基于磁共振T2WI紋理分析對直腸癌淋巴結(jié)轉(zhuǎn)移的預測價值評估

李國強，柯煒煒，孫祥林，魏宇澤，盧再鳴

直腸癌是最常見的消化道腫瘤之一，其發(fā)病率逐年升高，是世界范圍內(nèi)第三大癌癥死亡的原因，嚴重危害人類生命與健康[1-2]。淋巴結(jié)轉(zhuǎn)移（lymph node metastasis, LNM）是直腸癌最常見的轉(zhuǎn)移方式之一，評估直腸癌患者淋巴結(jié)是否轉(zhuǎn)移在治療方案的制訂及預后評估等方面起著至關(guān)重要的作用，由于術(shù)前淋巴結(jié)評估的不確定性，各個國家治療直腸癌的方案也不盡相同[3-7]，盡管傳統(tǒng)影像學可從形態(tài)、大小等方面初步評估淋巴結(jié)性質(zhì)，但結(jié)果仍存在偏差，目前尚未有一種能夠在術(shù)前準確且無創(chuàng)地評估直腸癌淋巴轉(zhuǎn)移情況的方法[8]。

紋理分析技術(shù)從醫(yī)學圖像中高通量提取定量信息，通過無創(chuàng)的方法更深層次的評價腫瘤內(nèi)部結(jié)構(gòu)，彌補了傳統(tǒng)影像學肉眼觀察的局限性，在各類腫瘤相關(guān)領(lǐng)域的研究上展現(xiàn)出了巨大的潛力[9-10]。作為直腸MRI的常規(guī)序列，T2WI在顯示病灶結(jié)構(gòu)特征方面較T1WI 更具優(yōu)勢，可操作性更好，同時掃描成本低于增強序列，且無需考慮個體循環(huán)差異及藥物影響，在直腸癌患者隨訪中應用廣泛，故本研究擬基于直腸癌患者術(shù)前T2WI 序列圖像的紋理特征，結(jié)合直腸患者術(shù)前臨床指標構(gòu)建可準確預測LNM的聯(lián)合模型，從而為臨床制訂或調(diào)整治療計劃、評估患者預后提供更好的幫助。

1 材料與方法

1.1 研究對象

本研究通過中國醫(yī)科大學附屬盛京醫(yī)院醫(yī)學倫理委員會批準，免除受試者知情同意，批準文號：2020PS416K。回顧性分析2015年1月至2020年12月在中國醫(yī)科大學附屬盛京醫(yī)院同一臺MRI 設(shè)備上進行直腸掃描并通過病理確診為直腸癌的患者臨床資料及影像學資料，所有資料均通過醫(yī)院病歷系統(tǒng)獲得。納入標準：（1）經(jīng)病理證實為直腸癌；（2）MRI 檢查前未接受任何放化療，檢查后進行直腸癌根治性切除術(shù)以及淋巴結(jié)節(jié)清掃；（3）病理及相關(guān)臨床資料完整；（4）無其他惡性腫瘤病史。排除標準：（1）圖像存在偽影，影響觀察或難以勾畫感興趣區(qū)域（region of interest, ROI）；（2）未進行手術(shù)或僅局部切除未能獲取淋巴結(jié)病理情況。研究初始納入172例患者，因手術(shù)前行放療或化療排除27 例、圖像存在偽影排除22 例、未行根治性切除術(shù)及淋巴結(jié)清掃術(shù)排除11 例。最終本次研究納入112 例患者，年齡（63±8）歲，其中男69例，女43例，LNM患者（LNM+組）43例，非LNM 患者（LNM-組）69 例。納入對象被按照7∶3 的比例隨機分為訓練組和驗證組，訓練組78 例（LNM+：30 例，LNM-：48 例），驗證組34 例（LNM+：13 例，LNM-：21例）。

1.2 MRI掃描方法

所有患者術(shù)前應用美國GE公司3.0 T Signa HDx雙梯度磁共振掃描儀進行檢查，使用8通道體部相控陣線圈。患者術(shù)前4 h禁食水，48 h內(nèi)不行任何其他對比增強影像檢查，患者取仰臥位，平靜呼吸。掃描范圍從結(jié)直腸末段至肛門。T2WI 序列具體掃描參數(shù)為：TR 2981 ms，TE 90 ms，F(xiàn)OV 240 mm×240 mm，NEX 2，矩陣224×224，層厚8 mm，層間距3 mm，翻轉(zhuǎn)角15°。掃描時間為150 s左右。

