基于增强CT图像纹理特征术前预测肝细胞癌微血管侵犯状态及危险度等级

潘克华,张昭,贾秀芬,刘瑾瑾,陈永华

肝细胞癌(hepatocellular carcinoma,HCC)是世界范围内第6常见肿瘤和第2常见肿瘤相关死亡原因,我国更是HCC高发国家之一,严重威胁人民的生命和健康。手术是目前治疗HCC最有效的手段,但手术切除后5年复发转移率高达40%～70%[1]。近年来相关研究表明,微血管侵犯(microvascular invasion,MVI)存在与否及危险度等级与HCC复发、预后不良直接相关[2-3]。因此,准确评估术前MVI状态和危险度等级有助于手术方案的选择、预后分层分析,从而指导临床医生建立“个体化”治疗和随访策略。目前,MVI诊断的“金标准”仍为术后组织病理检查,但术后病理结果具有明显的滞后性,无法在术前依据评估结果制定精准治疗方案。术前穿刺活检作为一种有创性检查方法,易受到取材局限、肿瘤内部不均质等因素影响,难以全面准确评估肿瘤MVI情况。近年来文献报道MVI的发生与众多影像特征相关,包括肿瘤大小、数目、包膜完整性、边界光整与否、边缘强化等,但单纯影像特征预测HCC的MVI主观性较强,准确性不佳[4]。目前,已有报道采用基于影像组学特征来预测MVI状态,但大多为单中心研究,且集中在对有无MVI进行预测,未对其危险度等级进行进一步分层研究[5-8]。本研究联合增强CT图像纹理特征及临床资料建立对HCC患者MVI状态及危险度等级分层的预测模型,并以术后病理作为参照评估预测模型的诊断效能,旨在探讨其术前预测肝细胞癌MVI的价值。

材料与方法

1.病例资料

回顾性分析本院2018年3至2021年3月符合以下纳排标准的HCC患者的临床及影像资料。病例纳入标准:①经手术病理证实的HCC患者,明确诊断有无MVI及分级;②手术前2个月内接受肝脏平扫和增强CT检查;③临床和影像资料完整以便进一步重新评估。病例排除标准:①复发性肝癌;②行增强CT检查之前接受放疗、化疗、射频消融或其他治疗的患者;③图像质量不佳,不能进行感兴趣区(region of interest,ROI)勾画。最终496例患者纳入本研究,其中男315例,女181例,平均年龄56.7岁(表1)。采用MATLAB软件按2:1比例随机分为两组,包括训练组(331例)和测试组(165例),训练组用于建立预测模型,测试组用于验证所建立的预测模型。患者临床资料来自电子病历系统,肝癌临床分期依据中国原发性肝癌诊疗指南(2019年版)。CT检查方案及临床资料搜集征得医院医学伦理委员会批准,所有检查均取得患者的知情同意并签署知情同意书。

表1 训练组与测试组患者的基线资料比较

2.CT扫描方法

患者行CT增强检查前48h内未进行其他任何使用对比剂的影像检查,检查前对患者进行呼吸训练。采用东芝320排螺旋CT (Aquilion ONE)和GE多排螺旋CT (Bright Speed)进行CT扫描。扫描参数:管电压100～120 kV,管电流200～500 mA,重建层厚0.625～5.000 mm。CT增强检查采用非离子型碘对比剂(欧乃派克,浓度350 mg I/mL),采用高压注射器经肘静脉留置针注入,剂量1.5 mL/kg,注射流率3 mL/s,分别在注射对比剂后25～35 s、55～70 s、120～180 s进行动脉期、门脉期、延迟期扫描。

3.ROI勾画及纹理特征提取

将所有受检者的动脉期、门脉期DICOM格式图像数据导入ITK-SNAP软件进行ROI勾画及纹理分析。由于肿瘤邻近组织的异质性对于HCC的MVI评估具有重要价值[2],因此将肿瘤病变和邻近的非肿瘤组织均进行ROI勾画。首先,选取动脉期和门脉期图像,由2位分别具有3年和5年腹部影像诊断经验的放射科医师在不知临床及病理结果的情况下,确定病变位置及其最大层面,在肿瘤最大层面图像上手动沿病灶边缘勾画ROI;第二步,在肿瘤边界外3～5 mm范围内勾画肿瘤邻近组织,肿瘤邻近组织ROI勾画需排除周围器官、骨骼和空气(图1)。再由1位资深腹部影像诊断医师对上述ROI勾画进一步检查确认。采用组间相关系数(interclass correlation coefficients,ICC)分析2位医师间勾画ROI提取纹理特征的一致性,ICC>0.8为一致性较好。

