協(xié)調(diào)多CT設(shè)備間肝臟影像組學(xué)特征的一致性

摘要：目的" 評(píng)估健康肝臟影像組學(xué)特征在多種CT掃描儀中的一致性，并探究基于圖像和基于特征的協(xié)調(diào)方法對結(jié)果的影響。方法" 回顧性收集2015年1月1日～2023年1月1日贛州市人民醫(yī)院4臺(tái)CT設(shè)備的243例健康成年人的腹部CT檢查結(jié)果（Optima CT660：n=83，Revolution 512 CT：n=56，Emotion 16：n=69，Definition AS+CT：n=35）。對每位患者在肝門層面選擇肝實(shí)質(zhì)勾畫直徑為30 mm的三維感興趣區(qū)域，使用Pyradiomics提取93個(gè)影像組學(xué)特征。采用均值中心化、Z-Score、重采樣、直方圖匹配和ComBat方法協(xié)調(diào)設(shè)備間的差異。使用Mann-Whitney U檢驗(yàn)比較兩臺(tái)掃描儀之間以及應(yīng)用協(xié)調(diào)方法前后特征的一致性，并計(jì)算Cohen's d值，以評(píng)估不同方法的影響大小。結(jié)果" 肝臟影像組學(xué)特征總體一致性為55.38%，其中在相同制造商設(shè)備中為87.10%，在不同制造商設(shè)備為39.52%；經(jīng)均值中心化、 Z-Score 、重采樣、直方圖匹配和ComBat方法協(xié)調(diào)后，總體保持一致的特征比例分別為：44.82%、68.82%、66.49%、76.52%和100%；d值分別為-0.57、0.62、0.57、0.78、1.59。結(jié)論" 肝臟CT影像組學(xué)特征在不同設(shè)備之間的一致性較差，僅在同一制造商的掃描儀中保持良好。基于圖像和特征的協(xié)調(diào)方法能有效減少由不同CT制造商和設(shè)備型號(hào)引起的特征變異；其中，重采樣和直方圖匹配依賴于具體的參數(shù)設(shè)置和參考圖像的選取；基于特征的ComBat協(xié)調(diào)表現(xiàn)最佳，使得所有特征在不同設(shè)備之間均能保持一致，對未來跨設(shè)備或跨中心的研究具有積極影響。

關(guān)鍵詞：CT；批次效應(yīng)；影像組學(xué)；特征一致性；圖像協(xié)調(diào)；特征協(xié)調(diào)

Harmonizing the consistency of liver radiomic features across multiple CT devices

ZHOU Chuanghui1， ZHOU Jianwei2， MAIDINA Batuer3， HUANG Jinghan3， QIN Genggeng1， 2， ZHONG Haijian1

1School of Medical and Information Engineering， Gannan Medical University， Ganzhou 341000， China; 2Department of Medical Imaging Diagnosis， Nanfang Hospital， Southern Medical University， Guangzhou 510515， China; 3School of Biomedical Engineering， Southern Medical University， Guangzhou 510515， China

Abstract： Objective To evaluate the consistency of radiomic features of the healthy liver across multiple CT scanners and to investigate the impact of image-based and feature-based harmonization methods on the results. Methods Abdominal CT examinations of 243 healthy adults （Optima CT660： n=83， Revolution 512 CT： n=56， Emotion 16： n=69， Definition AS+CT： n=35） were retrospectively collected from January 1， 2015 to January 1， 2023 at four CT scanners of Ganzhou People's Hospital. For each patient， a 30 mm diameter three-dimensional region of interest was delineated in the liver parenchyma at the portal vein level， and 93 radiomic features were extracted using Pyradiomics. Mean centering， Z-Score， resampling， histogram matching， and ComBat methods were used to harmonize inter-device differences. The Mann-Whitney U test was used to compare the consistency of features between two different scanners before and after applying harmonization methods， and Cohen's d value was calculated to assess the effect size of different methods. Results The overall consistency of liver radiomic features was 55.38%， with 87.10% consistency among devices from the same manufacturer and 39.52% among devices from different manufacturers. After harmonization with mean centering， Z-Score， resampling， histogram matching， and ComBat methods， the proportions of consistent features were 44.82%， 68.82%， 66.49%， 76.52%， 100%， respectively; the d values were -0.57， 0.62， 0.57， 0.78， 1.59， respectively. Conclusion The consistency of liver CT radiomic features is poor between different devices， maintaining good consistency only among scanners from the same manufacturer. Image-based and feature-based harmonization methods can effectively reduce feature variation caused by different CT manufacturers and device models. Among these methods， resampling and histogram matching depend on specific parameter settings and the selection of reference images. The feature-based ComBat harmonization performs best， ensuring that all features remain consistent across different devices， which positively impacts future cross-device or cross-center studies.

