基于MR-T2WI 的深度學習與影像組學聯合臨床特征預測宮頸癌淋巴脈管間隙浸潤

林寶金，龍先鳳，吳朝霞，梁莉莉，盧子紅，甘武田，朱超華*

0 引言

宮頸癌是女性生殖系統最常見的惡性腫瘤之一，且在中低收入國家中更常見，死亡率居第三位[1]，嚴重威脅女性的生命健康。我國女性宮頸癌人數逐年上漲[2]，早發現、早診斷和早治療能夠有效降低宮頸癌的死亡率[3]。患者確診宮頸癌時，淋巴脈管間隙浸潤（lymph vascular invasion, LVSI）是影響其治療選擇和預后的重要因素[4-5]。根據美國國立癌癥綜合網絡（National Comprehensive Cancer Network）發布的2023 年子宮頸癌臨床實踐指南[6]，LVSI 被認為是宮頸癌的中危因素之一，同時LVSI 已經被研究證實是宮頸癌發生淋巴結轉移的獨立危險因素[7-8]，可以在一定程度上更早地反映淋巴結發生轉移的潛在風險。目前，術后組織病理分析是檢驗LVSI 的“金標準”，但是活檢和手術切除是一種有創的方法，其標本的陰性預測值較低，病理分析的適用性有限；由于宮頸活檢組織少，容易漏診微小病灶，在檢測LVSI的臨床應用有限[9]。總之，確定其生物標記物是一項具有挑戰性的任務[10]。

MRI 是早期宮頸癌檢查最常用的手段[11-13]，在臨床中具有較高的應用價值。傳統的MRI圖像只能對腫瘤表觀特征進行主觀判斷，無法進行定量評價容易忽略腫瘤內部異質性[14]，在診斷和治療中受到一定限制。影像組學是利用醫學圖像數據進行定量分析和挖掘的方法，以非侵入性方式獲得腫瘤的內部異質性[15]，已在宮頸癌診斷鑒別[16]、淋巴結轉移預測[17]、療效評估[18]和生存期預測[19]等方面表現出巨大優勢[20]。近年來，深度學習在醫學圖像處理領域取得長足進步，它主要通過卷積神經網絡使用濾波矩陣對圖像進行特征提取，這就需要大量的標注數據集來理解數據之間的潛在關系[21]。深度遷移學習（deep transfer learning, DTL）是一個使用預先訓練的深度學習網絡[22]，并對其進行微調以學習新任務的過程，以便將深度學習影像組學應用于小型數據集上，這一策略成為近年來的研究熱點[23-25]。將深度學習算法與影像組學結合起來，對于實現個體化精準醫療具有重要的價值。現有的國內外研究中，通常利用獲取的影像組學特征通過機器學習建模來預測LVSI，但國內尚未有研究討論深度學習特征在診斷宮頸癌LVSI 中的潛在價值。本研究假設通過DTL方法提取病灶中的DTL 特征，以更全面地反映生物學信息。同時，將獲取的DTL 特征與影像組學特征和臨床特征結合構建聯合預測模型，旨在進一步評估LVSI狀態，提高臨床診斷效能。

1 材料與方法

1.1 一般資料

本研究遵守《赫爾辛基宣言》，經廣西壯族自治區人民醫院倫理委員會批準（批準文號：KY-ZC-2023-053），免除受試者知情同意。回顧性分析2019 年1 月至2022 年12 月廣西壯族自治區人民醫院經術后病理確診的宮頸癌患者病例。納入標準：（1）宮頸癌根治術后病理學檢查確診為宮頸癌；（2）患者在MRI 檢查前未接受新輔助治療或其他治療；（3）術前1個月內接受3.0 T MRI檢查；（4）腫瘤為單個病灶。排除標準：（1）臨床資料不全；（2）圖像質量不佳或者缺失；（3）存在遠處轉移；（4）術前接受過治療；（5）合并其他腫瘤。

