基于增强CT放射组学预测肝细胞肝癌病理分级

宁培钢，高 飞，海金金，武明辉，陈 健，朱绍成，王梅云，史大鹏*

(1.河南省人民医院 河南大学临床医学院 郑州大学人民医院医学影像科，河南 郑州 450003；2.战略支援部队信息工程大学信息系统工程学院，河南 郑州 450001)

多数肝细胞肝癌(hepatocellular carcinoma, HCC)的发生是经过多级别癌变进展而来，病理组织学分级和类型是其预后因素影响[1]。影像学对诊断HCC及病理分级具有重要作用，多项研究[2-4]结果显示HCC影像学与病理分级及分类之间存在相关性。放射组学可充分挖掘图像中隐藏的生物信息[5]，反映组织的异质性[6-7]。本研究探讨增强CT放射组学术前预测HCC病理分级的可行性及其价值。

1 资料与方法

1.1 一般资料 回顾性分析2013年2月—2017年8月429例接受肝部分切除术的HCC患者，男385例，女44例，年龄18～81岁，平均(55.3±8.9)岁。纳入标准：①经手术病理证实为HCC，并有HCC组织学报告；②术前2周内接受肝脏CT平扫及多期增强扫描；③术前未接受过其他HCC相关治疗。排除标准：图像质量欠佳；临床资料不全。将患者随机纳入测试组(n=100)和训练组(n=329)。

1.2 仪器与方法 采用GE LightSpeed VCT、Seimens SOMATOM Definition Flash CT机或Philips Brilliance 16排螺旋CT仪行术前腹部CT平扫及多期动态增强扫描，参数：管电压120 kV，自动管电流，转速0.4、0.5、0.75 s/r，探测器准直64×0.625 mm/128×0.625 mm/16×0.625 mm，视野(300～500) mm×(300～500) mm，矩阵512×512，层间距5 mm，层厚5 mm，重建层厚2 mm；经肘静脉以流率3.0～3.5 ml/s注射对比剂优维显(370 mgI/ml)1.5 ml/kg体质量后行增强扫描，分别于注射对比剂后25～30 s及60～70 s开始动脉期及静脉期扫描。记录CT特征，包括肿瘤位置、大小、形态、边界、数目、动态增强方式，肿瘤包膜，静脉栓子、肝硬化表现及淋巴结肿大等特征；并记录患者临床特征，包括年龄、性别、相关实验室检查结果[血清谷氨酰转移酶、丙氨酸转氨酶、甲胎蛋白(alpha fetoprotein, AFP)]及病理分级等。根据病理报告将其HCC分为低级别和高级别HCC，低级别HCC对应Edmondson Ⅰ、Ⅰ-Ⅱ及Ⅱ级，高级别HCC对应Edmondson Ⅱ-Ⅲ、Ⅲ、Ⅲ-Ⅳ及Ⅳ级[8]。

1.3 分割肿瘤图像并提取放射组学特征 由1名具有11年影像学诊断经验的副主任医师采用免费软件ITK-SNAP(http://www.itk-snap.org)于动脉期及静脉期图像手动分割肿瘤体积感兴趣区(volume of interest, VOI)；参考相关文献[9-10]，以MATLAB 2010a(MathWorks, Natick, USA)软件提取其组学特征，包括灰度特征、形状特征、纹理特征和小波特征等。

1.4 筛选特征并建立组学模型 采用最小绝对值收敛和选择算子(the least absolute shrinkage and selection operator method, LASSO)逻辑回归模型，基于动脉期(arterial phase, AP)、静脉期(venous phase, VP)及AP与VP联合图像分别筛选最有价值的组学特征，用于预测HCC病理分级[11]；对筛选所得特征及其系数相乘进行线性组合，计算患者的放射学评分(rad-score)，进行二分类判别。以10倍交叉验证训练选择HCC病理分级的最优组学预测模型。

1.5 统计学分析 采用R软件3.4.2版(http://www.Rproject.org)及Medcalc 16.2版本(Medcalc software, http://www.medcalc.org)统计分析软件。以中位数(上下四分位数)表示非正态分布计量资料，以频数表示计数资料。采用Mann-WhitneyU检验比较训练组及测试组中高级别与低级别HCC的Rad-score的差异；以chi-square检验及Mann-WhitneyU检验比较2组患者临床特征差异。对临床特征进行标准化处理后行单因素及多因素Logistic回归分析，结合LASSO逻辑回归模型构建临床模型；对最优组学模型的特征和临床特征进行多元回归分析，共同构建联合模型进行二分类判别。绘制组学模型、临床模型及联合模型分别预测训练组及测试组病理分级的ROC曲线，计算其AUC，评价其诊断效能；以用德隆检验比较3种模型AUC的差异。P<0.05为差异有统计学意义。