Keywords： CT; batch effects; radiomics; feature consistency; image harmonization; feature harmonization

影像組學(xué)是一種通過提取和分析醫(yī)學(xué)影像中的大量定量特征來揭示疾病信息的方法，旨在提高疾病診斷、治療評(píng)估和預(yù)后預(yù)測的準(zhǔn)確性［1-3］。然而，在多中心研究中，不同CT掃描設(shè)備和制造商之間的差異會(huì)產(chǎn)生批次效應(yīng)［4-5］，顯著影響了特征的一致性和穩(wěn)定性，從而限制其在跨設(shè)備和跨中心的應(yīng)用，這已成為當(dāng)前研究的主要挑戰(zhàn)之一［6］。已有研究指出，基于圖像或特征的協(xié)調(diào)方法能有效提升影像組學(xué)特征的一致性［7］，但這些研究的評(píng)估方法較為單一，并且多以病變組織和體模為評(píng)估對象［8-9］。基于病變組織的研究可能會(huì)受到個(gè)體病變異質(zhì)性的影響，而體模也難以完全模擬真實(shí)生物組織的復(fù)雜性和變異性。因此，本研究以健康肝臟組織為對象，分析其影像組學(xué)特征在多種CT掃描儀中的一致性，并系統(tǒng)評(píng)估基于圖像（均值中心化、Z-Score、重采樣和直方圖匹配）和基于特征（ComBat）的協(xié)調(diào)方法對特征一致性的影響。

1" 資料與方法

1.1" 一般資料

檢索2015年1月1日～2023年1月1日在贛州市人民醫(yī)院（南方醫(yī)院贛州醫(yī)院）4臺(tái)CT設(shè)備上進(jìn)行的腹部CT檢查資料，共納入243例患者的CT掃描數(shù)據(jù)。納入標(biāo)準(zhǔn)：接受腹部CT檢查，圖像質(zhì)量良好，無偽影；患者有詳細(xì)完整的臨床信息記錄；無任何肝臟相關(guān)疾病，包括良性病變（如囊腫）和既往史。排除標(biāo)準(zhǔn)：圖像質(zhì)量差，無法滿足感興趣區(qū)域的分割；肝臟實(shí)質(zhì)或結(jié)構(gòu)存在異常。對來自4臺(tái)CT掃描儀的患者組進(jìn)行了顯著性差異測試，以評(píng)估可能影響結(jié)果的因素。患者在年齡和性別上的差異無統(tǒng)計(jì)學(xué)意義（Pgt;0.05，表1）。

1.2" 圖像采集

CT檢查采用Optima CT660（GE Healthcare）、Revolution 512 CT（GE Healthcare）、Emotion 16（Siemens Healthcare）、Definition AS+（Siemens Healthcare）多排螺旋CT系統(tǒng)。以上各設(shè)備分別簡稱為A、B、C、D。患者在檢查前需禁食8～12 h，檢查前5～10 min飲用800～1000 mL溫水，并接受呼吸訓(xùn)練。患者仰臥，雙腳先進(jìn)入掃描儀，雙手上舉至頭頂，進(jìn)行上腹部CT平掃。掃描范圍為膈頂至肝臟下緣。各CT設(shè)備的詳細(xì)掃描參數(shù)（表2）。

1.3" 基于圖像的協(xié)調(diào)

1.3.1" 圖像重采樣" "通過改變圖像的空間分辨率或體素大小，對不同設(shè)備的圖像進(jìn)行標(biāo)準(zhǔn)化。采用SimpleITK 2.3.0庫中的sitkLinear插值方法，將圖像重采樣到目標(biāo)分辨率1 mm×1mm×1 mm、2 mm×2 mm×2 mm或3 mm×3 mm×3 mm，詳見公式（1）：

