CT影像組學預測腎透明細胞癌核分級：掃描期相及ROI勾畫策略

徐向東，羅詩維，韋瑞麗，張婉麗，姚旺，丁文雙，龐欣蕊，王曄，楊蕊夢，賴勝圣

腎細胞癌(renal cell carcinoma，RCC)是最常見的腎臟原發惡性腫瘤，約占腎臟腫瘤的90%～95%[1]。其中，透明細胞腎細胞癌(clear cell renal cell carcinoma，ccRCC)是RCC中最常見的亞型，預后最差[2]。既往研究證實：病理核分級是判斷ccRCC預后的獨立影響因素，對其個體化治療措施的制訂尤為重要[3]。現階段，Fuhrman核分級系統是最常用的ccRCC病理核分級體系[4]，但其診斷依賴于經皮穿刺活檢或術后組織樣本，存在有創性、滯后性或易出現并發癥及取樣偏倚等缺點[5]。

近年來，基于無創性醫學影像檢查的影像組學在臨床腫瘤領域的應用受到越來越多的關注，它可以通過高通量提取醫學圖像的信息定量評估腫瘤分期、病理分型和治療預后，進而指導臨床決策的制定[6]。既往研究報道采用影像組學方法對ccRCC進行病理高低核級別預測，并取得了良好的預測效果，然而，腎臟的CT四期動態掃描各具特點，對納入影像組學分析的最優CT期相選擇尚不統一[7-10]。此外，作為影像組學分析流程中的重要一環，感興趣區(region of interest,ROI)的勾畫策略仍存在爭議[11,12]。有研究者建議選用腫瘤最大層面2D-ROI，認為2D-ROI已能提供足夠的影像信息，且勾畫較為簡便；而有研究者認為三維全瘤感興趣區(3D-ROI)能提供更全面的信息，如3D形態學特征等。因此，本研究旨在探討不同CT掃描期相及不同ROI勾畫策略(2D-ROI或3D-ROI)對影像組學方法預測ccRCC核分級效能的影響。

材料與方法

1.病例資料

回顧性搜集2011年1月-2019年1月在本院就診且符合研究要求的137例ccRCC患者的臨床和影像資料。納入標準：①病理證實為ccRCC且有完整的Fuhrman核分級信息；②術前行腹部CT平掃及三期增強掃描。排除標準：①囊性ccRCC；②CT圖像上有明顯偽影，圖像質量欠佳。

2.病理檢查和Fuhrman分級

病理切片Fuhrman核分級由具有9年泌尿系統病理診斷經驗的病理醫師完成。為確保病理診斷的可重復性和減少觀察者間差異性，傳統的4級Fuhrman核分級系統被簡化為低級別(1級和2級)和高級別(3級和4級)。

3.CT檢查方法

使用Toshiba Aquilion One(14例)、Siemens Somatom Definition(36例)、GE HiSpeed 16(14例)和Philips Brilliance 64(73例)螺旋CT機。掃描參數：120～140 kV，自動管電流調控。增強掃描采用高壓注射器經肘靜脈注入非離子型碘對比劑(劑量1.0～2.0 mg/kg)。依次采集4個期相的CT圖像：平掃期(unenhanced phase,UP)；增強掃描腎皮髓質期(corticomedullary phase,CMP)，注射對比劑后約30 s啟動掃描；增強掃描腎實質期(nephrographic phase,NP)，注射對比劑后約70 s啟動掃描；增強掃描腎排泄期(excretory phase,EP)，注射對比劑后180～300 s啟動掃描。

4.ROI的勾畫方法

由兩位分別有4年及5年影像診斷經驗的放射科醫師在不知病理結果的情況下使用ITK-SNAP軟件完成腎臟腫瘤2D-ROI及3D-ROI的勾畫。選取病灶最大層面沿病灶邊緣進行2D-ROI的勾畫；按照上述方法逐層勾畫病灶的ROI，軟件即可自動生成病灶的3D-ROI。先在腎實質期圖像上進行勾畫，再將所獲得的各層2D-ROI復制到其它3個期相的圖像上，依據情況進行略微調整(圖1)。采用集合相似度度量函數Dice系數來評估兩位醫師所勾畫ROI的相似度。對于Dice系數>0.9的病例，取兩位醫師勾畫區域的交集；對于Dice系數<0.9的病例，兩位醫師通過進一步分析和討論來解決沿病變邊界勾畫ROI時的差異問題，以達成一致。

