對(duì)比增強(qiáng)液體衰減反轉(zhuǎn)恢復(fù)序列MRI影像組學(xué)評(píng)估成人彌漫性低級(jí)別膠質(zhì)瘤1p/19q狀態(tài)

劉書(shū)涵，李錦龍，周 青

(武漢大學(xué)人民醫(yī)院超聲影像科，湖北 武漢 430060)

2021年WHO中樞神經(jīng)系統(tǒng)腫瘤分類將成人彌漫性低級(jí)別膠質(zhì)瘤(diffuse lower grade glioma， DLGG)分為星形細(xì)胞瘤[異檸檬酸脫氫酶-1(isocitratedehydrogenase， IDH)突變型]和少突膠質(zhì)細(xì)胞瘤(IDH突變伴1p/19q共缺失)[1]。目前病理學(xué)檢查仍為臨床鑒定1p/19q共缺失的金標(biāo)準(zhǔn)，存在諸多潛在風(fēng)險(xiǎn)和并發(fā)癥[2]。作為無(wú)創(chuàng)預(yù)測(cè)腫瘤分子分型的新手段，影像組學(xué)現(xiàn)已廣泛用于臨床研究；但1p/19q共缺失在膠質(zhì)瘤中屬于相對(duì)少見(jiàn)的基因丟失事件[3]，導(dǎo)致相關(guān)影像組學(xué)研究相對(duì)較少。本研究以對(duì)比增強(qiáng)液體衰減反轉(zhuǎn)恢復(fù)(contrast enhancement-fluid attenuated inversion recovery， CE-FLAIR)序列MRI構(gòu)建影像組學(xué)模型，觀察其判斷成人DLGG 1p/19q狀態(tài)的價(jià)值。

1 資料與方法

1.1 研究對(duì)象 回顧性分析2017年6月—2021年12月135例于武漢大學(xué)人民醫(yī)院經(jīng)術(shù)后病理診斷的DLGG患者，男69例，女66例，年齡19～84歲，平均(42.3±13.6)歲；其中少突膠質(zhì)細(xì)胞瘤81例(共缺失組)，男37例，女44例，平均年齡(43.3±13.0)歲，WHO分級(jí)2級(jí)51例、3級(jí)30例；星形細(xì)胞瘤54例(非共缺失組)，男32例，女22例，平均年齡(39.9±14.4)歲，WHO分級(jí)2級(jí)37例、3級(jí)17例。經(jīng)分層抽樣，按7∶3比例將患者分為訓(xùn)練集和驗(yàn)證集。訓(xùn)練集(n=95)包括共缺失組57例、非共缺失組38例；驗(yàn)證集(n=40)包括共缺失組24例及非共缺失組16例。納入標(biāo)準(zhǔn)：①年齡≥18歲；②術(shù)前4周內(nèi)接受MR檢查，含完整CE-FLAIR序列成像，且圖像質(zhì)量較好；③腫瘤均為單發(fā)，MR檢查前均未接受任何干預(yù)；④術(shù)后均以熒光原位雜交法檢測(cè)1p/19q狀態(tài)。

1.2 儀器與方法 采用Siemens Verio 3.0T MR掃描儀，8通道頭部線圈。囑患者仰臥，完成常規(guī)序列掃描后，采用高壓注射器以3.0 ml/s流率經(jīng)肘靜脈團(tuán)注釓噴酸葡胺注射液(Bayer公司，劑量0.1 mmol/kg體質(zhì)量)，采集顱腦軸位CE-FLAIR序列圖像，參數(shù)：TR 7 500 ms，TE 94 ms，層厚5.0 mm，層間距1.0 mm，F(xiàn)OV 220 mm×186 mm，F(xiàn)A 150°，矩陣408×512，NEX 2。

