基于定量影像学生物标志物构建肾透明细胞癌术前精准分级预测模型的可行性

舒恩芬，孔春丽，夏海红，高杨，吴徐璐，谢良钧，赵雪妙，江春燕，陈春妙，周永进，纪建松

（丽水市中心医院 放射科 浙江省影像诊断与介入微创研究重点实验室，浙江 丽水 323000）

肾 透 明细 胞 癌（clear cell renal cell carcinoma，ccRCC）是肾脏最为常见的恶性肿瘤，约占肾脏恶性肿瘤的75%～87%[1-2]。病理分级能够直接反映肿瘤的侵袭转移潜能，是临床治疗方案制定的重要依据[3-4]。目前，肾穿刺活检仍是ccRCC术前病理分级的金标准和常用诊断技术，但其作为有创操作，患者的顺应性较差，且易引起患者的腰痛、出血、尿潴留、感染等并发症[5]，因此，临床上亟需发展无创ccRCC术前精准病理分级技术。目前国内外学者已进行了一定的探索[6-7]，尤其是功能磁共振成像以及CT成像与病理分级之间的相关性方面开展了较多的探索性工作[8-10]，这也进一步提示术前影像学检查对于预测ccRCC的病理分级具有一定的价值。定量影像组学技术的快速发展，为肿瘤的无创诊疗提供了新的途径[11]，其在ccRCC的分级诊断中同样也已有相关报道[12-13]，但以往的研究大多用ccRCC的CT平扫图像进行建模，而临床上对于ccRCC多基于增强图像进行分析，且构建的模型特异性和敏感性仍不够高。基于此，本研究拟利用影像组学技术提取动态增强CT图像的定量影像学生物标志物，并进一步构建ccRCC的精准分级预测模型，旨在探讨利用定量影像学生物标志物构建ccRCC术前WHO/ISUP分级精准预测模型的可行性。

1 对象和方法

1.1 对象 回顾性分析2010年1月至2019年10月在丽水市中心医院经手术病理证实且病理分级明确的128例ccRCC患者。纳入标准：①首次诊断均于术前行常规腹部CT平扫和增强扫描，增强包括皮髓期、实质期、分泌期；②所有患者均有完整手术病理证实且病理分级明确，并有影像学资料；③病例纳入均征得患者同意，并符合伦理规范。排除标准：①图像质量不佳，临床和影像资料不全；②以囊性成分为主的肿块，实性成分少。通过筛选最终72例患者纳入本研究，其中高分化组（I+ II级）52例，低分化组（ III+IV级）20例，并收集患者的一般临床资料。

1.2 设备和扫描方法 所有患者均采用Philips Brilllance iCT（256层）扫描仪，扫描范围从膈顶至肾下极水平，先行常规平扫，再注入对比剂后行增强三期扫描。扫描参数如下：管电压120 kV，参考管电流142 mAs，开启自动毫安秒技术，探测器准直128×0.625 mm，球管旋转时间0.75 s，螺距0.914，矩阵512×512，重建层厚及层间隔均为5.0 mm。采用美国Stellant双筒高压注射器经患者肘静脉以2.5～3.0 mL/s流率注射非离子型对比剂碘克沙醇（江苏恒瑞医药股份有限公司，国药准字H20067896，规格100 mL：33.9 g），对比剂用量按 1.5 mL/kg计算，注射完毕后以相同速率注射20 mL 0.9%氯化钠溶液。注入对比剂后分别延迟30、90、180 s行皮髓期、实质期、分泌期扫描。所有图像均传送至EBW后处理工作站。2组患者的典型CT图像如图1所示。

1.3 影像学生物标志物的提取与筛选

1.3.1 三维感兴趣区（volume of interest，VOI）分割：收集所有患者的术前CT皮髓期图像，由2名具有5年以上医学影像诊断经验的放射科医师在ITK-SNAP（Version3.4.0，http://www.itksnap.org/）软件上共同对图像手动逐层勾画靶病灶（最大病灶）边缘，并融合成VOI，对于有争议的区域由另外一名高年资医师共同协商确认。