5.影像組學特征的提取及模型建立

首先，使用Pyradiomics軟件，在每個期相的圖像上分別基于2D-ROI和3D-ROI提取病灶的形態學特征、直方圖特征及紋理特征。然后采用22種特征選擇方法[conditional infomax feature extraction (CIFE),conditional mutual information (CMIM),double input symmetrical relevance (DISR),interaction capping (ICAP),joint mutual information (JMI),mu-tual information based feature selection (MIFS),mutual information maximisation (MIM),minimal redundancy maximum relevance (MRMR),fisher_score,lap_score,relevant features (reliefF),spectral feature selection (SPEC),trace_ratio,ll_121,ls_121,multi-cluster feature selection (MCFS),nonnegative discriminatve feature selection (NDFS),robust feature selection (RFS),unsupervised discriminative feature selection (UDFS),f_score,gini-index,t_score]分別與8種分類算法[邏輯回歸(logistic regression,LR)，支持向量機(support vector machine,SVM)，樸素貝葉斯(na?ve bayers)，K-近鄰算法(K-nearest neighbor,KNN)，決策樹(decision tree,DT)，Bagging引導聚類算法，隨機森林(random forest,RF)，自適應增強算法(adaptive boosting,AdaBoos-ting)]進行組合用于構建影像組學模型，共建立了176(22×8)個預測模型，并采用五折交叉檢驗法驗證模型的效能。為了減少病例隊列數據數量不均衡產生的影響，通過引入合成特征樣本，采用合成少數類過采樣技術(synthetic minority oversampling technique,SMOTE)對高級別ccRCC組進行過采樣。模型的鑒別效能采用ROC曲線下面積(area under the curve, AUC)、符合率、敏感度和特異度等指標進行定量分析。

6.統計學分析

使用SPSS 20.0軟件進行統計學分析。比較ccRCC核分級高級別組和低級別組之間臨床特征及影像學特征的差異。計量資料的組間比較采用獨立樣本t檢驗，二分類變量的組間比較采用卡方檢驗。以P<0.05為差異有統計學意義。

結 果

1.臨床及常規影像學特征的比較

137例中低級別ccRCC組96例(1級15例，占10.9%；2級81例，占59.1%)及高級別ccRCC組41例(其中3級32例，占23.4%；4級9例，占6.6%)。兩組患者的臨床和病灶特征的比較見表1。兩組之間年齡、性別構成和病灶直徑的差異均無統計學意義(P>0.05)。

表1 高、低核分級ccRCC患者臨床和影像學特征的比較

2.模型診斷效能對比

每個期相的圖像上，基于2D-ROI或3D-ROI各提取了107個組學特征，基于不同的算法組合，各建立了176個預測模型。采用ROC曲線分析模型預測高級別ccRCC的效能，每個期相中基于2D-ROI和3D-ROI構建的模型中AUC最大的5個模型的效能指標的平均值見表2。結果顯示，每個期相基于3D-ROI構建模型的AUC平均值要大于2D-ROI，相應的符合率、敏感度和特異度大部分也有類似表現，即基于3D-ROI的影像組學模型顯示出更好的預測能力。此外，在四個期相中，平掃期的平均AUC明顯高于其它3個期相，提示基于平掃圖像的組學特征模型具有更好的診斷效能。基于2D-ROI和3D-ROI的平掃期各組學模型的AUC熱圖見圖2。總體而言，基于3D-ROI的模型與基于2D-ROI的模型相比預測效果更好。其中KNN分類算法在兩組中均顯示出較好的效能，而DT算法在兩組均表現不佳。

圖2 平掃期CT圖像上基于2D-ROI(2a)和3D-ROI(2b)提取的影像組學特征構建的176個預測模型的AUC熱圖。

表2 四期CT圖像基于2組構建的組學模型的效能指標值

討 論

核分級作為ccRCC的獨立預后因素，可為治療策略的制訂提供重要參考[13]。若能在術前了解ccRCC的核分級信息，將對臨床診療的實施提供關鍵性幫助[2]。穿刺活檢是術前評估腎腫瘤的常用手段，但其為有創性檢查存在發生并發癥的可能，而且其診斷效能依賴于取樣技術和經驗等[14]。影像學檢查作為臨床上廣泛應用的無創性評估腎腫瘤的方法，為臨床診療提供了很多指導和幫助，而近年來出現的影像組學方法可進一步挖掘醫學影像的潛在價值，有望為臨床診療提供更多信息。

