基于超声影像组学模型预测浸润性乳腺癌淋巴管血管侵犯状态

南京医科大学第一附属医院超声诊断科，江苏 南京 210000

超声影像组学特征有成为诊断、分型、预测预后或评估治疗反应的影像学标志物的潜力［1-3］。因此，本研究旨在开发并验证一种基于二维超声图像的影像组学模型，帮助临床医师术前预测浸润性乳腺癌（invasive breast cancer，IBC）患者的淋巴管血管侵犯（lymphovascular invasion，LVI）状态，以制订个体化治疗策略。

1 资料和方法

1.1 研究对象

选取2018年1月—2019年4月于南京医科大学第一附属医院术前进行超声检查的258例IBC患者，患者超声图像均来自于同一台超声仪器。纳入标准：① 经术后病理组织学确诊的IBC患者；② 无新辅助治疗史；③ 术前2周内行超声检查；④ 临床病理学资料及超声图像完整。排除标准：① 有其他肿瘤病史；② 多发性或非肿块性病灶；③ 病灶在超声检查前已进行活检；④ 超声图像未能成功提取特征。患者均为女性，年龄23～91岁，平均年龄54.56岁；肿块最大径为0.8～5.0 cm，平均直径2.17 cm。

1.2 仪器与检查方法

1.2.1 仪器

采用意大利Esaote公司的Mylab Twice彩色超声诊断仪，使用高频（4～13 MHz）线阵探头（LA523）。

1.2.2 检查方法

患者采用仰卧位或侧卧位，双手上举，充分暴露双侧乳房及腋窝，由经验丰富的超声科医师对完全暴露的乳头乳晕及乳房各个象限进行全面扫描并保留肿块最大截面。观察肿块的位置、形态边缘、内部回声、是否有钙化及后方回声等，根据美国放射学会（American College of Radiology，ACR）乳腺影像报告和数据系统（Breast Imaging Reporting and Data System，BIRADS）分类标准［4］对肿块进行分类。同时检查腋下Ⅰ、Ⅱ和Ⅲ区淋巴结，如果超声检查时发现至少有以下可疑表现之一，则认为腋窝淋巴结（axillary lymph node，ALN）阳性。① 淋巴结皮质厚度大于3 mm；② 长短径比大于2；③ 淋巴门完全或部分消失；④ 彩色多普勒超声图像显示非淋巴门型血流；⑤ 淋巴结内微钙化。

1.3 临床病理学资料

临床病理学因素从南京医科大学第一附属医院病历系统中获取，包括年龄、雌激素受体（estrogen receptor，ER）、孕激素受体（progesterone receptor，PR）、人表皮生长因子受体2（human epidermal growth factor receptor 2，HER2）、Ki-67标记指数及病理组织学类型（如浸润性导管癌、小叶癌及其他等）。ER、PR阳性定义为ER、PR染色阳性≥10%。经免疫组织化学法检测HER2时，若病灶为HER2+++时，则直接定义为HER2阳性；若病灶为HER2+或无表达时，则直接定义为HER2阴性；若表现为HER2++时，需进行荧光原位杂交（fluorescence in situ hybridization，FISH）检测判断HER2基因扩增状态。根据2011年St.Gallen乳腺癌共识［5］将Ki-67＞14%定义为Ki-67标记指数高。所有病灶术前均行穿刺活检，ER、PR、HER2、Ki-67标记指数及病理组织学类型等临床因素通过病灶粗针穿刺活检获得。

1.4 影像组学

1.4.1 肿瘤分割

肿瘤分割是由1名超声科医师使用ITK-SNAP软件进行手动分割。在每例患者病灶超声图像的最大横断面上绘制感兴趣区域（region of interest，ROI），沿着病灶的可见边界，以囊括整个病灶（图1）。在边缘模糊或有毛刺的情况下，则尽可能完全地包括病灶，绘制病灶的最大范围。分割结果最终由1名有15年工作经验的超声科医师进行验证。

