双参数纹理分析结合机器学习在高级别前列腺癌中的诊断价值

肖建明，牛翔科，王娜，陈志凡，王宗勇，彭涛

成都大学附属医院放射科，四川成都 610081； *通讯作者 彭涛 18385951@qq.com

前列腺癌发病率居男性肿瘤第2位[1]，MR 多参数联合扫描方案对前列腺癌的诊断效果最佳，但动态磁敏感对比增强的作用仍存在争议[2]。为优化MRI 序列，提升受检者的舒适性，T2WI和扩散加权成像（DWI）组合的双参数MRI 已用于前列腺癌研究[3]。本研究拟采用纹理分析结合机器学习的方法开发一种模型，用于准确识别高级别前列腺癌（Gleason 评分≥7 分）的患者，以改善患者接受检查时的舒适度，并减少不必要的前列腺活检。

1 资料与方法

1.1 研究对象 回顾性分析成都大学附属医院2014年1月—2017年12月经MRI 诊断为前列腺癌或良性前列腺增生的患者。纳入标准：MRI检查前未进行治疗，均行MRI 常规平扫及动态增强扫描，MRI 图像完整且质量满足诊断需求，检查后1个月内经超声引导穿刺活检获得病理结果。最终纳入高级别前列腺癌74例（Gleason 评分≥7 分），年龄56～93岁，平均（77±8）岁；良性前列腺增生120例，年龄50～93岁，平均（73±9）岁。

1.2 仪器与方法 采用Siemens Avanto 1.5T 超导型MR 仪。相控阵体部线圈和脊柱线圈。横断位T2WI：采用快速自旋回波序列，TR 4000 ms，TE 101 ms，FOV 200 mm×200 mm，矩阵256×205，层厚3 mm，层间距0.8 mm，平均次数1，翻转角150°，回波链13，接收带宽130 Hz/px；横断位DWI：采用自旋回波-平面回波成像序列，TR 3700 ms，TE 80 ms，FOV 260 mm×221 mm，矩阵160×95，层厚3.6 mm，层间距0 mm，平均次数6，翻转角90°，回波链95，接收带宽1250 Hz/px，采用频率脂肪抑制，b值取0、100、800 s/mm2；横断位动态磁敏感增强T1WI：采用容积内插体部检查序列，TR 5 ms，TE 1.69 ms，FOV 260 mm×260 mm，矩阵192×138，层厚3.6 mm，层间距0 mm，平均次数1，翻转角12°，接收带宽300 Hz/px，连续扫描36次。T1WI_DSC 扫描2次后用高压注射器以同样速度和总量先后经肘静脉推注对比剂钆喷酸葡胺和生理盐水，注射速度2 ml/s，用量0.2 ml/kg；注射对比剂和生理盐水期间持续扫描。

1.3 图像处理 导出原始DICOM 图像数据后在Omni-Kinetics 软件中勾画兴趣区：由1名副主任医师采用盲法分别在T2WI、ADC、T1WI-DSC 序列中勾画所有层面所有病灶区为兴趣区，每一个序列勾画完成后软件整合计算，并提取出该序列的67个纹理特征，T1WI-DSC 另计算提取出99个定量特征。

1.4 数据分析 将Omni-Kinetics 软件计算出的纹理及定量特征分成两组：双参数组为T2WI+ADC 纹理特征数据，多参数组为T2WI+ADC+T1WI_DSC 纹理及定量特征数据，分别载入R3.3.3 语言软件、经过LASSO 提取纹理特征降维后、随机取高级别前列腺癌70%+前列腺良性增生70%为训练组（高级别前列腺癌51例，良性前列腺增生84例），其余30%为验证组（高级别前列腺癌23例，良性前列腺增生36例），建立多元逻辑回归模型。采用受试者工作特征（ROC）曲线评价模型的效能。

2 结果

2.1 特征降维结果 经LASSO 进行特征选择后，T2WI+ADC组最终筛选出 5个特征，包括T2.Quantile10、T2.Quantile95、ADC.MinIntensity、ADC.Quantile75 和ADC.sumAverage；T2WI+ADC+T1WI_DSC组最终筛选出 9个特征， 包括T2.Quantile10 、 T2.Quantile95 、 T2.MeanValue 、ADC.MinIntensity、ADC.Quantile75、ADC.sumAverage、DCE.Energy、DCE.Vp0.75 和DCE.Vp0.9 分别用于各组的多因素逻辑回归建模（图1）。