[I′（x′，y′，z′） = InterpolateI（x，y，z）" " " " " " " " " nbsp; " " （1）]

其中，[I′（x′，y′，z′） ]是重采樣后的圖像，[ Interpolate]是插值函數(shù)，[（x，y，z）]和 [（x′，y′，z′） ]分別是原始和目標(biāo)圖像的體素坐標(biāo)。

1.3.2" 均值中心化" "通過減去體積強(qiáng)度的均值來標(biāo)準(zhǔn)化圖像強(qiáng)度值，見公式（2）：

[Zi = Xi - X" " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " （2）]

其中[Zi ]是第[i]個(gè)體素的歸一化強(qiáng)度，[Xi ]是第[i]個(gè)體素的原始強(qiáng)度，[X" ]是整個(gè)體積強(qiáng)度分布的均值。

1.3.3" Z-Score歸一化" " 將圖像強(qiáng)度分布標(biāo)準(zhǔn)化為均值為零方差為1，見公式（3）：

[Zi = Xi - Xσ" " " " " " " " " " " " " " " " " " " " " " " " " " " " " " （3）]

其中，[Zi ]是第[i]個(gè)體素的歸一化強(qiáng)度，[Xi ]是第[i]個(gè)體素的原始強(qiáng)度，[X]和[σ]分別是整個(gè)圖像體積強(qiáng)度分布的均值和標(biāo)準(zhǔn)差。

1.3.4" 直方圖匹配" "通過使用特定體積的直方圖作為參考來重塑體積直方圖。包括以下3個(gè)步驟：計(jì)算圖像的直方圖[Himg]和參考圖像的直方圖[HRef]；計(jì)算2個(gè)圖像直方圖的離散累積分布函數(shù)CDFs，即[CDFimg]和[CDFRef]；計(jì)算一個(gè)映射，將圖像的體積強(qiáng)度分布轉(zhuǎn)換為參考圖像的像度分布，見公式（4）：

[M（Ximg） = argminx| CDFimg（Ximg） - CDFRef（Xref） |" "（4）]

其中[M（Ximg） ]表示映射函數(shù)，它將體積圖像中的像素強(qiáng)度[Ximg]映射到一個(gè)新的強(qiáng)度值。 [CDFimg（Ximg） ]是體積圖像的累積分布函數(shù)，[CDFRef（Xref）]是參考圖像的累積分布函數(shù)。[ argminx]表示對x進(jìn)行最小化操作，即找到使得 [CDFimg（Ximg） - CDFRef（Xref）]最小的x值。本研究從每個(gè)掃描儀中隨機(jī)選取參考序列，重復(fù)分析4次。

1.4" 圖像分割及影像組學(xué)特征提取

由1位具有5年腹部診斷經(jīng)驗(yàn)的影像科醫(yī)師使用開源軟件3D Slicer（Version 5.4.0 http：//www.slicer.org）對感興趣區(qū)域（ROI）提取93個(gè)影像組學(xué)特征。包括18個(gè)一階特征，24個(gè)灰度共生矩陣（GLCM）、16個(gè)灰度游程矩陣（GLRLM）、16個(gè)灰度大小區(qū)域矩陣（GLSZM）、5個(gè)鄰域灰度差矩陣（NGTDM）、14個(gè)灰度依賴矩陣（GLDM）。由于人為設(shè)置ROI大小，形狀特征被排除在外。所有特征的數(shù)學(xué)定義符合影像生物標(biāo)志物標(biāo)準(zhǔn)化倡議［10］所描述的定義。

1.5" 基于特征的ComBat協(xié)調(diào)

ComBat是一種數(shù)據(jù)驅(qū)動(dòng)的標(biāo)準(zhǔn)化技術(shù)，最初為基因組學(xué)開發(fā)的，現(xiàn)已被成功應(yīng)用于醫(yī)學(xué)影像數(shù)據(jù)的校正。該方法通過貝葉斯框架估計(jì)和調(diào)整批次效應(yīng)［11］，從而校正由設(shè)備和掃描協(xié)議差異引起的影像組學(xué)特征變化，使不同批次的影像數(shù)據(jù)在特征層面上具有更高的一致性［12］。ComBat協(xié)調(diào)模型如公式（5）所示：

[YCombatij =Yij-α-γiδi+α" " " " " " " " " " " " " " " " " " " " "（5） ]

