超聲影像組學對移植腎實質性病變鑒別診斷的價值

王天馳，王眾，牛寧寧，唐纓

我國慢性腎臟病患者基數龐大［1］，腎移植術為終末期腎病最有效的治療方法，年手術量已過萬例［2］。但術后并發癥常導致移植腎功能異常甚至喪失［3］，影響手術成功率。移植腎實質性病變主要分為急性排斥反應（acute rejection，AR）和腎小管壞死（acute tubular necrosis，ATN）兩種［4］，對兩者及時準確的鑒別診斷將直接影響預后。移植腎穿刺活檢是確診組織學分型的“金標準”［5］，但由于其有創、取樣局限等原因無法完全滿足臨床需求。超聲具有實時、高效的診斷優勢，可以對移植腎形態、血供、腎周積液等情況進行較為全面的評估，為術后監測的首選方法。雖然常規灰階及多普勒超聲已經在臨床廣泛應用，但對移植腎實質性病變組織學分型的鑒別診斷價值有限［6］。超聲影像組學作為一種新技術，其不同于傳統的“視覺分析”，而是將超聲醫學與計算機科學相結合，即從超聲圖像數據中提取高通量的組學特征，并轉化成高維度數據空間，進行數據挖掘，在一定程度上突破了常規超聲的局限性［7-8］。目前影像組學在腫瘤性質鑒別、生存期預測等方面研究較多［9］，對移植腎實質性病變診斷價值研究較少。本研究旨在應用超聲影像組學，通過建立多種組學預測模型，與常規超聲診斷結果進行對比，探討超聲影像組學鑒別診斷移植腎實質性病變組織學分型的價值。

1 對象與方法

1.1 研究對象 選取2012 年8 月—2021 年3 月于天津市第一中心醫院就診的因血肌酐異常而行腎穿刺活檢的同種異體腎移植患者。納入標準：（1）超聲資料記錄完整且圖像清晰。（2）活檢結果為AR或ATN。（3）血肌酐異常升高（男性：＞104μmol/L，女性：＞84μmol/L）。排除標準：（1）超聲圖像上有刻度尺、體表標記等影響圖像分析的標記或其他冗余信息。（2）移植腎有囊腫等占位性病變。（3）移植腎積水或大量移植腎腎周積液。共納入186例，其中AR組135例，男82例，女53例，年齡26～71歲，平均（45.20±12.29）歲；ATN組51例，男30例，女21例，年齡32～70歲，平均（51.94±9.32）歲。2組年齡（t=1.919）、性別（χ2=0.057）差異無統計學意義（P＞0.05）。

1.2 常規超聲參數獲取及診斷 患者取仰臥位，平靜呼吸下暴露髂窩移植腎部位，采用SIEMENS Sequoia512彩色超聲診斷儀，選擇頻率范圍為2.0～5.0 MHz的凸陣探頭，測量移植腎長徑L（cm）、寬徑W（cm）及厚度T（cm），計算移植腎體積V=π/6×L×W×T（cm3）［10］，留取移植腎長軸圖像。切換到頻譜多普勒模式，游標測量葉間動脈收縮期峰值流速（peak systolic velocity，PSV）、舒張末期流速（end-diastolic flow rate，EDV），計算阻力指數（resistance index，RI）=［（PSV-EDV）/（PSV）］。能量多普勒（Power Doppler，PD）觀察移植腎能量信號分布情況。參照相關文獻［11］將移植腎能量多普勒圖譜分為5 級：0級，腎皮質未見能量信號，主干見細窄能量信號分布，或完全沒有能量信號分布；Ⅰ級，能量信號顯示不足移植腎面積一半，腎皮質未見能量信號，主干見斷續粗大或連續細窄的能量信號；Ⅱ級，能量信號充盈大部分移植腎，腎皮質未見能量信號，主干見連續粗大的能量分布；Ⅲ級，能量信號基本充盈整個移植腎，腎皮質血管呈斷續“細絨線狀”表現，主干見粗大連續的能量信號；Ⅳ級，能量信號充盈整個移植腎，腎皮質血流呈“絨線狀”，主干見粗大連續的能量信號，見圖1。由2位具有8年以上移植超聲診斷經驗的醫師根據常規超聲參數進行鑒別診斷，意見不一致時協商確定。

