基于IVIM多參數MRI影像組學術前預測直腸癌T分期

張天奇，王芊婷，李明洋，苗政，付宇，劉統

結直腸癌(colorectal cancer,CRC)是常見的高死亡率癌癥之一[1]，其中直腸癌患者約占27%～58%[2]。影響直腸癌預后的主要因素包括原發腫瘤分期、淋巴結轉移狀態、環周切緣狀態等[3]。我國結直腸癌診療指南及歐洲腫瘤學會直腸癌指南指出[4,5]，未突破肌層外(T1-T2期)與已突破肌層外(T3-T4期)的直腸癌應采取不同的治療方案,對于未突破肌層外的直腸癌僅需切除原發腫瘤，保證足夠切緣，切除直腸系膜內淋巴脂肪組織及可疑陽性的側方淋巴結；而已經突破肌層外的直腸癌則應擴大切除范圍并進行區域淋巴結清掃。因此，術前準確鑒別直腸癌T1-T2期與T3-T4期，對制定患者個性化診療方案具有重要臨床意義。

影像組學作為圖像分析的一種新方法，目的是從傳統影像檢查所獲得的圖像數據中提取高通量的影像組學特征，并從中找到可以反映底層組織生物學信息的特征，通過分析和建模后達到預測患者臨床終點、病理類型、基因表達、腫瘤行為等目的[16]，建立了圖像與精準醫療的“橋梁”。基于影像組學方法建立直腸癌精準診斷模型已成為研究熱點之一[17,18]，為直腸癌的臨床診治決策提供了新的思路和方法。目前，基于IVIM功能圖像建立影像組學模型進行術前直腸癌T分期方面的研究鮮有報道。因此，本研究擬建立基于術前IVIM功能圖像和高分辨T2WI圖像的多參數影像組學模型，旨在探討其對直腸癌術前T分期的預測價值。

材料與方法

1.研究對象

回顧性納入2019年1月至2020年1月共113例直腸癌患者。病例納入標準：①術前2周內進行了包含IVIM序列的高分辨率直腸MRI掃描；②術后病理結果證實為直腸癌。病例排除標準：①有其他腫瘤病史(2例)；②術前高分辨率MRI圖像質量不佳(22例)；③術前行放療或化療(5例)；④臨床信息缺失(1例)。最終有83例患者納入本研究(T1:T2:T3:T4=6:16:47:14)，同時搜集患者臨床信息以進行后續分析。將患者分為腫瘤未突破肌層外組(T1+T2)與腫瘤已突破肌層外(T3+T4)組，兩組比例為(T1+T2):(T3+T4)=22:61。本研究獲得我院倫理委員會的批準，由于是回顧性研究，因而未進行患者知情同意書的簽署。

2.MRI檢查方法

所有患者在檢查前禁食4 h以上，檢查前1 h使用開塞露清潔腸道。MRI檢查均采用3.0T MRI掃描儀(Discovery MR750，General Electric Company)，采用自旋回波序列，掃描參數： TR 2800 ms，TE 59.8 ms，層厚4.0 mm，層間距1.0 mm，矩陣256×256，視野34 cm×34 cm，翻轉角90°，b值分別取0、25、75、125、150、175、200、400、600、800、1000 s/mm2。

3.影像組學研究流程

圖1 根據美國癌癥聯合委員會(AJCC)的腫瘤分期系統(第八版)繪制的直腸癌T分期示意圖。Tis：原位癌，腫瘤只存在于上皮或固有層中，未侵及黏膜層；T1：腫瘤已侵及黏膜下層，但未侵及固有肌層；T2：腫瘤已侵及固有肌層，但未侵及漿膜下層；T3：腫瘤侵及漿膜下層，但未突破漿膜層；T4a：腫瘤突破漿膜層；T4b：腫瘤侵及鄰近器官或結構。 圖2 病灶分割示意圖。a) 高分辨率T2WI序列病灶勾畫；b) DWI(b=1000s/mm2)序列病灶勾畫。

感興趣區的分割:由兩位放射科醫師(醫師A有4年腹部影像診斷經驗，醫師B有6年腹部影像診斷經驗)對腫瘤原發灶進行二維圖像的逐層勾畫，在勾畫圖像時兩位醫師對于患者最終的病理結果均不知曉。使用ITK-SNAP(V3.6.0，www.itksnap.org)軟件進行感興趣區(regions of interest，ROI)勾畫，具體方法如下：①IVIM功能序列ROI勾畫：在DWI(b=1000 s/mm2)圖像上逐層沿腫瘤邊緣(高信號)進行勾畫，并將ROI映射到ADCmap、Dmap、fmap功能圖像中；②T2WI序列ROI勾畫：逐層勾畫腫瘤的輪廓(高或稍高信號，圖2)。

使用RIAS(www.riascloud.com)[19, 20]軟件進行影像組學特征提取和分析建模，在ADCmap、Dmap、fmap、T2WI、DWI(b=1000 s/mm2)圖像中分別提取了1427個影像組學特征，最后每例患者的圖像都提取了7135個影像組學特征。提取所得的影像組學特征分為以下兩類：①基于特征類，包括一階統計量特征、形狀特征、紋理特征等；②基于過濾器類，包括小波變換、拉普拉斯變換、對數特征、指數特征、分形維數特征等。

