基于增強CT影像組學術前預測肝癌病理分化程度

摘要：目的" 探討基于門脈期CT影像組學術前預測肝細胞肝癌病理分化程度的價值。方法" 回顧性收集206例蚌埠醫科大學第一附屬醫院經術后病理證實為肝細胞肝癌患者的臨床資料及完整術前增強CT掃描圖像，根據病理結果分為低分化組和非低分化組，按7：3的比例隨機分為訓練組（n=145）及驗證組（n=61）。采用ITK-SNAP軟件從門脈期手動分割腫瘤，采用Python軟件的Pyradiomics包提取腫瘤組織的影像組學特征，應用最小冗余最大相關、最小絕對收縮和選擇算子法對特征降維，建立影像組學標簽；采用Logistic回歸分析構建臨床模型、影像組學模型及聯合模型，使用100次留組交叉驗證檢驗模型的可靠性；采用ROC曲線、校準曲線和決策曲線評估模型的診斷效能和臨床應用價值。結果" 最終得到9個最佳影像組學特征，臨床模型、影像組學模型及聯合模型在訓練組中的曲線下面積分別為0.641、0.740、0.784，在驗證組中的曲線下面積分別為0.644、0.692、0.724。結論" 基于門脈期CT影像組學模型對于術前預測肝細胞肝癌病理分化程度具有一定的價值。

關鍵詞：影像組學；肝細胞肝癌；病理學；分化程度

Predicting the degree of pathological differentiation of hepatic carcinomas based on enhanced CT radiomics

QIAO Jiaye， XIE Zongyu， MA Yichuan

Department of Radiology， the First Affiliated Hospital of Bengbu Medical University， Bengbu 233004， China

Abstract： Objective To investigate the value of predicting the degree of pathological differentiation of hepatocellular carcinoma based on portal phase CT radiomics before surgery. Methods A retrospective collection of 206 patients confirmed by postoperative pathology in the First Affiliated Hospital of Bengbu Medical University with clinical data and complete preoperative CT enhanced scan images， they were divided into low differentiation group and non low differentiation group based on pathological results， the patients were randomly divided into training group （n=145） and test group （n=61） at a ratio of 7：3. The ITK-SNAP software was used to manually segment tumors from the portal phase，the radiomics features of the tumor tissues were extracted using the Pyradiomics package of Python software.The minimum redundancy maximum redundancy and the least absolute shrinkage and selection operator methods were used to reduce the dimensionality of radiomics features and establish radiomics labels. Logistic regression analysis was used to establish clinical model， radiomics model and combined model， and 100 leave-group-out cross validation was used to verify the reliability of the model. The ROC curve， calibration curve and decision curve were used to evaluate the diagnostic efficacy and clinical application value of the model. Results 9 optimal radiomics features were obtained. In the training group， the area under the curve of clinical model， radiomics model， and combined model was 0.641， 0.740， 0.784， respectively， and the area under the curve was 0.644， 0.692， 0.724 in the test group， respectively. Conclusion The radiomics model based on portal phase CT has certain value in predicting the degree of pathological differentiation of hepatocellular carcinoma before surgery.

Keywords： radiomics; hepatocellular carcinoma; pathology; degree of differentiation

肝細胞肝癌（HCC）是全球第六大常見癌癥［1］。手術切除是治療HCC的最有效方法，但術后復發率高、預后差［2］。研究表明，HCC的組織病理學分級反映了腫瘤的生物學行為，是預測預后的關鍵指標之一［3］，低分化HCC更容易肝內復發和肝外轉移［4， 5］；活檢是手術前獲取腫瘤組織病理特征的唯一方法，但其具有侵入性，存在抽樣誤差，不推薦用于HCC的診斷［6］。術前無創性預測HCC的組織學分級對HCC患者的治療和預后至關重要。影像組學是一種新技術，能夠對視覺檢查之外的醫學圖像進行定量分析，可以無創性地獲取腫瘤內部信息［7］。既往研究表明影像組學在預測HCC病理分化程度方面具有可行性［8-10］，但研究結果因方法和納入隊列而異，且所提取特征不同，應進行深入探索研究。有學者［11］利用3D-Slice軟件分割提取851個特征，通過建立支持向量機預測模型取得良好的診斷性能，但該研究納入的實驗室檢查非常有限且建模所用樣本量較少，研究結果未聯合臨床模型，研究價值仍需進一步探討。本研究通過收集更全面的臨床特征和更多的樣本量，結合增強CT影像組學特征，旨在為術前預測HCC分化程度提供可靠依據。