1.3.2 定量影像学生物标志物的提取：利用美国GE公司AI-Kit（Artificial Intelligence Kit，AI kit，Version 3.0.1.A）软件对勾画好的图像进行特征提取。该软件通过提取病灶的影像组学生物标志物来定量分析肿瘤内部的异质性，本研究共提取得到5个类别的共396个纹理参数，分别为histogram， Grey level co-occurrence matrix（GLCM），run-length matrix（RLM），gray level Size Zone Matrix（GLSZM）和Formfactor。

图1 ccRCC患者的代表性CT图像

1.3.3 降维筛选影像学生物标志物：针对上述396个纹理特征参数进行预处理，参数中的所有异常值均使用中位数替代，并进行Z-score标准化处理，进而使用R语言进行降维筛选纹理特征，具体步骤如下：①检验数据是否呈正态分布，若为正态分布，使用方差分析降维，否则使用K-W秩和检验降维；②使用单因素logistic回归分析（GLM test）、SPM test去冗余去除相关性大于0.9的参数；③使用最小绝对收缩与选择算子算法（least absolute shrinkage and selection operator，lasso）回归分析与10倍交叉验证法对数据降维；④对得到的影像学生物标志物运用多元logistic回归分析建模。

1.4 统计学处理方法 采用R软件（Version:3.4.4， https://www.r-project.org/）进行统计分析。K-S检验计量资料正态性，符合正态分布以±s表示，不符合正态分布以M（P25，P75）表示，2组比较采用独立样本t检验或Mann-WhitneyU检验；计数资料以χ2检验比较。利用有统计学意义的影像学生物标志物计算得到每个患者的放射值（Rad-score），并进一步基于每个患者的Rad-score，利用多元logistic 回归构建训练组和验证组的预测模型，并评价2个模型的稳定性和准确性。P＜0.05为差异有统计学意义。

2 结果

2.1 患者的一般资料 高分化组和低分化组年龄差异有统计学意义（P＜0.05），性别、病灶形态、出血、坏死囊变以及钙化等一般资料比较差异均无统计学意义（P＞0.05），见表1。

2.2 影像学生物标志物筛选结果及其相对应的诊断效能 采用lasso回归以及十字交叉验证法降维（见图2），最终筛选得到5个显著性最强的纹理参数（Correlation_angle135_offset7，GLCMEntropy_ angle90_offset7，Inertia_angle135_offset7，kurtosis和RMS）作为分级诊断的影像学生物标志物。针对上述5个影像学生物标志物，进一步分析其诊断效能，发现Correlation_angle135_offset7的AUC在所有参数中最高，kurtosis的灵敏度最高，Inertia_angle135_offset7的特异度最佳，具体的诊断效能见表2。

表1 高分化和低分化组患者一般资料比较

2.3 预测模型的构建及其诊断效能 利用上述5个特征性影像学生物标志物计算各个患者的Radscore，计算公式如下：Rad-score=-0.009+0.864× Kurtosis-1.417×RMS+2.259×Correlation_angle135_offset7+0.1×GLCMEntropy_angle90_offset7-0.799×Inertia_angle135_offset7，利用Rad-score构建ccRCC的术前预测模型，发现低分化组的Rad-score明显小于高分化组，诊断的AUC为0.891（95%CI=0.797～0.952），截断值为0.301，预测的灵敏度和特异度分别高达84.6%和85.3%，提示该预测模型稳定且可靠（见图3）。