图1 ROI勾画示意图

1.4.2 特征提取与选择

从二维超声图像中可提取出反映肿瘤异质性的影像组学特征，提取的影像组学特征可分为两类：一阶特征和纹理特征。一阶特征包括形状、大小特征和强度特征等。纹理特征的提取是基于4种纹理矩阵，包括灰度共生矩阵（grey level cooccurrence matrix，GLCM）、灰度运行长度矩阵（grey level run-length matrix，GLRLM）、灰度大小区域矩阵（grey level size zone matrix，GLSZM）和灰度依赖矩阵（gray level dependence matrix，GLDM）。所有的特征提取均采用开源Pyradiomics软件包实现。为测试影像组学特征的稳定性，2名超声科医师随机选取70例患者勾画ROI，其中1名超声科医师在1周内独立重复上述操作。通过计算组内相关系数（intraclass correlation coefficient，ICC）和组间相关系数（interclass correlation coefficient，CCC）来确定特征的稳定性，ICC和CCC低于0.75的特征被排除在最终的特征数据集中。2种机器学习算法，包括最大相关性最小冗余度（maximum relevance minimum redundancy，mRMR）和最小绝对收缩和选择算子（the least absolute shrinkage and selection operator ，LASSO）回归算法，被用于筛选与预测LVI状态相关的影像组学特征。mRMR可最大限度区分LVI阴性和阳性的特征，并消除冗余和不相关的特征，本研究通过筛选，保留了30个特征。随后使用LASSO回归算法与惩罚参数调整进行10倍交叉验证，选择交叉验证二项偏差最小的最优特征数据集，将非零系数定义为所选特征的权重，表示特征与LVI的相关性。

1.4.3 模型建立

3种术前预测LVI状态的模型最终建立：影像组学评分、临床模型及影像组学模型。为了建立临床模型，我们对临床参数进行单因素和多因素分析，最终将有统计学意义的参数纳入临床模型。并通过logistic回归算法联合影像组学评分和有效临床参数，建立影像组学模型，以预测IBC患者术前LVI状态。

1.4.4 模型评估

3种模型的诊断性能通过受试者工作特征（receiver operating characteristic，ROC）曲线分析评估，并使用Delong验证来比较不同模型曲线下面积（areas under curve，AUC），确定它们的诊断效能之间是否有显著差异。研究中预测数据和实际数据之间的差异通过校准曲线和Hosmer-Lemeshow试验来评估。最终，通过对整个队列中不同阈值概率下的净效益进行量化，进行决策曲线分析（decision curve analysis，DCA）以确定影像组学模型的临床有效性。

1.5 统计学处理

所有统计学分析均使用R 3.6.2软件包进行。分类变量用百分比表示，采用χ2检验或Fisher精确检验；连续变量用±s表示，采用独立样本t检验。P＜0.05为差异有统计学意义。本研究中所需R安装包：使用“mRMR”包进行mRMR算法；LASSO Cox回归使用“glmnet”包；“pROC”包用于绘制ROC曲线；“rms”包用于模型可视化和校准曲线；DCA通过“devtools”和“rmda”包执行。

2 结 果

2.1 临床特征

训练组和验证组的临床特征如表1所示，单因素分析显示，年龄、LVI患者数目、超声最大肿瘤直径（maximum tumor diameter，MTD）、肿瘤病理组织学类型、ER、PR、HER2、Ki-67、超声BI-RADS分类、超声ALN状态及ALN阳性数目等临床参数在训练组和验证组之间差异无统计学意义。表2显示了训练组和验证组中超声ALN状态和实际ALN状态对比，两者间差异无统计学意义（P=0.33）。本研究中超声检测ALN准确度、特异度、灵敏度、PPV及NPV分别为72.48%、94.61%、31.87%、76.32%及71.82%。

表1 训练组和验证组中临床病理学特征比较 n（%）

表2 超声腋窝淋巴结和腋窝淋巴结病理学状态

2.2 临床模型建立

根据病理组织学结果，可将患者分为两组：LVI阳性组和LVI阴性组。在训练集中对LVI阳性及阴性组临床特征进行单因素分析，如表3所示，年龄、超声MTD、超声BI-RADS分类、超声ALN状态及ALN阳性数目等临床特征差异有统计学意义（P＜0.05）。随之，将单因素分析中有意义的临床因素纳入logistic多变量分析（表4），得出超声ALN状态及超声BI-RADS分类是预测IBC患者LVI状态的独立影像因子，并根据多因素分析结果绘出临床预测模型（图2）。

表3 训练组术前临床病理学特征单因素分析结果 n（%）

表4 训练组术前临床病理学特征多因素分析结果

图2 临床模型

2.3 影像组学评分

图3 LASSO回归算法

图4 经mRMR及LASSO回归算法选择的特征

表5 公式系数及特征

2.4 联合模型的建立和验证

通过logistic回归算法联合影像组学评分和有效的临床病理学参数，建立影像组学模型（图5）。如图6A、B所示，在训练组中，影像组学模型在3种模型中均具有最好的预测能力，影像组学模型AUC为0.865，而另两种模型分别为0.729和0.801，在验证组中亦然（AUC：0.857 vs 0.786 vs 0.759），较之单纯使用影像组学评分或临床模型，联合了超声影像组学评分和有效临床因素的影像组学模型预测能力显著提高（表6）。校准曲线验证了在训练集和验证集中预测的LVI状态与实际LVI状态有良好的一致性（图7A、B），且通过Hosmer-Lemeshow检验，显示预测数据和实际数据之间差异无统计学意义（P=0.371、0.094），说明组合模型具有良好的校准能力。图8总结了DCA预测模型的临床应用情况，结果证明，影像组学模型在很大的风险阈值概率范围内可提高对LVI阳性风险的预测能力。因此，我们构建了一个列线图以可视化方式表示预测结果。

