基于磁共振肝脾影像組學特征結合臨床影響因素聯合模型診斷顯著性肝纖維化的效果評價

李佳家，王兆洪，倪仲琳，陳輝，周斌，童洪飛

溫州醫科大學附屬第二醫院 肝膽外科，浙江 溫州 325027

肝纖維化是全球面臨的公共衛生問題，在常見疾病所致死亡病因中，肝纖維化所致死亡排在第11位[1]。肝纖維化是一種慢性肝損傷的修復反應，其特征為細胞外基質和膠原蛋白沉積[2]。早期常無明顯臨床癥狀，隨著肝纖維化進展，后期有多器官受累，常出現上消化道出血、肝性腦病、嚴重感染等并發癥。許多臨床研究表明早中期肝纖維化通過治療干預是可逆轉的[3]，因而，早期診斷對肝纖維化的診治有重要意義。目前肝組織穿刺活檢是肝纖維化分期的金標準[4]，常用METAVIR評分系統將肝纖維化分為F0～F4期[5-6]；但肝活檢是一種有創性操作，存在出血、感染等風險，患者接受度低，且存在抽樣誤差和觀察者間的主觀差異，不適合作為監測肝纖維化進展的隨診檢查方法。目前，在臨床資料研究方面，有研究顯示高齡及性別（男性）是發生肝纖維化的高危因素，且也有相關研究指出雌激素的缺乏可能與肝纖維化進展相關[7-8]。在血清學研究方面有相關研究指出對于慢性乙型肝炎，FIB-4 指數（fibrosis 4 score）＜1.45 者往往無明顯肝纖維化或只有≤F2級肝纖維化，而此結果與肝穿刺結果的符合率為94.7%[9]。折文利等[10]發現單一的血清學指標在診斷肝纖維化存在敏感性及特異性低等不足。因此尋找一種整合臨床、血清學、影像組學進行綜合評分來診斷顯著性肝纖維化的方法，對肝纖維化的個體化治療具有重要臨床意義。

1 資料和方法

1.1 一般資料 選取2017年5月至2022年5月在溫州醫科大學附屬第二醫院接受肝臟組織活檢或肝臟手術后經病理證實為肝纖維化，并于6個月內行腹部MRI平掃檢查的患者110例。納入標準：①具有病理診斷分期；②具有完整的臨床實驗室檢查及MRI影像資料。排除標準：①MRI影像資料不完整；②臨床資料不完整；③圖像質量不佳；④肝臟彌漫性病變影響感興趣區（regions of interest,ROI）勾畫者；⑤脾臟病變影響ROI勾畫者。根據上述納入標準和排除標準，最初收集肝纖維化患者235例，6個月內行MRI平掃檢查患者175例，排除患者65例，最終納入符合條件患者110例。按7∶3比例隨機將患者分成訓練集（77例）和測試集（33例）。本研究經溫州醫科大學附屬第二醫院倫理委員會批準（審批號：2022-YL-46-01）。

1.2 臨床及血清學檢查資料 收集患者臨床及實驗室血清學檢查資料，包括性別、年齡、身高、體質量、是否為乙肝患者、天冬氨酸氨基轉移酶（aspartate transaminase,AST）、丙氨酸氨基轉移酶（alanine transaminase,ALT）、血清白蛋白（albumin,ALB）、國際標準比值（international normalized ratio,INR）、血小板計數（platelet,PLT），所有血清生化指標均檢測于病理活檢前1周。

1.3 肝纖維化病理分期標準 盡量取與MRI掃描ROI相符合的區域組織，進行石蠟包埋，HE染色，在對患者基本情況未知的情況下，由兩位高年資病理科醫師參照METAVIR評分系統進行肝纖維化分期診斷：F0為無纖維化；F1為匯管區纖維化，無纖維間隔形成；F2為匯管區纖維化，少量纖維間隔形成；F3為大量纖維間隔，無硬化結節；F4為肝硬化[5]。本研究中F≥2定義為顯著性肝纖維化組，F＜2定義為無或非顯著性肝纖維化組。