通過對組內相關系數(intra-class correlation coefficient,ICC)的計算來評估組學特征的穩定性。從每個序列中隨機選擇20例患者用于ROI的穩定性評價。采用觀察者內ICC評估同一位醫師間隔一周的兩次分割計算的一致性，采用觀察者間ICC評估兩位醫生的第一次分割計算的一致性。當ICC不低于0.75時，則認為被分析的組學特征具有較好的再現性和可重復性。影像組學特征進行特征篩選前，在訓練組中進行特征標準化后映射到驗證組，以保證驗證組特征的獨立。

特征篩選和模型的構建:將上述單序列中的每組影像組學特征采用最小絕對收縮算子算法(least absolute shrinkage and selection operator，LASSO)進行降維，以選擇對診斷直腸癌T分期最有價值的特征，得到T2WI序列特征11個、DWI序列特征7個、ADCmap序列特征32個、Dmap序列特征2個、fmap序列特征23個。隨機選取70%的病例作為訓練組用于建立模型，剩下30%的病例作為驗證組進行模型驗證。每個序列(T2WI、DWI、ADCmap、Dmap、fmap)均采用邏輯回歸(logistic regression，LR)作為機器學習模型，分別建立T分期預測的單序列R評分(單序列模型)。再將每個單序列降維后得到的影像組學特征進行融合，再次使用LASSO進行降維，最終得到多序列融合后的最有價值的影像組學特征32個，同樣采用邏輯回歸模型構建多序列融合的T分期預測R評分(聯合模型)。

圖3 特征的篩選及評價。a)用10折交叉驗證的方法尋找LASSO的超參數lambda, 模型偏差最低點對應的橫坐標為最優的lambda值(虛線)； b)圖像每條彩色的線代表特征的系數隨lambda值的變化曲線，通過圖3a尋找到的lambda值(虛線)來確定系數不為0的參數，并將該參數用于最后的模型構建；c)模型特征權重系數柱狀圖，表示每一個特征在邏輯回歸模型中的系數值，系數為負表示特征與模型負相關，系數為正表示特征與模型正相關，且系數絕對值越大，相關程度越大；d)SHAP圖中的每一個點可以反映出每一個樣本中代表特征對模型的貢獻程度。每個點代表1例患者(紅色為陽性，藍色為陰性)，SHAP value中0左側的點表示該患者所代表特征對模型影響為負，0右側的點表示該患者所代表特征對模型影響為正。

4.統計學分析

采用RIAS軟件進行統計學分析。對于人口學信息中的數值變量首先進行正態分布檢驗，符合正態分布的數據采用t檢驗進行組間比較，而不符合正態分布的數據采用曼-惠特尼U檢驗進行組間比較。對于分類變量，均使用卡方檢驗進行組間比較。影像組學模型的診斷效能采用受試者工作特征(receiver operating characteristic,ROC)曲線、敏感度、特異度等共同評價。使用臨床決策(decision curve analysis,DCA)曲線評估影像組學模型的臨床應用價值。以P<0.05為差異有統計學意義。

結 果

患者的一般臨床信息及病理特征見表1。在訓練組中(T1+T2)與(T3+T4)患者的所有臨床信息差異均無統計學意義(P>0.05)，但在驗證組中CEA(P=0.049)及腫瘤原發灶位置(P=0.026)在(T1+T2)與(T3+T4)兩組間差異有統計學意義，筆者考慮這可能是由于驗證組中患者量較少導致的偏倚，進一步分析訓練組與驗證組間的各項臨床信息，結果顯示差異無統計學意義。

通過LASSO算法選擇單序列中預測價值最高的影像組學特征，再將每個單序列降維后得到的影像組學特征進行融合，再次使用LASSO算法進行降維，最終得到多序列中最有價值的影像組學特征32個，聯合模型特征的篩選過程及評價結果見圖3。

使用邏輯回歸方法建立聯合模型，聯合模型中所有患者的Rad評分及驗證組中患者的Rad評分見圖4。在訓練組及驗證組中，分別繪制了高分辨率T2WI、DWI、ADCmap、Dmap、fmap各單序列模型及聯合模型的ROC曲線(圖5)，各模型訓練組與驗證組的敏感度、特異度、準確率、F1分數等見表2，其中聯合模型在驗證組中的敏感度為0.810，特異度為0.750，準確度為0.800，陽性預測值為0.944，F1分數為0.872。

通過ROC曲線分析各模型預測T分期的效能(圖5)，其中聯合序列模型在驗證組中的曲線下面積(area under curve，AUC)為0.929 (95%CI：0.78～1.00)，高于其他單序列模型的AUC，表明聯合模型的診斷效能高于其他單序列模型。DCA曲線顯示在0.61～1.0的閾值范圍內(圖6)，聯合模型的凈收益較大。