2 结果

2.1 筛选组学特征及建立组学模型 共于增强图像中提取656个放射学特征，包括328个AP特征和328个VP特征。基于AP图像、VP图像及AP与VP联合图像，分别筛选出15、23及31个最有价值的组学特征；结合LASSOLogistic回归模型构建其放射组学模型，对2组患者进行分类，结果显示训练组及测试组中高级别与低级别HCC的Rad-score差异均有统计学意义(Z=6.50及2.51、6.63及2.17、8.58及3.24，P均<0.05)。见图1。最终以AP与VP的联合组学模型为最优组学模型。

图1 2组基于AP+VP、AP及VP图像的rad-score A～C.测试组； D～F.训练组

2.2 2组临床特征比较 测试组与训练组患者临床特征差异均无统计学意义(P均>0.05)。见表1。

表1 2组HCC患者临床特征比较

2.3 3种模型的诊断效能 经单因素分析，年龄(P<0.01)、肿瘤直径(P<0.01)和血清AFP(P<0.01)为预测HCC病理分级的临床因素。多因素分析结果显示年龄、肿瘤直径及血清AFP为HCC病理分级的独立预测因子；结合LASSO逻辑回归模型构建临床模型，联合模型中，放射组学特征为预测HCC病理分级的独立危险因素(P<0.01)，见表2。组学模型、临床模型和联合模型预测测试组和训练组HCC病理级别的ROC曲线结果见表3。测试组中，联合模型的AUC值(0.70)均大于组学模型(0.69)和临床模型(0.63)，见图2；经德隆检验，3种模型间AUC差异无统计学意义(P均>0.05)。见图3。

图2 放射组学模型、临床模型和联合模型预测2组病理级别的ROC曲线 A～B.基于测试组(A)和训练组(B)的组学模型； C～D.基于测试组(C)和训练组(D)的临床模型； E～F.基于测试组(E)和训练组(F)的联合模型

图3 3种模型预测测试组HCC病理级别的ROC曲线

表2 临床特征及放射组学特征预测HCC病理分级的多因素分析结果

表3 放射组学模型、临床模型和联合模型分别预测2组HCC病理分级的ROC曲线分析结果

3 讨论

利用放射组学方法可捕获人眼无法识别的图像微观信息，反映组织的生物异质性，获得与肿瘤病理改变相关的更精准的信息，有利于鉴别诊断肿瘤、评估病理分级及预测预后等。本研究基于增强CT图像的放射组学特征术前预测HCC病理分级，均可将HCC分类为高级别HCC和低级别HCC，提示增强CT图像可反映肿瘤异质性，根据其放射学特征可识别肿瘤异质性所致微小密度差异。

研究[12]表明HCC病理分级Ⅰ级与Ⅱ级、Ⅲ级与Ⅳ级患者之间总生存时间或无瘤生存期差异无统计学意义，但Ⅲ级患者生存时间明显短于Ⅰ级及Ⅱ级。本研究将病理Ⅰ级、Ⅱ级及Ⅰ-Ⅱ级HCC归为低级别HCC，Ⅱ-Ⅲ级、Ⅲ级、Ⅲ-Ⅳ级及Ⅳ级归为高级别HCC。HCC本身的异质性导致其病理分级复杂多样，同一个肿瘤内可能同时存在分化程度不同的肿瘤细胞；鉴于高级别肿瘤具有更明显的血管侵犯倾向，其预后较低级别病变更差，故将整个肿瘤分级以较高级别部分为准[13]。

本研究结果显示，临床模型预测HCC病理分级的能力弱于放射祖学模型和联合模型，后者的预测能力最强，与基于放射学特征进行的结肠直肠癌分级研究结果[14]相符合。ZHOU等[15]采用基于增强MRI的纹理特征预测HCC病理分级的AUC值达0.83及以上，明显高于本研究采用CT增强图像的纹理特征的AUC，可能与增强MRI能提供更多肿瘤异质性相关信息有关；但该研究样本量较少(46例)，且缺少测试组验证，可能导致过拟合现象，有待进一步验证。

与既往研究[16-17]不同，本研究临床模型中，患者年龄、肿瘤直径及血清AFP均为独立危险因素。CHEN等[18]认为年龄<40岁HCC患者1年生存率低于年龄≥40岁者，原因可能在于发生于年轻患者的肿瘤的生物学行为更具侵袭性；而血清AFP升高与HCC的侵袭性增加及细胞倍增时间缩短密切相关[19]，血清AFP越高代表肿瘤恶性程度越高，病理分级也越高。联合模型中仅放射组学特征为独立危险因素，原因可能在于相对于放射组学特征，临床特征对HCC的影响较小，与OUYANG等[20]的结果一致，提示放射组学特征反映整个肿瘤的异质性，与患者预后相关。

本研究的主要局限性：①样本量相对仍显不足；②HCC病理分级仅分为低级别和高级别，不够细化；③手动分割肿瘤VOI，不可避免地影响其准确性及可重复性，有待扩大样本量进一步观察。

综上所述，基于增强CT图像的放射组学特征可用于术前预测HCC组病理学分级，为诊断及治疗HCC提供参考。