1.4 MRI檢查相關參數 所有患者行腹部MRI平掃檢查前空腹大于6 h，并進行呼吸和屏氣訓練以獲得良好的配合。采用GE DISCOVERY MR750 3.0T掃描儀，采集的磁共振常規平掃序列包括：T1WI序列、T2WI序列、DWI序列，由DWI序列重建表觀擴散系數（apparent diffusion coeffcient,ADC）圖。MRI平掃序列參數：①T1WI：重復時間（time of repeatation,TR）為4 ms，回波時間（time of Echo,TE）為2 ms，層厚3.6 mm，視野（field of vision,FOV）為360 mm×360 mm；②T2WI：FOV為360 mm×360 mm，TE為77 ms，TR為2 400 ms，層厚8 mm；③DWI：FOV為360 mm×360 mm，TE為51 ms，TR為5 000 ms，b=0、1 000 s/mm2。

1.5 圖像預處理及標注目標區域 從PACS系統以DICOM格式下載影像資料，T1WI選擇T1序列的水相，單獨保存水相，以T1水相為標準圖像，應用3D Slicer軟件（version 4.13.0）對T2WI序列、DWI序列進行配準，所有圖像以NIFTI格式保存。本研究采用兩種方法對肝臟ROI進行標注，第一種標注方法（肝臟特征1）在肝臟腫瘤層面周圍選取5個圓形區域[大小為（10±0.5）mm]，上下共選取6個層面（共30個），標注時避開大血管、膽管、病灶、肝臟邊緣及偽影等。第二種標注方法（肝臟特征2）在沿門靜脈右支右肝前葉選取局部信號均勻大小為（15±0.1）mm的圓形區域進行標注。脾臟ROI全脾臟標注。以上操作均在一位高年資MRI診斷醫師指導下完成。

1.6 影像組學模型建立 利用Python中Pyradiomics包分別對T1WI、T2WI、ADC序列進行肝臟、脾臟特征提取，提取的特征包括一階直方圖統計特征、二階紋理特征。

在特征篩選前，將基于T1WI、T2WI、ADC各序列提取的肝臟特征所篩選出的特征進行拼接（前融合），對原始影像組學特征數據進行正則化處理。在訓練集中進行特征篩選，步驟如下：①第一步進行Spearman相關性分析，剔除冗余特征。②第二步使用最小絕對收縮和選擇算子（least absolute shrinkage and selection operator,LASSO）減少特征維度。得到相應的非零回歸系數，通過系數加權求和計算影像組學評分（radiomics score,Rad-score）。分別構建基于兩種肝臟標注方法所獲得的Rad-score，并用受試者工作特征（receiver operating characteristic,ROC）曲線下面積（area under the curve,AUC）評價模型性能。選擇模型性能更優的肝臟特征與脾臟特征前融合再次進行如上步驟，獲得肝臟-脾臟聯合特征影像組學評分。

使用支持向量機（support vector machine,SVM）算法分別構建基于肝臟特征、肝臟-脾臟聯合特征的影像組學模型，采用AUC、召回率、F1分數評價在訓練組和測試組中機器學習預測模型的性能。

1.7 統計學處理方法 采用SPSS26.0軟件統計學分析，正態分布的計量資料以±s表示，2組間比較采用獨立樣本t檢驗，非正態分布的計量資料以M（P25，P75）表示，2組間比較采用秩和檢驗。計數資料以用頻數和百分比表示，2組間比較采用χ2檢驗或Fisher確切概率法。采用二元Logistic回歸建立肝臟-脾臟聯合特征影像組學模型，用AUC評估模型性能，用Logistic回歸篩選出臨床影響因素構建臨床預測模型，綜合肝臟-脾臟聯合影像組學特征對應的影像組學評分和臨床影響因素構建聯合預測模型。應用R軟件（版本3.6.3，https∶//www.rproject.org/）決策曲線分析（decision curve analysis,DCA）評估臨床預測模型和聯合模型的臨床受益，進行診斷性能的ROC曲線分析及列線圖預測模型建立，AUC的多重和成對比較使用Delong非參數方法。P＜0.05為差異有統計學意義。

2 結果

2.1 一般資料 110例患者按病理分級：F0級21例（19%）、F1級27例（24.5%）、F2級15例（13.6%）、F3級11例（10%）、F4級36例（32.7%）。無或非顯著性肝纖維化組和顯著性肝纖維化組患者間年齡、PLT、AST、APRI指數、FIB-4指數、性別、是否乙肝感染和FIB-4 指數組間差異有統計學意義（P＜0.05）。見表1。