1.2 儀器與方法

采用Siemens Magnetom Trio 3.0 T 磁共振儀，體部8 通道相控陣線圈，采集盆部MRI。常規掃描參數：快速自旋回波T1WI，FOV 400 mm×400 mm，TR/TE 550/13 ms，層厚/間距4 mm/1 mm，矩陣202×384，激勵次數2；快速自旋回波T2WI，FOV 400 mm×400 mm，TR/TE 550/3 ms，層厚/間距4 mm/1 mm，矩陣202×384，激勵次數2。

1.3 影像組學分析

1.3.1 分割圖像

由一名放射科主治醫師（具有5 年盆腔影像經驗）使用3D Slicer 4.10.2 軟件，在矢狀位T2WI 圖像上沿病灶邊緣逐層手動勾畫感興趣（region of interest, ROI），獲得腫瘤三維容積感興趣區（volume of interest, VOI），見圖1。對圖像進行N4偏置校正[26]和標準化，將所有圖像進行重采樣[27]至體素1 mm×1 mm×1 mm，基于Python平臺的開源軟件包Pyradiomics（http://pypi.org/project/Pyradiomics/）提取影像組學特征。隨機選取訓練集中的30 例患者病例，由另一名放射科副主任醫師（具有10 年盆腔影像經驗），重新繪制ROI 并提取影像組學特征。以組內相關系數（intra-class correlation coefficient, ICC）評估兩位觀察者之間在提取影像組學特征方面的一致性，保留一致性較好的特征（ICC＞0.80）。

1.3.2 DTL特征提取

在提取DTL 特征之前，選擇矢狀面中面積最大的ROI 進行裁剪。使用線性差將輸入圖像重新采樣為64×64大小，并將像素強度的平均值和標準偏差歸一化為0 和1。在基于Python 3.7 平臺的深度學習庫PyTorch 中[28]，選擇ResNet 50 深度卷積網絡架構[29-30]作為遷移學習的基本模型，設置學習率執行遷移，提取DTL特征。

圖1 基于T2WI 圖像沿病灶邊緣逐層勾畫三維容積感興趣區（volume of interest, VOI）示意圖。1A：T2WI 圖像；1B：腫瘤感興趣區（紅色）；1C：腫瘤VOI。
Fig.1 Sequentially delineate the volume of interest (VOI) along the lesion margin based on T2WI images.1A: T2WI image; 1B: Tumor region of interest (highlighted in red); 1C:Tumor VOI.

1.3.3 特征篩選及特征融合

首先，對ROI 提取的影像特征進行獨立樣本t檢驗，將P＞0.05的特征去除。其次，對于具有高重復性的特征，計算Pearson 相關系數以表達特征之間的關系，并且保留相關系數大于0.9 的任何一對特征中的一個。最后，使用最小絕對收縮和選擇算子（least absolute shrinkage and selection operator, LASSO）算法，通過構造懲罰函數λ來收縮一些回歸系數以迫使一些特征變為0，從而將穩定的特征并入LASSO 分析。基于最小值標準，進行十倍交叉驗證以確定最佳λ 值。根據最佳λ 值對應的模型，篩選非零系數的特征，從而得到獨立且穩定的特征。使用Z-score 方法對所有篩選特征進行標準化，并計算每列特征的均值和方差。通過減去平均值并除以方差，將每列特征轉換為標準正態分布。然后，根據LASSO 算法篩選出的特征及其對應的系數，繪制特征系數SHAP value圖，以評估各特征重要性程度。

由于DTL 特征的維數較大，為保證特征間的平衡，在融合影像組學特征前，使用主成分分析對DTL特征進行降維，以提高模型泛化能力，降低過擬合風險。在融合選定的影像組學特征和DTL 特征后，使用Z-score 方法對所有特征融合進行標準化，并計算每列特征的平均值和方差。通過減去平均值并除以方差，將每列特征轉換為標準正態分布。在特征融合階段，對影像組學特征和DTL 特征進行早期融合，形成完整的特征集。使用LASSO 篩選出系數為非零的特征，選擇特征融合并降維以找到具有最佳特征融合的子集。最后得到了一個21 維的特征融合子集。