其中，[α]，[γi]和[δi]分別是特征平均值、加性批次效應(yīng)和乘性批次效應(yīng)的估計(jì)值，而 [YCombatij]是去除第[i]個(gè)掃描儀效應(yīng)后的第[j]個(gè)特征的轉(zhuǎn)換值。對于ComBat的應(yīng)用，采用neuroComBat（Version 0.2.12）軟件包［13］。

1.6" 統(tǒng)計(jì)學(xué)分析

采用Python3.11.0中的Scipy軟件包進(jìn)行統(tǒng)計(jì)分析。對性別采用卡方檢驗(yàn)，對年齡采用Kruskal-Wallis H檢驗(yàn)，分析各組患者的性別和年齡差異是否有統(tǒng)計(jì)學(xué)意義。使用Mann-Whitney U檢驗(yàn)比較兩種掃描儀之間以及應(yīng)用協(xié)調(diào)方法前后影像組學(xué)特征的分布。由于考慮了4種不同的掃描儀，共進(jìn)行了6次成對比較（A vs B、A vs C、A vs D、B vs C、B vs D、C vs D）。所有檢驗(yàn)均采用Bonferroni法校正顯著性水平。還使用上述檢驗(yàn)對協(xié)調(diào)前后保持一致的特征數(shù)目進(jìn)行差異分析，并計(jì)算Cohen's d值，以評(píng)估不同方法的影響大小。其中，dgt;0表示正向效應(yīng)，dlt;0表示負(fù)向效應(yīng)，且絕對值越大，兩組數(shù)據(jù)差異越明顯。以Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義。

2" 結(jié)果

2.1" 原始特征

在未應(yīng)用任何協(xié)調(diào)方法前，一階特征、GLCM和GLRLM特征穩(wěn)定性較差，超過一半的特征在設(shè)備間未能保持穩(wěn)定，僅NGTDM在各設(shè)備間保持良好的一致性。四臺(tái)設(shè)備之間特征總體一致性為55.38%（309/558）。使用同一制造商的不同掃描儀（A vs B、C vs D）時(shí)，所有特征類別均保持較高的一致性，達(dá)87.10%（162/186）；但使用不同制造商的掃描儀（A vs C、A vs D、B vs C、B vs D）時(shí)，特征的一致性較差，僅為39.52%（147/372）（圖1）。

2.2" 基于圖像的協(xié)調(diào)

在應(yīng)用基于圖像的協(xié)調(diào)方法后，總體上僅Z-Score、Resa_3×3×3、Hist_matc_A顯著提升了特征在設(shè)備間的一致性（Plt;0.05），保持一致的特征數(shù)目比例分別為68.82%、66.49%、76.52%。其余方法特征在協(xié)調(diào)前后均未能表現(xiàn)出顯著差異，其中均值中心化方法反而顯著降低了設(shè)備間特征的一致性，比例為44.82%（P=0.42，d=-0.57）。

Z-Score協(xié)調(diào)方法使保持一致的特征數(shù)量達(dá)到384個(gè)（d=0.62），其對一階特征、GLRLM和GLSZM特征的協(xié)調(diào)效果最好。尤其是一階特征，Z-Score幾乎消除了特征在兩兩設(shè)備之間的差異（圖1）。

在3種重采樣方案中，Resa_3×3×3的效果最好（d=0.57），設(shè)備間保持一致的特征數(shù)目提升至371個(gè)。當(dāng)目標(biāo)體素為1×1×1和2×2×2時(shí)，雖總體上提升了保持一致的特征數(shù)目：Resa_1×1×1為327個(gè)（P=0.82），Resa_2×2×2為344個(gè)（P=0.52），差異均無統(tǒng)計(jì)學(xué)意義。此外，Resa_3×3×3在所有設(shè)備間（6次設(shè)備間兩兩比較中）均能有效的提升保持一致的特征數(shù)目（圖1～2，表3）。

