探討影像組學應用于子宮內膜息肉樣病變的價值

李晴，吳林永，金彬彬，陸柳彤，趙羽佳，馬燕

（廣西醫科大學第一附屬醫院超聲科，廣西 南寧 530021）

子宮內膜息肉樣病變是指子宮內膜表面的結節狀隆起樣病變[1]，是較為常見的婦科疾病。子宮內膜息肉樣病變組織來源于間質性病變或上皮性病變等，主要包括子宮內膜息肉、粘膜下肌瘤或息肉樣生長的子宮內膜癌等[2]。是造成患者月經量多、經期不規則及不孕的重要因素[3]。研究發現，盡管大多數患者子宮內膜息肉樣病變為良性，但存在著一定的惡性病例[4]，其臨床表現上缺乏一定的特異性，即可表現出同病異像，異病同像的現象[5-6]。因此，提高對子宮內膜息肉樣病變的鑒別能力是婦科超聲亟待解決的問題之一。

經陰道超聲檢查是子宮疾病篩查、定性和隨訪的常規影像學方法。影像組學是一項人工智能技術，其定義是指從影像中高通量的提取大量影像信息，實現腫瘤分割、特征提取與模型建立，憑借對海量影像數據信息進行更深層次的挖掘、預測和分析來輔助醫師作出最準確的診斷[7]。本文擬探討超聲影像組學在子宮內膜息肉樣病變中的應用。

1 資料和方法

1.1 研究隊列

本研究回顧性分析2018 年6 月—2020 年6 月廣西醫科大學第一附屬醫院經病理證實的子宮內膜息肉樣病變，納入病變：①均為子宮內膜息肉樣病變；②經診刮、宮腔鏡或手術病理證實；③術前完善陰道超聲檢查；④目標病灶在超聲圖像上顯示清晰、明確。排除病變：①子宮內膜非息肉樣性病變；②圖像質量不佳或病灶存在爭議；③超聲檢查前存在放化療等治療史。最后，共納入193 例子宮內膜息肉樣病變，其中子宮內膜癌62例，子宮粘膜下肌瘤31例，子宮內膜息肉100 例。

1.2 圖像采集及分割

采用邁瑞、GE 超聲彩色多普勒診斷儀，掃查范圍包括子宮及雙側附件，記錄病灶的超聲特征：部位、數目、大小、形態、邊界、內部回聲，與周圍結構的關系等。選取病灶最大且清晰的圖像進行圖像分割。在ITKSNAP（version 3.80）軟件中，一位具有5 年超聲工作經驗的醫師勾畫病變的感興趣區域（ROI），并由一位具有10 年超聲工作經驗的醫師再次確認，爭議通過協商解決，用于后續分析（圖1）。

1.3 特征提取及選擇

在Ultasomics-Platform（version 3.0）軟件進行特征提取，主要可對5 234 個影像組學特征進行提取并生成數據集，包括：122 Original；48 Ipris；468 CoLIAGe；432 Wavelets+LBP；2944 Shearlets；1080 Gabors；80 PLBP；60 WILBP。根據隨機原則，將數據集以病理類型按7 比3 的分例拆分成訓練子集和驗證子集。采用最大最小值方法對子集數據標準化以提供數據間的可比性。

為避免了數千特征構建模型出現的過擬合問題，采用Spearman 相關系數以0.8+為閾值對高相關性特征去除。然后，假設檢驗用于篩選與鑒別子宮內膜息肉樣病變類型的差異性特征，服從正態分布使用T 檢驗，否則使用非參數U 檢驗，以P 值小于0.05 具有統計學意義。最后以L1 正則化邏輯回歸方法選擇最終構建模型的特征。

1.4 模型構建和評估

決策樹機器學習算法（Decision Tree）用于構建預測模型，同時采用5 倍交叉驗證方法進行樣本的優化，選擇最優的模擬結果。采用受試者工作特征（ROC）曲線及曲線下面積（AUC）評估模型的性能。