討 論

直腸癌的發病率、死亡率均較高，給家庭和社會帶來沉重負擔[21]，術前對直腸癌進行準確的分期，制定個性化診療方案，對提高患者生存率、改善疾病預后、降低社會醫療負擔具有重要意義。相關指南推薦使用高分辨率MRI檢查用于直腸癌的分期[4]，但由于影像科醫生閱片經驗差異和圖像質量等方面的原因，術前T分期診斷準確性仍有待提高。影像組學方法從醫學影像中全面深入地挖掘高維度、深層次信息，分析影像特征與臨床數據等信息的關聯，以建立疾病的預測模型，進一步深化了醫學影像檢查的臨床作用，作為一種非侵入的檢查手段，可以在一定程度上降低醫療成本，更有可能成為臨床決策輔助工具[22]。近年來，影像組學技術在結直腸癌診療中的應用覆蓋了結直腸癌診療的各個階段，體現了影像組學方法在結直腸癌精準診斷方面的巨大潛力[22,23]。

表1 患者臨床及病理特征 (n,%)

表2 相關模型在訓練組及驗證組中的診斷效能

圖4 聯合模型中所有患者的Rad評分及驗證組患者的Rad評分，label0表示陰性(T1+T2)，label1表示陽性(T3+T4)。a) 所有患者的Rad評分；b) 驗證組患者的Rad評分。 圖5 訓練組及驗證組的ROC曲線。a) 訓練組中各單序列模型及聯合模型的ROC曲線；b) 驗證組中各單序列模型及聯合模型的ROC曲線。 圖6 DCA曲線。

本研究將IVIM功能圖和高分辨T2WI進行融合，建立了影像組學模型，聯合了多序列的組學模型在驗證組中的敏感度為0.810，特異度為0.750，準確度為0.800，陽性預測值為0.944，F1分數為0.872，AUC達到0.929(95%CI：0.78～1.00)，表明本研究所構建的多參數MRI組學模型在直腸癌T分期術前評估方面具有較高的應用價值。

由于IVIM包含ADCmap、Dmap、fmap等多個功能圖像，對于功能圖像ROI的勾畫方式，筆者做了如下考慮：IVIM功能圖像糅合了11組b值的病灶信息，是經過后處理所獲得的功能圖像，在后處理過程中為實現其反映灌注、擴散信息的目的，導致解剖信息的丟失，不利于觀察及對病灶的手動分割。DWI(b=1000 s/mm2)序列所采集的圖像，能夠提供較為清晰的解剖信息，更利于觀察和分割病灶[10,24]。同時，ADCmap、Dmap、fmap圖像是經軟件處理后同步生成的，所以這三種圖像上的位置信息均可以與DWI圖像中的位置實現對應。綜上考慮，筆者選擇了將DWI序列中所勾畫的ROI映射至IVIM功能圖像中的方法。在既往有關IVIM序列的大多數研究中，在后處理軟件中勾畫病灶后，由軟件得出相應測量值，將此測量值作為一項預測因素，這種研究模式并沒有完全挖掘IVIM序列圖像中蘊含的信息。而影像組學方法可以將圖像信息最大化利用，以挖掘更多價值。同時，相較于在后處理軟件上勾畫病灶，本研究中病灶ROI的勾畫并沒有將研究過程過度復雜化。在分析了使用不同序列建立的模型后，筆者發現使用T2WI序列建立的模型與最終的融合模型的敏感度、特異度比較接近，且本研究中T2WI模型的評價結果與既往文獻報道的報道結果相近[25,26]，但T2WI模型的AUC低于融合模型。在Sun等[26]的研究中，從T2WI序列中提取了256個影像組學特征并建立了評估直腸癌T分期的模型，所建立的預測模型AUC值為0.852(95% CI：0.677～1)，低于本研究建立聯合模型的診斷效能。同時，相較于完全依賴影像醫師人工進行評價的T分期研究[27](準確度為78%，敏感度為86%，特異度為65%)，本研究聯合模型的診斷效能較高。相較于傳統僅選擇T2WI序列或DWI序列的直腸癌T分期研究，本研究構建的聯合模型中既保留了T2WI及DWI序列中的腫瘤形態學信息，同時通過IVIM功能圖像增加了模型對腫瘤灌注和擴散的分析，從更多層面反映了腫瘤內部的異質性及腫瘤的行為、特點[28]，這可能是本研究建立的聯合模型較既往研究中其他模型診斷效能有所提高的原因之一。

本研究存在以下局限性：①本研究僅搜集了本院檢查的83例直腸癌患者，樣本量較小，導致了驗證組可能的偏倚，在后續研究中筆者將進一步擴大樣本量并搜集更豐富的臨床信息，從而確定他們之間的相關性；②所有患者的MRI圖像均來源于同一生產廠商(GE)，模型的泛化能力可能受限，其他設備廠商的數據代入到我們所構建的模型內，效能未知；③在IVIM相關研究中，有研究者指出較低的b值范圍(<100～200 s/mm2)所得到的圖像至關重要[29]，但對于臨床工作中應使用b值的數量和數值還沒有相關的共識或規范公布，因此本研究中選取的b值可能并非最佳值。在未來的研究中，筆者將擴大樣本量并改良實驗設計，進一步探究相關問題。