在4次直方圖匹配中，Hist_matc_A和Hist_matc_D取得顯著效果（d=0.78、0.50）。設(shè)備間保持一致的特征數(shù)目分別提升至427個(gè)和368個(gè)，其中Hist_matc_A位列第1。通過對各設(shè)備的成對比較（圖2），發(fā)現(xiàn)Hist_matc_A獲得相似的特征增加主要是A vs C 、B vs C和B vs D之間的顯著增加，A vs B間的差異無統(tǒng)計(jì)學(xué)意義（P=0.57，d=-0.13）。相反，以B和C設(shè)備圖像為參考時(shí)，能增加一致的特征數(shù)目：以B設(shè)備為參考時(shí) 311個(gè)（P=0.94），以C設(shè)備為參考時(shí)343個(gè)（P=0.52），差異無統(tǒng)計(jì)學(xué)意義。

2.3" 基于特征的協(xié)調(diào)

基于特征的ComBat協(xié)調(diào)方法在相同和不同制造商的設(shè)備中均表現(xiàn)出卓越的性能，能夠有效協(xié)調(diào)六大類特征，使設(shè)備間總體保持一致的特征數(shù)目提升至558個(gè)（d=1.59）。

對不同協(xié)調(diào)方法結(jié)果進(jìn)行PCA分析后的可視化結(jié)果顯示，各點(diǎn)根據(jù)前兩個(gè)主成分定位，每個(gè)橢圓適當(dāng)?shù)匕四骋活I(lǐng)域的點(diǎn)（圖3）。在原始圖中，設(shè)備A和B以及C和D之間存在較高的重疊，這與表3中相同制造商設(shè)備具有較高的一致性相符。在應(yīng)用協(xié)調(diào)方法后，Z-Score、Resa_3×3×3、Hist_matc_A和ComBat協(xié)調(diào)方法使得4臺(tái)掃描儀的特征分布更為聚集。代表性特征（GLRLM_GrayLevelNonUniformity）的密度圖顯示了各協(xié)調(diào)方法后特征數(shù)值的具體分布（圖4）。

3" 討論

本研究分析了不同CT設(shè)備中健康肝臟組織影像組學(xué)特征的一致性，并系統(tǒng)評(píng)估了基于圖像（均值中心化、Z-Score、重采樣和直方圖匹配）和基于特征的ComBat協(xié)調(diào)對特征的影響，為今后影像組學(xué)在肝臟疾病研究中的應(yīng)用提供了重要參考。

本研究發(fā)現(xiàn)，在未應(yīng)用任何協(xié)調(diào)方法前，六大類影像組學(xué)特征中，僅NGTDM特征在不同設(shè)備間表現(xiàn)出較好的一致性，而其余特征的一致性均較差，這與先前的研究結(jié)果一致［14-15］。根據(jù)PyRadiomics軟件包［16］中對NGTDM特征的定義，即像素與其鄰近像素之間的變化程度、空間強(qiáng)度變化以及變化的顯著性，表明這些特征主要用于檢測局部紋理變化。這表明在不同掃描設(shè)備上采集的圖像中，局部紋理特征可能保持了較好的穩(wěn)定性［17］。此外，特征在相同制造商設(shè)備間的一致性明顯高于不同制造商設(shè)備間，這可能是因?yàn)橥恢圃焐痰脑O(shè)備在圖像采集［18］、數(shù)據(jù)處理和圖像重建設(shè)置方面具有更高的相似性［19-20］。有研究評(píng)估了3臺(tái)雙能CT設(shè)備間的特征穩(wěn)定性，在患者組中發(fā)現(xiàn)，不同掃描設(shè)備之間特征的一致性比例介于51.4%～71.1%［21］，與本研究的結(jié)果一致。此外，有研究在一項(xiàng)關(guān)于肺結(jié)節(jié)的多中心體模研究中也指出，CT制造商、設(shè)備型號(hào)以及采集參數(shù)均會(huì)導(dǎo)致特征出現(xiàn)不同程度的變異［22］。本研究結(jié)果進(jìn)一步驗(yàn)證了這一點(diǎn)，并突出了同一制造商設(shè)備間的一致性明顯高于不同制造商設(shè)備間的現(xiàn)象，這提示在今后的影像組學(xué)研究中需要謹(jǐn)慎考慮由不同制造商帶來的顯著差異。

