CT紋理分析對成人急性闌尾炎分型的預測價值

朱翰林 馮波 張梅花 張海峰 魏培英 韓志江

急性闌尾炎是最常見的臨床急腹癥，其終生患病率為7%～9%［1］，盡管手術切除是非常有效的治療手段，但其并發癥和有創性易給患者帶來痛苦。研究表明，保守治療與手術切除相比，在非復雜性闌尾炎（uncomplicated acute appendicitis，NCCA）患者的預后上并無明顯差異［2］，而復雜性闌尾炎（complicated acute appendicitis，CCA）常常需要手術治療才能有更好的預后［3］。因而，在闌尾炎早期對其病理分型進行精準預測，是臨床面臨的重要問題。傳統CT征象對于急性闌尾炎的評估主要基于醫師的裸眼觀察和經驗性分析，存在主觀能動性的干擾并且缺乏定量的評估指標，其診斷效能只有80.8%［4］。紋理分析［5］可通過運用計算機技術檢測肉眼無法識別的病變結構的細微變化，為急性闌尾炎的精準診斷提供依據。本研究通過回顧性分析157例急性闌尾炎患者的CT影像資料，并運用紋理特征建模，探討紋理分析對CCA和NCCA的預測價值，現報道如下。

1 材料與方法

1.1 臨床資料 選取2019年9月至2021年9月在杭州市第九人民醫院就醫的患者157例。（1）納入標準：①急性闌尾炎患者；②有術后病理結果；③年齡≥18歲。（2）排除標準：①闌尾結構CT顯示不清；②運動或體外異物偽影；③炎癥性腸病或進展期腸癌。本研究經醫院醫學倫理委員會批準，所有患者簽署知情同意書。

1.2 診斷標準和分類 根據病理類型，將急性闌尾炎患者分為NCCA組和CCA組。參考BHANGU等［6］對急性闌尾炎大體和鏡下表現的描述，總結如下：①NCCA病理類型包括單純性和化膿性闌尾炎；②CCA病理類型包括壞疽性、穿孔和膿腫。

1.3 CT檢查方法 采用美國GE公司Optima CT540 16排螺旋CT行腹部平掃，掃描范圍為膈頂至盆腔入口水平。患者掃描前未進行禁食、禁水。掃描參數：管電壓120 kV，管電流250 mAs，層厚5 mm，層間距5 mm，視野36 cm×36 cm。

1.4 CT紋理分析 采用分層隨機抽樣方法將患者資料按照8∶2的比例分為訓練集與測試集，訓練集的數據用于特征篩選、模型構建。（1）ROI分割：采用MRcroGL軟件，手動進行感興趣區域（region of interest，ROI）分割，ROI分割步驟：由1名影像醫師對患者闌尾進行逐層勾畫（見圖1），不含周圍炎性滲出，間隔3～5 d再次勾畫。（2）為降低采集參數差異造成的影響［7］并加強系統的魯棒性［8-9］，使用Nearest Neighbor和Pyradiomics軟件對圖像進行插值重采樣和標準化。（3）特征提取與建模：使用Pyradiomics對切割后的圖像先行小波變換后再行紋理特征提取，最終共提取出576個小波紋理特征。后采用Python語言的Sklearn內的邏輯回歸（Logistic Regression，Log）與支持向量機（support vector machine，SVM）、決策樹分類器（decision tree classifier，DTC）三種算法進行建模。最終，分別繪制三個模型在訓練集和測試集上的ROC曲線并計算AUC值、準確度、靈敏度及特異度，選取AUC值最高的算法進行下一步建模，組建基于CT紋理特征的機器學習模型。

圖1 1A為CCA患者病變全層ROI的勾畫；1B為NCCA患者病變全層ROI的勾畫

1.5 統計學方法 采用SPSS 23.0統計軟件。計量資料符合正態分布以（±s）表示，采用t檢驗；不符合正態分布以［M（P25，P75）］，使用 Mann-Whitney U檢驗進行分析。計數資料以［n（%）］，采用χ2檢驗。以P＜0.05為差異有統計學意義。

2 結果

2.1 兩組一般資料比較 經分層隨機抽樣分組后，訓練集125例患者中，病理結果顯示CCA患者61例，NCCA患者64例；測試集32例中，CCA患者16例，NCCA患者16例。訓練集和測試集患者相比，其臨床基線資料均無統計學差異，見表1。