1" 資料與方法

1.1" 一般資料

回顧性分析2019年1月～2023年8月在我院行肝部分切除的HCC患者資料。納入標準：經手術病理證實為HCC，且有明確的WHO病理分級；術前2周內進行上腹部CT增強掃描且圖像清晰，病變顯示清楚，未接受過抗腫瘤治療；無其它惡性腫瘤病史。排除標準：病灶lt;1 cm或顯示不清；臨床資料不完整；沒有明確的病理學分級；病灶為復發或有其它惡性腫瘤病史。最終共納入206例，其中男152例，女54例，年齡18～92（59.10±10.95）歲。根據2010年版世界衛生組織肝臟及肝內膽管腫瘤組織學分類標準，將患者分為低分化組（中低分化、低分化）和非低分化組（高分化、中高分化及中分化）［12］，并將患者按照7：3隨機分為訓練組（n=145）和驗證組（n=61）。記錄患者的一般資料，包括年齡、性別、腫瘤最大直徑、影像肝硬化背景以及實驗室檢查[丙氨酸氨基轉移酶（ALT）、天冬氨酸氨基轉移酶（AST）、甲胎蛋白（AFP）、總膽紅素（TBIL）、直接膽紅素（DBIL）、間接膽紅素（IBIL）、白蛋白（ALB）]。本研究為回顧性分析，經醫院倫理委員會批準（審批號：倫科批字[2023]第440號）。

1.2" 儀器與方法

使用美國GE 64排螺旋CT和GE Revolution 256排螺旋CT掃描儀，掃描參數：管電壓120 kV，管電流250 mA，層厚及層間距均為5 mm，螺距1.5 mm，取仰臥位，經肘靜脈以3.5 mL/s流率注入碘對比劑60～80 mL，分別在注射對比劑25～30 s、60～70 s和120～180 s后獲取上腹部動脈期、門脈期以及延遲期圖像。

1.3" 影像組學分析

1.3.1" 圖像分割" "將患者門脈期CT圖像導入ITK-SNAP（http：//www.itksnap.org/）軟件中，由2位放射科醫生（分別具有5年、10年工作經驗）手動沿病灶邊緣逐層標注感興趣區（ROI），并進行三維融合（圖1）。

1.3.2" 圖像預處理及特征提取" "基于患者CT圖像及生成的三維圖像，利用Anaconda軟件（http：//repo.anaconda.com/）的Python 3.7 Pyradiomics v3.0.1工具包對圖像進行插值算法1 mm×1 mm×1 mm（x，y，z）重采樣，將圖像標準化，設置25 Hu bit寬度，使體素強度離散化降低圖像噪聲，然后對三維圖像進行影像組學特征提取，包括一階特征18個、形態特征14個、紋理特征68個、Log-sigma（系數1.0、2.0、3.0、4.0、5.0）轉換特征430個、小波濾波（Wavelet）8個濾波通道組合特征688個。

1.3.3" 特征篩選和模型構建" "采用組間相關系數評價2位醫師提取特征的一致性。采用Z-score法將數據標椎化處理，以最小冗余最大相關法（mRMR）及最小絕對收縮選擇算子法（LASSO）對特征進行篩選、降維，根據最優超參數λ值篩選最佳影像組學特征且排除系數為0的特征，構建影像組學模型，根據特征權重計算影像組學標簽得分（Rad-score）。

1.4" 統計學分析

采用R4.0.3、SPSS25.0軟件對數據進行分析。計量資料先進行正態性及方差齊性檢驗，符合正態分布的計量資料以均數±標準差表示，組間比較采用獨立樣本t檢驗；不符合正態分布的計量資料以中位數（上、下四分位數）表示，組間比較采用Mann-Whitney U檢驗；計數資料以n（%）表示，采用卡方檢驗或Fisher檢驗；采用100次留組交叉驗證檢驗模型的可靠性。采用單因素和多因素Logistic回歸分析構建診斷模型，繪制ROC曲線，通過曲線下面積（AUC）評價模型的診斷效能，采用Delong檢驗比較不同模型的效能差異；采用校準曲線和Hosmer-Lemeshow檢驗評價模型的校正能力和擬合優度（以Pgt;0.05為擬合優度較好）；采用決策曲線分析（DCA）評估模型的臨床應用價值；mRMR采用“mRMRe”包，LASSO采用“glmnet”包，校準曲線采用“rms”包，Hosmer-Lemeshow采用“DescTools”包，DCA采用“rmda”包。以Plt;0.05為差異有統計學意義。