图1 使用LASSO Logistic 回归模型进行特征选择。A为T2WI+ADC：左边垂直虚线Lambda.min=0.025，指在Lambda.min 1个方差范围内得到最简单模型的λ值，最优目标参量是13，右边垂直虚线Lambda.1se=0.070，指在所有的λ值中，得到最小目标参量均值的是5；B为T2WI+ADC+T1WI_DSC：左边垂直虚线Lambda.min=0.029，指在Lambda.min 1个方差范围内得到最简单模型的λ值，最优目标参量是29，右边垂直虚线Lambda.1se=0.089，指在所有的λ值中，得到最小目标参量均值的是9

2.2 多因素Logistic 回归结果 双参数、多参数组降维后的纹理及定量特征数据的多元逻辑回归结果显示，双参数验证组的阳性预测率为79.17%（19/24），阴性预测率为88.57%（31/35）；多参数验证组的阳性预测率为80.00%（20/25），阴性预测率为91.18%（31/34，表1、2）。

表1 双参数逻辑回归系数（T2WI+ADC）

表2 多参数逻辑回归系数（T2WI+ADC+T1WI_DSC）

2.3 双参数与多参数的诊断效能 双参数（T2WI+ADC）诊断高级别前列腺癌的敏感度为82.61%，特异度为86.11%，准确度为84.75%；多参数（T2WI+ADC+T1WI_DSC）诊断高级别前列腺癌的敏感度为86.97%，特异度为86.11%，准确度为86.44%；双参数验证集（AUC为0.919）与多参数的验证集（AUC为0.946）比较，差异无统计学意义（P=0.077，图2）。

3 讨论

纹理特征对病灶部位的信号强度及分布、形态和紧致性特征、纹理特征分布等进行量化，客观反映病灶特征。为了提高纹理特征对病灶的敏感度，多数纹理分析的报道通过以病灶最大层面或最大病灶作为兴趣区勾画获得纹理数据[4-6]。本研究勾画了所有病灶的全部层面作为兴趣区合并计算纹理特征，以更全面、客观地反映病灶信息。本研究采用的LASSO 方法适用于高维数据的回归[7-8]，因为它可用于从主要数据集中提取最重要的预测因子和通过一系列参数控制模型的复杂度，为每个变量计算风险分数，从而避免过度拟合，提高模型的解释性和预测精度。

图2 双参数（A）与多参数（B）诊断高级别前列腺癌的ROC 曲线。A 中训练组AUC为0.9631，验证组AUC为0.9179；B 中训练组AUC为0.9701，验证组AUC为0.9457

经LASSO 筛选出的双参数纹理特征T2.Quantile10、T2.Quantile95 分别表示T2WI 信号强度10%分位值、95%分位值，其值越低，表示信号强度降低，提示病灶区自由水成分减少。在双参数纹理特征中，T2.Quantile10 和T2.Quantile95 均与高级别前列腺癌呈负相关，表明高级别前列腺癌在T2WI 中的表现并非特异性的高信号或低信号，基质型增生、出血、炎症、瘢痕及治疗后改变等均可表现为类似前列腺癌样的低信号[9]，本研究结果与此相似。ADC.MinIntensity、ADC.Quantile75 分别表示ADC 最低信号强度、75%分位信号强度，ADC.sumAverage 反映图像整体信号强度，用于度量像素点的平均灰度，若图像整体信号强度大，则ADC.sumAverage值较大；反之则较小。ADC.MinIntensity 和ADC.Quantile75 均与高级别前列腺癌呈负相关，而ADC.sumAverage 则呈正相关，表示高级别前列腺癌并非扩散绝对受限或受限程度越高越可以肯定是高级别前列腺癌，急性前列腺炎、间质增生为主的结节等也有类似扩散受限表现[10-11]，本研究结果与此相似。

多参数纹理特征是在双参数基础上增加了定量特征，但本研究中ROC 曲线显示，增加的这部分特征并未显著提高其诊断高级别前列腺癌的准确性。尽管根据前列腺成像报告和数据系统2版（PI-RADS V2）对病变进行评分后与本研究结论一致的报道也认为动态增强序列在HGPCa 的诊断中作用有限[12-13]，但一些研究者坚持建议仍应仔细评估动态增强序列的潜在异常，因为检查动态增强序列可能有助于提高病灶检出率、分期准确率及降低误诊率[14]。

本研究的局限性：①本研究为回顾性分析和单中心研究，样本量相对较小；②本研究未描述病变的位置和分型。因此，在进一步的前瞻性研究中，需要多中心和更大的样本量进行验证以及准确定位和更细致的分型。

双参数MR 纹理分析与机器学习相结合对高级别前列腺癌具有良好的诊断性能。建议当有减轻经济负担、提高患者的舒适度及减少增强扫描所致不良反应需求时，鉴别高级别前列腺癌与良性增生，双参数MR 纹理分析结合机器学习或可作为首选方法。