1.3 圖像分割及特征篩選 由2名具有12年以上工作經(jīng)驗(yàn)的放射科主治醫(yī)師，采用3D-Slicer 4.11軟件，以盲法避開(kāi)瘤周水腫區(qū)手動(dòng)分割訓(xùn)練集軸位CE-FLAIR序列圖像中的腫瘤ROI，無(wú)明顯強(qiáng)化時(shí)勾畫腫瘤呈高信號(hào)最大范圍(圖1)；如其勾畫的腫瘤范圍差異≥5%，則由第3名具有20年以上工作經(jīng)驗(yàn)的神經(jīng)放射學(xué)專家評(píng)估并進(jìn)行調(diào)整而完成分割。

圖1 手動(dòng)勾畫CE-FLAIR序列MRI中的腫瘤ROI示意圖 A、B.患者女，29歲，右側(cè)額頂葉少突膠質(zhì)細(xì)胞瘤(WHO 2級(jí)，1p/19q共缺失)，軸位CE-FLAIR圖像示腫瘤無(wú)明顯強(qiáng)化(A)，故勾畫高信號(hào)最大范圍(B)； C、D.患者男，61歲，左側(cè)額葉星形細(xì)胞瘤(WHO 3級(jí)，1p/19q非共缺失)，軸位CE-FLAIR圖示腫瘤明顯強(qiáng)化(C)，利于勾畫(D) (綠色為腫瘤ROI)

采用“Radiomics”插件提取腫瘤特征，將分割后的圖像(nii.gz)導(dǎo)入特征提取界面，依次勾選一階統(tǒng)計(jì)量(firstorder)、灰度共生矩陣(gray-level co-occurrence matrix， GLCM)、灰度相關(guān)矩陣(gray-level dependence matrix， GLDM)、灰度游程長(zhǎng)度矩陣(gray-level run-length matrix， GLRLM)、灰度尺寸區(qū)域矩陣(gray-level size zone matrix， GLSZM)、鄰域灰度差矩陣(neighbouring gray tone difference matrix， NGTDM)、形狀(shape)、2D形狀(shape 2D)及基于小波的特征(wavelet-based features)；以Mann-WhitneyU檢驗(yàn)篩選具有差異的特征，再以5折交叉驗(yàn)證最小絕對(duì)收縮和選擇算子(least absolute shrinkage and selection operator， LASSO)算法去除對(duì)1p/19q狀態(tài)影響不顯著者。

1.4 影像組學(xué)模型構(gòu)建 采用Python 3.9.7軟件分析處理定量特征，并分別以NumPy 1.20.3、Pandas 1.3.4、SciPy 1.7.1、Scikit-Learn 1.0.2、極限梯度提升(extreme gradient boosting， XGBoost)1.5.2及輕量梯度提升機(jī)(light gradient boosting machine， LightGBM)3.3.2構(gòu)建機(jī)器學(xué)習(xí)模型。針對(duì)所選影像組學(xué)特征構(gòu)建5種常用且效能評(píng)價(jià)較好的機(jī)器學(xué)習(xí)模型，包括支持向量機(jī)(support vector machine， SVM)、隨機(jī)森林(random forest， RF)、XGBoost、LightGBM及邏輯回歸(logistic regreesion， LR)模型。

1.5 統(tǒng)計(jì)學(xué)分析 采用SPSS 26.0統(tǒng)計(jì)分析軟件。以獨(dú)立樣本t檢驗(yàn)比較符合正態(tài)分布且方差齊的計(jì)量資料；采用χ2檢驗(yàn)比較組間計(jì)數(shù)資料差異。繪制受試者工作特征(receiver operating characteristic， ROC)曲線，計(jì)算曲線下面積(area under the curve， AUC)，評(píng)價(jià)各影像組學(xué)模型判斷訓(xùn)練集及驗(yàn)證集DLGG 1p/19q狀態(tài)的價(jià)值，并以DeLong檢驗(yàn)進(jìn)行比較。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 一般資料 2組患者性別(χ2=2.391，P=0.122)、年齡(t=1.458，P=0.148)差異均無(wú)統(tǒng)計(jì)學(xué)意義。

