APP下载

基于高分辨T2WI 的影像组学对直肠癌新辅助治疗疗效的评估价值

2019-02-12臧书芹陆建平

中国医学计算机成像杂志 2019年6期
关键词:组学直肠直肠癌

臧书芹 沈 浮 陆建平

近年来随着我国人口的老龄化及饮食结构的西化,以结直肠癌为代表的肛肠外科疾病发病率明显增加,这类疾病严重威胁我国人民的健康[1]。局部进展期直肠癌的治疗推荐采取新辅助治疗后手术治疗,该方案明显降低了术后局部复发率,提高了长期生存率及保肛率。因此,对直肠癌新辅助治疗的患者进行准确的影像学评估及早期预测预后将使治疗方案更加个性化和有效化,所以如何应用影像学方法来准确预测与评估直肠癌新辅助治疗后的转归情况便成了一个非常迫切的问题[2]。

影像组学(radiomics)应用大量的自动化数据特征化算法,将影像感兴趣区域(region of interest,ROI) 的影像数据转化为具有高分辨率的、可发掘的特征空间数据,具有数据维度高、定量分析等优点,通过特征选择具有诊断、预测价值的影像组学标签,采用人工智能分析方法将其用于影像诊断、疗效评估、预后预测、支持个性化临床决策、改善个体化治疗选择等,有望成为精准影像医学的重要基石[3]。

因此本研究基于磁共振高分辨率T2WI,引入影像组学的方法,得到直肠高分辨率T2WI 图像影像组学特征,运用主成分分析法探讨直肠磁共振高分辨率T2WI 图像影像组学特征对直肠癌新辅助治疗的疗效评估价值。

方 法

1.临床资料

回顾性分析2018 年1 月~2018 年12 月期间在上海长海医院符合以下纳入标准的患者:①术后病理检查证实为直肠癌;②单一病灶;③nCRT 前行直肠高分辨T2WI 磁共振检查;④所有患者nCRT 后行手术治疗,有详细病理报告结果。排除标准:图像质量差,伪影明显,无法用于图像的分割及影像组学特征的提取。46 例患者纳入研究,男性35 例,女性11 例,年龄36 ~74 岁,平均年龄55.7±9.2 岁。

2.MR 检查方法

磁共振扫描采用3T 磁共振系统(Siemens MAGNETOM Skyra 3T 磁共振成像系统)。所有患者检查前4h 禁食。扫描前嘱患者使用开塞露(20ml甘油)清洁肠道。采用腹部相控阵线圈。扫描序列均采用常规直肠MRI 及高分辨T2WI 序列。常规序列包括矢状面T2WI 脂肪抑制序列,横断面T1WI 及增强、DWI。高分辨T2WI 为斜横断面,扫描平面垂直于病灶所在肠管的长轴。扫描参数:TR4000ms,TE108ms,FOV18cm,矩阵320×320,层厚3mm,层间距0,层数28 层,反转角度150°,带宽108Hz/像素。无脂肪抑制,GRAPPA 并行采集模式,加速因子为3,平均累加次数2,回波链长度16,扫描时长为4 分10 秒。

3.治疗方案及病理标准

3.1 治疗方案:所有患者均行术前长程盆腔放疗,处方剂量45 ~50Gy,分25 ~28 次,共计5 周到5 周半完成。化疗于第一次盆腔放疗开展时实施,持续静滴5-FU 或口服卡培他滨[4]。新辅助放化疗结束后间隔5 ~12 周行TME 手术[5]。

3.2 病理诊断:根据美国癌症联合委员会(American Joint Committee on Cancer,AJCC)第七版[6]的分类标准进行病理诊断,记录术后病理肿瘤退缩分级(tumor regression grade,TRG),根据标准分为0 ~3 级共4 类:0 级(完全消退)指无镜下可见的肿瘤细胞;1 级(中等退缩)在镜下仅见单个或小灶肿瘤细胞;2 级(轻微退缩)是肿瘤残留但少于纤维化间质;3 级(无退缩)指无或少量肿瘤细胞坏死,广泛的肿瘤残留。将TRG 0、1 级分类为疗效良好组,TRG 2、3 级分类为疗效不良组。

