中深度挖掘與疾病診斷相關的有價值的高維度組學特征，應用影像組學標簽評分將人眼無法觀察的組學特征轉化為定量化的數值，并依此構建模型應用于臨床決策。基于醫學影像利用影像組學對肝臟儲備功能進行定量分級成為近年來的研究熱點。Shi等[18]回顧性分析了60例肝硬化肝癌患者的釓塞酸二鈉(Gd-EOB-DTPA)增強磁共振圖像的組學提取特征并利用影像組學標簽建模，研究表明基于增強磁共振圖像的影像組學模型在進行肝儲備功能分級時表現出良好的性能。周瑋等[19]利用影像組學技術基于Gd-EOB-DTPA磁共振成像肝膽期圖像創建列線圖實現了對100例肝硬化患者肝儲備功能的Child-Pugh分級(訓練集AUC=0.88,測試集AUC=0.86)。

圖6 模型在訓練集與測試集中的決策曲線。a) A vs B/C模型訓練集；b) A vs B/C模型測試集；c) A/B vs C模型訓練集；d) A/B vs C模型測試集。

之前的研究表明利用肝臟影像組學特征進行肝儲備功能分級具有可行性和臨床價值，但目前國內外鮮有基于多期增強CT肝臟影像組學特征進行Child-Pugh分級的研究。本研究基于肝硬化患者腹部3期增強CT圖像，利用肝臟區域與Child-Pugh分級相關性最高的組學特征建立影像組學標簽，并創建可視化的列線圖模型進行肝儲備功能的預測，列線圖在訓練集與測試集均表現出良好性能。雖Shi等[18]與周瑋等[19]研究取得了理想的實驗結果，但是Gd-EOB-DTPA作為對比劑較為昂貴，且檢查耗時較長，在臨床上廣泛性用于肝功能評價時存在困難。而本研究的優勢在于采用了更為低價、更為常規的增強CT掃描，這提高了在臨床上將影像組學技術應用于肝儲備功能分級的普適性。而且與周瑋等[19]只提取了肝膽期圖像的396個特征不同，本研究提取了肝臟增強CT 3期原始圖像及衍生圖像中的2832個影像組學特征，相比較而言，提取的特征更多、更為全面，以免遺漏有價值的特征。周瑋等[19]只進行了Child-Pugh A與Child-Pugh B/C的分級，而本研究所建兩個模型可精準預測Child-Pugh A、B、C，可為臨床提供更為細致的肝功能分級的信息，而且本研究所建立的A vs B/C模型在訓練集上的診斷性能較周瑋等[19]提升了約5%(本研究A vs B/C模型：AUC=0.920,周瑋等[19]A vs B/C模型：AUC=0.880)。本研究通過挖掘與Child-Pugh分級相關的肝臟影像組學特征，建立影像組學標簽并構建列線圖，成功地實現了在腹部CT圖像中初步診斷肝儲備功能Child-Pugh分級的功能，這為之后利用深度學習卷積神經網絡自動化實現肝臟儲備功能評估提供了可靠依據。

本研究存在局限性。首先，本研究屬于回顧性的單中心小樣本研究，后期需要擴大樣本量進行前瞻性研究并利用其他中心的數據進行外部驗證以證實模型的泛化能力。其次，Child-Pugh分級屬于半定量分析方法，存在部分主觀因素，以后將加入吲哚氰綠(ICG)清除試驗這一定量指標或以病理結果作為金標準來建模，以提高模型的魯棒性。

綜上，本研究基于不同肝儲備功能的肝硬化患者腹部增強CT圖像，利用影像組學技術提取肝區有價值的影像組學特征，建立組學標簽并創建用于Child-Pugh分級的列線圖預測模型，模型表現出較高的預測能力并具有臨床實用性，可將其作為評估肝儲備功能的可靠工具來輔助臨床醫生進行診療決策。