1.3 觀察指標

術(shù)前記錄直腸癌患者性別、年齡等基本臨床信息，檢測腫瘤標記物癌胚抗原（carcinoma embryonic antigen, CEA）及糖類抗原CA19-9 水平并測量目標淋巴結(jié)在橫斷位及矢狀位的T2WI序列圖像上的最大徑，計算出目標淋巴結(jié)短徑/長徑比值，匯總成為直腸癌患者臨床指標。

將直腸癌患者影像資料以DICOM 形式導入A.K.軟件（Artificial Intelligence Kit, GE Healthcare,China）進行圖像標準化預處理，同時采用線性插值法進行重采樣處理。將完成標準化預處理的圖像導入至ITK-SNAP軟件，由兩名具有5年以上腹部MRI診斷經(jīng)驗的醫(yī)師依據(jù)手術(shù)結(jié)果和病理資料勾畫出直腸癌腫瘤及目標淋巴結(jié)所在層面的全部ROI。LNM+組淋巴結(jié)的勾畫根據(jù)病理結(jié)果選取短徑最大的轉(zhuǎn)移性淋巴結(jié)作為研究對象，LNM-組則選取掃描平面內(nèi)距離病灶最近且短徑＞3 mm的淋巴結(jié)進行勾畫，勾畫過程中避免腸內(nèi)容物、血管等因素的干擾。勾畫結(jié)果由另一名更高年資醫(yī)師進行復核，勾畫過程中如發(fā)生異議，則通過協(xié)商達成一致，勾畫結(jié)果如圖1所示。

圖1 感興趣區(qū)域（ROI）勾畫示意圖。1A～1B：男，69歲，術(shù)后病理診斷為直腸中分化腺癌伴多發(fā)淋巴結(jié)轉(zhuǎn)移，圖片紅色區(qū)域分別為T2WI序列腫瘤病灶（1A）和確診為轉(zhuǎn)移性的淋巴結(jié)（1B）ROI勾畫示意圖。1C～1D：女，60歲，術(shù)后病理診斷為直腸中分化腺癌伴腸周淋巴結(jié)多發(fā)反應性增生，圖片紅色區(qū)域分別為T2WI序列腫瘤病灶（1C）和反應性增生淋巴結(jié)（1D）的ROI勾畫示意圖。Fig. 1 Region of interest (ROI) delineation diagram. 1A, 1B: A 69-year-old male patient, with postoperative pathological diagnosis of rectal moderately differentiated adenocarcinoma with multiple lymph node metastasis.The red areas of the picture are the ROI delineations in T2WI sequence of the tumor lesions(1A)and the diagnosed metastatic lymph nodes(1B),respectively.1C,1D:A 60-year-old female patient,with postoperative pathological diagnosis of moderately differentiated adenocarcinoma of the rectum with multiple reactive hyperplasia of peri-intestinal lymph nodes,the red areas of the picture are the ROI delineations of the T2WI sequence tumor lesion(1C)and reactive hyperplastic lymph node(1D).

將分割的ROI文件再次導入A.K.軟件，對ROI圖像的一階參數(shù)（如直方圖參數(shù)）和高階參數(shù)[灰度共生矩陣參數(shù)（gray-level co-occurrence matrix, GLCM）、行程矩陣參數(shù)（run-length matrix, RLM）]等紋理特征參數(shù)進行提取，最終從每例患者的腫瘤病灶和目標淋巴結(jié)T2WI序列圖像中各提取出了401個紋理特征，紋理特征異常值用中位數(shù)代替。紋理特征篩選過程如下：第一步，運用ANOVA及Mann-WhitneyU檢驗從腫瘤病灶紋理參數(shù)篩選出60個紋理參數(shù)，從目標淋巴結(jié)紋理參數(shù)中篩選出41個紋理參數(shù)；第二步，采用Spearman相關(guān)系數(shù)去除r≥0.9的高維特征冗余，進一步篩選出34個和20個紋理特征；第三步，采用十倍交叉驗證的最小絕對收縮和選擇算法（least absolute shrinkage and selection operator, LASSO）回歸進一步降維（圖2）。最終從腫瘤組織和目標淋巴結(jié)的401組數(shù)據(jù)中選分別取出7個和6個顯著性較強的紋理特征，其中腫瘤組為：Correlation_AllDirection_offset1_SD、HaralickCorrelation_AllDirection_offset1_SD、GreyLevelNonuniformity_AllDirection_offset7_SD、HighGreyLevelRunEmphasis_AllDirection_offset7_SD、LongRunEmphasis_angle45_offset1、ShortRunEmphasis_AllDirection_offset7_SD、IntensityVariability；目標淋巴結(jié)組為：histogramEntropy、uniformity、GLCM Entropy_AllDirection_offset4、ClusterShade_AllDirection_offset1_SD、InverseDifferenceMoment_AllDirection_offset7_SD、HighGreyLevelRunEmphasis_AllDirection_offset1_SD。

