经直肠超声影像组学在术前预测直肠癌淋巴结转移中的应用

李晋,陈少娜,陈菲,林云勇,卢文洁,吴怡雯,邱少东

(广州医科大学附属第二医院超声科，广东 广州 510260)

直肠癌的发生率在中国癌症中排名第三，相关死亡率则是第五。直肠癌占结直肠癌病例的30%～35%[1]。直肠癌的治疗方法包括手术、化学放疗和靶向药物治疗。淋巴结转移状态(N分期)对评估患者是否要接受新辅助放疗(NAT)以及化疗后的局部复发、患者总体生存率有重要影响[2]。因此，在手术前准确预测直肠癌患者淋巴结转移的状态对于制定治疗策略至关重要。

2020年版《中国结直肠癌诊疗规范》推荐直肠癌患者行全腹+盆腔CT或MRI检查(平扫及增强)，不仅可兼顾直肠癌本身，还能涵盖直肠癌转移好发部位；另推荐直肠腔内超声用于早期直肠癌分期，PET检查用于筛查全身转移病灶[3]。经直肠超声(ERUS)、计算机断层扫描(CT)和磁共振成像(MRI)等影像学方法可在术前有效检出直肠癌T分期，且各种影像学方法诊断率相近[3-7]，但对于直肠癌N分期的评估，目前仍缺乏判断淋巴结转移的公认影像学指标[8]，且各种影像学方法评估直肠癌患者淋巴结转移状态的准确性相近，各种影像学方法用于术前评估淋巴结转移的价值有限[3-10]。纳入123项相关研究的荟萃分析显示，经直肠超声(ERUS)、计算机断层扫描(CT)和磁共振成像(MRI)在淋巴结分期中诊断性能均较低，即使结合三者临床淋巴结分期也不可靠[11]。因此寻求更加有效的手段进行直肠癌淋巴结转移状态评估具有重要临床意义。

影像组学是一种用于图像分析和分类的新方法，它通过一定的图像处理技术提取肿瘤影像组学特征[12-13]。先前的研究表明，磁共振图像所提取的特征具有区分乳腺良性和恶性病变的潜力[14]。此外，磁共振影像组学特征还可用于预测直肠癌新辅助治疗的效果[15]。直肠癌MRI图像的影像组学特征也可为识别直肠癌淋巴结转移状态提供有价值的信息[16-17]。基于CT图像的影像组学特征可用于术前预测直肠癌淋巴结转移[18]。

然而，目前基于超声影像组学特征的直肠癌相关研究稀少，缺乏基于经直肠超声矢状面图像的影像组学研究。这项研究的目的是探讨经直肠超声的影像组学特征在预测直肠癌患者淋巴结转移状态中的诊断性能。

1 资料与方法

1.1 研究对象

使用本院的影像存档与通信系统(PACS)，从2018年1月至2020年7月，检索出经病理组织学确诊的69例直肠癌患者。纳入标准如下：(1)术前进行了经直肠超声检查;(2)经组织病理学证实为直肠癌；(3)经直肠超声与直肠癌根治术之间的时间间隔小于1个月。其中34例患者被排除在外，其原因如下：(1)高位直肠癌且无法进行经直肠超声检查(n=14)；(2)扫描不全面，直肠肿块无法完全显示(n=7)；(3)经直肠超声检查前已行NAT治疗(n=13)。最后，这项回顾性研究纳入了35例直肠癌患者，其中男16例，女19例。根据组织病理学检查结果，将患者分为阴性组(N0期)和阳性组(N1-2期)组。这项研究的流程图如图1所示。