2.2 影像組學(xué)特征篩選 針對(duì)每個(gè)ROI提取851個(gè)影像組學(xué)特征，分別標(biāo)記為F_1～F_851。經(jīng)Mann-WhitneyU檢驗(yàn)共選出74個(gè)組間差異有統(tǒng)計(jì)學(xué)意義的特征；以5折交叉驗(yàn)證的LASSO算法(圖2)引入懲罰因子(λ)；于λ=0.029時(shí)篩選 12個(gè)與1p/19q狀態(tài)顯著相關(guān)的影像組學(xué)特征(表1)，其間的關(guān)系熱圖見(jiàn)圖3。

圖2 LASSO算法篩選DLGG 1p/19q狀態(tài)的影像組學(xué)特征 A.于篩選特征中引入懲罰因子λ進(jìn)行計(jì)算，λ取虛線對(duì)應(yīng)數(shù)值； B.篩選特征對(duì)應(yīng)的LASSO系數(shù)(即縱坐標(biāo))隨λ值變化情況

表1 與DLGG 1p/19q狀態(tài)顯著相關(guān)的影像組學(xué)特征

圖3 LASSO選出的影像組學(xué)特征之間的關(guān)系熱圖 (色帶為Pearson相關(guān)系數(shù))

2.3 影像組學(xué)模型效能評(píng)價(jià) 基于以上特征建立的SVM、RF、XGBoost、LightGBM及LR模型評(píng)價(jià)訓(xùn)練集DLGG 1p/19q狀態(tài)的AUC分別為0.89、0.97、0.97、0.96及0.85，驗(yàn)證集的AUC分別為0.86、0.92、0.93、0.92及0.78。驗(yàn)證集中，LR模型AUC低于SVM、RF、XGBoost、LightGBM(Z=2.981、3.136、3.014、2.827，P均<0.05)；而SVM、RF、XGBoost及LightGBM間AUC差異均無(wú)統(tǒng)計(jì)學(xué)意義(P均>0.05)，見(jiàn)圖4。其他參考評(píng)價(jià)指標(biāo)包括敏感度、特異度、陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值及準(zhǔn)確率，其中RF準(zhǔn)確率最高達(dá)88.24%，見(jiàn)表2。

表2 5種機(jī)器學(xué)習(xí)模型評(píng)價(jià)DLGG 1p/19q狀態(tài)的效能比較

圖4 5種機(jī)器學(xué)習(xí)模型評(píng)價(jià)DLGG 1p/19q狀態(tài)的ROC曲線 A.訓(xùn)練集； B.驗(yàn)證集

3 討論

本研究通過(guò)提取CE-FLAIR的影像組學(xué)特征，分別構(gòu)建SVM、RF、XGBoost、LightGBM及LR機(jī)器學(xué)習(xí)模型，最終經(jīng)降維篩選后納入12個(gè)與1p/19q狀態(tài)顯著相關(guān)的特征，包括6個(gè)主要反映所測(cè)體素對(duì)稱性、均勻性及局部強(qiáng)度分布變化的一階特征(first order)和6個(gè)主要反映圖像體素灰度之間的空間排列關(guān)系的高階紋理特征(2個(gè)GLCM，2個(gè)GLDM，1個(gè)GLSZM，1個(gè)NGTDM)。腫瘤偏度(skewness)越大，代表其內(nèi)部體素分布越不對(duì)稱。1p/19q共缺失膠質(zhì)瘤更易出現(xiàn)鈣化、囊變和水腫，即腫瘤內(nèi)部信號(hào)跨度大，可能與偏度差異增大有關(guān)[4]。本研究共篩選出4個(gè)不同類型偏度特征，包括original(原始特征)及wavelet-LHL/LHH/HLL。產(chǎn)生鈣化可間接增加一階特征中的平均值(mean，ROI內(nèi)平均灰度級(jí)強(qiáng)度)和峰度(kurtosis，平均值標(biāo)準(zhǔn)化數(shù)據(jù)的四次方)。本研究共缺失組較非共缺失組更易發(fā)生鈣化，且發(fā)生率高于囊變及水腫，或與納入了平均值和峰度特征有關(guān)。