圖2 LASSO 回歸紋理特征降維篩選曲線。2A：腫瘤組織組，Log（λ）=0.7；2B：目標淋巴結(jié)組，Log（λ）=0.8。Fig. 2 LASSO dimensionality reduction regression analysis curve of texture features.2A shows the tumor tissue group,Log(λ)=0.7;2B is the target lymph node group,Log(λ)=0.8.

1.4 統(tǒng)計學方法

采用SPSS（version 26.0 IBM, Armonk, NY）、MedCalc（Medcalc Softeware BVBA, Ostend, Belgium）及R軟件[version 4.2.0（2022-04-22 ucrt）-“vigorous calisthenics”]進行數(shù)據(jù)處理。首先對兩名放射醫(yī)師勾畫ROI的紋理特征參數(shù)及淋巴結(jié)測量值進行組內(nèi)相關(guān)系數(shù)檢驗（intraclass correlation coefficient, ICC），以ICC≥0.75為標準保證兩組數(shù)據(jù)具有一致性后，取兩組數(shù)據(jù)平均值進行統(tǒng)計學分析。臨床定量資料以均數(shù)±標準差（±s）表示，若符合正態(tài)分布及方差齊性檢驗，則采用獨立樣本t檢驗比較數(shù)據(jù)間差異性，否則采用非參數(shù)檢驗；定性資料采用卡方檢驗進行對比分析。然后將具有顯著差異的臨床指標和紋理特征參數(shù)再進行線性回歸分析，以方差膨脹因子（variance inflation factor, VIF）＜5為標準，剔除存在多重共線性的參數(shù)，最后將保留的各參數(shù)納入logistic 回歸分析，對比受試者工作特征（receiver operating characteristic, ROC）曲線下面積（area under the curve, AUC）值分析臨床資料預測模型、紋理分析預測模型及聯(lián)合預測模型的診斷效能。應用DeLong檢驗進一步比較各模型間AUC值。最后運用R軟件進行決策曲線分析（decision curve analysis, DCA）評估預測模型在臨床效用方面的凈收益程度。置信區(qū)間設(shè)為95%，P＜0.05為差異有統(tǒng)計學意義。

2 結(jié)果

2.1 臨床指標

如表1 所示，LNM+組和LNM-組的直腸癌患者性別、年齡、腫瘤最大徑數(shù)值差異無統(tǒng)計學意義（P＞0.05），而直腸癌患者目標淋巴結(jié)短徑/長徑、腫瘤標記物CEA 和糖類抗原CA19-9 水平在兩組之間的差異有統(tǒng)計學意義（P＜0.05）。

表1 患者臨床特征Tab.1 Clinical characteristics of the patients

2.2 預測模型的診斷表現(xiàn)

logistic 回歸分析結(jié)果顯示，目標淋巴結(jié)短徑/長徑[OR=40.503；95%置信區(qū)間（confidence interval,CI）：5.063～324.001；P＜0.05]、血清CA19-9 水平（OR=1.044；95%CI：1.001～1.088；P＜0.05）均為直腸癌LNM的獨立預測因子，而腫瘤標記物CEA 水平（OR=1.029；95%CI：0.994～1.065，P＞0.05）在此過程中被排除，不作為獨立預測因子。將目標淋巴結(jié)短徑/長徑與血清CA19-9 水平相結(jié)合構(gòu)建的臨床資料預測模型訓練組AUC值（圖3A）為0.802（95%CI：0.696～0.884），敏感度為70.00%，特異度為81.25%；驗證組AUC 值（圖3B）為0.696（95%CI：0.515～0.841），敏感度為92.31%，特異度為52.38%。以Youden 指數(shù)計算的最佳臨界值為0.434。

基于目標淋巴結(jié)紋理特征參數(shù)構(gòu)建的預測模型訓練組AUC值（圖3C）為0.881（95%CI：0.788～0.943），敏感度為86.67%，特異度為81.25%；驗證組AUC值（圖3D）為0.795（95%CI：0.711～0.894），敏感度為92.31%，特異度為66.67%。這表明基于淋巴結(jié)T2WI紋理特征構(gòu)建的預測模型在術(shù)前診斷直腸癌LNM方面具有良好效能。