1.3.4 模型構建與驗證

經過特征融合和篩選，我們使用scikitslearn機器學習庫構建了一個機器學習分類模型。機器學習分類模型包括支持邏輯回歸（logistic regression, LR）、支持向量機（support vector machine, SVM）、K 近鄰（K-nearest neighbor, KNN）、多變量邏輯回歸（multivariate logistic regression, MLP）、隨 機 森 林（random forest, RF）、極端隨機樹（extremely randomized trees, ExtraTrees）、極端梯度提升（eXtreme Gradient Boosting, XGBoost）和輕量級梯度提升機（light gradient boosting machine, LightGBM）。所有模型均在訓練隊列中使用網格搜索算法進行訓練。每個模型中常用的參數都被認為是經過調整的。比較了不同分類模型的性能，為了防止過擬合，進行了5 次交叉驗證，以在訓練序列中為分類模型選擇最佳參數。最后計算影像組學評分（Radscore），篩選最佳影像組學模型。

1.4 統計學分析

所有統計測試均使用SPSS 25.0軟件、Python 3.7和4.0.2 版R 軟件進行。數據經Kolmogorov-Smirnov 檢驗，符合正態分布的計量資料以（xˉ±s）表示，不符合正態分布的計量資料以中位數±四分位數間距表示。以ICC 檢驗評價兩名醫師之間提取影像組學特征的一致性，ICC＞0.75 為一致性良好。使用DeLong 檢驗比較各種預測模型的AUC，使用決策曲線分析（decision curve analysis, DCA）評估模型的臨床價值。以多因素logistic 回歸構建基于DTL 特征、影像組學特征和臨床特征的聯合預測模型，并以列線圖將其可視化。列線圖和DCA 主要通過使用R 軟件“rmc”和“rmda”包來計算。P＜0.05為差異有統計學意義。

2 結果

2.1 訓練集和測試集患者臨床基線特征比較

研究共納入178 例宮頸癌患者，年齡27～82（51.91±10.39）歲，其中70 例LVSI（+）、108 例LVSI（-）；按照8∶2 比例劃分為訓練集[142 例，54 例LVSI（+）、88 例LVSI（-）]和測試集[36 例，16 例LVSI（+）、20 例LVSI（-）]。記錄患者的臨床資料，包括年齡、血紅蛋白、淋巴結轉移、中性粒細胞數等18個項目。臨床特征樣本數據分布統計結果見表1。選用單因素邏輯回歸分析，最終選擇粒細胞比率和淋巴結轉移（P＜0.05）兩項作為獨立預測因子，用以構建聯合預測模型。

表1 訓練集和測試集宮頸癌患者臨床基線資料Tab.1 Clinical baseline data of cervical cancer patients in the training and test sets

2.2 構建影像組學模型

基于T2WI 影像分別提取影像組學特征和DTL特征，經ICC 檢驗結果，分別保留了1 197 個影像組學特征和2 048個DTL 特征，構建影像組學特征數據集、DTL 特征數據集和影像組學特征與DTL 的融合特征數據集，各數據集依次經過t檢驗、Pearson 相關性和LASSO 后最終篩選出3、7 和21 個最佳組學特征（圖2），分別構建影像組學（radiomics, Rad）模型、DTL 模型和二者特征融合模型（Rad+DTL 模型）。Rad+DTL 模型預測訓練集和測試集宮頸癌LVSI（+）的AUC（0.966、0.759）高于Rad 模型（0.802、0.741）和DTL 模型（0.886、0.519）；以Rad+DTL 模型為最佳影像組學預測模型，詳見表2。

圖2 基于影像組學特征、深度遷移學習（DTL）特征及二者融合特征篩選的最佳影像組學特征及相應SHAP值。Fig.2 The optimal radiomics features based on radiomic features, deep transfer learning features (DTL), and the combined features of both, along with their corresponding SHAP values.