3 讨论

近年来应用影像组学方法预测疾病状态及进展的方法引起了广泛关注。影像组学可利用所提取特征信息直观、定量地描述肿瘤大小、外形及内部异质性，能实现与现有临床评价指标的有机融合，为临床提供一种较为准确、无创、操作便捷的分级方法。国内已有研究发现基于肾脏CT容积纹理分析及机器学习相结合的影像组学可以进行ccRCC术前病理分级预测[13]。在本研究中，通过对经手术病理证实且病理分级明确的72例ccRCC患者的皮髓期CT图像进行高通量的数据采集，最终提取396个纹理参数，利用lasso回归对特征参数降维，根据10倍交叉验证法，筛选出误差最小时对应的5个特征参数作为潜在的影像学生物标志物，并利用上述影像学生物标志物与对应加权系数乘积的线性组合形成ccRCC分级预测模型。

图2 纹理参数降维过程

表2 筛选出的特征性纹理参数及其诊断效能

图3 基于Rad-score的诊断效能

本研究结果显示高分化组和低分化组患者皮髓期CT图像的相关性（correlation）、熵（entropy）、惯性（inertia）、峰度（kurtosis）、均方根（RMS）5个特征性影像学生物标志物均具有统计学意义，提示其能够用于高、低级别ccRCC的鉴别诊断。根据上述参数的临床意义，表明ccRCC的级别越高，即异质性越高，肿块更容易发生出血、坏死，且其熵、峰度的值明显大于低级别组。基于上述5个特征性影像学生物标志物构建的预测模型，发现其能够显著提升模型的鉴别效能，AUC高达0.891，敏感度和特异度分别高达84.6%，85.3%，95%CI为0.797～0.952，这也进一步提示利用影像组学技术能够准确预测ccRCC的病理分级。

影像组学中纹理分析等定量方法是将高通量提取的影像学特征与病理学相关联，深入挖掘影像数据来反映肿瘤的生物学本质，因其无创、重复且能整体分析肿瘤内部异质性，是一种新兴的个体化、精准影像技术，因此许多学者也利用影像组学中的纹理分析在ccRCC分级领域展开了一定的研究[13-14]。 任采月等[15]在CT纹理分析GIST病理危险度分级中认为，肿瘤恶性程度越高肿瘤ROI内的纹理更加混杂、紧凑、不规则，这与本研究结果相符。丁玖乐等[12]研究静脉期的对比度、相关性、均质性、峰度和方差鉴别诊断高、低级别ccRCC有统计学意义，其中对比度的鉴别诊断效能最高，与本研究不一致，这可能与选择的期相和单层面图像纹理分析有关，造成了数据结果的偏倚。相比以往的研究，本研究采用CT容积纹理分析，可以更为真实准确地反映肿瘤病变的整体异质性。本研究创新之处在于对肿瘤CT图像进行手动逐层勾画靶病灶（最大病灶）边缘，并融合成全病灶三维ROI，全面提取肿瘤的影像组学特征并筛选高相关性的纹理参数作为影像学生物标志物，更为客观地反映肿瘤的生物学特征和异质性，且本实验构建的用于预测ccRCC分级的模型为临床诊断提供一种无创、操作便捷、准确率较高的分级诊断模型。

本研究也存在一定的局限，首先本研究的入组样本量相对较少，且高级别组与低级别组病例数不平衡，尤其是高级别组，结果存在一定的偏倚；其次，本研究的影像组学分析并未将入组病例分为训练组和验证组，仅将其作为提取定量影像学参数的方法，这在一定程度上影响了模型的稳定性，但在以往的研究中已有学者研究证实单纯的纹理分析建立的预测模型也具备较强的预测[16]；同时，本研究仅对皮髓期图像进行了影像组学分析，后续会对其他两期图像的影像组学特征进行提取，并结合临床指标，对ccRCC的病理分级展开进一步研究。

综上所述，基于皮髓期CT图像的定量影像学生物标志物构建的术前ccRCC精准分级预测模型具有较高的准确性、灵敏度和特异性，且操作便捷，可为临床治疗方案的选择、肿瘤切除的可能性以及预后评估提供重要参考。