基于宫颈癌术前T2WI影像组学特征预测近期预后的研究

陈 薇，祝江红，张新龙，邱玲琍，董 婷，祝海峰

(九江市第三人民医院 妇产科，江西 九江 332000)

宫颈癌是女性仅次于乳腺癌的第二个最常见的恶性肿瘤，严重危及妇女的健康，会造成异常阴道出血、盆腔疼痛或不适感等症状。[1]目前，多数的宫颈癌经手术或放疗等局部治疗手段后预后良好，但其中10 %～15 %左右的病例却因治疗后的复发和远处转移而致治疗失败。[2]目前多数研究宫颈癌患者预后不良的模型普遍采用临床指标，包括肿瘤分期、病理类型、分化程度等，但这些指标采集困难周期长容易延误患者治疗。[3]而磁共振成像(Magnetic resonance imaging，MRI)作为一种新兴医学影像技术，可利用强大的磁场和无害的无线电波来生成人体内部结构的详细图像，直观评估宫颈癌病变情况。[4]但目前尚无研究采用术前T2WI影像组学特征预测宫颈癌患者预后情况，基于此，本研究通过收集我院接受宫颈癌手术治疗患者的影像学资料，分析术前T2WI影像组学特征对预后的预测作用并构建SVM预测模型。

1 资料和方法

1.1 一般资料

回顾性选取2020年6月至2022年6月在我院接受宫颈癌手术治疗的患者80例，统计患者2年内预后情况，根据患者预后情况分为良好组(n=40)和不良组(n=40)，再按7：3比例分为建模集(n=56)和验证集(n=24)。纳入标准：①经术前病理诊断为宫颈癌病变者；②无磁共振禁忌症；③术前未接受放、化疗；④MRI检查后1周内接受根治性手术治疗；⑤手术后病理确诊为宫颈癌，全程诊断符合《2020 NCCN子宫颈癌临床实践指南(第1版)》[5]的诊断与治疗，且临床资料完整；⑥自愿签署知情同意书且研究期间愿意全程配合的患者；排除标准：①MR图像质量不能满足诊断要求者；②既往有盆腔手术史者；③伴有或患过其他肿瘤并接受过盆腔放疗或化疗者。

1.2 观察指标

1.2.1 预后情况

在患者行宫颈癌手术治疗后，通过定期常规MRI影像检查的形式随访两年，统计患者宫颈癌复发、转移及死亡的不良预后发生情况。

1.2.2 术前T2WI影像组学特征

收集建模集56例和验证集24例患者术前MRI检查MR-T2WI原始数据中dicom图片数据，光盘刻录保存。将患者MR-T2WI导入MRIcroGL软件，将dicom格式转换为nrrd格式，在itk-snap软件中手动勾画宫颈癌和淋巴结影像中的感兴趣区，见图1、图2。采用python语言开源pyradiomics包提取包括：一阶统计特征值、3D形状特征值、2D形状特征值、灰度共生矩阵特征值、灰度游程长度矩阵、灰度尺寸区域矩阵、邻域灰度差矩阵和灰度相关矩阵类共八大类120个影像组学特征值。

图1 于盆腔轴位T2WI手动勾画肿瘤ROI示意图

图2 于盆腔矢状位T2WI手动勾画肿瘤ROI示意图

1.3 特征筛选和特征降维

特征筛选分为3步，首先使用单变量曲线下面积(Area under curve，AUC)分析，保留AUC大于0.6的特征，然后使用五折交叉验证的最低绝对收缩和选择算子LASSO回归算法进一步进行特征筛选，保留预测能力最强的目标特征值数为6-10个。

1.4 统计学方法

使用R语言软件进行统计学分析，采用LASSO回归算法筛选影响宫颈癌预后不良的术前T2WI影像组学特征，使用SPSS 21.0和SPSS Modeler构建SVM支持向量机模型，并采用受试者工作特征(Receiver operator characteristic，ROC)曲线评估模型的区分度和预测效能。

2 结果

2.1 近期预后情况分析

80例患者经宫颈癌治疗后2年近期预后不良发生40例(50.00 %)，其中建模集中预后不良27例(48.21 %)，验证集中不良预后13例(54.17 %)。

2.2 患者的术前T2WI影像组学特征筛选与特征降维

建模集56例患者中每位共提取特征120个，经单变量曲线下面积(AUC)分析及五折交叉验证的最低绝对收缩和选择算子(LASSO)回归算法筛选结果显示，剩余8个影像学特征：一阶特征平均绝对偏差、灰度共生矩阵差异熵、运行长度不均匀度标准化、最大行2D直径、短游程高灰度游程优势、灰度尺寸区域数量、灰度尺寸最小区域面积、灰度游程矩阵运行熵，见表1。