2.3 構建聯合預測模型

Rad+DTL 模型的Radscore 最高，將Rad+DTL 模型與淋巴結轉移、粒細胞比率兩項臨床特征構建聯合模型，圖3為其列線圖。聯合模型在訓練集預測LVSI（+）的AUC 高于Rad+DTL 模型（0.984 vs.0.966，Z=7.84，P＜0.01），在測試集中與Rad+DTL 模型的AUC差異無統計學意義（0.912 vs.0.759，Z=1.89，P=0.05），見圖4 和表2。校準曲線顯示，聯合模型相比于Rad模型、DTL 模型、Rad+DTL 模型具有較高的校準度（圖5）。DCA 顯示，閾值取0～0.98 時，聯合模型臨床效益更好，見圖6。

圖3 聯合模型列線圖。不同指標對應分數的總和越高，淋巴脈管間隙浸潤（LVSI）陽性的概率越大。Rad 為影像組學；DL 為深度學習；Metastasis為淋巴結轉移（0=陰性，1=陽性）。Fig.3 A nomogram of the union model.The higher the total score based on different indicators, the greater the probability of lymphovascular space invasion being positive.Rad: radiomics; DL: deep learning; metastasis:lymph node metastasis (0=negative, 1=positive).

圖4 Rad 模型、DTL 模型、Rad+DTL 模型及聯合模型預測宮頸癌LVSI（+）的ROC 曲線。4A：訓練集；4B：測試集。AUC：曲線下面積；Rad：影像組學；DTL：深度遷移學習；Rad+DTL：影像組學特征與深度遷移學習特征的融合；Nomogram：列線圖（聯合模型）；LVSI：淋巴脈管間隙浸潤；ROC：受試者工作特征。Fig.4 ROC curves of the Rad model, DTL model, Rad+DTL model, and union model for predicting LVSI (+) in cervical cancer.4A: Training set; 4B:Test set.AUC: area under the curve; Rad: radiomics; DTL: deep transfer learning; Rad+DTL: fusion of radiomic features and deep transfer learning features; Nomogram: nomogram model (combined model); LVSI: lymph vascular space invasion; ROC: receiver operating characteristic.

圖5 Rad 模型、DTL 模型、Rad+ DTL 模型及聯合模型的校準曲線。5A：訓練集；5B：測試集。Rad：影像組學；DTL：深度遷移學習：Rad+DTL：影像組學特征與深度遷移學習特征的融合；Nomogram：列線圖（聯合模型）。Fig.5 Calibration curves of the Rad model, DTL model, Rad+DTL model,and the union model.5A: Training set; 5B: Test set.Rad: radiomics; DTL:deep transfer learning; Rad+DTL: fusion of radiomic features and deep transfer learning features; Nomogram: nomogram model (combined model).

圖6 Rad模型、DTL模型、Rad+DTL模型及聯合模型的DCA圖。y軸表示凈收益，x 軸表示閾值概率。Rad：影像組學模型；DTL：深度遷移學習模型：Rad+DTL：影像組學特征與深度遷移學習特征的融合模型；Nomogram：列線圖（聯合模型）；DCA：決策曲線分析。Fig.6 DCA plots of the Rad model, DTL model, Rad+DTL model, and the union model.The y-axis represents the net benefit, while the x-axis represents the threshold probability.Rad: radiomics; DTL: deep transfer learning; Rad+DTL: fusion of radiomic features and deep transfer learning features;Nomogram: nomogram model (combined model); DCA: decision curve analysis.