表1 研究人群臨床、血清學指標分析結果

2.2 影像組學模型構建

2.2.1 基于肝臟特征的顯著性肝纖維化影像組學模型構建：前融合T1WI、T2WI、ADC三個序列基于肝臟特征提取94 個影像組學特征。將肝纖維化病例按F0-1、F2-4（顯著性肝纖維化）分組進行特征篩選，當λ值為0.029時剩余22個特征，包括6個形狀特征、5個一階特征、2個灰度共生矩陣（gray level co-occurrence matrix,GLCM）特征、2個灰度游程矩陣（gray level run-length matrix,GLRLM）特征、1 個灰度依賴矩陣（gray level dependence matrix,GLDM）特征、3個灰度區域大小矩陣（gray level size zone matrix,GLSZM）特征、3 個領域灰度差矩陣（neighboring gray tone difference matrix,NGTDM）特征，見圖1A、圖1B。剩余22個特征相關系數圖、特征權重圖見圖1C。兩種標注方法（肝臟特征1、肝臟特征2）在診斷顯著性肝纖維化模型中AUC分別為0.828（95%CI=0.749～0.906）和0.663（95%CI=0.562～0.764），故本研究后續選用肝臟特征1進行分析。

圖1 基于肝臟特征的顯著性肝纖維化影像組學特征提取

2.2.2 基于肝臟-脾臟聯合特征的顯著性肝纖維化影像組學模型構建：前融合T1WI、T2WI、ADC三個序列基于肝臟、脾臟特征提取197個影像組學特征。進行特征篩選可得最佳λ值為0.014時剩余36個特征，包括8個形狀特征、10個一階特征、3個GLCM特征、2個GLRLM特征、9個GLSZM特征、4個NGTDM特征，見圖2A、圖2B。剩余36個特征權重圖見圖2C。

圖2 基于肝臟-脾臟聯合特征的顯著性肝纖維化影像組學特征提取

2.3 機器學習影像組學模型效能評價 顯著肝纖維化分組經SVM機器學習算法構建模型的相關評價指標見表2，在肝臟-脾臟聯合特征SVM分類器中各組的準確率、AUC、召回率、F1分數均高于肝臟特征SVM分類器，說明增加脾臟特征可增加模型對正類樣本識別的能力（召回率），也可提升模型的精確度（F1分數）。

表2 SVM機器學習算法構建影像組學模型的相關評價指標

2.4 Logistic影像組學模型效能評價 110例肝纖維化患者的Rad-score瀑布圖見圖3A，在兩種特征所構建模型驗證ROC曲線中（見圖3B），肝臟特征影像組學、肝臟-脾臟聯合特征影像組學模型AUC值分別為0.828、0.917，說明聯合特征診斷性能較佳，以其作為模型，以是否為顯著肝纖維化級別為結局變量（顯著性肝纖維化為1，非顯著性肝纖維化為0），算得Rad-score回歸系數為7.218（P＜0.001），表明Rad-score與顯著性肝纖維化分級顯著相關。

圖3 Logistic影像組學Rad-score瀑布圖及ROC曲線

2.5 影像組學評分結合臨床影響因素構建聯合預測模型 患者臨床資料及血清學特征的單因素Logistic回歸分析結果表明患者的性別、是否乙肝感染、PLT、FIB-4指數≥1.45與顯著性肝纖維化分期關系密切，差異有統計學意義（P＜0.05）。多因素Logistic回歸分析結果顯示患者的性別（女性）、年齡、乙肝感染、APRI指數是預測顯著性肝纖維化的獨立影響因素。見表3。將顯著肝纖維化分組患者的臨床獨立影響因素建立的臨床預測模型和本研究中得到的基于肝臟-脾臟聯合特征得到的Rad-score建立預測顯著性肝纖維化的聯合預測模型。臨床預測模型、影像組學預測模型、聯合預測模型在訓練組、測試組的AUC分別為：0.873、0.906、0.948和0.763、0.944和0.963，見圖4A、圖4B；DCA顯示聯合預測模型較單一臨床預測模型獲益大，見圖4C。Delong檢驗結果提示臨床預測模型與聯合預測模型差異有統計學意義（P＜0.05），即聯合預測模型優于臨床預測模型。聯合預測模型列線圖見圖4D。

圖4 三種預測模型的ROC曲線、DCA和聯合模型列線圖

表3 患者臨床資料及血清學特征的多因素Logistic回歸分析結果

3 討論

根據歐洲肝病學會發布的《慢性肝病診治指南（EASL2017版）》和中國中西醫結合學會肝病專業委員會發布的《肝纖維化中西醫結合診療指南（2019版）》中提到慢性肝病患者如經肝組織病理檢查確定纖維化程度在F2以上（即顯著性肝纖維化），應進行抗纖維化治療[11-12]。近年來影像組學技術的發展使得醫學影像所提取出的灰度、紋理等特征得以量化，為影像組學無創診斷肝纖維化提供了基礎。