1.2 仪器与方法

采用Pro Focus 2202 彩色超声诊断仪(BK Medical Holding Company,Inc) (https:∥www.bkmedical.com/)，探头型号：Endocavity 3D 8838， 探头频率为4～12MHz。经直肠超声检查前2 h，患者接受清洁灌肠。检查时患者采取左侧卧位，髋及膝关节屈曲。检查者先作肛门指检，了解肛门有无狭窄及病变深度、方位、质地、大小、活动度等，并可松弛肛门，减少探头入肛难度，然后通过肛门将50 mL的温耦合剂注入患者的肠道，嘱患者放松肛门，把直肠腔内探头缓慢伸入肛门内，开始扫查。将肿瘤置于图像中心，分别获取肿瘤的二维图像、彩超图像、血流频谱图像。直肠超声扫查参数如下：MI 0.86<1.90，TIS 0.1<4.0，Res/Hz 2/38 Hz，B Gain 58%，Dyn.Range 71 dB，Harmonic off，Persist 1，Edge 3，Noise Reject 15，ACI On，ETC 3。

术后患者(n=69)(1)术前进行了三维经直肠超声检查(2)经组织病理学证实为直肠癌(3)直肠超声与直肠癌根治术之间的时间间隔小于1个月(1)属于高位直肠癌且无法进行经直肠三维超声检查(n=14)(2)扫描不全面，直肠肿块无法完全显示(n=7)(3)经直肠三维超声检查前行NAT治疗(n=13)纳入患者(n=35)19患者为N0组16患者为N1-2组绘制ROI纹理特征提取与筛选建立预测模型及验证

1.3 手术

所有患者须在经直肠超声检查后4周内进行手术，原则上所有患者均进行根治性全肠系膜切除手术(TME)。TME能切除直肠肿瘤及周围浸润病变，术中清除直肠周围淋巴结，常规将直肠肿瘤与周围淋巴结组织送病理送检。

1.4 病理评估

把标本固定在10%甲醛溶液中24 h左右，再逐层垂直于肿瘤所在区域肠管为方向横向切片，切片厚度为3 μm。评估肿瘤的类型、浸润深度、周围淋巴结是否转移等情况，记录病理性TMN分期，统一根据ACJJ第8版直肠癌分期系统来进行分期。

1.5 图像预处理

图像预处理可以分为两个主要步骤，图像灰度均衡和图像降噪。灰度均衡所使用的方法是直方图均衡化，以减少患者间图像增益差异所致的特征差异。为了减少图像噪声对影像组学特征提取的影响，对图像进行中值滤波降噪处理。

1.6 ROI绘制

使用ITK-SNAP 3.8软件(https:∥www.itksnap.org)[19]，由两名经验丰富超声科医生共同选择肿瘤最大切面，独立手动绘制一个感兴趣区域(ROI)，两名医生描绘ROI时均对患者分组以及病理信息不知情。最终的肿瘤区域是由两名超声科医生所绘制的两个ROI的重叠区域所定义的。当区域存在争议时，将该区域从纹理提取范围中去除以避免纳入不可靠的纹理数据。见图2。

BA

1.7 影像组学分析

影像组学分析流程包括特征提取、特征标准化、特征选择及模型建立与验证。

1.8 统计学方法

使用SPSS 软件22.0进行临床资料的统计分析。本部分研究中所有纳入的计量资料变量如满足正态分布，则采用均数与标准差的方式进行描述，如不满足正态分布，则采用中位数和四分位间距的形式进行描述。所有计量资料变量的比较如满足正态分布，则采用t检验进行分析比较，如不满足正态分布，则采用 Mann Whitney U 检验进行分析比较。本部分研究所有计量资料采用Shapiro-Wilk正态检验。本部分研究纳入的所有计数资料变量均采用频数和百分比的形式进行描述。所有计数资料的比较采用χ2检验或者Fisher确切概率法进行分析比较,以P<0.05为差异具有统计学意义。

