多序列MRI的影像组学在卵巢上皮性肿瘤鉴别及疗效预测分析.pdf

89http:/ E-mail:2023年5月 第26卷 第S1期论著影像学研究多序列 MRI 的影像组学在卵巢上皮性肿瘤鉴别及疗效预测分析刘雪芬，张国福，金俊，余锦华，张鹤*【摘要】目的评价多序列 MRI 在卵巢上皮型癌的分类能力，同时评估 MRI 影像组学特征同卵巢上皮型卵巢癌患者治疗后预后的关系。方法回顾性分析 280 例复旦大学附属妇产科医院病理科证实的 OEC 患者的 MRI 资料。评价 MRI 影像组学特征同上皮型卵巢癌亚型以及肿瘤 Ki67 表达的相关性。最小化及选择分类方法（Lasso）用于 MRI影像组学特征的筛选。利用 Lasso 分类方法建立的风险模型用于计算生存期预测中的风险评分。结果在训练集鉴别I 和 II 类卵巢癌，MRI 影像组学模型的准确性为 93%，受试者曲线下面积（AUC）为 86%。在交叉验证集，准确性为84%。冠状位 T2WI上的含有低低高小波段频谱的变异特征对 I 和 II 类的鉴别效果最优。横轴位 T1WI 的离心性特征对 Ki67 的分类最好，具有高风险评分的患者预后不良。结论多序列的 MRI 影像组学特征能够帮助鉴别卵巢癌亚型，同时对疗效预测有较高的准确性。【关键词】卵巢肿瘤；卵巢癌；磁共振成像；计算机辅助诊断；影像组学【中图分类号】R737.31【文献标识码】AMulti-sequence MRI Radiomics in the Identification and Efficacy Prediction of Ovarian Epithelial TumorsLIU Xuefen，ZHANG Guofu，JIN Jun，YU Jinhua，ZHANG He*Department of Radiology，Obstetrics and Gynecology Hospital Affiliated to Fudan University，Shanghai 200011，China*Corresponding author：ZHANG He；E-mail：【Abstract】ObjectiveEvaluatemultiplesequenceMRIcategoriesinovarianepitheliumcancer，whileevaluatingtherelationshipbetweenpatientswiththecharacteristicsoftheMRIimaginggroupcharacteristicsandovarianepithelialovariancancer.MethodsLookingbackat280MRImaterialsforOECpatientsconfirmedbytheDepartmentofPathologyattheObstetricsandGynecologyHospitalofFudanUniversity.EvaluatethecorrelationbetweenthecharacteristicsoftheMRIimaginggroupandthesubtypeoftheepithelialovariancancerandtheexpressionofthetumorKI67.Tominimizeandselecttheclassificationmethod（Lasso）forscreeningofthecharacteristicsofMRIimaginggroups.TheriskmodelestablishedbytheLassoclassificationmethodisusedtocalculatetheriskscoresinthepredictionofsurvival.ResultsInthetrainingsetidentificationIandIIovariancancer，theaccuracyoftheMRIimagegrouplearningmodelis93%，andtheareaunderthecurveofthesubjectis86%.Inthecross-verificationset，theaccuracyis84%.CoronarypositionT2WIcontainslow-low-highbandspectrumcharacteristicsfordifferentidentificationeffectsofClassIandII.ThecentrifugalcharacteristicsofthehorizontalaxisT1WIarethebestclassificationofKi67.Patientswithhighriskscoresarepoorprognosis.ConclusionMulti-sequenceMRIimaginggroupcharacteristicscanhelpidentifythesubtypeofovariancancer，andatthesametimehavehighaccuracyoftheefficacyprediction.