在應(yīng)用基于圖像的協(xié)調(diào)方法后，本研究發(fā)現(xiàn)各個(gè)方法對結(jié)果的影響方向和幅度有所不同。其中，均值中心化方法不僅未能增加統(tǒng)計(jì)上保持一致的特征數(shù)目，反而使保持一致的特征數(shù)目減少至250個(gè)，而Z-Score方法則顯著增加了統(tǒng)計(jì)上保持一致的特征數(shù)目。這可能是因?yàn)榫抵行幕瘍H調(diào)整圖像的均值，而忽略了設(shè)備間圖像特征方差的差異。Z-Score方法通過同時(shí)調(diào)整均值和標(biāo)準(zhǔn)差，使得數(shù)據(jù)在均值和方差上都得到了統(tǒng)一，從而更有效地校正了設(shè)備間的差異。此前，有學(xué)者利用單一T2WI-MRI序列發(fā)現(xiàn)，指出Z-Score方法相比均值中心化能更顯著地協(xié)調(diào)特征，但這一發(fā)現(xiàn)未在多平臺(tái)數(shù)據(jù)集中驗(yàn)證［23］ 。為克服這一局限，本研究采用了多制造商、多設(shè)備數(shù)據(jù)集，進(jìn)一步驗(yàn)證了其在多樣化數(shù)據(jù)環(huán)境中的魯棒性和可靠性，突顯了Z-Score方法在實(shí)際應(yīng)用中的可行性。本研究意外地發(fā)現(xiàn)，在3種常用的重采樣方案中，目標(biāo)體素為3×3×3時(shí)表現(xiàn)最佳，能夠有效提升在各設(shè)備兩兩比較中一致的特征數(shù)目。既往一項(xiàng)基于大腦MRI的研究指出，重采樣為1×1×1時(shí)能夠最好地去除批次效應(yīng)［24］ ，這可能是因?yàn)镃T圖像相較于MRI具有更高的空間分辨率和較低的噪聲水平，使得3×3×3的體素能夠平滑不同設(shè)備的分辨率差異，同時(shí)保持足夠的細(xì)節(jié)信息，有助于減少設(shè)備間的批次效應(yīng)［25］ 。此外，插值算法的選擇也會(huì)影響結(jié)果。基于直方圖匹配的協(xié)調(diào)方法，在參考設(shè)備的選擇方面表現(xiàn)出較大的差異（以A、B、C、D設(shè)備為參考時(shí)保持一致的特征數(shù)目分別為427、311、343、369），這表明參考設(shè)備的選取對結(jié)果具有顯著影響。盡管以A設(shè)備為參考時(shí)取得了最佳結(jié)果，但在A vs B中稍有惡化，產(chǎn)生這一現(xiàn)象的原因尚無法完全解釋，可能取決于原始序列的直方圖與參考圖像的直方圖之間的初始差異。與基于MRI數(shù)據(jù)的既往研究［26-27］ 相比，本研究取得了更為顯著的結(jié)果，可能是因?yàn)楸狙芯恳越】蹈闻K組織為對象，相較于異常組織，其密度和灰度分布更均勻，且本研究所使用的CT掃描設(shè)備具有更一致的掃描參數(shù)。

本研究中，ComBat方法相較于其他協(xié)調(diào)方法取得了最佳結(jié)果，完全消除了設(shè)備間的批次效應(yīng)，使特征在各設(shè)備間保持一致。這表明ComBat方法可以有效消除由不同CT制造商和設(shè)備型號(hào)引起的批次效應(yīng)，在多中心多設(shè)備數(shù)據(jù)協(xié)調(diào)中展現(xiàn)出巨大的潛力［28］ 。一項(xiàng)基于頜下腺超聲設(shè)備的研究也觀察到了類似現(xiàn)象，使用ComBat方法后，94.12%（16/17）的特征在設(shè)備間保持一致［29］ 。此外，基于體模的研究也指出ComBat方法能有效降低不同掃描儀間影像組學(xué)特征的差異［30］ 。

本研究與既往研究有所不同：本研究以健康肝臟組織為對象，能夠有效消除基于病變和體模研究的固有缺陷；此外，為了消除不同個(gè)體感興趣區(qū)域分割帶來的差異，本研究選擇標(biāo)準(zhǔn)影像解剖層面并固定ROI大小進(jìn)行分割；另一方面，本研究納入了多種協(xié)調(diào)方法，并探討了不同參數(shù)設(shè)置對特征一致性的影響。