3 討論

本研究開發并驗證了利用機器學習算法基于DTL 特征、影像組學特征和臨床特征構建聯合（列線圖）模型，探究其在術前預測宮頸癌LVSI 的潛在價值。結果顯示，聯合模型在訓練集中的AUC 為0.984（95%CI：0.966～1.000），在測試集中的AUC 值為0.912（95%CI：0.824～1.000），該模型具有較高的診斷效能，可輔助臨床制訂個體化治療方案。更為重要的是，本研究揭示了DTL 特征能夠為影像組學預測宮頸癌LVSI 狀態提供額外的潛在價值，有望成為宮頸癌診療決策中的生物標記物。

3.1 宮頸癌LVSI的影像組學研究

近年來人工智能技術的快速發展，影像組學成為臨床研究的熱點，通過大數據算法和統計分析工具，高通量提取并分析成像特征，將傳統影像轉化為可挖掘分析的數據信息，獲得另一種洞悉腫瘤特征的生物學信息[31]，為臨床決策提供支持。傳統的影像學方法容易忽略腫瘤自身異質性，無法準確預測宮頸癌LVSI狀態。已有部分學者利用影像組學技術針對宮頸癌LVSI 狀態做了相關研究，最早的研究是LI等[32]基于T1 對比增強（contrast-enhanced, CE）MRI的影像特征構建預測宮頸癌LVSI 狀態的影像組學模型，雖然該研究預測準確性只有60%，臨床應用有限，但是結果表明MRI 圖像的影像組學特征可以用于預測宮頸癌LVSI。WU 等[33]利用多個MRI 序列的影像特征預測宮頸癌LVSI狀態的價值，模型的AUC值在0.659 至0.814 之間，其中單個T2WI 序列構建的影像組學模型效果與本研究中的Rad模型結果相似，一方面是T2WI序列圖像對于腫瘤組織較為敏感，能夠識別微小的組織結構改變；另一方面，T2WI 圖像提取的影像組學特征能夠較好地描述腫瘤異質性和邊緣特性等生物學信息。喻泓清等[34]基于T2WI+CE-T1WI 影像組學及淋巴結轉移狀態、宮頸浸潤深度構建的臨床影像組學模型在訓練集及驗證集的AUC 值分別為0.88 和0.83，其中淋巴結轉移狀態指標與本研究納入的臨床指標一致，表明淋巴結轉移與LVSI具有較強相關性[5-6]。將深度學習算法和影像組學結合用于宮頸癌LVSI 研究中，目前國內外鮮有相關研究報道，HUA等[35]通過VGG-19的卷積神經網絡架構提取深度學習特征并將其與影像組學特征結合起來，構建的聯合模型在訓練集和測試集中預測LVSI 的AUC 值分別為0.842 和0.775，本研究則通過ResNet50的卷積神經網絡架構提取DTL特征與影像組學特征結合，構建的Rad+DTL 模型在訓練集和測試集中的AUC 為0.966 和0.759，兩者在訓練集AUC存在一定差異。一方面可能由于兩者訓練樣本數量的差異，HUA 等訓練集使用了111 例宮頸癌患者數據，本研究訓練集使用了142 例宮頸癌患者數據，但并不排除結果存在一定的過擬合；另一方面，兩者使用不同的卷積神經網絡架構，各自發揮出的優勢不同。兩項研究在測試集中的結果類似，表明深度學習特征在判斷宮頸癌LVSI 狀態方面具有一定的價值。