【Key words】Ovarianneoplasms；Ovariancancer；Magneticresonanceimaging；Computer-aideddiagnosis；Radiomics200011 上海市，复旦大学附属妇产科医院放射科*通信作者：张鹤；E-mail：卵巢癌是妇科最恶性肿瘤，占妇科恶性肿瘤死亡患者的70%1。病理学上，可大致将卵巢癌分为两大亚型，即 I 类和 II 类卵巢癌。I 型卵巢癌多预后较好，II 型则多预后较差，因为两者卵巢癌的治疗和预后也不尽相同2。MRI 影像诊断妇科肿瘤具有良好的软组织对比，常用于妇科恶性肿瘤的定性诊断和术前的临床分期。近些年，功能性 MRI 也逐渐用于妇科恶性肿瘤的分类以及疗效评估3。影像组学是近年提出的全新概念。其原理为提取标准化的影像学（X 线、CT 和 MRI）图像特征，同时将这些特征（signatures）同肿瘤的病理类型以及预后相关联，建立影像学标记物（imagingbiomarker）。目前，相关影像组学在妇科肿瘤的研究已见诸报道，主要用于评价肿瘤腹腔内播散、是否复发及治疗的反应4。但对于卵巢癌的影像组学相关研究依旧有限。本研究的目的在于，研究 MRI 影像组学特征是否在卵巢癌亚型间以及预后间存在差异性，主要包括：确定是否 MRI 影像90http:/ E-mail:May 2023,Vol.26 No.S1组学特征能够鉴别 I 型和 II 型卵巢癌。Ki-67抗原是肿瘤细胞增殖的重要标记物，卵巢癌肿瘤组织的高 Ki-67 表达多意味着高侵袭性，也多预示着预后较差。最后，通过建立模型评估利用 MRI 影像组学信息提示患者的预后的可行性。1方法1.1研究对象和术后随访入组患者都将符合下述条件。入组标准：无盆腔手术及肿瘤病史；术前行 MRI 检查。排除标准：外科手术病史或者放疗病史；外院 MRI 图像或无 MRI 图像；无组织病理学结果。最终，本组实验包括 100 名 I 型卵巢癌患者，81 名 II 型卵巢癌患者，平均年龄（52.712.3）岁。入组患者的 FIGO 分期、病理类型、免疫组化结果和实验室检查结果均在 PACS 系统上调阅。入组患者均进行了电话随访，无瘤生存期为统计指标。1.2MR 图像的采集和病灶分割MRI 检查在1.5TMR扫描仪进行（Avanto，Siemens）。采用相控阵线圈，常规采集横轴位快速自旋回波 T1 加权（T1-weightedimaging，T1WI），矢状位 T2 加权（T2-weightedimaging，T2WI）和轴位/矢状位脂肪抑制T2加权（FS-T2WI），和弥散加权成像采集（Diffusionweightedimaging，DWI）。病灶分割由 1 名高年资专业医生进行，运用 ITK-SNAP软件，选择各序列病灶最大层面，沿着病灶的轮廓进行勾勒。1.3统计学方法采用最小化及选择分类方法（Lasso）用于MRI 影像组学特征的筛选。利用 Lasso 分类方法建立的风险模型用于计算生存期预测中的风险评分。2结果2.1不同年龄、血 CA125 水平以及病理亚型分类，临床学分类特征比较本组资料中在交叉验证组包括 195 例肿瘤，而在验证组中包括 85 例肿瘤。其中，98 例 I 型卵巢癌包括 16例低级别浆液性癌、5 例子宫内膜样癌、26 例透明细胞型癌和 51 例交界性肿瘤，I 型卵巢癌平均年龄 43 岁。85 例型卵巢癌均为高级别浆液性癌，平均年龄 55 岁。不同年龄、血CA125 水平以及病理亚型分类、临床学分类特征比较，差异无统计学意义（P0.05）。2.2MR 影像组学模型的诊断效能对于鉴别 I 和 II 类卵巢癌，本组实验的 MR 影像组学模型的准确性为 83%，受试者曲线下面积为 85%（表 1）。将各序列作为一个整体的诊断效能要优于单序列的诊断效能。矢状位 T2WI 在 I 和 II 类鉴别上最有优势。各序列模型中最有效的特征总结为表 2。冠状位T2WI 上的具有低-高-低频段（low-high-low）的信号强度特征中的变异度特征是最优的特征（P0.001）。纹理特征中的灰度偏移特征以及区间突出特征也是两个主要的筛选特征（表 3）。2.3影像组学特征同患者预后分析主要的 MRI 影像组学特征同患者预后相关性根据 P 值大小总结为表 4。T1WI 的影像组学特征同其他序列相比，同患者的预后相关。影像组学模型在预测患者预后方面的受试者曲线下面积可达 0.899。那些具有高风险评分的患者的多预后不良（HR=4.362，P=0.0013）。影像特征结合临床特征的诺莫图预测中的一致性指数最高（C-index 为 0.755）（表 5）。