基于腫瘤組織紋理構(gòu)建的預測模型訓練組AUC值（圖3E）為0.844（95%CI：0.745～0.917），敏感度為80.00%，特異度為79.17%；驗證組AUC 值（圖3F）為0.897（95%CI：0.745～0.975），敏感度為84.62%，特異度為90.48%。

2.3 聯(lián)合預測模型性能分析

為進一步提高預測模型診斷效能，將臨床指標與紋理特征結(jié)合構(gòu)建聯(lián)合模型。首先通過線性回歸分析，以VIF＞5為標準認為變量間存在多重共線性，排除了淋巴結(jié)紋理參數(shù)中的histogramEntropy、uniformity、GLCMEntropy_AllDirection_offset4，其余變量均被保留，調(diào)整后R2=0.627，初步驗證聯(lián)合預測模型具有良好診斷效能。進一步將保留的紋理參數(shù)及臨床指標進行l(wèi)ogistic 回歸分析，構(gòu)建的聯(lián)合預測模型訓練組AUC值（圖4A）為0.978（95%CI：0.917～0.998），敏感度和特異度分別為93.33%和91.67%，驗證組AUC值（圖4B）為0.897（95%CI：0.745～0.975），敏感度為84.62%，特異度為90.48%。經(jīng)DeLong檢驗(表2)，最終建立的聯(lián)合預測模型的AUC 大于各單一預測模型的AUC，差異具有統(tǒng)計學意義（P＜0.05），而單一預測模型間的AUC值差異不具有統(tǒng)計學意義（P＞0.05）。

圖4 聯(lián)合預測模型訓練組受試者工作特征（ROC）曲線（4A）、聯(lián)合預測模型驗證組ROC曲線（4B）、預測模型訓練組間ROC曲線對比分析（4C）和聯(lián)合預測模型的校準曲線(4D)。Fig.4 The receiver operating characteristic(ROC)curves of combined prediction model of training group(4A)and validation group(4B),comparative analysis for ROC curves of training groups between prediction models(4C)and the calibration curve of combined prediction model(4D).

2.4 各預測模型的臨床獲益度評價

DCA 顯示（圖5），使用聯(lián)合預測模型評估直腸癌患者LNM較各單一預測模型有更高的臨床凈獲益率，這再次驗證了聯(lián)合預測模型較單一預測模型更具優(yōu)勢，并且臨床影響曲線顯示，聯(lián)合預測模型的預測結(jié)果也更接近真實值。

3 討論

本研究通過紋理分析方法探索直腸癌腫瘤組織內(nèi)部異質(zhì)性與LNM之間的關(guān)系，以腫瘤組織為研究對象構(gòu)建的預測模型一定程度上可以對直腸癌的疾病發(fā)展進行動態(tài)監(jiān)測，即便是在傳統(tǒng)影像診斷方法未能發(fā)現(xiàn)腫大淋巴結(jié)時，也可以通過腫瘤內(nèi)部的結(jié)構(gòu)變化預測潛在LNM 的風險。而直腸癌目標淋巴結(jié)紋理分析預測模型，直接對淋巴結(jié)狀態(tài)進行評估，提高了對腫大淋巴結(jié)是否發(fā)生轉(zhuǎn)移的診斷精確性。臨床指標預測模型通過淋巴結(jié)短徑/長徑比值反映淋巴結(jié)形態(tài)情況，將血清CEA 和糖類抗原CA19-9 水平納入研究來反映血清學改變。最后將三者相結(jié)合構(gòu)建的聯(lián)合預測模型可通過對直腸癌患者進行多方面評估，來預測發(fā)生LNM的風險。作為直腸癌最常見的轉(zhuǎn)移方式之一，LNM 也與患者局部復發(fā)、總體生存率息息相關(guān)，是影響直腸癌預后的獨立危險因素[11]。對于一些潛在的LNM患者而言，盡早進行淋巴結(jié)清掃術(shù)至關(guān)重要。實現(xiàn)在手術(shù)前通過對腫瘤內(nèi)部信息的評估，準確高效地預測LNM的可能性，對臨床精準化、個體化治療有重要意義。本研究基于MRI 圖像的紋理特征，建立能夠精準評估、預測直腸癌LNM 敏感人群的模型，從而幫助臨床做出更好的判斷。

