T2WI及對比增強T1WI影像組學(xué)模型鑒別纖維型與非纖維型腦膜瘤

韓 濤，劉顯旺，徐震東，龍昌友，張 斌，鄧靚娜，林曉強，景夢園，周俊林*

(1.蘭州大學(xué)第二醫(yī)院放射科 蘭州大學(xué)第二臨床醫(yī)學(xué)院 甘肅省醫(yī)學(xué)影像重點實驗室醫(yī)學(xué)影像人工智能甘肅省國際科技合作基地，甘肅 蘭州 730030；2.數(shù)坤網(wǎng)絡(luò)科技股份有限公司，北京 100102；3.青海大學(xué)附屬醫(yī)院影像中心，青海 西寧 810000)

腦膜瘤起源于腦膜上皮細胞[1]，其中WHO Ⅰ級腦膜瘤占80%以上，共9種亞型，其微觀結(jié)構(gòu)具有高度特異性[2]。手術(shù)切除是治療腦膜瘤的主要方法[3]，而腫瘤徑線、瘤腦界面和腫瘤血管生成等因素與手術(shù)難易程度及術(shù)后并發(fā)癥風(fēng)險密切相關(guān)[4-5]。纖維型腦膜瘤手術(shù)完整切除難度大、并發(fā)癥率高[6]，術(shù)前明確腦膜瘤亞型有助于制定手術(shù)方案。本研究觀察術(shù)前T2WI及對比增強T1WI(contrast enhanced T1WI, T1C)影像組學(xué)模型鑒別纖維型與非纖維型腦膜瘤的價值。

1 資料與方法

1.1 一般資料 回顧性分析2016年6月—2021年5月423例經(jīng)蘭州大學(xué)第二醫(yī)院手術(shù)病理證實的WHO Ⅰ級腦膜瘤患者，其中纖維型腦膜瘤128例，男12例，女116例，年齡21～81歲，平均(52.2±9.0)歲；非纖維型腦膜瘤295例，男77例，女218例，年齡17～81歲，平均(51.9±10.8)歲。納入標(biāo)準(zhǔn)：①病理學(xué)確診單發(fā)腦膜瘤及其亞型；②于MR檢查后1周內(nèi)接受腦膜瘤切除術(shù)；③臨床及術(shù)前影像學(xué)資料完整。排除MR檢查前接受放射治療、化學(xué)治療、靶向治療或其他治療及圖像質(zhì)量欠佳者。按7∶3比例隨機分為訓(xùn)練集(n=296)及驗證集(n=127)。訓(xùn)練集含90例纖維型腦膜瘤及206例非纖維型腦膜瘤，驗證集含38例纖維型腦膜瘤及89例非纖維型腦膜瘤。

1.2 儀器與方法 采用Siemens Verio 3.0T超導(dǎo)MR儀采集術(shù)前頭部MRI。參數(shù)：T1WI，TR 550 ms，TE 11 ms，層厚5 mm，層間距1.5 mm，F(xiàn)OV 260 mm×260 mm，矩陣256×256；T2WI，TR 2 200 ms，TE 96 ms，回波鏈長度8，激發(fā)次數(shù)2。經(jīng)肘靜脈以流率3 ml/s注射對比劑二乙基三氨基戊乙酸釓注射液0.1 mmol/kg體質(zhì)量后采集T1C，參數(shù)同平掃T1WI。

1.3 分割圖像 將T2WI及T1C導(dǎo)入開源ITK-SNAP軟件(www.itksnap.org)，由具有5年及10年神經(jīng)影像學(xué)診斷經(jīng)驗的主治醫(yī)生各1名以采用雙盲法手動于T1C上逐層分割病灶ROI，包括腫瘤壞死、囊變和出血等區(qū)域，意見分歧時經(jīng)協(xié)商決定；以之為參照于軸位T2WI逐層勾畫病灶ROI。

1.4 提取影像組學(xué)特征 以Z分?jǐn)?shù)歸一化法對圖像進行標(biāo)準(zhǔn)化處理。于開源軟件數(shù)坤科技平臺(https://science.shukun.net/login)分別基于T1C及T2WI提取訓(xùn)練集病灶共3 376個影像組學(xué)特征，包括：①28個形狀特征，主要描述病 ROI面積、體積、直徑等特征；②360個一階特征(直方圖特征)，描述ROI內(nèi)體素強度空間分布特征，如均數(shù)、中位數(shù)、最小值、最大值、標(biāo)準(zhǔn)差、偏度和峰度；③1 500個二階特征(紋理特征)，描述體素空間分布強度，包括480個灰度共現(xiàn)矩陣(gray level co-occurrence matrix, GLCM)、280個灰度依賴矩陣(gray level dependence matrix, GLDM)、320個灰度運行長度矩陣(gray level run long matrix, GLRLM)、320個灰度大小區(qū)域矩陣(gray level size zone matrix, GLSZM)及100個相鄰灰度差矩陣(neighborhood gray-tone difference matrix, NGTDM)；④1 488個小波變換特征。