4.影像组学方法

4.1 图像分割和特征提取:将获取到的高分辨T2WI 原始DICOM 图像导入后处理平台(大数据智能分析云平台,慧影医疗科技有限公司,北京),一名放射科医师采用手动方式在高分辨率T2WI 图像上沿病灶边缘逐层勾画感兴趣区(region of interest,ROI),计算机自动生成病灶的三维容积感兴趣区(volume of interest,VOI),另一名高年资放射科医师检查勾画结果。将上述获取到的VOI 使用上述平台自动提取影像组学特征,包含两类特征:①基于特征类:一阶统计量特征(first order statistic)、形状特征(shape-based)、纹理特征(texture);② 基于过滤器类:小波分析(wavelets)、拉普拉斯转换(Laplacian transforms)、对数特征(logarithm)、指数特征(exponential)等。共1029 个。

4.2 特征降维及模型构建:提取影像组学特征后,采用主成分分析法(principal component analysis,PCA)进行特征值降维,使用降维后的特征与术后肿瘤退缩分级(tumor regression grade,TRG)分 类 建 立K 近 邻(K-nearest neighbor,KNN)模型,将样本随机分为训练集(80%)与测试集(20%)进行机器学习,分别绘制ROC 曲线。分类器模型验证测试集采用5 折交叉验证,计算AUC、灵敏度、特异度、95%置信区间。

结 果

1.一般资料

表1 KNN 分类器训练集及测试集ROC 分析结果

图1 男性,52 岁,便血、便秘1 个月。A.nCRT 前高分辨T2WI 示腔内肿块(白箭)。B.nCRT 后复查T2WI,提示肿块较前明显缩小(白箭),病理示直肠中分化腺癌,新辅助治疗后完全退缩,TRG=0 级。图2 男性,74 岁,脓血便3 个月,肠镜发现直肠占位。A.nCRT 前高分辨T2WI 示腔内肿块(白箭)。B.nCRT 后复查T2WI,提示肿块较前明显缩小(白箭),病理示直肠中分化腺癌,新辅助治疗后大部分退缩,TRG=1 级。

图3 男性,66 岁,大便习惯改变半年。A.nCRT 前高分辨T2WI 示肠壁增厚占管腔3/4 圈(白箭)。B.nCRT 后复查示病灶较前小部分退缩(白箭)。病理示直肠中分化腺癌,新辅助治疗后小部分退缩,TRG=2 级。图4 男性,58 岁,肠镜发现直肠占位。A.nCRT 前高分辨T2WI 示肠壁增厚占管腔全圈(白箭)。B.nCRT 后复查示病灶退缩较前不明显(白箭)。病理示直肠中分化腺癌,新辅助治疗后无明显退缩,TRG=3 级。

纳入的46 例直肠癌患者,男性35 例,女性11例,年龄36 ~74 岁,平均年龄55.7±9.2 岁。术后病理报告显示:T1 期0 例,T2 期19 例,T3 期20 例,T4 期3 例,无法评估T 分期4 例。TRG 0 级4 例,TRG 1 级15 例,TRG 2 级17 例,TRG 3 级10 例。疗效良好组19 例,疗效不良组为27 例。病例详见图1 ~4。

图5 主成分分析法(PCA)。

图7 测试集ROC 曲线。

2.影像组学结果

2.1 影像组学特征:共提取得到的1029 个组学特征,采用主成分分析(PCA)的方法进行特征值降维,将影像组学特征重新组合为新的特征,选取前5个最能代表整个影像组学特征矩阵的特征,保证能得到整个影像组学特征矩阵中99%以上的信息(图5)。

2.2 分类器模型预测表现:KNN 分类器的训练集ROC 曲线下面积为0.690,见图6;交叉验证测试集的平均ROC 曲线下面积为0.712,见图7。训练集及测试集的AUC、灵敏度、特异度、95%置信区间详见表1。