3讨论MRI 具备无辐射、软组织分辨率高的优点，最常用于卵巢良恶性病变的诊断。利用传统 MRI 特征，并结合功能性MRI 成像，对于鉴别妇科肿块的良恶性具有很高的价值。我们的结果表明，利用 MRI 影像特征构建的诊断模型，对于 I和 II 类卵巢肿瘤具有很好的鉴别能力（准确性接近 93%）。此外，影像组学模型也能很好地区分治疗后复发以及无进展的患者。最近一些研究报道了，利用 CT 的影像组学特征对卵巢癌进行分类5。FATHI 等对一组 55 例超声不能明确的样本研究表明，在动态增强扫描参数中，时间峰值曲线以及造影剂流出率两个参数的定量指标对鉴别肿块良恶性的敏感度为89%到 97%，特异性则从 93%到 100%6。RIZZO 等7研究了 101 例高级别浆液性卵巢癌患者的 CT 影像组学特征和预后的关系表明，F2-Shape/Max3D 直径影像组学特征能够预测肿瘤治疗后一年的复发风险。目前，利用计算机辅助诊断技术针对卵巢癌亚类分型的相关研究还未见报道。临床上，仅表 1MR 影像组学特征在鉴别卵巢癌 I 和 II 类肿瘤分类的诊断效能简表组别分类AUC准确性敏感性特异性交叉验证组I 和 II 类鉴别0.85930.92680.90480.9500独立测试组I 和 II 类鉴别0.82280.83330.76470.8649注：AUC=受试者曲线下面积。表 2不同采集序列在模型中特征贡献数目及其诊断效能任务序列T1WIT2WI抑脂-T2WIADCmap总特征数TypeIandTypeIIAUC0.76470.76780.82920.7407ACC0.72220.72220.78570.7027贡献的特征数目181621156注：ACC=准确性。表 3鉴别 I 和 II 类卵巢肿瘤，不同序列中最有效的影像组学特征任务序列特征组别特征SPRTypeIandTypeIICoronalT2WI信号强度偏移0.3306T1WI纹理特征灰度偏移0.0537CoronalT2WI纹理特征长区间突出0.0330注：SPR=稀疏表征系数。表 4生存期预测模型中最好的 5 个影像组学特征序列特征组特征低组高组P 值T1WI纹理特征小区域突出29/843/400.0027抑脂 T2WI纹理特征小区域突出12/7320/510.0082T1WI信号强度偏移特征8/5724/670.0105T1WI纹理特征灰阶变异9/6023/640.0139T1WI纹理特征区间百分比特征30/952/290.0157注：Below=低于疾病进展个体数特征的平均值，Above=高于疾病进展个体数特征平均值。91http:/ E-mail:2023年5月 第26卷 第S1期表 5结合 MRI 影像组学和临床组学特征建立的 Cox生存期分析模型特征HR 值P 值95%CIC-index风险评分4.36220.0013（1.7702，10.7500）0.683年龄2.63860.0234（1.1405，6.1043）-Ki-67 表达（%）0.74150.6102（0.2846，1.9320）-CA-125 水平1.45860.3960（0.6100，3.4880）-临床特征组合-0.603临床特征+风险评分-0.755注：参考组别：风险评分小于 0.5，年龄小于 47 岁，ki-67 表达小于 50%，CA-125 水平低于 100U/L，HR 为风险比，CI 为可信区间；-表示无相关数据。凭 MRI 上的影像学特征，术前较难区分卵巢肿块的亚分类。本研究结果提示，利用 MRI 构建的影像组学模型或有助于术前准确对卵巢肿块进行分类定性。本组资料样本中，在测试集中 MRI 影像组学模型对卵巢癌亚分类的诊断准确性达到 84%。最近的妇科肿瘤相关的 MRI 影像组学分析大多基于单一扫描序列，同本组实验的研究方法略有不同8。本组资料中，采用了 4 个 MRI 成像采集序列，结果显示将各序列组合作为整体所建模型的诊断效能要优于各单序列影像组学模型的效能，其原因可能在于多序列扫描图像能够包含更多的病变图像特征。同临床上 T2WI 是最重要病变显示序列不同，在影像组学的模型诊断中，T1WI 同样能够提供较多的类型 T2WI 提供的图像特征。本实验样本中，T1WI 提供了 18 个筛选特征高于冠状位 T2WI 的 16 个特征。可能的原因在于，T1WI 上的某些高信号特征更容易被计算机所识别，而这种差别确很难被肉眼所察觉。另外，和临床判定病变良恶性所不同的是，DWI 序列上 ADC 值的作用。理论上，恶性肿瘤实体组织弥散受限，因而 ADC 值降低，这一特性帮助放射科医生判定肿块的良恶性9。但在影像组学模型中，ADC 图并没有提供更多的特征用帮助疾病定性，本组资料 ADC 图仅提供了1 个特征用于进行分类诊断。可能的原因在于，机器学习中更倾向于提取病变信号强度的差异特征，而非 ADC 本身所定义“值”。