近年來，專家和學者們運用影像組學方法從直腸癌病理學、基因組學、治療反應和臨床結(jié)果等諸多方面進行了大量的研究。于丹丹等[12]的一項研究表明，通過常規(guī)3.0 T MRI影像診斷方式對直腸癌術(shù)前分期的預測準確性并不理想，僅為0.57。而顧洪衛(wèi)等[13]的研究通過DWI 序列結(jié)合DCE-MRI 檢查的方法，構(gòu)建的直腸癌LNM預測模型的AUC值達到了0.93。本研究通過T2WI 單一序列對腫瘤組織和淋巴結(jié)的雙重分析聯(lián)合淋巴結(jié)形態(tài)改變及血清學變化構(gòu)建的預測模型AUC值為0.978，表現(xiàn)出了更高的診斷效能。Yang 等[14]在探究直腸癌T2WI序列直方圖特征與LNM關(guān)系的研究中發(fā)現(xiàn)直腸癌T2WI圖像像素的Skewness是預測LNM的獨立危險因素，AUC值為0.75，其研究僅通過一個紋理特征參數(shù)構(gòu)建的單一預測模型診斷效能低于本研究。

本研究通過紋理分析技術(shù)篩選出的10個紋理參數(shù)，從不同方面反映圖像內(nèi)部結(jié)構(gòu)信息，其中Correlation_AllDirection_offset1_SD、Haralick Correlation_AllDirection_offset1_SD屬于GLCM參數(shù)，二者可反映像素間灰度的相似度；ClusterShade_AllDirection_offset4_SD 是集群陰影參數(shù)，也是GLCM的一類特征，可以度量矩陣的偏斜度，其值越高，表示灰度差異性越大，圖像對稱性越低；RLM紋理參數(shù)GreyLevelNonuniformity_AllDirection_offset7_SD、High GreyLevelRunEmphasis_AllDirection_offset7_SD、High GreyLevelRunEmphasis_AllDirection_offset1_SD 可通過灰度值相似性反映病灶內(nèi)部成分復雜程度，其數(shù)值越大，ROI 像素間灰度相似度越低，病灶越不均勻；而LongRunEmphasis_angle45_offset1、ShortRunEmphasis_AllDirection_offset7_SD可反映圖像平滑或粗糙程度；InverseDifferenceMoment_AllDirection_offset7_SD 反映的是局部同質(zhì)性；直方圖參數(shù)IntensityVariability則能反映出ROI紋理的均勻程度[15-17]。這些參數(shù)的改變與直腸癌LNM具有相關(guān)性。

本研究發(fā)現(xiàn)血清CA19-9 水平是預測直腸癌LNM的獨立危險因素，其可能原因是CA19-9 可以活化與腫瘤增殖和轉(zhuǎn)移密切相關(guān)的HIF-1 和STAT3 等信號通路，同時CA19-9 高表達也會促進miRNA-192 和miRNA-23b-3p等促癌性miRNA的表達水平，從而促進直腸癌細胞增殖轉(zhuǎn)移[18-20]。而血清CEA水平似乎與直腸癌LNM 的關(guān)系并不密切，這與Chen 等[21]和李燕等[22]的研究結(jié)果相似。但既往研究發(fā)現(xiàn)CEA 在腫瘤免疫逃逸過程中也有重要作用，CEA 與程序性死亡抗體1（programmed death ligand 1, PD-L1)之間的相互調(diào)節(jié)，使得CEA 高表達患者體內(nèi)PD-L1 水平升高，細胞免疫抑制，T 淋巴細胞對腫瘤殺傷能力減低，從而促進癌細胞的發(fā)生和發(fā)展[23]。所以血清CEA 水平與直腸癌LNM之間的關(guān)系值得進一步研究和探索。

本研究有以下幾點不足：首先，本研究納入樣本量較少，來源單一，缺乏外部驗證；其次，人工勾畫ROI 盡管努力確保勾畫準確性，但仍存在不可避免的誤差；最后，這次研究只分析了直腸MRI T2WI 序列的紋理特征，研究內(nèi)容較單一，在下一步研究中應納入其他常規(guī)序列和增強序列圖像，同時盡可能多地結(jié)合臨床資料和生化指標，進行綜合評估，不斷完善直腸癌術(shù)前LNM預測模型，提高診斷準確性。

綜上所述，本研究初步驗證了基于T2WI紋理分析聯(lián)合臨床指標構(gòu)建的預測模型能夠在術(shù)前有效評估直腸癌患者淋巴結(jié)狀態(tài)，為臨床診斷直腸癌LNM提供幫助，從而為選擇最佳的個體化治療方案提供支持。

作者利益沖突聲明：全體作者均聲明無利益沖突。