1.5 篩選特征及建立影像組學(xué)模型 以SelectPercentile單因素分析法、最小絕對收縮和選擇算子(least absolute shrinkage and selection operator, LASSO)及5折交叉驗證法降維、篩選最佳影像組學(xué)特征，以最佳正則化參數(shù)alpha值選取懲罰系數(shù)不為0的特征為最佳影像組學(xué)特征，并分別采用分類器邏輯回歸(logistic regression, LR)、支持向量機(support vector machine, SVM)、隨機森林(random forest, RF)、線性SVC(linearSVC)、自適應(yīng)增強(adaptiveboost, Adaboost)及決策樹(decision tree, DT)構(gòu)建影像組學(xué)模型，即模型LR、模型SVM、模型RF、模型linearSVC、模型Adaboost及模型DT。于驗證集驗證各模型的性能，選取最優(yōu)影像組學(xué)模型。

1.6 統(tǒng)計學(xué)分析 采用SPSS 25、MedCalc19.1統(tǒng)計分析軟件及R軟件。以±s描述符合正態(tài)分布的計量資料，行t檢驗；以χ2檢驗比較計數(shù)資料。采用受試者工作特征(receiver operating characteristic, ROC)曲線評估各模型鑒別纖維型與非纖維型腦膜瘤的效能，基于混淆矩陣計算其診斷敏感度、特異度、陰性預(yù)測值、陽性預(yù)測值、準(zhǔn)確率和F1評分，以DeLong檢驗比較其曲線下面積(area under the curve, AUC)。P<0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 臨床資料 訓(xùn)練集與驗證集患者年齡、性別、腦膜瘤位置及亞型差異均無統(tǒng)計學(xué)意義(P均>0.05)。見圖1、2及表1。

圖1 患者女，64歲，左額頂葉纖維型腦膜瘤 A.頭部軸位T2WI示左額頂葉大腦鐮旁混雜信號病灶，周圍見片狀水腫信號； B.頭部軸位T1C示病灶明顯強化，中心壞死區(qū)無強化； C.病理圖(HE，×100)

圖2 患者女，54歲，前顱窩底腦膜皮型腦膜瘤 A.頭部軸位T2WI示前顱窩底病灶呈等-稍高信號； B.頭部軸位T1C示病灶明顯強化； C.病理圖(HE，×100)

表1 423例低級別腦膜瘤患者一般資料比較

2.2 篩選影像組學(xué)特征 共提取3 376個影像組學(xué)特征，經(jīng)SelectPercentile及LASSO法特征降維，以5折交叉驗證法選取誤差最小的alpha值為模型最優(yōu)參數(shù)，于-log(alpha)=2.017 7、即alpha=0.009 6時選出13個非零系數(shù)最優(yōu)影像組學(xué)特征(表2)用于構(gòu)建模型，其中7個T2WI特征和6個T1C特征，2個一階特征、2個紋理特征及9個小波變換特征。見圖3。

表2 基于T2WI及T1C提取的13個最優(yōu)影像組學(xué)特征

圖3 篩選最優(yōu)影像組學(xué)特征 A.以LASSO算法進行影像組學(xué)特征降維； B.以5折交叉驗證選取最優(yōu)alpha值(黑色虛線)，根據(jù)MSE準(zhǔn)則選出13個影像組學(xué)特征

2.3 建立影像組學(xué)模型及驗證其效能 模型LR、模型SVM、模型RF、模型linearSVC、模型Adaboost及模型DT鑒別訓(xùn)練集纖維型與非纖維型腦膜瘤的AUC分別為0.755、0.739、0.819、0.746、0.990及0.607，其在驗證集的AUC分別為0.698、0.636、0.752、0.670、0.591及0.609，見表3及圖4。模型Adaboost鑒別訓(xùn)練集纖維型與非纖維型腦膜瘤的AUC為0.990，在驗證集為0.591，出現(xiàn)過擬合。模型RF在訓(xùn)練集及驗證集的AUC均高于模型SVM、模型linearSVC及模型DT(Z=2.65～8.25，P均<0.05)，其在訓(xùn)練集的AUC高于模型LR(Z=3.27，P<0.01)，在驗證集的AUC與模型LR差異無統(tǒng)計學(xué)意義(Z=7.95，P=0.05)。模型RF為最優(yōu)影像組學(xué)模型。