讨 论

直肠癌新辅助治疗的疗效评估是决定下一步治疗决策的重要依据,准确预测新辅助治疗后转归良好的患者,能提高直肠癌患者的保肛率及生活质量,对转归不良的患者及时调整治疗方案,提供更多的治疗选择,以期取得好的治疗效果。术后病理学检查是判断新辅助治疗后肿瘤退缩的金标准,术前影像学检查NCCN 指南推荐采用直肠高分辨序列进行疗效评估[4],目前主要基于高分辨T2WI 序列。高分辨T2WI 软组织分辨率高,能清晰显示肠壁层次结构,对显示病灶治疗后的改变非常重要,但这一传统影像学方法仅在形态学上对肿瘤进行评估,具有一定的主观性,缺乏定量评估,导致其预测病理退缩程度的准确性仍较低,比如难以区分新辅助放化疗后的纤维组织与残存肿瘤[7]。临床往往结合扩散加权成像(DWI)所获得的表观扩散系数(ADC)值对肿瘤进行定量分析,但是常规DWI 及ADC 图也并不能完全区分肿瘤组织退缩的改变或者治疗后的疤痕、水肿[8]。因此,临床目前仍没有可靠的术前评价手段,现有研究证实影像组学可以改善这一现状[9]。

影像组学(radiomics)方法是指对大量医学图像提取定量影像学特征并进行分析,找到疾病的影像学标识物,从而实现对疾病的精准预测、诊断及预后评估等[10]。凭借对海量影像数据信息进行更深层次的挖掘、预测和分析来辅助医师做出最准确的诊断[11-12]。非侵入性影像医学检查对肿瘤的整体评估具有巨大的潜能,其可对患者进行无损伤和可重复性检查[13-14]。基于影像组学技术,不仅规避了观察者本身对于影像特征解读的主观偏向,还能深度挖掘并整合图像中大量的人眼无法识别和区分的数字化信息,从而提高术前影像诊断效能。目前,国内外学者对结直肠肿瘤的影像组学研究主要集中在纹理特征提取、良恶性病变的鉴别、术前分期、预后预测等方面[15-17]。这些研究的图像采集都以高分辨T2WI 序列为主,所以我们也基于高分辨T2WI 进行组学研究。

本研究采用PCA 方法进行特征值降维。PCA 作为一种降维算法,是设法将原来众多具有一定相关性指标,重新组合成一组新的互相无关的综合指标来代替原来的指标,考察的是多个变量间相关性。K 近邻(KNN)算法是模式识别众多算法中一个简单有效的分类方法,通过相似性的度量方式发现与测试样本最近的K 个训练样本,对K 个样本进行统计分析,并把测试样本判决为邻近数量最多的那一类。本研究结果显示KNN 分类器模型测试集的ROC 曲线下面积为0.712,灵敏度为78.8%,特异度为56.6%,95%置信区间为0.557 ~0.867,表明KNN 分类器对直肠癌新辅助治疗后的疗效评估具有诊断价值。

本研究局限性主要在于:第一,这是一项回顾性研究,可能存在选择偏倚,为了验证目前的结果,有必要进行大规模前瞻性多中心研究;第二,影像组学特征是从手动勾画的VOI 中提取,很难避免肠壁形变对VOI 产生的影响,并且没有对图像的分割进行一致性检验,进而可能会影响机器学习准确性;第三,本研究TRG 诊断效能并未达到最好,且没有进行是否达到pCR 影像组学分析,这与样本量较小有关,需扩大样本量以减少数据量对模型的影响。

综上所述,基于高分辨T2WI 图像的影像组学PCA 法对直肠癌新辅助治疗后的疗效评估具有诊断价值,具有较好的预测肿瘤退缩的能力,为临床治疗方案的选择提供有利信息。

猜你喜欢

组学直肠直肠癌
结直肠腺瘤的中医药防治进展
影像组学在肾上腺肿瘤中的研究进展
MRI在直肠癌诊断中的价值及预后的应用研究
多晒太阳或可降低结直肠癌发病率
东莨菪碱中毒大鼠的代谢组学
早期结直肠癌患者凝血指标异常及其临床意义
影像组学在核医学影像中的应用进展
蛋白质组学技术在胃癌研究中的应用
经会阴和经直肠前列腺穿刺活检术在前列腺癌诊断中的应用
基于U-net的直肠癌肿瘤的智能分割