Fig.1 Power Doppler grade of transplanted kidney圖1 移植腎能量圖分級

1.3 影像組學圖像興趣區（ROI）獲取及特征提取 Suh transfer軟件搜索HIS病例系統中超聲記錄，選擇符合描記要求的DICOM格式二維長軸超聲圖像，導入AVIEW軟件，通過手動描記方法，將移植腎全部納入ROI 內，見圖2，提取并記錄ROI圖像的影像組學特征數據。

拿出樂高玩具，開始拼插吧。這是最消耗時間的活，沒關系，十歲的我，有大把的時光可以消耗。直到拼得頭昏眼花、手指麻木，我才收手。扭頭一看，是幾箱芭比娃娃。它們陪伴了我幾年，不過我已與它們日漸疏遠。

Fig.2 Manually depict ROI with AVIEW software圖2 AVIEW軟件手工描繪ROI

2.1 常規超聲診斷結果 AR 組移植腎體積大于ATN組（P＜0.05），RI和能量圖分級差異無統計學意義，見表1。醫師組鑒別診斷敏感度為56.2%，特異度為60.7%，準確度為57.5%，見表2。

SAR雙通道對消系統工作于正側視，仿真參數如表1所示.設成像區域距離向范圍為[9900m,10100m]，方位向范圍為[-110m,110m]，場景中心坐標為(10000,0).圖4為無干擾時SAR場景成像結果，其中在三角形標記處設置散射波干擾機，坐標為(9910,0)，圖中長方形區域為特定散射區域.實驗過程中干擾機位置與散射區域不變.

2.2.2 各模型診斷效能比較 選擇以上經過篩選保留的6 個有效特征建立組學模型。隨機森林、支持向量機、邏輯回歸和K 近鄰法4 種模型的預測價值見表3、圖4。其中隨機森林模型的綜合表現最優。

2 結果

1.4 影像組學模型建立及對比 使用Python3.0 編程軟件，對獲得的全部組學特征數據采用獨立樣本t檢驗進行初次篩選，再通過調整最優Lambda參數，使用最小絕對值收斂和選擇算子（least absolute shrinkage and selection operator，LASSO）算法從已篩選特征中選擇最優的有效特征，并利用隨機森林、K 近鄰法、邏輯回歸、支持向量機分類器建立預測模型。各模型以7∶3 為比例利用訓練隊列（130 例）進行學習訓練，訓練后的4 種模型分別對驗證隊列（56 例）進行預測，采用5折交叉驗證策略分析各組學模型驗證隊列準確度、敏感度、特異度及曲線下面積（AUC）。

Tab.1 Comparison of conventional ultrasound parameter features between two groups表1 2組常規超聲特征參數比較

Tab.2 The diagnostic value of physician group for organizational credit type表2 醫師組對組織學分型的診斷價值

已知電子遷移率μn與溫度呈負相關，可以表示為是參考溫度，μ0是參考溫度T0下的電子遷移率，T是絕對溫度，m是溫度指數，m大小在1～2之間。熱電壓UT與溫度呈正相關，可以表示為。所以Iref與溫度T之間的關系可以表示為

2.2.1 特征篩選結果 應用AVIEW 軟件每幅圖像提取137個組學特征，經過t檢驗和LASSO算法聯合篩選后，最終保留2D形狀-平坦度、一階-最小值、直方圖-最小值、直方圖-體素計數、梯度-標準差、灰度共生矩陣-集群陰影6個有意義的特征，特征系數分別為0.127 261、-0.991 61、-0.186 26、0.035 576、-0.060 932和-0.039 824，見圖3，其中除2D形狀-平坦度屬于形狀特征子集，其余5 個特征均屬于紋理特征子集。

目前，研究調水引流生態環境效應的手段主要是野外監測，受風浪和季節等因素的干擾，野外監測難以構建引水要素與受水湖泊水文、理化、生物環境間的對應關系，無法回答引水流量、營養水平等要素對受水湖泊產生的直接生態環境效應，更無法定量預測引水要素的改變對受水湖泊生態環境的影響程度。而構建室內微宇宙湖泊生態系統則為回答這些問題提供了研究便利。