使用Python编程语言[21](version 3.8.5，https:∥www.python.org/)编写的PyRadiomics软件包[22](version 3.0，https:∥github.com/radiomics/pyradiomics)对训练集进行影像组学特征提取。使用Python编程语言编写的scikit-learn 软件包里的StandardScaler程序进行特征标准化、特征筛选、机器学习分类器模型构造及验证。对标准化后的特征根据淋巴结转移阳性组与阴性组进行方差齐性检验(Levene检验)。如满足方差齐性，则采用独立样本T检验进行分析比较；如不满足方差齐性，则采用Welch T检验(Welch’s t test)分析比较。使用LASSO回归根据10次交叉验证结果对特征进行进一步特征降维处理。使用Python编程语言编写的scikit-learn 软件包[23](version 0.21.3，https:∥github.com/scikit-learn/)中的GridSearchCV模块，在预先设定的超参数子集中进行网格搜索，根据10次交叉验证结果选择最优超参数，以最优超参数构建模型。为了检验模型诊断性能，使用K折P次组内交叉验证，并根据每次验证结果绘制接收器工作特征曲线(ROC)及总平均ROC曲线并计算曲线下面积(AUC)。

2 结 果

2.1 患者基本信息

最终从PACS中纳入35例患者，其中16例被归为阳性组(N1-2期)，而19例为阴性组(N0期)。患者的基本信息如表1所示。阳性组和阴性组之间在性别、年龄、病理T分期、肿瘤分化程度、组织学类型、肿瘤外型等差异无统计学意义(P>0.05)。

表1 淋巴结转移阳性组患者与淋巴结转移阴性组患者临床资料的比较

2.2 影像组学特征提取

从直肠癌患者经直肠超声图像中提取了总共8个类别和1 693个影像组学特征。经过t检验，结果表明109种影像组学特征与淋巴结转移情况密切相关(P<0.05)。经过LASSO内部交叉验证，求得回归方程最佳惩罚参数alpha为0.020 092，根据最佳惩罚参数进行LASSO回归，最终筛选出11种最佳影像组学特征，即original_ngtdm_Strength(ONS)、lbp-3D-m1_firstorder_Energy(L3MFE)、lbp-3D-m1_firstorder_TotalEnergy(L3MFT)、wavelet-LLH_glcm_ClusterProminence(WLGC)、wavelet-LLH_glrlm_GrayLevelNonUnifor(WLGG)、wavelet-LHL_gldm_SmallDependenceLowGrayLevelEmphasis(WLGSD)、wavelet-LHL_glrlm_ShortRunLowGrayLevelEmphasis(WLGSR)、wavelet-LHH_glszm_LargeAreaLowGray LevelEmphasis(WLGL)、wavelet-HHL_glcm_DifferenceEntropy(WHGD)、wavelet-HHL_glcm_SumEntropy(WHGS)、wavelet-LLL_glszm_SizeZoneNonUniformity(WLGSZ)，见表2，图3、图4。

2.3 随机森林模型

根据纹理特征建立随机森林模型，并对随机森林模型进行优化。 使用gridsearchcv优化模型参数，将模型参数设置为n_estimators=5、Max_depth=1、in_samples_leaf=1、min_samples_split=1、bootstrap=true，最终得到一个随机森林模型。为了验证模型的准确性，对数据集进行5折组内交叉验证，重复两次，根据验证绘制ROC曲线，10次验证结果AUC值分别为55%、75%、79%、92%、83%、92%、60%、100%、75%、100%，其平均AUC值为71%。如图5所示。

转移状态具有重要价值。其中，从N1-2期直肠肿瘤图像中提取的WLGC、WLGL、WHGD、WHGS、WLGSZ显着高于N0期，而ONS、L3MFE、L3MFT、WLGG、WLGSD、WLGSR则低于N0期。由这些特征所建立的模型在判断术前淋巴结转移的状态以帮助制定治疗策略具有一定的价值。

表2 11种最佳影像组学特征

2.52.01.51.00.50.0210-1-2Coefflcients10-610-510-410-310-210-110010-610-510-410-310-210-1100ABMSELambdaLambda

WLGLWHGDWHGSWLGSZONSL3MFEL3MFTWLGCWLGGWLGSDWLGSR特征权重0.30.20.10.0-0.1

0.00.20.40.60.81.0阳性率1.00.80.60.40.20.0假阳性率

3 讨 论

这项研究的目的是研究经直肠超声影像组学特征在预测直肠癌患者淋巴结转移状态中的诊断性能。结果表明，经直肠超声获得的影像组学特征对预测直肠癌患者的N分期具有重要价值。建立的分类模型经过10次交叉验证，ROC曲线平均AUC值为71%，显示其有较好的诊断性能。

