基于CT影像组学特征的肾肿瘤组织学亚型分类

朱元良

摘 要：目的：分析基于CT影像组学特征的肾肿瘤组织学亚型分类的方法及作用，以期为肾透明细胞癌（ccRCC）、乏脂肪血管平滑肌脂肪瘤（fp-AML）临床鉴别诊断工作提供参考。方法：以我院38例ccRCC患者与40例fp-AML患者为研究对象，均施以CT影像学检测，提取其CT影像学组织学特征，以皮尔森相关阵矩去除冗杂特征，通过Welchs实验，确定存在明显差异的特征，借助序列浮动前向选择算法筛选有鉴别能力的CT影像组学特征，应用AdaBoost、支持向量机（SVM）、随机森林（RF）、k最近邻（kNN）分类器实施分类。结果：在AdaBoost、SVM、RF、kNN4种分类器中，SVM的准确度、敏感度、特异度、阴性预测率、阳性预测率均较高，ROC曲线下面积较大，分别为91.82%、89.75%、92.36%、95.01%、86.42%、0.942。结论：基于CT影像组学特征的肾肿瘤组织学亚型分类模型的构建，可提高ccRCC、fp-AML临床鉴别准确度，促进临床诊疗工作的顺利开展。

关键词：CT影像组学特征;肾透明细胞癌;乏脂肪血管平滑肌脂肪瘤;分类

肾肿瘤为泌尿系统最常见的肿瘤之一，多为恶性[1]。临床上常见的肾肿瘤包括肾母细胞瘤、肾细胞癌与发生于肾盏肾盂的移行细胞乳头状肿瘤。在肾部恶性肿瘤中，90%以上均为肾细胞癌，其中渗透膜细胞癌（ccRCC）约占70%，为目前临床上常见的致死率较高的肾细胞癌亚型[2]。肾血管平滑肌脂肪瘤则为常见的肾部良性肿瘤，可通过CT检测确诊。而乏脂肪血管平滑肌脂肪瘤（fp-AML）由于缺乏或不含分散性脂肪组织，致使其与ccRCC影像学特征较为类似，故而，易被临床误诊[3]。因此，需找寻一种有效鉴别ccRCC、fp-AML的方法，以保证临床诊断的有效性与准确性。影像学组技术为近年来兴起的一种新型影像学分析方法，其主要是通过提取医学影像内具有特殊性的特征，来明确肿瘤特征，从而提升临床诊断的正确率。现有研究表示，影像学技术结合机器学习而建立的影像学模型能有效提升无创检查方式的客观性与准确性，为临床诊疗提供可靠依据。但现阶段临床上對基于CT影像组学特征的肾肿瘤组织学亚型分类模型构建的相关研究较少。鉴于此，为验证在ccRCC、fp-AML鉴别中基于CT影像组学特征的肾肿瘤组织学亚型分类模型构建的方法及意义，现对本院本院38例ccRCC患者与40例fp-AML患者的CT影像学组特征实施模型构建及分类，具体如下：

1 资料与方法

1.1 临床资料

选择我院2019年2月至2020年2月收治的38例ccRCC患者与40例fp-AML患者。所有患者均了解且支持本次研究，并经医学理论委员会批准。

1.2 方法

所有患者均施以CT检测：选用我院多层螺旋CT机，管带碾压设为120kV，重建切片厚度控制为1mm，截面厚度为5mm，施以常规扫描。CT图像摄取时间和病理检查时间间隔不可超过4周。

提取CT影像学特征前，首先由1名工作经验超过10年的影像学诊断医师勾画肿瘤感兴趣区域（ROI）。该医生于选择肿瘤最大切面之后，依照肿瘤大小，根据以下准则提取ROI：（1）于肿瘤区域中提取;（2）避开钙化、出血、囊肿、坏死区域;（3）选择均匀、明显区域。本研究把矩形框最大尺寸设定为23×23像素，以减少算法计算量。

本研究通过影像学组技术，从每个ROI中选取540个特征，包括：417个小波特征，92个纹理特征，31个灰度特征，以上特征计算方式皆和图像生物标志物标准化倡议（IBIS）内的计算方法相一致。纹理特征借助分析图像内像素灰度值关系与分布状况，客观评估肿瘤异质性，本研究中分别提取灰度依赖矩阵特征22个、灰度区域大小矩阵特征20个、灰度游程矩特征18个、灰度共生矩阵特征24个。灰度特征无需考虑空间关系便可描述图像灰度分布状况，本研究获取的灰度值特征主要有峰度、偏度、能量等。对一阶离散小波变换（DWT）可把ROI图像分成HH、HL、LH、LL4个子图像，从每个子图像中选取纹理、灰度特征，总获取417个小波特征。