图1 ROI勾画。a) 肿瘤最大层面瘤灶ROI勾画; b) 肿瘤邻近组织ROI勾画。

纹理特征提取与分析:ROI内4个类别共576个图像纹理特征被提取,包括最大直径、7个基于图像体素强度特征、158个原始纹理特征和410个小波纹理特征。原始纹理特征包括灰度共生矩阵(grey level co-occurrence matrix,GLCM)、灰度游程长度矩阵(grey level run-length matrix,GLRLM),前者根据不同方位(0°、45°、90°和135°)每种方位提取22个特征共88个特征,后者根据游程长度(1、2、3、4)每种类型提取13个特征共52个特征。另外还有13个灰度大小区域矩阵(gray level size zone matrix,GLSZM)特征和5个邻域灰度差矩阵(NGTDM)特征。

使用Z-score方法对数据进行标准化预处理以消除差异增加可比性。使用最小绝对收缩与选择算子(least absolute shrinkage and selection operator,LASSO)回归算法与 10 倍交叉验证法对纹理特征数据进行降维以筛选出最佳特征集。对筛选得到的纹理特征采用多元logistic回归分析构建模型。采用线性判别分析(linear discriminant analysis,LDA)建立分类器。

4.病理分析

由1位高年资病理科医师阅片,根据有无MVI、MVI数目及位置差异进行危险度分级:M0,未发现MVI;M1(低危组),≤5 个MVI,且均发生于近癌旁肝组织(≤1 cm);M2(高危组),>5个MVI,或MVI发生于远癌旁肝组织(>1 cm)[1]。

5.统计学分析

采用MedCalc v15.2.2和R语言软件进行统计学分析。在训练组、测试组和独立验证组中,对有无MVI患者的临床特征进行比较,连续变量采用独立样本t检验或Mann-WhitneyU检验,分类变量采用卡方检验或Fisher精确概率检验。单因素分析中P<0.05的因素被选出输入到多因素回归模型中,多因素二元logistic回归分析采用输入法确定有统计学意义的预测因子。使用R语言“rms”包绘制受试者工作特征(receiver operating characteristic,ROC)曲线,计算曲线下面积(area under curve,AUC)、敏感度、特异度,评估模型在测试组或独立验证组中的诊断效能。使用R语言中“regplot”包构建列线图。以P<0.05为差异有统计学意义。

结 果

1.一般资料

训练组(n=331)与测试组(n=165)患者的年龄、性别、肿瘤位置、肿大最大径、MVI状态、临床分期、血AFP水平差异均无统计学意义(P均>0.05)。训练组及测试组内MVI阳性患者的肿瘤最大径高于MVI阴性患者,MVI阳性患者的血AFP异常比例、临床分期亦高于阴性患者,差异均有统计学意义(P均<0.05,表1)。MVI高危患者的临床分期明显高于低危患者。2位医师间勾画ROI提取动脉期、门脉期纹理特征的ICC分别为0.839和0.894,表明一致性较好。

2.图像纹理特征筛选、MVI预测模型的建立与验证

采用LASSO回归与十字交叉验证法降维过程如图2所示,根据十倍交叉验证法,选择误差最小时对应的纹理特征,得到模型函数常数项、纹理特征及其对应系数。最终筛选出44个特征性最强的纹理特征用于建立预测模型函数。该模型预测有无MVI在训练组和验证组中的ROC曲线见图3a、3b,在训练组的AUC为0.783(95% CI:0.666～0.900),敏感度和特异度分别为0.705和0.750;在测试组的AUC为0.773(95% CI:0.577～0.969),敏感度和特异度分别为0.883和0.722。模型拟合程度的校准曲线见图3c、3d,在训练组和验证组中的预测概率与实际概率相近。

图2 使用LASSO回归、十字交叉验证法进行纹理特征降维筛选的过程。a) 下方的X轴表示 log(λ)值,Y轴表示AUC。红点表示各个具体λ值对应的模型的AUC值。第一条点状纵线最高AUC值对应的最佳λ值及纹理特征44个;b) 纹理特征系数分布图。在不同λ值的情况下对应的纹理特征系数值变化。 图3 训练组和验证组的ROC曲线及其对应的校准曲线。训练组和验证组的ROC曲线均显示出较强的疗效预测能力。图3c和图3d中对角线表示模型理想的预测能力,虚线表示模型实际预测能力,实线表示校准后的情况。a) 训练组ROC曲线;b) 验证组ROC曲线; c) 模型在训练组中的校准曲线图;d) 模型在验证组中的校准曲线图。

