MR放射组学预测直肠腺癌患者神经周围侵犯的研究

杨彦松，冯峰，傅爱燕，段书峰，陈瑜凤，葛亚琼

直肠癌是男性和女性均较常见的恶性肿瘤[1]，年龄小于50岁的人群患病率逐年增加，且在低年龄组中死亡率每年增加1%[2]。全直肠系膜切除术(total mesorectal excision，TME)是用于直肠癌治疗的标准经腹手术[3]。肿瘤神经周围侵犯(perineural invasion，PNI)是直肠癌患者转移扩散的可能途径[4]，与预后不良有关[4-9]。因此术前准确预测评估PNI至关重要[3]。目前评估直肠癌PNI的影像学研究较少，本研究旨在探讨术前MR放射组学模型预测直肠癌患者PNI的价值。

材料与方法

1.一般资料

回顾性分析本院2016年12月-2019年7月经TME手术病理证实为直肠癌的患者136例。入组标准：①手术病理证实为直肠腺癌；②MR检查前未行放化疗、新辅助治疗等相关治疗；③术前1周内在本院行高分辨率直肠MR扫描。排除标准：①术后病理为粘液腺癌、肿瘤病灶含粘液分泌或其他病理类型的腺癌；②术前检查提示远处转移或患者身体不佳未行TME手术；③MR检查图像伪影较大，无法勾画病灶。136例直肠癌患者中，排除16例粘液腺癌，4例含分泌粘液的腺癌，3例神经内分泌肿瘤，3例腺瘤，最终共计110例患者入组，其中男76例，女34例，平均年龄(64.2±9.7)岁。

2.MR检查及方法

患者检查前禁食4h，检查前使用开塞露清洁肠道，采用Siemens Magnetom verio 3.0超导MR扫描仪及8通道体部表面相控阵线圈。患者取仰卧位，足先进。扫描范围设置为两侧髂棘到两侧腹股沟下缘。扫描方案参照文献报道方法[10]，依次行脂肪抑制T2WI矢状面及冠状面、DWI扫描，然后在垂直于直肠肿瘤长轴方向行高分辨率轴位T2WI 扫描，最后行VIBE系列T1WI平扫和动静脉期增强扫描，扫描参数见表1。

表1 直肠癌MR扫描参数

3.图像勾画

选取高分辨率T2WI横轴面病灶最大截面所在层面[11]，使用ITK-SNAP3.8软件勾画病灶。

4.建立影像组学特征模型[12-14]

使用AK软件(GE healthcare，version 3.2.0)从图像中提取396特征，包括42个直方图特征，20个形态特征，334个纹理特征，将患者按13:7的比例分为训练集(72例)和验证集(38例)。训练集用于影像特征的筛选与建模，验证集用来评估模型的稳定性及可行性。首先采用最大相关最小冗余的方式对组学特征进行初步筛选，保留10个有最大预测效能的特征，然后将剩余的影像特征作LASSO回归分析，通过10折交叉验证筛选LASSO回归模型的最优超参数lambda值，在最优lambda值下，特征系数不为0的参数作为最终构建影像组学评分(Radscore)的特征。Radscore为最终所保留的特征与各自对应系数乘积的和，其公式为Radscore=截距+βi·Xi，按这个公式分别计算每一个样本的Radscore；并由样本的Radscore根据阈值对样本进行分类，评分大于阈值的样本归为一类，小于阈值的样本归为另一类，采用wilcoxon检验比较两组间Radscore的差异。ROC曲线分析用于评价模型的预测能力。首先得到训练集的ROC曲线，根据约登指数选择最优的判别阈值，进而得到模型在训练集上的效能。决策曲线分析用于分析模型的临床应用价值。在验证集中，根据影像组学评分公式计算出每个被测试的评分，得出验证集ROC曲线，利用训练集中所得到的阈值，判断模型在验证集上的预测效能。