目前基于CT的影像組學方法已經廣泛應用于腹部疾病的研究[15]，在腎臟腫瘤方面的研究主要集中在腎臟良惡性腫瘤的鑒別和腎細胞癌的核分級[16-18]。ROI的勾畫作為影像組學分析基本流程中至關重要的一環，影響到所提取的影像組學特征的可重復性和穩定性，進一步決定了后續機器學習模型的效能[19]。其中，選擇腫瘤最大層面的2D-ROI還是腫瘤多個層面的3D-ROI一直存在爭議。2D-ROI更容易獲得，耗費的人力更少，復雜度更低，后續的計算速度更快。而3D-ROI包含了腫瘤的每一個層面，可提供更多關于腫瘤的信息，如三維形態學信息，但其勾畫比較耗費人力和時間。Yang等[20]對比了基于2D-ROI和3D-ROI的CT紋理分析在預測肺腺癌淋巴管和血管侵犯方面的效能，結果顯示基于2D-ROI的預測效能優于3D-ROI。Shen等[12]對比分析了二維和三維CT影像組學特征在預測非小細胞肺癌(NSCLC)預后方面的效能，發現兩者預測能力相似，但考慮到二維ROI更容易獲取，因此更推薦采用二維特征進行預測。Xu等[11]探索了應用二維和三維影像組學特征在多種腫瘤(肝內膽管細胞癌、高級別骨肉瘤、胰腺神經內分泌腫瘤)早期復發、淋巴結轉移、5年生存率及病理分級預測中的效能，結果顯示兩種方法提取的組學特征都有一定的預測效能，但三維影像學特征的表現優于二維，因此更推薦在影像組學研究中采用三維影像特征。在本研究中，我們對比了2D-ROI和3D-ROI對CT影像組學模型預測ccRCC核分級的影響，結果顯示基于3D-ROI的組學模型的綜合診斷效能更優，為后續腎癌影像組學研究提供了參考。

在腎癌影像組學研究中，在掃描期相的選擇方面也一直存在爭議。有研究者僅選取單個期相進行影像組學研究。如Bektas等[7]自門靜脈期CT圖像上提取二維紋理特征，建立多個機器學習分類器來預測ccRCC核分級，結果顯示基于SVM的模型表現最佳，AUC達0.860。Kocak等[9]的研究中僅在平掃CT圖像上提取病灶的紋理特征，并分別采用人工神經網絡和二進制邏輯回歸分析建立模型來預測ccRCC的核分級，相應的AUC分別達0.714和0.656。更進一步的研究中，有學者選用多個增強掃描期相的圖像提取影像組學特征，探討哪一期相或哪幾個期相聯合構建的模型能取得更好的效果。Haji-Momenian等[21]選取小ccRCC(<4 cm)的平掃期、皮髓質期和實質期CT圖像進行影像組學分析，并采用4種算法(KNN、SVM、隨機森林和決策樹)構建組學模型來預測ccRCC核分級，結果顯示這4種算法利用皮髓質期的直方圖特征構建的模型的預測效果最佳，AUC達0.97。Shu等[22]選用皮髓質期和實質期增強CT圖像進行影像組學分析來預測ccRCC的核分級，結果顯示基于皮髓質期、實質期和兩者聯合的組學模型的AUC分別為0.766、0.818和0.822。在本研究中，我們發現不論是選用2D-ROI還是3D-ROI，平掃期對ccRCC核分級的鑒別效果均優于其它期相。對此可能的解釋是ccRCC病理核分級由腎癌細胞核大小、不規則性及核仁顯著性決定，相較于反映腎癌血流動力學情況的動態增強期相而言，保留腫瘤細胞核的形態學特征的平掃期對核級的鑒別效果更好。

本研究存在一定的局限性：①納入研究的樣本量較小，且缺乏外部驗證集，這是由于病例納入標準較為嚴格，需要具備4期CT圖像，后續需進一步擴充樣本量；②本研究采用的是Fuhrman核分級系統，沒有選擇新的WHO/ISUP核分級系統，這是由于我們自2011年開始搜集數據，當時主要采用的是Fuhrman核分級，WHO/ISUP對病理醫師評判時病理切片的放大倍數有嚴格要求，有些病例的病理組織切片已缺失；③目前僅對單個掃描期相進行研究，未對多種期相組合的情況進行探索，后續有待完善；④本研究中病例檢查采用了多臺CT掃描設備，可能對影像組學特征的穩定性造成影響，但這在一定程度上也可以彌補缺乏外部驗證集的不足。

綜上所述，本研究結果初步表明基于3D-ROI建立的影像組學模型在預測ccRCC核分級方面的表現優于2D-ROI建立的模型，基于平掃期的組學模型比其它期相的表現更佳。這為ccRCC影像組學的應用提供了參考，也需要進一步探索改進分割的方法，更好地推進影像組學在醫學領域的應用。