2" 結果

2.1" 臨床模型的構建

在訓練組中，低分化組和非低分化組間AFP、ALB的差異有統計學意義（Plt;0.05），在驗證組中，低分化組和非低分化組間性別差異有統計學意義（Plt;0.05），其余特征的差異均無統計學意義（Pgt;0.05，表1），將訓練組中Plt;0.05的臨床特征納入二元Logistic回歸分析結果顯示，AFP是獨立預測因子（Plt;0.05），用來構建臨床模型，在訓練組及驗證組中，ROC曲線顯示臨床模型的AUC值分別為0.641、0.644。

2.2" 特征選擇及影像組學模型構建

2位醫師提取的影像組學特征一致性較好（組間相關系數gt;0.75），使用高年資醫師提取的影像組學特征進行分析。在訓練組中通過mRMR去除冗余特征和LASSO降維最終篩選出9個最佳影像組學特征（圖2），采用多元邏輯回歸分析構建影像組學模型，并計算模型的Rad-score，其計算公式為：Rad-score= -0.36×original_shape_Sphericity+0.231×original_glrlm_LongRunEmphasis+0.068×log-sigma-2-0-mm-3D_gldm_DependenceNonUniformityNormalized+ -0.553×wavelet-HLL_glcm_ClusterShade+0.453×wavelet-HHH_glszm_HighGrayLevelZoneEmphasis+0.119×Log-sigma-5-0-mm-3D_glszm_LargeAreaLowGrayLevelEmphasis+0.335×wavelet-LLL_firstorder_Skewness+0.017×wavelet-HHH_glszm_ZoneVariance+0.574×wavelet-HLH_glszm_LowGrayLevelZoneEmphasis + -0.507。

在訓練組及驗證組中，使用 Wilcoxon 檢驗比較低分化組及非低分化組之間的Rad-score差異均有統計學意義（Plt;0.05，圖3）；在訓練組及驗證組中，ROC曲線顯示影像組學模型的AUC值分別為0.740、0.692。聯合AFP水平及Rad-score評分構建聯合模型，在訓練組及驗證組中，ROC曲線顯示聯合模型的AUC值分別為0.784、0.724；經DeLong檢驗，各模型間AUC的差異無統計學意義（Pgt;0.05）。

2.3" 模型的評價

對比3種模型發現，聯合模型在訓練組及驗證組的AUC值均高于其他兩組模型，具有較好的預測性能（圖4、表2）；Hosmer-Lemeshow 檢驗顯示模型的擬合度良好（Pgt;0.05），校準曲線顯示模型的性能良好（圖5）；風險閾值為0.12～0.74時，患者臨床受益度較好（圖6）。

3" 討論

HCC是原發性肝癌最常見的病理類型，約占90%以上［13］，全球HCC發病率及致死率呈上升趨勢，已成為全球重大的公共衛生問題［14］。盡管近年來HCC的治療取得了一定的進步，但術后復發率仍然很高，導致臨床預后較差［15］。既往研究表明，病理分化程度是HCC的獨立預后因素，與高分化相比，低分化HCC復發率高，生存期短，需要擴大手術切緣和更頻繁的術后隨訪，準確的術前病理分級預測可為個體化治療決策選擇提供理論依據［16］。然而，肝穿刺活檢有時受限于操作水平和相關并發癥，這限制了其在術前指導治療決策的價值。因此，確定一種非侵入性且準確的方法來評估腫瘤的組織特征非常重要。

目前，CT增強作為診斷HCC的常規檢查方法得到廣泛應用。研究表明，HCC強化特點與其病理分化程度有關［17］，但無法提供腫瘤深度信息，價值有限；AFP是臨床上常用的檢測HCC特異性腫瘤標志物，本研究分析結果顯示AFP水平與HCC分化程度之間存在相關性，這與既往研究［8］結果一致，本研究中訓練組中ALB、驗證組中性別存在差異，不排除人群偶然性造成；在驗證組中，AFP水平未表現出統計學差異，可能是因為本研究中部分AFP水平過高，導致AFP水平失衡所致。