图5 影像组学模型

图6 训练组（A）及验证组（B）中各个模型的ROC曲线

图7 训练组（A）及验证组（B）中影像组学模型的校准曲线

图8 影像组学模型的DCA

表6 3种预测模型的AUC比较

3 讨 论

乳腺癌是女性最常见的恶性肿瘤，其预后情况也是人们关注的重中之重［6］。患者的年龄、肿瘤大小、ALN状态、肿瘤的组织学分级、ER、PR和HER2等因素是评估乳腺癌患者预后和制订适当的治疗策略的重要指标［7-9］。而近年来，LVI也被报道为乳腺癌患者的一个较强的预后因素［10-11］。LVI是指肿瘤细胞侵犯淋巴管血管壁或弥漫于管腔内形成癌栓，是肿瘤细胞播散转移导致疾病复发或进展的关键步骤超声检查可以发现较大脉管内形成的癌栓。先前的研究［12-14］发现，LVI与较低的平均年龄、Ki-67标记指数、肿瘤大小、阳性淋巴结和组织学分级等有关。本研究表明，ALN状态与LVI阳性风险相关。LVI患者的ALN阳性概率大于无LVI患者，这与Zhang等［15］的观点相似，这种相关性可以部分解释ALN阳性乳腺癌患者的不良预后。超声BI-RADS分类亦是IBC患者LVI状态的一个重要的独立预测因子。BI-RADS分类越高LVI阳性率越大，这或许是病灶的超声BI-RADS分类越高，恶性征象（如边缘毛刺或乳房悬韧带受牵拉等）更多、更显著，肿瘤侵袭性更强，发生LVI的可能性更大，导致预后更差［16-17］。

影像组学是一种计算机辅助技术，通过计算机算法将医学影像信息转换成一系列数据［18］。既往研究［19-20］发现，影像组学特征与肿瘤的微观结构和生物学行为密切相关。影像组学特征反映了肿瘤的纹理信息，是判断肿瘤内和肿瘤间异质性的重要指标。肿瘤内异质性可能是基因组异质性的结果，这与肿瘤进展和转移行为有关，基因组异质性越大，肿瘤越容易转移和产生耐药性，预后就越差［21］。研究［22］表明，基因组异质性可以从医学图像中识别出来，然而，生物过程和影像组学特征之间的联系仍然是复杂的。纹理特征可以量化单个肿瘤在结构和功能上的空间变化，而其中应用最广泛的纹理特征便是GLCM，GLCM通过描述图像灰度的空间相关特性来反映纹理信息，既往多项研究［23-26］支持GLCM与肿瘤内部异质性相关，这与本研究结果相一致。一阶特征中的峰度也是本研究中影像组学评分的重要组成部分，是基于图像直方图平均值的不对称分布尺度。峰度在影像组学研究中的应用也较为广泛，在Niu等［27］的研究中证实了此项特征与肿瘤的异质性相关。

超声医师主观判断的超声图像特征，结合临床病理学或基因因素，在术前预测IBC患者的LVI状态［17］。本研究结果表明，根据影像组学特征权重开发的影像组学评分对LVI预测能力较佳。此外，将超声影像组学评分纳入临床模型后，临床模型的AUC从0.729显著提高到0.865，预测LVI的能力优于单独的影像组学评分和临床模型，且在预测IBC患者LVI方面是稳定的。DCA显示，比起临床模型和影像组学评分，超声影像组学模型将使更多的患者受益，这表明影像组学评分增加了临床危险因素在临床有用性方面的增量价值。因此，我们开发基于超声影像组学特征的模型用于术前个体化预测IBC患者的LVI状态，且为了临床医师使用更为便捷可视化，我们进一步开发了包含超声影像学评分和临床病理学特征等多种危险因素的列线图，以帮助临床医师术前对患者LVI状态进行个体化预测。

本研究有以下局限性：首先，由于样本规模相对较小，统计能力可能会有所欠缺。其次，本研究完全是回顾性分析，需要通过前瞻性研究进行验证，且缺乏多中心验证。第三，Fujii等［28］发现，LVI中血管侵犯（blood vessel invasion，VI），而非淋巴管侵犯（lymphatic invasion，LI）可能是生物侵袭性的指标，是一个有效的预后因素。然而，本研究没有单独分析LI和VI对乳腺癌患者预后的影响，这也是我们未来研究的方向之一。

总之，影像组学特征可以作为术前预测IBC患者LVI情况的影像学标记，基于超声影像组学评分和临床病理学特征的影像组学模型有助于指导制订个性化治疗策略。