本研究尚存在以下不足：本研究使用了來自單一中心的數(shù)據(jù)，且納入的設(shè)備數(shù)量和患者人數(shù)有限，結(jié)果有待在未來的研究中進(jìn)一步驗(yàn)證；本研究沒有考慮各種協(xié)調(diào)方法的組合對結(jié)果的影響，而是單獨(dú)評(píng)估了每種方法；盡管本研究患者沒有已知疾病，且肝臟功能和形態(tài)結(jié)構(gòu)均無異常，但仍不能完全排除患者肝臟微觀結(jié)構(gòu)變化對結(jié)果的潛在影響。后續(xù)研究將擴(kuò)大研究范圍，納入多中心數(shù)據(jù)以驗(yàn)證結(jié)果的普遍性并探索不同協(xié)調(diào)方法組合對結(jié)果的影響；此外，將進(jìn)一步研究肝臟微觀結(jié)構(gòu)變化對特征的潛在影響，以提高結(jié)果的準(zhǔn)確性和可靠性。

綜上所述，肝臟CT影像組學(xué)特征在同一制造商的掃描儀中表現(xiàn)出良好的一致性，顯著優(yōu)于不同制造商的掃描儀。基于圖像和特征的協(xié)調(diào)方法能夠有效減少由CT制造商和設(shè)備型號(hào)引起的影像組學(xué)特征的變異，從而確保在多設(shè)備多制造商研究中影像組學(xué)特征的可重復(fù)性和再現(xiàn)性。特別是基于特征的ComBat方法表現(xiàn)最佳，使得特征在各設(shè)備間保持一致，有助于未來跨設(shè)備或跨中心成像數(shù)據(jù)的研究，從而提高模型的普適性。

參考文獻(xiàn)：

［1］" Mayerhoefer ME， Materka A， Langs G， et al. Introduction to radiomics［J］. J Nucl Med， 2020， 61（4）： 488-95.

［2］" "McCague C， Ramlee S， Reinius M， et al. Introduction to radiomics for a clinical audience［J］. Clin Radiol， 2023， 78（2）： 83-98.

［3］" "Abbasian Ardakani A， Bureau NJ， Ciaccio EJ， et al. Interpretation of radiomics features?a pictorial review［J］. Comput Methods Programs Biomed， 2022， 215： 106609.

［4］" "Zhao BS. Understanding sources of variation to improve the reproducibility of radiomics［J］. Front Oncol， 2021， 11： 633176.

［5］" "石鎮(zhèn)維， 劉再毅. 影像組學(xué)研究的困境和出路［J］. 中華放射學(xué)雜志， 2022， 56（1）： 9-11.

［6］" "Fusco R， Granata V， Grazzini G， et al. Radiomics in medical imaging： pitfalls and challenges in clinical management［J］. Jpn J Radiol， 2022， 40（9）： 919-29.

［7］" "Mali SA， Ibrahim A， Woodruff HC， et al. Making radiomics more reproducible across scanner and imaging protocol variations： a review of harmonization methods［J］. J Pers Med， 2021， 11（9）： 842.

［8］" "Stamoulou E， Spanakis C， Manikis GC， et al. Harmonization strategies in multicenter MRI-based radiomics［J］. J Imaging， 2022， 8（11）： 303.

［9］" "Dewi DEO， Sunoqrot MRS， Nketiah GA， et al. The impact of pre-processing and disease characteristics on reproducibility of T2-weighted MRI radiomics features［J］. MAGMA， 2023， 36（6）： 945-56.

［10］ Zwanenburg A， Vallières M， Abdalah MA， et al. The image biomarker standardization initiative： standardized quantitative radiomics for high?throughput image?based phenotyping［J］. Radiology， 2020， 295（2）： 328-38.

［11］ Johnson WE， Li C， Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods[［J］. Biostatistics， 2007， 8（1）： 118-27.

［12］Horng H， Singh A， Yousefi B， et al. Generalized ComBat harmonization methods for radiomic features with multi?modal distributions and multiple batch effects［J］. Sci Rep， 2022， 12（1）： 4493.

［13］ Fortin JP， Cullen N， Sheline YI， et al. Harmonization of cortical thickness measurements across scanners and sites［J］. Neuroimage， 2018， 167： 104-20.

［14］ Jensen LJ， Kim D， Elgeti T， et al. Stability of liver radiomics across different 3D ROI sizes?an MRI in vivo study［J］. Tomography， 2021， 7（4）： 866-76.