2 結果

訓練集納入135 例患者的超聲圖像，其中子宮內膜癌43例，子宮粘膜下肌瘤和內膜息肉92例；驗證集納入58 例患者的超聲圖像，其中子宮內膜癌19例，子宮粘膜下肌瘤和內膜息肉39 例。最終選擇了39 個特征進行模型構建，其中1 個original 特征，1 個Ipris 特征，2 個CoLIAGe2D 特征，17 個shearlet特征，13 個Gabors 特征，4 個wavelet 特征，1 個WILBP 特征，特征間的相關性見圖2a，2c。通過分析發現，38 個特征的特征量在子宮內膜息肉樣病變中表現差異（P<0.05），進一步發現鑒別子宮內膜息肉樣病變的前10 個特征，AUC 值均大于0.72，其中shearlet2DIdxs[2 2 -1]_glszm_SizeZoneNonUniformity 特征鑒別價值最高，AUC 達到了0.85，見表1。訓練集和驗證集的影像組學評分在良性和惡性子宮內膜息肉樣病變上顯著差異（訓練集，P<0.0001，驗證集，P<0.0001）。訓練集的AUC 為0.91（95%置信區間（CI），0.842～0.974），準確度、靈敏度及特異度為0.93，0.84，0.97；驗證集 的AUC 為0.84（95%CI，0.716～0.966），準確度、靈敏度及特異度0.86，0.74，0.92，見圖2b，2d。模型顯示出中度以上的鑒別性能，提示了可對子宮內膜息肉樣良惡性病變具有良好的鑒別效能。

表1 39 個建模特征中鑒別子宮內膜息肉樣病變的前10 個特征

3 討論

子宮內膜息肉樣病變是婦科常見病，早期臨床表現為陰道不規則流血，但隨著病情的發展可惡化，甚至癌變[8]，研究顯示子宮內膜息肉樣病變的發生率近年來有明顯上升的趨勢[9]。各種類型的子宮內膜息肉樣病變的早期診斷具有重要意義，可以有效的指導臨床上各種息肉樣病變的早期治療，從而獲得理想的臨床轉軌[10]。

目前臨床上常用于子宮內膜病變的輔助診斷手段有診斷性刮宮、宮腔鏡、經陰道超聲等。診斷性刮宮對內膜損傷大，患者痛苦度高，且對女性生育是有一定影響的，病變的假陰性率達10%～15%，漏診率高達20%[11]。宮腔鏡最大的優勢是可直視病灶，但其仍具有一定的創傷性，且漏診率可高達10%～35%[12]。經陰道超聲因其無創、可重復性、操作便捷等優勢，在子宮內膜病變的常規檢查中非常普及[13]，但其十分依賴檢查者的主觀診斷及臨床經驗。隨著數據科學的發展，荷蘭學者Lambin 提出影像組學的概念[14]，其中心含義是指從影像（CT、MR、PET、超聲等）中高通量地提取腫瘤信息相關的影像學特征，通過對研究目的相關的成像相關特征進行解讀和分析，為成為精準醫學的一種有效輔助手段[15]，影像組學技術已廣泛應用于婦科疾病的診斷、療效判斷等方向[16-17]，比如Yan等[18]建立MRI 放射學模型，幫助放射線醫師對術前子宮內膜癌的盆腔淋巴結轉移進行評估，其模型AUC 達到了0.89[18]；Ai等[19]探索了影像組學成像特征早期對宮頸癌患者的分期、組織學類型、淋巴結狀態、復發和生存的潛力進行預測，將大大改善子宮頸癌患者的治療效果；Song等[20]評估從動態對比增強磁共振成像提取的放射學特征構建的預測任務在區分良性、邊緣性和惡性卵巢腫瘤方面的效率，結果提示區分度良好。這些高質量的研究證實了影像組學技術在婦科疾病方面具有重要的臨床價值。

目前經陰道超聲已經成為婦科疾病篩查的重要手段，雖然大部分子宮內膜息肉樣病變可以鑒別，對于部分粘膜下肌瘤或不典型惡性病變，還是存在一定的誤診情況，針對這種情況，我們將探索影像組學技術鑒別良惡性子宮內膜息肉樣病變的價值。因此，本研究基于超聲圖像提取的影像組學特征，通過假設檢驗和L1 正則化邏輯回歸方法篩選出39 個特征，以決策樹機器學習算法構建預測子宮內膜息肉樣病變的影像組學模型，其模型區分良惡性子宮內膜息肉樣病變的AUC 達到0.91，經獨立驗證集驗證模型具有一定的可靠性，提示影像組學在子宮內膜息肉樣病變鑒別上具有一定的價值。

本研究仍存在一定的局限性：首先，本研究是一項回顧性研究，在病例的篩選中存在偏倚。然后，二維超聲圖像獲取存在超聲醫生的主觀性，不同超聲醫生可能導致最后模型存在差別。最后，研究的樣本量較小，且為單中心研究，今后的研究可擴大樣本量，就不同中心的圖像進行分析。

綜上所述，經陰道超聲作為子宮病變檢查的常用方法，結合超聲影像組學可客觀量化腫瘤的紋理特征，深度挖掘腫瘤生物學特征，可作為鑒別診斷子宮內膜息肉樣病變的補充手段。