表1 兩組的臨床基線資料比較

2.2 紋理特征提取的一致性檢驗 分次勾畫的CT紋理特征數據的ICC范圍為0.755～0.907，提示所提取的紋理學特征數據組內一致性較好。

2.3 CT紋理特征選擇結果 使用Pyradiomics軟件從CT圖像中共提取了576個小波紋理特征，通過LASSO回歸篩選出8個最優特征集（圖2、3），包括一階紋理特征2個：分別為高高低和高低高通濾波后峰度；二階紋理特征基于灰度共生矩陣：濾波后最大概率1個；高階紋理特征基于灰度游程長度矩陣5個：運行百分比、長游程高灰度優勢、灰度非均勻歸一化、長游程低灰度優勢、短游程高灰度優勢。各特征所占權重，見圖4。

圖2 縱軸為均方誤差，橫軸表示l o g（λ）值。模型的均方誤差最小處的λ為最優值（垂直虛線）

圖4 篩選獲得的8個紋理特征及其所占權重

2.4 CT紋理分析模型構建與驗證 將8個CT紋理特征分別使用SVM與Log、DTC三種算法建立模型并繪制在訓練集和測試集中的ROC曲線，分別得出在訓練集上AUC值為0.92，0.88，0.79；測試集上AUC值為0.90，0.84，0.73（見圖5）。選取AUC值最高的SVM算法進行下一步建模，繪制ROC曲線，分別得出訓練集和測試集AUC值為0.92、0.90（見圖6、表2）。

表2 SVM在訓練集和測試集的診斷效能

圖3 縱軸為系數值，用最佳λ值代做垂線，保留與該垂線相交且系數不為零的曲線對應的參數

圖5 三種算法模型的ROC曲線

圖6 支持向量機模型在訓練集和測試集中的ROC曲線

3 討論

急性闌尾炎在臨床上往往選擇手術切除作為主要治療手段，但明顯存在著有創性和發生術后并發癥風險的缺點。因此，保守治療在臨床中正越來越受到重視，SALMINEN等［10］的研究結果證實了保守治療也能夠取得不亞于手術治療的效果，然而存在CCA復發和再次手術的風險。術前對CCA和NCCA的判別主要依賴于醫師的主觀鑒別，如通過CT影像上闌尾直徑是否≥6 mm做出是否為急性闌尾炎的診斷，將存在糞石或穿孔的定義為CCA［10-11］。但實際上這與病理學上的定義并不相同，如經病理診斷為NCCA的患者，其中亦不乏有糞石者。因此，尋找一個客觀可行的影像學方法來鑒別NCCA和CCA就顯得尤為重要。

本研究采用的是不同于以往的傳統影像學診斷方式，而是通過提取可量化的CT紋理特征，使用3種機器學習方法進行建模分析，從而鑒別NCCA和CCA。本研究中SVM模型的AUC值最高，SVM作為一種強機器學習算法，引入了核函數和核技巧，有效解決了非線性問題［12-13］，其原理是通過把CT紋理特征映射到更高維度的空間中，以解決原空間中線性不可分的問題，在保證模型的診斷準確度時又有效避免了過擬合。

本研究中8個最優紋理特征均為小波特征，小波變換是通過不同維度方向的變換方式，在濾波去噪的同時保證圖像的特征不變［14］。在8個最優特征集中權重最高的是小波變換后的“灰度非均勻歸一化”，該特征是以通過除以離散強度值的總數來標準化相鄰強度值之間的差值，反映了圖像的局部均勻性。其中CCA組的“灰度非均勻歸一化”要低于NCCA組（P＜0.05），說明CCA圖像的均勻度較差，其原因可能是CCA患者闌尾化膿和壞死的透壁炎癥較為嚴重，從而使得闌尾密度變的不均勻。僅次于“灰度非均勻歸一化”紋理特征的是不同濾波下的“峰度”值，該特征用來描述圖像像素灰度信息分布的陡峭程度，若峰度值越大，則分布的形態越陡峭。本研究中，CCA組的峰度值明顯高于NCCA組，表明CCA組陡峭程度高于NCCA組，這可能是由于CCA患者闌尾易壞疽、穿孔所導致的。其他紋理均屬于游程矩陣，主要反映了紋理的方向性和粗糙程度［15］，在某個角度具有方向性的紋理會體現為較長的游程，圖像上的值越大表明在長行程優勢越光滑，同理在短行程優勢中越粗糙。而圖像灰度分布與游程的長度相關，CCA和NCCA病灶內病理表現的不同導致了圖像的灰度分布改變，因此游程矩陣是鑒別CCA和NCCA的重要紋理特征。

本研究不足之處：①盡管本研究的病例有157例，但急性闌尾炎作為常見病其研究的樣本量還是偏少，本研究組下一步將擴充樣本量；②本研究屬于單中心回顧性研究，可能存在選擇偏倚，需要進一步的多中心、大規模隊列前瞻研究和外部驗證。

綜上所述，CT紋理分析在鑒別NCCA與CCA時可作為急性闌尾炎早期分型的一種新手段，為臨床決策提供更客觀、準確的依據。