影像組學在包括腎癌［18］、膀胱癌［19］、結直腸癌［20］等病理分級方面表現出一定的價值。研究表明，門脈期可能是MR上測量HCC的最佳選擇［21］，因為在動脈期，腫瘤周圍的肝實質可能會發生良性反應性或灌注相關的變化，并可能在該階段表現為短暫的充血，從而導致測量存在誤差，在門脈期造影劑快速流出，且由于假包膜的強化，腫瘤邊界顯示更清楚，這與CT類似，因此本研究僅將門脈期圖像納入研究。本研究納入206例HCC病灶，提取腫瘤組織門脈期CT圖像影像組學特征，采用Logistic回歸分析構建臨床模型、影像組學模型及聯合模型對HCC分化程度進行分析，結果顯示，臨床模型的AUC值低于影像組學模型及聯合模型，聯合模型AUC值最高，這表明相對于臨床及影像學檢查，影像組學對預測HCC分化程度具有較好的價值，臨床特征聯合影像組學建模效能更佳，DCA曲線也證實了聯合模型具有較好的臨床價值。有研究基于門脈期CT圖像的影像組學特征，采用遞歸特征消除方法對特征進行降維并使用XGBoost分類器術前預測HCC的病理分級，可以成功區分HCC的病理分級，結果顯示影像組學模型效能優于臨床模型，聯合臨床特征效果進一步提升，提示影像組學特征與腫瘤的生物學行為之間具有潛在的關聯［9］，這與本研究結果相符，但該研究基于Edmondson-Steiner病理分級方法，與本研究WHO分級方法不同，結果還需要后續進一步探討；有研究基于門脈期CT圖像預測HCC病理分級，提取腫瘤二維影像組學特征，驗證組AUC值為0.673［22］，低于本研究結果，可能是因為本研究提取腫瘤3D特征，包含更多腫瘤內部信息；有研究基于增強MRI圖像建立的邏輯回歸模型AUC為0.805［23］，高于本研究采用CT增強圖像的AUC，因為MR圖像具有較好的軟組織分辨力，可提供更多腫瘤內部異質性信息，但其樣本量有限，且僅提取122個影像組學特征，可能導致結果過擬合現象。

本研究通過對特征進行篩選后共得到9個最優特征，7個特征是由小波變換（n=5）和Log（n=2）的高階特征衍生而來，小波濾波器通過不同頻率信號的組合，分解圖像的頻率信號，反映了體素空間分布強度等級的關系，小波變換特征可較好地反映腫瘤空間異質性［24］；Log特征對圖像離散點和噪聲較敏感，可從圖像中提取具有越來越粗糙的紋理圖案的區域，有助于提高圖像對比度［25］；這表明高階特征包含更多腫瘤內部信息，高階特征對構建診斷模型具有重要價值。

本研究存在以下幾點局限性：不同組間的HCC樣本量相對有限，將HCC分為低分化組和非低分化組，對分組不夠細化；本研究是單中心回顧性研究，選擇性偏倚在所難免，有待外部驗證；未納入動脈期圖像，可能會丟失動脈期有效信息，有待后續進一步研究。

總之，基于增強CT圖像的影像組學模型可作為術前預測HCC 組織學分級的新方法，有望對臨床決策提供幫助。

參考文獻：

［1］" "Forner A， Reig M， Bruix J. Hepatocellular carcinoma［J］. Lancet， 2018， 391（10127）： 1301-14.

［2］" "Tabrizian P， Jibara G， Shrager B， et al. Recurrence of hepatocellular cancer after resection： patterns， treatments， and prognosis［J］. Ann Surg， 2015， 261（5）： 947-55.

［3］" "Martins-Filho SN， Paiva C， Azevedo RS， et al. Histological grading of hepatocellular carcinoma-a systematic review of literature［J］. Front Med， 2017， 4： 193.

［4］" "Sotiropoulos GC， Molmenti EP， L?sch C， et al. Meta-analysis of tumor recurrence after liver transplantation for hepatocellular carcinoma based on 1， 198 cases［J］. Eur J Med Res， 2007， 12（10）： 527-34.

［5］" "Jin J， Jung HY， Lee KH， et al. Nuclear expression of hepatitis B virus X protein is associated with recurrence of early?stage hepatocellular carcinomas： role of viral protein in tumor recurrence［J］. J Pathol Transl Med， 2016， 50（3）： 181-9.

［6］" "Llovet JM， Zucman?Rossi J， Pikarsky E， et al. Hepatocellular carcinoma［J］. Nat Rev Dis Primers， 2016， 2： 16018.