既往研究报道，利用 Lasso 方法筛选的特征可作为进展期鼻咽癌生存期模型的预测因子。也证明 Lasso 方法是高通量特征筛选的比较合适的方法之一10。本组结果中，利用Lasso 方法进行的特征筛选，并进行风险评分，建立的预测模型也表明能够很好地对卵巢癌患者的治疗后疗效预测，分类结果要优于临床特征本身（病理亚型、患者年龄）的分类结果。目前，利用影像组学特征来预测预后的文章也见诸报道8。针对卵巢癌预测的模型相关研究还未见报道，结果也需要今后在更大的样本研究中证实。本组研究的局限性：（1）MRI 增强扫描是临床常用的扫描模式，对于判断肿块的良恶性很有帮助。但本组 MRI 资料，增强 MRI 不是作为常规扫描序列，且造影剂注射方式均为手动，图像采集序列也不统一。鉴于此，影像特征提取分析未包括增强扫描序列；（2）肿块的分割均为手动模式，虽然均为同一名医生操作，但手动模式的局限性在于分割数据不够标准化，进而会影响到在不同单位里的不同样本时候的结论；（3）本组研究所有数据均为 1.5TMRI 上采集，如何同目前临床上比较主流的 3.0TMR 的扫描数据进行对比，也是后续研究需要进一步证实的。利用 MR 影像组学的高通量特征建立的诊断模型能够很好地鉴别卵巢上皮型肿瘤亚型，并能指导预后，对于卵巢癌诊断和预后预测具有较高的准确性。参考文献1CHENW，ZHENGR，BAADEPD，etal.CancerstatisticsinChina，2015J.CACancerJClin，2016，66（2）：115-132.2BOWTELLDD，BOHMS，AHMEDAA，etal.RethinkingovariancancerII：reducingmortalityfromhigh-gradeserousovariancancerJ.NatRevCancer，2015，15（11）：668-679.3MENONU，GRIFFINM，GENTRY-MAHARAJA.Ovariancancerscreening-currentstatus，futuredirectionsJ.GynecolOncol，2014，132（2）：490-495.4GILLIESRJ，KINAHANPE，HRICAKH.Radiomics：imagesaremorethanpictures，theyaredataJ.Radiology，2016，278（2）：563-577.5WUG，CHENY，WANGY，etal.SparseRepresentation-BasedRadiomicsfortheDiagnosisofBrainTumorsJ.IEEETransMedImaging，2018，37（4）：893-905.6KAZEROONIAF，MALEKM，HAGHIGHATKHAHH，etal.Semiquantitativedynamiccontrast-enhancedMRIforaccurateclassificationofcomplexadnexalmassesJ.JMagnResonImaging，2017，45（2）：418-427.7RIZZOS，BOTTAF，RAIMONDIS，etal.Radiomicsofhigh-gradeserousovariancancer：associationbetweenquantitativeCTfeatures，residualtumouranddiseaseprogressionwithin12monthsJ.EurRadiol，2018，28（11）：4849-4859.8LIUY，ZHANGY，CHENGR，etal.Radiomicsanalysisofapparentdiffusioncoefficientincervicalcancer：ApreliminarystudyonhistologicalgradeevaluationJ.JMagnResonImaging，2019，49（1）：280-290.9NAKAMURAK，JOJAI，NAGASAKAT，etal.Themeanapparentdiffusioncoefficientvalue（ADCmean）onprimarycervicalcancerisapredictivemarkerfordiseaserecurrenceJ.GynecolOncol，2012，127（3）：478-483.10VASQUEZMM，HUC，ROEDJ，etal.Leastabsoluteshrinkageandselectionoperatortypemethodsfortheidentificationofserumbiomarkersofoverweightandobesity：simulationandapplicationJ.BMCMedResMethodol，2016，16（1）：154.（本文编辑：杨允利）