基于T2加權和彌散加權成像的影像組學定量評估膀胱癌肌層浸潤

吳云 王玫 朱大榮

膀胱癌的肌層浸潤深度影響臨床治療策略的制定［1］，對患者治療和預后都至關重要［2］。有研究表明T2加權成像是評估膀胱腫瘤累及深度的最佳方法［3］，并且T2加權成像（T2WI）聯合彌散加權成像（DWI）評估T 分期的總體準確性高于單獨的T2WI 或T2WI 融合增強成像［4］。影像組學是采用自動化算法從感興趣區內提取有用的定量信息來輔助癌癥的診斷［5-7］。因此，本實驗在T2WI 和DWI 的聯合成像上運用影像組學方法構建模型，以實現術前對膀胱癌肌層浸潤的預測。

1 資料與方法

1.1 臨床資料 收集杭州市第一人民醫院2016 年2 月至2021 年2 月的膀胱癌患者，方案符合醫學倫理學要求。納入MR 序列完整（包括T2WI、DWI 序列）及有手術病理結果的患者，最終納入165 例患者，其中非肌層浸潤性膀胱癌（NMIBC）94 例，肌層浸潤性膀胱癌（MIBC）71 例。

1.2 影像學檢查 采用德國 Siemens Verio 3.0 T MR掃描儀。軸位T2WI：TR 4,470 ms，TE 95 ms，矩陣256×205，視野（FOV）20 cm×20 cm，層厚4 mm，層間距1.2 mm；軸位 DWI：TR 8,100 ms，TE 75 ms，矩陣140×109，FOV 35 cm×35 cm，層厚 5 mm，層間距1 mm，b值分別為0、1,000 s/mm。

1.3 影像資料處理（1）本次研究使用uAI Research Portal（V1.4）軟件，將影像和臨床數據均導入該科研平臺。（2）在軟件圖像標注頁面勾畫感興趣區（ROI），即膀胱腫瘤。一個病例可能存在多個病變的情況，選擇最大的ROI進行勾畫。由兩位經驗豐富的影像科醫生進行協商勾畫。（3）在組學模塊界面上對勾畫的ROI 進行組學特征提取。每個序列均提取出2,600 個組學特征，并手動加入7 個其它特征［包括表觀彌散系數（ADC）值及6 個臨床特征］。為了避免分組的樣本偏差，我們通過5 折交叉-驗證方法將數據劃分為兩部分（訓練集和測試集），生成五個與訓練和測試集不同的折疊，獲得對模型平均但穩定的效能評估。使用Z 評分對數據標準化后，運用LASSO 方法來組學特征進行降維，篩選出有意義的特征并通過線性公式得到各自的Radscore，后基于 Radscore 和有統計學差異的其他特征，運用邏輯回歸方法構建諾莫圖（Nomogram）模型。（4）ADC值的測量：取腫瘤實體部分進行測量，取兩次結果的平均值。

1.4 統計學方法 模型在訓練集及測試集中的診斷效能應用受試者工作特征曲線（ROC）進行驗證。

2 結果

2.1 一般資料 通過軟件對其他特征進行Lasso 降維，發現ADC 值和有無膀胱刺激癥為有診斷意義的特征，而其他臨床特征（年齡、性別、CEA、吸煙、肉眼或鏡下血尿）對兩組間的鑒別均無價值，見圖1。

圖1 一般資料

2.2 組學特征模型的構建與評價 組學特征降維處理后，T2WI 中篩選出6 個有意義的特征，DWI 中篩選出7 個，后將兩序列篩選出的特征繼續降維，得出有意義的聯合特征6 個。在訓練集和測試集中，T2WI、DWI 和兩個序列聯合特征的Radscore 在兩組間差異具有統計學意義（P＜0.05）。在訓練集中通過曲線下面積（AUC）判斷各自Radscore 模型的診斷效能。由圖2 所示，比較單個序列（T2WI、DWI）和兩序列聯合模型，發現聯合Radscore 模型在膀胱癌肌層浸潤的診斷上具有更優效能。

圖2 利用單序列（T2W I、D W I）和兩個序列聯合（Combined）的ROC曲線判斷模型的診斷效能

2.3 構建 Nomogram 模型 根據上述結果，將兩個序列聯合的Radscore 值與有意義其他特征（平均ADC 值、有無膀胱刺激癥）融合共同構建 Nomogram 模型，發現該模型較單獨的Radscore 模型和其他特征模型有更好的診斷性能。Nomogram 模型在訓練集的AUC、特異度及敏感度分別是0.877、0.864、0.806；在測試集中的AUC、特異度及敏感度分別是0.87、0.811、0.761（圖3I）。后構建聯合診斷的Nomogram 列線圖（圖3 Ⅱ），訓練集及測試集中的校正曲線證明了該模型較高的診斷準確性（圖3 Ⅲ）。

圖3 （Ⅰ）訓練集及測試集中Nomogram 模型所展示的ROC曲線；（Ⅱ）Nomogram模型可視化列線圖；（Ⅲ）相應模型的校正曲線

3 討論

在本資料中，基于T2WI、DWI 成像運用影像組學方法構建術前預測膀胱癌肌層浸潤模型。通過比較T2WI、DWI 兩單序列和兩序列聯合Radscore 模型，發現聯合模型具有更優的診斷效能，后基于聯合的Radscore 值與有意義其他特征共同構建更優的多指標診斷Nomogram模型。

在這項研究中，作者從兩聯合序列中篩選出6 個有意義的特征，包括Skewness 屬于一階紋理特征［8］，其基本的度量值反映區域內體素強度的分布，該值越低，則病灶異質性越高。其余5 個特征是經過濾波器處理后的圖像特征，其中log-sigma-1-0-mm-3D-SizeZoneNonUniformityNormalized、log-sigma-2-mm-3D-ZoneEntropy 屬于高斯濾波器的拉普拉斯算子，sigma 參數強調的紋理粗糙度，該值較高則強調紋理較粗，異質性增加；剩下三個屬于小波紋理特征，wavelet-LLL-Skewness 為三個方向低通濾波后灰度分布的偏度特征，該值越低，圖像紋理越不均勻；而wavelet-LHL-LargeDependenceEmphasis、wavelet-LHHLargeDependenceEmphasis 是三個方向應用高通或低通濾波后得到的灰度依賴矩陣，其紋理越均勻，矩陣就越寬、越平坦。因此從某種意義上說，小波與病灶紋理相關，而紋理的改變提示了病灶的異質性［9］，即腫瘤向肌層浸潤的傾向。

本資料分析發現聯合模型較單序列模型有更好的診斷性能，這在其他研究中也得到驗證［10-11］，但是之前的研究采用的是定性診斷方式，準確性取決于醫師的經驗，而本次應用影像組學方法可以從腫瘤區域提取客觀定量信息，進一步優化結果。此外在其他特征篩選中，ADC 值和有無膀胱刺激癥被認為是區分NMIBC和MIBC 的重要診斷因素，因此，將篩選出的其他有意義特征和聯合的Radscore 共同構建Nomogram 模型，進一步提高診斷NMIBC 和MIBC 的準確性，這在WANG等［12］的研究中得到驗證，他們發現Radscore 有助于膀胱癌肌層的侵犯情況，并且與有意義的臨床因素結合可進一步改善預測結果。

以上分析可知，基于T2WI、DWI 兩序列聯合的Radscore 和其他特征融合構建的多指標診斷的Nomogram 模型，對于膀胱癌肌層浸潤具有較好的定量診斷價值，進一步指導臨床方案的制定。