［7］" "Gillies RJ， Kinahan PE， Hricak H. Radiomics： images are more than pictures， they are data［J］. Radiology， 2016， 278（2）： 563-77.

［8］" Wu MH， Tan HN， Gao F， et al. Predicting the grade of hepatocellular carcinoma based on non-contrast-enhanced MRI radiomics signature［J］. Eur Radiol， 2019， 29（6）： 2802-11.

［9］" "Mao B， Zhang LZ， Ning PG， et al. Preoperative prediction for pathological grade of hepatocellular carcinoma via machine learning-based radiomics［J］. Eur Radiol， 2020， 30（12）： 6924-32.

［10］" 寧培鋼， 高" 飛， 海金金， 等. 基于增強CT放射組學預測肝細胞肝癌病理分級［J］. 中國醫學影像技術， 2020， 36（7）： 1051-6.

［11］" 彭詩涵， 盧再鳴， 由英寧， 等. 基于門脈期CT影像組學預測肝癌病理分化程度的價值［J］. 中國臨床醫學影像雜志， 2022， 33（5）： 334-8， 349.

［12］" Shen JY， Liu JY， Li C， et al. The impact of tumor differentiation on the prognosis of HBV-associated solitary hepatocellular carcinoma following hepatectomy： a propensity score matching analysis［J］. Dig Dis Sci， 2018， 63（7）： 1962-9.

［13］Kulik L， El ?Serag HB. Epidemiology and management of hepatocellular carcinoma［J］. Gastroenterology， 2019， 156（2）： 477-91.e1.

［14］" Xie DY， Ren ZG， Zhou J， et al. 2019 Chinese clinical guidelines for the management of hepatocellular carcinoma： updates and insights［J］. Hepatobiliary Surg Nutr， 2020， 9（4）： 452-63.

［15］" Marrero JA， Kulik LM， Sirlin CB， et al. Diagnosis， staging， and management of hepatocellular carcinoma： 2018 practice guidance by the American association for the study of liver diseases［J］. Hepatology， 2018， 68（2）： 723-50.

［16］" Kim SU， Jung KS， Lee S， et al. Histological subclassification of cirrhosis can predict recurrence after curative resection of hepatocellular carcinoma［J］. Liver Int， 2014， 34（7）： 1008-17.

［17］" 黃" 娟， 周翔平， 劉榮波， 等. 原發性肝癌血供特點的螺旋CT表現及其與病理學特性的相關性研究［J］. 中華放射學雜志， 2000， 34（11）： 753-6.

［18］nbsp; Yi XP， Xiao Q， Zeng FY， et al. Computed tomography radiomics for predicting pathological grade of renal cell carcinoma［J］. Front Oncol， 2020， 10： 570396.

［19］" Zhang G， Xu LL， Zhao L， et al. CT-based radiomics to predict the pathological grade of bladder cancer［J］. Eur Radiol， 2020， 30（12）： 6749-56.

［20］" Huang XM， Cheng ZX， Huang YQ， et al. CT-based radiomics signature to discriminate high?grade from low?grade colorectal adenocarcinoma[J]. Acad Radiol， 2018， 25（10）： 1285-97.

［21］" Seuss CR， Kim MJ， Triolo MJ， et al. Comparison of MRI pulse sequences for prediction of size of hepatocellular carcinoma at explant evaluation［J］. AJR Am J Roentgenol， 2014， 203（2）： 300-5.

［22］" 陳舒婷. 基于CT的影像組學在肝細胞癌病理分級及肝切除術預后預測的應用研究［D］. 廣州： 南方醫科大學， 2017.

［23］" Mao YF， Wang JC， Zhu Y， et al. Gd-EOB-DTPA-enhanced MRI radiomic features for predicting histological grade of hepatocellular carcinoma［J］. Hepatobiliary Surg Nutr， 2022， 11（1）： 13-24.

［24］ Zhou JL， Lu JH， Gao C， et al. Predicting the response to neoadjuvant chemotherapy for breast cancer： wavelet transforming radiomics in MRI［J］. BMC Cancer， 2020， 20（1）： 100.

［25］" Meng XC， Xia W， Xie PY， et al. Preoperative radiomic signature based on multiparametric magnetic resonance imaging for noninvasive evaluation of biological characteristics in rectal cancer［J］. Eur Radiol， 2019， 29（6）： 3200-9.

（編輯：郎" 朗）