图1 采用LASSO 10折交叉验证图。a)用10倍交叉验证的方法寻找LASSO的超参数lambda，模型偏差最低点对应的横坐标为最优的lambda值，即第一个虚线所在位置；b)图中每条彩色的线代表特征的系数随lambda值的变化曲线，通过图a寻找到的lambda值(虚线代表的位置)来确定哪个参数的系数不为0，则该参数用于最后的模型构建。

表2 LASSO降维为最后保留的特征表

5.统计分析

本研究采用R语言(Version 3.5.1，www.R-project.org)进行统计学分析，“mRMRe”程序包采用最大相关最小冗余的方式对组学特征进行初步筛选，保留10个有最大预测效能的特征，“glmnet”程序包用于选择最佳的特征集合并进行LASSO回归分析，构建影像组学模型。ROC分析是基于“pROC”程序包来评估模型预测PNI的效能。“ModelGood”程序包用来进行模型的校准分析。“rmda”程序包用于绘制决策曲线，验证模型的临床价值。采用独立样本t检验、χ2检验及秩和检验比较训练集、验证集和PNI组和无PNI组年龄、性别、CEA的差异。以P< 0.05为差异具有统计学意义。

结 果

1.患者一般资料分析

训练集72例，验证集38例，两组年龄(65.6±9.7岁，64.4±9.8岁，t=0.363，P=0.719)、性别(男女比例50:22和26:12，χ2=0.012，P=0.912)、CEA[2.86(1.49，4.84)ng/mL，3.20(2.14，6.37)ng/mL，Z=-0.0990，P=0.322]差异均无统计学意义。术后病理提示有PNI的患者24例，无PNI的患者86例，PNI组和无PNI组两组间年龄(63.9±12.1岁，64.9±9.0岁，t=0.423，P=0.673)、性别(男女比例57:27和9:7，χ2=0.253，P=0.615)、CEA[3.20(1.94，4.88)ng/mL，2.90(1.68，6.12)ng/mL，Z=-0.004，P=0.997]差异无统计学意义。

2.构建放射组学预测模型

图2 wilcoxon检验。两组P值均<0.05，两组差异具有统计学意义。

首先采用最大相关最小冗余的方式对组学特征进行初步筛选，保留10个有最大预测效能的特征，然后将剩余的影像特征作LASSO回归分析，通过10折交叉验证筛选LASSO回归模型的最优超参数lambda值(图1)。LASSO降维为最后保留的特征见表2，特征系数绝对值越大，表明该特征与PNI之间的关系越大，预测价值越大。

3.计算影像组学模型的预测效能

Radscore是由模型构建的特征乘以对应的系数之和所得到，其公式为“Radscore=截距+βi·Xi”，按这个公式分别计算每一个样本的Radscore；并由样本的Radscore根据阈值对样本进行分类，评分大于阈值的样本归为一类，小于阈值的样本归为另一类，wilcoxon检验两组P值均<0.05，两组分类差异具有统计学意义(图2)。

Radscore=0.163*Correlation_angle135_offset7+-0.299*HighGreyLevelRunEmphasis_AllDirection_offset7_SD+0.339*LongRunLowGreyLevelEmphasis_AllDirection_offset1_SD+0.331*RunLengthNonuniformity_AllDirection_offset7_SD+-0.334*InverseDifferenceMoment_AllDirection_offset7_SD+0.448*ClusterProminence_angle135_offset7+0.282*LongRunHighGreyLevelEmphasis_AllDirection_offset1_SD+-0.647*ClusterShade_AllDirection_offset1_SD+-0.109*RunLengthNonuniformity_AllDirection_offset4_SD+-0.028

绘制该模型预测PNI的ROC曲线(图3)，计算阈值时训练集和验证集的效能，训练集曲线下面积(area under the curve，AUC)为0.79，验证集AUC为0.76。

该模型的临床应用价值，决策曲线分析(decision curve analysis，DCA)显示阈值在0. 2～1较大的范围内，模型的净收益较大(图4)，在这个阈值范围内使用模型来预测PNI相对安全。