表1 LASSO回归算法筛选的最优影像组学特征

2.3 基于宫颈癌术前T2WI影像组学特征的SVM模型构建

SVM支持向量机模型设置规则化参数为10，回归精确度0.1，内核类型RBF，RBF伽马系数为0.1。结果显示影响近期预后不良发生重要性的前6位因素依次为灰度游程矩阵运行熵(预测变量重要性=0.25)、灰度尺寸区域数量(预测变量重要性=0.19)、灰度共生矩阵差异熵(预测变量重要性=0.15)、一阶特征平均绝对偏差(预测变量重要性=0.10)、运行长度不均匀度标准化(预测变量重要性=0.09)、最大行2D直径(预测变量重要性=0.08)，见图3。

图3 SVM预测变量的重要性

2.4 SVM预测模型效能验证

建模集的ROC结果显示，曲线下面积(area under curve，AUC)为0.765，最佳截断值0.536对应的灵敏度、特异度分别为0.667、0.828，模型的区分能力良好，见图4。

图4 建模集的ROC曲线

验证集的AUC为0.792，最佳截断值0.711对应的灵敏度、特异度分别为0.681、0.893，显示模型具有良好的外部预测效能，见图5。

图5 验证集的ROC曲线

3 讨论

据统计，宫颈癌在我国的发生率呈逐年上升趋势。根据2018年公布的数据，宫颈癌在我国女性恶性肿瘤中的发病率排名第二，仅次于乳腺癌。[6]多数患者选择以手术为主，放化疗为辅的方式治疗，虽然短期疗效明显，但不少患者会出现肿瘤扩散及复发的情况。[7]而准确预测患者发生不良预后风险并加以预防保护，对患者健康很有帮助。目前使用临床指标和血清学指标预测预后不良风险的研究已较多,[8-9]但关于MRI影像组学特征对宫颈癌预后不良风险的预测作用尚不明确，因此进行本研究探讨。

本研究采用python语言开源pyradiomics包提取了八大类共120个T2WI影像学参数，经筛选降维及SVM支持向量机分析后，得到前6位因素依次为灰度游程矩阵运行熵、灰度尺寸区域数量、灰度共生矩阵差异熵、一阶特征平均绝对偏差、运行长度不均匀度标准化、最大行2D直径。分析其影响机制，灰度游程矩阵运行熵是一种图像分析中的特征提取方法，用于描述图像的纹理复杂性和灰度级别变化的均匀性，运行熵值越高，表示图像中灰度级别游程的分布越复杂，宫颈癌病变越复杂，预后不良风险更高。[10]灰度尺寸区域数量通常指的是医学影像中不同灰度级别的区域数量，更多的灰度尺寸区域数量可反映了图像中更多种类的宫颈癌病变，提供更详细的图像信息，预测宫颈癌肿瘤越准确。[11]差异熵是灰度共生矩阵的一项特征，用于衡量图像中灰度级别之间的差异程度，差异程度越大表示共生矩阵越复杂，即病灶的结构也越复杂，治疗难度加大容易因手术操作失误导致转移。[12]一阶特征平均绝对偏差描述一阶统计特征值的离散程度，平均值可以反映肿瘤的生长速度或细胞增殖活跃程度，平均绝对偏差可以反映肿瘤的异质性或不均匀性，肿瘤异质性可以增加肿瘤细胞的突变率和遗传变异，从而促进肿瘤的进展和转移，形成不良预后。[13]运行长度不均匀度标准化反映图像中像素值变化的不均匀性，体现宫颈癌的异质性，数值越高说明病变更严重，预后不良可能性更大。[14]最大行2D直径是指宫颈癌在某个切片上的最大横向直径(水平方向)，可反映肿瘤大小，更大的宫颈癌肿瘤具有更高的细胞增殖率和更强的侵袭能力，产生转移、复发的不良预后风险增加。[15]

基于6个术前T2WI影像学参数构建的SVM支持向量机模型，其建模集ROC结果显示，AUC为0.765，最佳截断值0.536对应的灵敏度、特异度分别为0.667、0.828，模型的区分能力良好，验证集AUC为0.792，最佳截断值0.711对应的灵敏度、特异度分别为0.681、0.893，模型具有良好的外部预测效能，表明该模型对宫颈癌预后情况分类能力优良，可以提前筛选预后不良的患者，能帮助医院采取针对性的治疗计划，预备医疗资源应对患者的不良预后。

综上所述，基于宫颈癌术前T2WI影像组学特征构建的SVM支持向量机模型具有较好的预测效能，可为临床预防宫颈癌术后预后不良提供参考。