有研究通過構建大鼠肝纖維化模型發現當大鼠發生肝纖維化時，由于肝纖維化時細胞外膠原、蛋白多糖等大分子的積累，會限制水分子的擴散和血流，MRI上表現為T2WI、ADC圖像信號減低[13]。SCHAWKAT等[14]發現T1WI序列紋理參數在區分是否為進展期肝纖維化（肝纖維化分期≥F3期）和磁共振彈性成像表現出相似的區分能力。也有相關研究表明ADC圖的直方圖特征和肝纖維化分期相關[15]，融合多個序列的MRI往往能獲得更多的影像組學特征。目前對肝纖維化程度無創評估多以肝臟特征為主，但對于脾臟特征的研究較少，隨著肝纖維化程度的進展，脾臟血流動力學繼發性改變，出現充血性脾腫大，有研究發現通過磁共振彈性成像（magnetic resonance elastography,MRE）測量脾臟硬度值可以評估肝纖維化分期[16-17]。YIN等[18]發現基于肝臟-脾臟聯合特征擁有比單一肝臟特征的CT影像組學在診斷F4期肝硬化上擁有更好的診斷性能，故本研究進行對肝臟-脾臟聯合特征提取的多模態MRI影像組學構建Rad-score，結合臨床影響因素構建聯合預測模型，對聯合預測模型與臨床預測模型進行效果評價。

關于肝臟ROI的標注目前暫無統一的標注指南，張諜等[19]總結目前影像組學肝臟ROI標注方法多選擇肝門或門靜脈右支水平的圖像沿肝緣或肝右葉進行廣泛標注，也可選擇范圍較小的、局部信號均勻的區域作為ROI標注區域。HOUSE等[20]研究提示全肝臟標注ROI或局部肝臟標注ROI所提取出的影像組學特征沒有顯著差異。由于肝纖維化是一個可逆、不均勻發展的過程[21]，本研究在標注肝臟ROI上選取了兩種方法，通過影像組學評分構建相應模型，結果表明標注方法1能取得更佳的診斷效能。后續可對不同標注方法對于診斷的影響進行進一步研究。

NI等[22]使用四氯化碳和橄欖油構建大鼠F0-F4肝纖維化模型并對其采集T1WI圖像，結果顯示SVM分類器模型是預測肝纖維化的最佳分類器。SCHAWKAT等[14]在對62例肝纖維化患者的前瞻性研究中發現，基于T1WI圖像特征的SVM分類器對進展期肝纖維化（S0-2/S3-4）區分的準確性達85.7%，AUC達0.82（95%CI=0.59～0.95）。ZHAO等[23]基于肝臟特征T1WI-MRI圖像的影像組學SVM分類器模型訓練組和測試組AUC分別為0.87和0.82，訓練組和測試組準確率分別為0.84和0.80，這與本研究結果相近。在本研究中，基于肝臟特征的多模態MRI影像組學SVM分類器模型訓練組和測試組AUC分別為0.93和0.84，訓練組和測試組準確率分別為0.88和0.81，表現出比單模態MRI更好的診斷性能；而基于肝臟-脾臟聯合臨床特征的多模態MRI影像組學SVM分類器模型訓練組和測試組AUC分別為0.99和0.88，表現出比單一特征更好的診斷性能。在本研究中整合肝臟-脾臟聯合特征多模態MRI影像組學評分和臨床影響因素的聯合預測模型，在DCA中，該聯合模型比單一臨床模型可能更多凈獲益，該聯合預測模型列線圖相較臨床預測模型可使顯著性肝纖維化患者的診斷更加個體化。

本研究存在的局限性：第一，本次研究樣本量較小，且缺乏外部驗證，很難避免選擇性偏倚的存在；第二，本研究僅對于顯著性肝纖維化分期建立了一種二分類模型，后續研究應進行多分類模型研究；第三，本研究納入的肝纖維化患者大多數為慢性乙型肝炎患者，缺乏其他病因致肝纖維化患者，可能會影響模型對非乙肝患者所致肝纖維化的判斷準確性。

綜上所述，基于多模態MRI提取肝臟-脾臟聯合特征的影像組學模型較單一肝臟特征相較于單一的臨床預測模型具有更好的診斷效能，有望提高現有無創診斷顯著性肝纖維化的診斷價值。