高階紋理特征中，繁忙度(busyness)表示像素與其鄰域之間的強(qiáng)度變化，可能與腫瘤內(nèi)部信號(hào)不均勻密切相關(guān)；CS是衡量GLCM偏度和均勻度的指標(biāo)，CS越高，代表平均值的不對(duì)稱性越大，進(jìn)一步佐證了偏度特征的可靠性。SDLGLE、IMC1、DV及GLNU則均具空間抽象性，可能與成人DLGG的異質(zhì)性有關(guān)。

樊建坤等[5]于來(lái)自98例DLGG患者的107個(gè)FLAIR序列影像組學(xué)特征中篩選出8個(gè)特征，用于建立SVM模型，其判斷驗(yàn)證集1p/19q狀態(tài)的AUC為0.82。KONG等[6]提取WHO 2～3級(jí)彌漫性膠質(zhì)瘤三維增強(qiáng)T1WI和T2WI特征用于構(gòu)建RF模型，其預(yù)測(cè)訓(xùn)練集和驗(yàn)證集1p/19q狀態(tài)的AUC分別為0.94和0.89，準(zhǔn)確率分別為0.89和0.83。KOCAK等[7]采用與上述相同的MR序列構(gòu)建的5種機(jī)器學(xué)習(xí)模型(神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、SVM、RF及隨機(jī)梯度下降)預(yù)測(cè)1p/19q狀態(tài)的AUC為0.77～0.87，尤以神經(jīng)網(wǎng)絡(luò)表現(xiàn)最佳，但與其他模型比較無(wú)顯著差異。本研究所建立的SVM、RF、XGBoost、LightGBM及LR模型評(píng)價(jià)訓(xùn)練集DLGG 1p/19q狀態(tài)的AUC分別為0.89、0.97、0.97、0.96及0.85，其在驗(yàn)證集的AUC分別為0.86、0.92、0.93、0.92及0.78，具有較高診斷效能，與前述研究結(jié)果相似或更優(yōu)；分析原因，可能在于對(duì)比增強(qiáng)序列更具優(yōu)勢(shì)，顯示信息更為準(zhǔn)確，CE-FLAIR作為常規(guī)增強(qiáng)的補(bǔ)充手段有利于反映軟腦膜受累、評(píng)價(jià)血腦屏障破壞程度，以半劑量釓劑即可達(dá)到與CE-T1WI媲美的增強(qiáng)效果[8-10]。

一項(xiàng)最新研究表明[11]，通過(guò)深度學(xué)習(xí)圖像標(biāo)簽(deep learning imaging signature， DLIS)構(gòu)建模型，可有效預(yù)測(cè)LGG患者1p/19q狀態(tài)，其于用于訓(xùn)練集和驗(yàn)證集的AUC高達(dá)0.99、0.98，F(xiàn)1分?jǐn)?shù)為0.99、0.94，明顯高于本研究結(jié)果；如能針對(duì)CE-FLAIR序列提取特征構(gòu)建DLIS模型，可能會(huì)更為優(yōu)異的表現(xiàn)。

綜上所述，基于CE-FLAIR影像組學(xué)模型可有效預(yù)測(cè)成人DLGG 1p/19q狀態(tài)；SVM、RF、XGBoost及LightGBM模型效能均較高，RF模型準(zhǔn)確率最高。但本研究樣本量小，且為單中心研究，僅針對(duì)單一CE-FLAIR序列MRI進(jìn)行研究，存在一定局限性，有待后續(xù)進(jìn)一步完善。