讨 论

直肠癌术后病理提示PNI是术后病理诊断的一个内容，多项研究证实直肠癌患者PNI与较差的预后相关[4-9]。有PNI的直肠癌患者较无PNI的直肠癌患者总生存率(overall survival，OS)降低，无病生存率(disease free survival，DFS)降低，局部复发率(local recurrence，LR)增高。

一项纳入269例直肠癌切除术后生存分析的单中心回顾性研究发现，无PNI的患者较PNI患者的5年生存率提高了4倍[8]。Quah等[9]对448例II期直肠癌患者进行长期随访，中位随访时间约53个月，多变量分析显示PNI患者的5年DFS显著低于无PNI的患者(29% vs. 82%，P=0.0005)。III期的直肠癌患者有与上述研究类似的结果[7]。

一项纳入58项研究的22900例直肠癌患者的Meta分析[4]结果表明PNI与LR增加、5年无病生存率(5-year disease free survival，5yDFS)减少、5年癌症特异性生存率(5-year cancer-specific survival，5yCSS)减少和5年总生存率(5-year overall survival，5yOS)减少相关，多因素分析显示PNI是5yDFS，5yCSS和5yOS的独立预后因素。

图3 该模型预测PNI的ROC曲线。a)验证集；b)训练集。

图4 该模型的DCA。横坐标为阈值概率，绿色曲线表示所有样本都为阳性，都接受干预，黑色水平线表示所有样本都为阴性，不做任何干预；蓝色曲线表示阈值在0. 2～1较大的范围内，模型的净收益大于其它两种情况。

目前术前用现有的影像方法评估预测PNI相关研究较少。放射组学是目前新兴的研究热点，通过提取高通量的影像特征，分析其与疾病异质性的相关性，构建预测疾病异质性的模型[12-15]。如Park等[12]将294例接受术前MRI检查的浸润性乳腺癌患者随机分为训练组(n=194)和验证组(n=100)，基于训练集中的弹性网络回归生成Rad-score，最终构建了结合Rad-score、MRI及临床病理学特征的放射组学列线图，结果显示在训练组和验证组中，较高的Rad评分与较差的DFS显著相关(P分别为0.002和0.036)。放射组学列线图估计DFS(C指数0.76，95%CI为0.74～0.77)优于临床病理学(C指数0.72，95%CI为0.70～0.74)或仅有Rad评分的列线图(C指数0.67，95%CI为0.65～0.69)[12]。Chen等研究回顾性分析487例病理诊断为非小细胞肺癌的增强CT图像，每个患者提取了511个放射组学特征，最终构建了基于9放射学特征的Rad-score，用于区分非小细胞肺癌的组织分化水平(训练集AUC=0.763，验证集AUC=0.782)[13]。Xu等[14]通过回顾性分析提取495名肝细胞癌患者的CT影像特征和临床特征，建立一个在肝细胞癌术前预测微血管侵犯(microvascular invasion，MVI)的模型，训练集AUC为0.909，验证集AUC为0.889，多因素回归分析显示Radscore计算的MVI概率、组织学MVI、肿瘤大小和Edmondson-Steiner等级与疾病特异性复发和死亡率独立相关。通过对诸如上述放射组学文献的阅读与思考，我们试图通过构建放射组学模型预测直肠癌PNI。本研究通过提取高通量的放射组学数据，成功构建有效稳定可行的预测直肠癌PNI的模型，能较好的预测PNI，训练集AUC为0.79，验证集AUC为0.76。

本研究有以下不足之处，首先样本量相对较少，尚待后期扩充样本量进行进一步研究；其次本研究中因所有入选患者均行TME，无T4期患者纳入，无法评估该模型在T4期患者中预测价值；最后本研究选取高分辨率T2WI轴位最大截面勾画病灶，非全体积，数据可能存在一定偏差。

总之，通过提取高通量的放射组学数据，建立预测直肠癌PNI的模型，能较好的预测PNI，早期评估预后。