3.MVI危险度等级预测模型的建立与验证

采用前述方法筛选出5个特征性最强的纹理特征建立MVI危险度等级的预测模型。其预测MVI危险度等级在训练组的AUC为0.743(95% CI:0.741～0.826),在测试组的AUC为0.718(95% CI:0.691～0.866)。联合纹理特征和肿瘤临床分期建立列线图预测MVI危险度等级的效能更佳,AUC为0.856(95%CI:0.679～0.873)(图4)。

图4 联合纹理特征和肿瘤临床分期预测MVI风险等级的列线图。

讨 论

近年来,图像的纹理特征在疾病诊断、分期及疗效评估等方面的潜在价值越来越被大家所认识,利用专业软件结合统计方法对医学影像图像进行纹理特征的提取、筛选与分析,并建立函数模型用来辅助疾病诊断、分期、预后评估等方面的探索研究大量涌现。与常规影像征象相比,纹理特征提供给影像医师更多图像潜在的客观信息,其不依赖于影像医师的主观因素及临床经验,有助于影像医师对病变进行更准确、更定量的精准诊断[9-10]。

本研究利用纹理特征建立模型分别用于术前预测HCC患者的MVI状态和危险度等级,两者诊断效能(AUC)在训练组分别为0.783、0.743,在测试组分别为0.773、0.718。将纹理特征与肿瘤临床分期组合建立列线图预测MVI危险度等级具有更好的诊断效能。不同纹理特征反映的意义有所不同,小波纹理特征、灰度共生矩阵(GLCM)反映的是图像中局部灰度相关性,值越大说明ROI矩阵元素值越均匀,方差值越大说明ROI内部异质性越高;灰度游程长度矩阵(GLRLM)反映图像ROI内部像素值分布情况,值越大说明内部结构越复杂和不均质。本研究结果表明,用于建立HCC MVI状态的模型中44个纹理特征其中35个来源于小波纹理,说明小波纹理特征对于预测有无MVI具有很高价值,这与Peng等[11]基于CT图像小波纹理特征模型预测乙肝病毒相关HCC患者MVI状态准确性较高的研究结论一致。说明图像像素灰度不均质性越高,发生MVI的风险越高,其机制可能在于当 HCC 出现MVI时,肿瘤及周围肝实质的局部血流动力学情况发生了更多异常改变,门静脉血流减少、动脉血供相应增加,出现更多不均质异常强化。另外,本研究结果显示源自灰度游程长度矩阵(GLRLM)的长程高灰度强调(LRHGE)特征在预测模型中的权重系数很高,这也与Ni等[12]基于MR纹理特征预测MVI状态的研究结论相符,提示该纹理特征可能是预测MVI状态的一个重要跨模态纹理特征。

目前大多数HCC MVI相关的研究未对MVI进行危险度分层,也未将肿瘤的临床分期纳入预测模型中,在为数不多的对上述内容进行研究的报道中,Xu等[13]的研究结果显示临床分期对于提升MVI危险度等级模型预测效能具有重要价值。本研究结果显示联合纹理特征和肿瘤临床分期因素建立列线图,对预测MVI危险度等级的诊断效能优于单纯基于纹理特征模型,但纹理特征联合肿瘤临床分期因素未能提高对MVI状态预测模型的诊断效能。笔者注意到在筛选得到的5个用于预测MVI危险度等级的纹理特征中4个与肿瘤临床分期高度相关,由此推断肿瘤临床分期是MVI危险度等级预测模型中的一个重要的预测因子,因此加入这一因素所建立的列线图诊断效能更佳。

前期的较多研究结果显示HCC MVI阳性患者的肿瘤最大径明显大于阴性患者,纳入肿瘤最大径的MVI状态预测模型具有更高的诊断效能[14-16]。本研究结果显示,尽管不同MVI状态组的肿瘤最大径具有统计学差异,但纳入肿瘤最大径并没有明显提高模型的预测效能。将肿瘤最大径与筛选所得的纹理特征进行相关性分析,结果显示大多数纹理特征与肿瘤最大径显著相关,由此推测肿瘤最大径在预测模型中的作用很有可能已被纹理特征所取代。

本研究存在以下局限性:首先,除了肿瘤最大径之外没有评估其他的形态学特征,后期我们将进一步探讨建立融合形态学和纹理特征的模型;其次,本研究使用二维ROI,三维立体兴趣区容积(volume of interest,VOI)应该能包含更全面、更丰富的肿瘤信息用于建立模型,未来的研究会尝试比较基于2D-ROI和3D-VOI模型的预测效能;最后,本研究为单中心研究,我们将继续扩展多中心数据,利用多中心数据对模型进行进一步验证。

综上所述,采用增强CT图像纹理特征模型可在术前预测HCC的MVI状态和危险度等级,对临床医师术前选择合理的手术方案、评估预后具有重要参考价值。