［15］" Zhong JY， Pan ZL， Chen Y， et al. Robustness of radiomics features of virtual unenhanced and virtual monoenergetic images in dual-energy CT among different imaging platforms and potential role of CT number variability［J］. Insights Imaging， 2023， 14（1）： 79.

［16］ van Griethuysen JJM， Fedorov A， Parmar C， et al. Computational radiomics system to decode the radiographic phenotype［J］. Cancer Res， 2017， 77（21）： e104-e107.

［17］ Wang H， Zhou YK， Wang X， et al. Reproducibility and repeatability of CBCT?derived radiomics features［J］. Front Oncol， 2021， 11： 773512.

［18］ Meyer M， Ronald J， Vernuccio F， et al. Reproducibility of CT radiomic features within the same patient： influence of radiation dose and CT reconstruction settings［J］. Radiology， 2019， 293（3）： 583-91.

［19］Berenguer R， Pastor?Juan MDR， Canales?Vázquez J， et al. Radiomics of CT features may be nonreproducible and redundant： influence of CT acquisition parameters［J］. Radiology， 2018， 288（2）： 407-15.

［20］ Chen Y， Zhong JY， Wang L， et al. Robustness of CT radiomics features： consistency within and between single?energy CT and dual-energy CT［J］. Eur Radiol， 2022， 32（8）： 5480-90.

［21］" Lennartz S， O'Shea A， Parakh A， et al. Robustness of dual-energy CT?derived radiomic features across three different scanner types［J］. Eur Radiol， 2022， 32（3）： 1959-70.

［22］Peng XQ， Yang SY， Zhou LX， et al. Repeatability and reproducibility of computed tomography radiomics for pulmonary nodules： a multicenter phantom study［J］. Invest Radiol， 2022， 57（4）： 242-53.

［23］Scalco E， Belfatto A， Mastropietro A， et al. T2w?MRI signal normalization affects radiomics features reproducibility［J］. Med Phys， 2020， 47（4）： 1680-91.

［24］" Li YP， Ammari S， Balleyguier C， et al. Impact of preprocessing and harmonization methods on the removal of scanner effects in brain MRI radiomic features［J］. Cancers， 2021， 13（12）： 3000.

［25］Bologna M， Tenconi C， Corino VDA， et al. Repeatability and reproducibility of MRI?radiomic features： a phantom experiment on a 1.5 T scanner［J］. Med Phys， 2023， 50（2）： 750-62.

［26］ Giannini V， Panic J， Regge D， et al. Could normalization improve robustness of abdominal MRI radiomic features？［J］. Biomed Phys Eng Express， 2023， 9（5）： doi： 10.1088/2057-1976/ace4ce.

［27］Salome P， Sforazzini F， Grugnara G， et al. MR intensity normalization methods impact sequence specific radiomics prognostic model performance in primary and recurrent high-grade glioma［J］. Cancers， 2023， 15（3）： 965.

［28］Ligero M， Jordi?Ollero O， Bernatowicz K， et al. Minimizing acquisition?related radiomics variability by image resampling and batch effect correction to allow for large-scale data analysis［J］. Eur Radiol， 2021， 31（3）： 1460-70.

［29］" Choi YJ， Jeon KJ， Lee AR， et al. Harmonization of robust radiomic features in the submandibular gland using multi?ultrasound systems： a preliminary study［J］. Dentomaxillofac Radiol， 2023， 52（2）： 20220284.

［30］ Zhang XL， Iqbal Bin Saripan M， Wu YJ， et al. The impact of the combat method on radiomics feature compensation and analysis of scanners from different manufacturers［J］. BMC Med Imaging， 2024， 24（1）： 137.

（編輯：熊一凡）

收稿日期：2024-06-06

基金項(xiàng)目：廣東省自然科學(xué)基金（2414050003969）；贛州市科技計(jì)劃項(xiàng)目（2022-RC1349）

作者簡介：周創(chuàng)輝，在讀碩士研究生，E-mail： 1549935583@qq.com

通信作者：鐘海艦，博士，教授，E-mail： hjzhong2007@gmu.edu.cn；秦耿耿，博士，主任醫(yī)師，E-mail： zealotq@smu.edu.cn