表3 各影像組學(xué)模型鑒別訓(xùn)練集和驗證集纖維型與非纖維型腦膜瘤的效能

3 討論

多數(shù)腦膜瘤為組織病理學(xué)分級較低的良性腫瘤，WHO Ⅰ級腦膜瘤包括9種亞型[7]，手術(shù)計劃和預(yù)后存在差異[8]。根據(jù)常規(guī)影像學(xué)特征，包括腫瘤形態(tài)是否規(guī)則、瘤周水腫以及T1C中腫瘤強化方式等[9]預(yù)測腦膜瘤亞型具有一定主觀性。通過提取高通量肉眼不能識別的病灶微觀特性，影像組學(xué)可全面量化腫瘤表型，反映其異質(zhì)性和病理生理學(xué)特征[10-12]。

本研究發(fā)現(xiàn)13個影像組學(xué)特征與腦膜瘤分型密切相關(guān)，其中2個一階特征以常用和基本度量標(biāo)準(zhǔn)描述其內(nèi)體素強度分布；2個GLSZM紋理特征與腦膜瘤亞型高度相關(guān)，代表具有相同灰度強度的連接體素數(shù)目，可量化圖像中的灰度級區(qū)域[13]，即纖維型與非纖維型腦膜瘤紋理特征存在顯著差異；另外9個高階特征包括5個低階小波特征和4個高階小波特征。最優(yōu)影像組學(xué)特征反映腫瘤的體素強度、形狀和紋理，可為分析腫瘤亞型提供定量參數(shù)。

腦膜瘤的一致性，即腫瘤硬度，指腫瘤組織機械硬度[2]，是影響手術(shù)難度的關(guān)鍵因素之一。定量評估T2WI腫瘤信號強度能更可靠地預(yù)測腦膜瘤的一致性：成纖維細胞亞型腦膜瘤T2WI多呈低信號，傾向于堅硬，腦膜瘤質(zhì)地較軟與其T2WI呈高信號相關(guān)[14]；但有研究[15]發(fā)現(xiàn)根據(jù)術(shù)前標(biāo)準(zhǔn)序列MRI預(yù)測腫瘤一致性并不可靠。RF分類器可隨機選擇樣本和特征，是影像組學(xué)常見的建模方法之一，且善于處理高維度數(shù)據(jù)，能有效避免過擬合問題，具有抗噪能力強，性能穩(wěn)定等優(yōu)勢。本研究基于13個最優(yōu)影像組學(xué)特征，分別以分類器SVM、RF、DT、LR、LinearSVC和Adaboost構(gòu)建影像組學(xué)模型并進行訓(xùn)練和驗證，模型Adaboost鑒別訓(xùn)練集纖維型與非纖維型腦膜瘤的AUC為0.990，在驗證集則為0.591，出現(xiàn)過擬合；模型RF在訓(xùn)練集及驗證集的AUC均高于模型SVM、模型linearSVC及模型DT，其在訓(xùn)練集的AUC高于模型LR，在驗證集的AUC與模型LR差異無統(tǒng)計學(xué)意義，提示模型RF為最優(yōu)影像組學(xué)模型。

PARK等[16]利用影像組學(xué)和機器學(xué)習(xí)方法區(qū)分成纖維型(17例)與非成纖維型腦膜瘤(137例)，證實其紋理參數(shù)存在顯著差異。NIU等[17]將80例腦膜上皮型、80例纖維型及81例過渡型腦膜瘤分為腦膜上皮型vs.纖維型(第1組)、纖維型vs.過渡型(第2組)、腦膜上皮型vs.過渡型(第3組)及腦膜上皮型vs.纖維型vs.過渡型(第4組)，基于T1C構(gòu)建的Fisher判別分析模型鑒別準(zhǔn)確率分別為99.4%、98.8%、100%及100%；以留一交叉驗證法后，鑒別準(zhǔn)確率分別為91.3%、95.0%、100%和94.2%，表明影像組學(xué)模型對術(shù)前預(yù)測腦膜瘤亞型具有重要價值。本研究結(jié)果準(zhǔn)確率較之為低，可能與未對非纖維型腦膜瘤進行具體分型有關(guān)。

綜上，T2WI和T1C RF影像組學(xué)模型可有效鑒別纖維型與非纖維型腦膜瘤。本研究的主要局限性：①為單中心回顧性研究；②未對非纖維型腦膜瘤進行具體分型；③手動分割圖像，難以避免誤差，有待積累更多病例、以半自動或全自動圖像分割方法行前瞻性多中心研究進一步觀察。