3.2 宮頸癌LVSI預測模型的應用價值與效能分析

MRI各序列圖像中，宮頸腫瘤在T2WI圖像上呈明顯高信號，能夠清楚地展示子宮頸的解剖位置，可將宮頸腫瘤與周圍正常組織有效區分開來，有利于確定宮頸病灶的位置、形態和浸潤范圍[36]。本研究基于T2WI序列圖像進行影像組學分析，經篩選最終獲得21 個特征，其中16 個影像組學特征（1 個形態學特征，15 個紋理特征），5 個DTL 特征。形態學特征和紋理特征中的灰度共生矩陣、灰度大小區域矩陣和灰度游程矩陣在SHAP 圖中均顯示有利于預測宮頸癌LVSI 狀態，表明腫瘤異質性體現在圖像的灰度變化上；形態學特征反映的是腫瘤輪廓基本信息；灰度共生矩陣反映的是圖像灰度在步長、方向等變化的綜合信息；灰度大小區域矩陣描述圖像中區域或區塊的灰度級別和大小；灰度游程矩陣用于描述圖像的灰度連續性或平滑性。雖然本研究獲取的DTL 特征暫時無法解釋說明，但是根據SHAP值中的特征重要性表現，可知DTL 特征對于預測模型構建具有一定的貢獻。

與既往的宮頸癌LVSI 影像組學研究不同，本研究構建的預測模型創新性地納入DTL 特征，通過ResNet50深度卷積網絡架構提取的DTL特征在構建預測模型方面顯示出了一定的潛力，對預測模型的效能提升起到了促進作用，與JIANG 等[37]發現基于深度學習的影像組學可區分血管是否浸潤的結果類似。深度學習作為當下熱門的發展學科，其算法能夠自動學習具有強大表征能力的特征，無需人為干預，將深度學習與影像組學結合起來，有利于個性化醫療的實現[38]。盡管當前深度學習特征的可解釋性有待進一步研究，但這并不排除在卷積運算中對病變本身的特征進行映射，從而可以進一步用于預測模型的構建；另外，使用DTL 方法能夠有效解決當前數據樣本不足的困境。本研究以Rad+DTL模型聯合粒細胞比率、淋巴結轉移兩項臨床因素構建的聯合模型融合了腫瘤的異質性、形態學及臨床特征，能夠為宮頸癌LVSI 狀態診斷提供更加穩定可靠的依據。聯合模型在訓練集和測試集中AUC 值分別為0.984 和0.912，在訓練集和測試集均高于Rad+DTL模型，提示其模型臨床應用價值高。本研究構建聯合模型的診斷效能優于既往研究的效果，可能由于本研究基于三維紋理分析，同時加入了DTL 特征，獲得腫瘤更多的空間信息，提高了整個模型鑒別組織特征的能力。通過列線圖將其可視化，方便臨床使用。總之，將深度學習算法與影像組學結合起來，能夠幫助我們更好地理解醫學圖像中的復雜模式，從而提高影像組學的分析和預測能力。

3.3 本研究的局限性

本研究的主要局限性：首先，本研究為單中心回顧性觀察，可能存在數據選擇偏倚，缺乏多中心參與驗證，計劃在后續的研究中加入多中心樣本進一步驗證模型可靠性；其次，雖然本研究納入的深度學習特征顯示出了一定的預測潛力，但是樣本量相對較少，而且提取的深度學習特征可解釋性有限，后續研究還需納入更多的樣本量，進一步提高模型的擬合度，優化模型效能；最后，本研究勾畫的ROI 僅基于矢狀位T2WI，后續研究將納入更多其他序列加以完善。

4 結論

綜上，基于影像組學特征和深度學習特征聯合臨床特征構建的聯合模型具有良好的診斷效能，可以作為術前評估宮頸癌LVSI狀態的個體化決策支持工具，更好地為臨床決策提供幫助。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：朱超華設計本研究方案，對稿件重要內容進行了修改，獲得了廣西醫療衛生適宜技術開發與推廣應用項目資助；林寶金起草和撰寫稿件，獲取、分析及解釋本研究的數據，獲得了廣西壯族自治區衛生健康委科研課題資助；龍先鳳、吳朝霞、梁莉莉、盧子紅、甘武田獲取、分析或解釋本研究的數據，對稿件重要內容進行了修改；全體作者都同意發表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。