Fig.3 Feature variable selection based on filtering algorithm圖3 基于篩選算法構建模型的特征變量選擇

1.5 統計學方法 采用Python 3.0 及SPSS 22.0 軟件進行數據分析。計數資料以例（%）表示，符合正態分布的計量資料以表示，2組間比較采用獨立樣本t檢驗；等級資料比較采用秩和檢驗。P＜0.05為差異有統計學意義。

Tab.3 Analysis results of predictive effectiveness of each ultrasound radiomics model表3 各模型的預測效能分析結果

Fig.4 ROC plots of each ultrasound radiomics model圖4 各組學模型ROC曲線

3 討論

AR 和ATN 作為常見的移植腎實質性病變，發病時皆有肌酐升高、突然少尿，伴或不伴有發熱等癥狀［12］，僅從臨床表現上不易進行鑒別，而禁忌證的存在限制了活檢的應用范圍，故尋找一種安全、準確、高效的鑒別診斷方法是臨床亟需解決的問題。超聲作為一種成熟的無創檢查方法，技術日益進步。本研究對比常規超聲方法與影像組學方法，并分析多種組學模型，探討超聲影像組學鑒別診斷移植腎實質性病變組織學分型的價值。

2.2 超聲影像組學預測模型

常規超聲主要通過對移植腎體積形態、血流動力學等方面進行分析，對組織學分型鑒別診斷價值有限，這主要是由于移植腎發生AR的典型超聲特征表現為移植腎體積增大，但因高效免疫抑制劑的普遍應用，依據形態結構作為診斷標準的價值逐漸降低［13］。而發生AR 和ATN 時均會有RI 升高、腎內血流充盈減少的表現［14］，故高值RI、能量信號減少等均不能成為有效鑒別特征。超聲影像組學是人工智能在超聲醫學中的具體應用，其結果受主觀影響更小，診斷效能更高［15］。黃云霞等［16］以甲狀腺癌頸部淋巴結轉移為研究對象，將常規超聲診斷方法與超聲影像組學方法進行診斷效能的對比，發現常規超聲方法診斷效能低于組學方法（AUC：0.714vs.0.793）。

特征提取及篩選是實現組學的關鍵步驟［17］。研究表明，構建模型時若不進行特征篩選，會導致模型過度擬合，降低模型穩定性［18］。本研究使用“t檢驗＋LASSO算法”聯合篩選方法，從137個特征中最終篩選了6個有效特征。由于紋理特征對分子或微環境尺度下的異質細胞敏感性較高［19］，有效特征中有5 個屬于紋理特征子集，僅有1 個屬于形狀特征子集。

影像組學模型種類豐富，Zhang 等［20］通過對11種特征篩選器和8 種分類器進行組合，總結了88 種組學模型。目前的研究多是通過構建單個組學預測模型進行組學價值分析，少有對不同模型性能差異的討論。本研究通過使用“t檢驗＋LASSO 算法”的特征篩選方法結合K 近鄰法、邏輯回歸、支持向量機、隨機森林等分類器建立4 種組學模型。結果顯示4 種模型診斷效能并不相同，其中由于隨機森林是通過訓練多個決策樹進行預測，對于復雜問題具有較好的預測性能［21］，故隨機森林模型診斷效果最好，AUC為0.931，敏感度97.6%，特異度80.0%，準確度85.8%。Parmar 等［22］評估了不同特征篩選情況下12 種分類器對肺癌患者的預測能力，結果顯示，隨機森林分類器診斷效能最高（AUC 為0.66），與本研究結果相同。胡艷等［23］基于MRI 的常規T2加權成像序列，采用放射影像組學方法對卵巢上皮腫瘤進行分類預測，亦發現不同的組學模型最終效能并不相同。本研究局限性：（1）本研究為單中心回顧性研究，樣本量較少。（2）ROI 使用手動描記方法，效率較低。

綜上所述，超聲影像組學作為一種將醫學與工學交叉融合的新方法，相比于常規超聲，可以獲取更多的圖像信息特征，診斷效果更好，應用前景廣闊。不同的模型構建方案會對組學預測結果產生重要影響，需要研究人員根據研究任務對模型預測能力進行權衡，選擇適合目標問題的方法進行建模。