选择CT影像学特征前，先对特征实施预处理，把特征全部归一化，以防止大数值中的特征对小数值中特征进行过度的支配。首先，借助皮尔森相关矩阵（PCM），将冗余特征剔除，然后，通过Welchs查看是否存在统计学差异特征;以序列浮动前向选择（SFFS）算法，取具有较好识别能力的子集，以提高分类的准确性。

本研究利用AdaBoost分类器、支持向量机（SVM）、随机森林（RF）、k最近邻（kNN）分类ccRCC、fp-AML。以留1法评估分类器性能，性能评估内容包括阴性预测值、阳性预测值、特异度、敏感度、准确度及ROC曲线下面积。

2 结果

于Spyder3.2.8环境下实现编程，因留1法较差检验的应用，对每1折内训练集数据分别实施特征选择。本研究实验开展82次特征选择。通过PCM筛选后，剩下401～432个特征。之后，借助Welchs实施特征选择，保留113～125个特征。最后，以SFFS算法于每1折剩下的特征中选取大小分别为60、50、40、30、20、10的特征子集。对剩余的子集分别应用AdaBoost、SVM、kNN、RF分类器实施分类。4种分类器的性能如下：AdaBoost分类器的准确度、敏感度、特异度、阴性预测率、阳性预测率、ROC曲线下面积分别为88.27%、83.34%、9041%、92.38%、78.24%、0.868;SVM准确度、敏感度、特异度、阴性预测率、阳性预测率、ROC曲线下面积分别为9182%、89.75%、92.36%、95.01%、86.42%、0.942，RF准确度、敏感度、特异度、阴性预测率、阳性预测率、ROC曲线下面积分别为86.74%、83.25%、88.13%、91.42%、75.03%、0.876;kNN准确度、敏感度、特异度、阴性预测率、阳性预测率、ROC曲线下面积分别为88.29%、88.75%、88.13%、93.15%、76.14%、0.921。

3 讨论

既往临床关于ccRCC、fp-AML分类研究中多是通过纹理分析技术选取少量纹理特征实施分析。本研究中则选用影像学技术，获取CT影像学图像的特殊征象，以全面地对肿瘤特征实施描述。相较于其他研究中通过单一算法实施特征选择，本研究则有效融合Wrapper算法与Filter算法对影像学组特征实施选择。同时，本研究选用4种应用较为广泛的分类器对其性能实施对比，以获取性能最佳的分类器，从而保证后期临床诊断正确性。

目前，在临床医学影像分析中越来越多的学者开始关注于影像学组技术的应用及发展。于非侵入性诊断方面，通过影像学组模型的构建，可有效帮助临床医师了解肿瘤特征，为临床诊疗工作提供科学依据。在基于CT影像学特征的肾肿瘤组织学亚型分类模型的构建中，通过对冗杂特征、弱相关特征、无关特征的剔除，从而可有效明确有效鉴别ccRCC、fp-AML特异性特征，为后期以上两种疾病诊断中提供参考，促进临床诊断质量的提升，避免误诊现象的出现。本研究中借助影像学技术于每个CT图像ROI区域内中提取417个小波特征、92个纹理特征及31个灰度特征，然后通过PCM与Welchs检验及SFFS计算选择有效的特征，最后，利用4种不同分类器组建模型实施分类。通过对4种模型性能的对比，得出SVM分类器性能最佳。

综上所述，基于CT影像学特征的肾肿瘤组织学亚型分类模型的构建，可提升肾病疾病诊断准确性，促进患者早期治疗工作的开展，具有较好实践价值。

参考文献：

[1]王禹，董潇，孔垂泽，等.不同病理类型肾肿瘤的影像学特点和病理学特点分析[J].中华泌尿外科杂志，2019，40（5）：374-379.

[2]王平，裴旭，殷小平，等.基于增强CT影像组学模型鉴别肾透明细胞癌与非透明细胞癌[J].中国医学影像技术，2019，35（11）：1689-1692.

[3]丁冠融，李涵默，庄君龙.多排螺旋CT检查对乏脂肪肾血管平滑肌脂肪瘤的诊断价值[J].实用癌症杂志，2019，31（7）：1201-1203.