直肠癌患者术前的淋巴结转移状态是进行NAT治疗与否的参考指标。对于晚期直肠癌患者而言，与单独手术相比，经NAT治疗后的再进行手术切除可以将局部复发的风险降低50%～61%[24]。然而，在手术前准确诊断淋巴结转移仍然是一个挑战。研究表明，使用淋巴结大小区分良性和恶性淋巴结会漏诊正常大小的转移性淋巴结[25]。即使结合三者经直肠超声(ERUS)、计算机断层扫描(CT)和磁共振成像(MRI)检查，临床淋巴结分期也不可靠11[]。因此寻求更加有效的手段进行直肠癌淋巴结转移状态评估具有重要临床意义。

影像组学是一种新兴的影像学分析方法，此概念由荷兰学者Lambin等[26]于2012年首次提出，影像组学通过在医学图像中高通量的提取大量高维定量化的图像特征，并进一步使用数学、机器学习及人工智能等方法对这些定量参数进行分析。既往研究表明影像组学特征具有识别直肠癌组织病理学、免疫组织化学、遗传特征等的能力。直肠癌MR图像的Horzl_GLevNonU、Mean、WavEnLH_s-1影像组学特征是直肠癌T2期与T3期的主要影响因素，具有临床应用价值[27]。cMRI 联合纹理分析中的熵值、标准差和均匀度等纹理特征参数可以明显提高直肠部分粘液腺癌和伴有灶性坏死的经典型腺癌的术前鉴别诊断能力，具有一定的临床应用价值[28]。

但仅通过观察影像组学特征以指导临床决策缺乏易用性，目前研究结合机器学习及人工智能等方法对影像组学特征进行深层分析，构建机器学习模型以预测直肠癌病理分期、新辅助放化疗疗效、无症状生存期分析等[16,29,30,45]。

在国外有许多研究探讨CT/MRI影像组学在直肠癌相关的应用价值。基于139例直肠癌MRI图像影像组学特征构建的模型，其预测直肠癌淋巴结转移AUC为0.90[31]。基于391例直肠癌MRI图像影像组学特征构建的模型，其预测直肠癌患者新辅助治疗后淋巴结转移AUC为0.818[32]。结合基于91直肠癌患者MRI图像影像组学特征及放射科医生评估结果构建的预测模型，其预测直肠癌患者淋巴结转移AUC为0.94[33]。基于15例直肠癌患者CT图像影像组学特征构建的模型，其预测淋巴结转移平均AUC为0.88[34]。基于326名直肠癌患者CT图像影像组学特征构建的列线图模型其预测淋巴结转移AUC为0.736[35]。

在国内同样有许多研究探讨CT/MRI影像组学在直肠癌相关的应用价值[36-46]。基于CT及MR图像影像组学影像组学分析并构建的机器学习模型在直肠癌异时性肝转移预测中的具有较高的价值[40]。基于增强CT的影像组学模型对结案别肿瘤癌旁肿瘤沉积及转移淋巴结具有良好价值[36]。使用基于MR图像的影像组学模型可对直肠癌患者进行免疫评分[42]。

但目前直肠癌的影像组学相关研究大多集中在CT和MRI方面，而超声方面的研究较少。据我们所知我们是第一个从直肠癌患者的经直肠超声图像矢状面中提取影像组学特征并分析其与淋巴结转移状态的相关性。

而在甲状腺癌领域，已存在许多超声影像组学相关的研究。但超声影像组学是否可以预测甲状腺淋巴结转移尚存争议；Huang等[47]的研究结果表明微小甲状腺乳头状癌超声图像的影像组学特征与淋巴结转移状态相关；而Kim等[48]研究表明超声影像组学不能帮助预测微小甲状腺乳头状癌患者的淋巴结转移。分析原因可能是上述研究所使用的超声切面不固定，这使得图像有差异并且不能由此获得一致的图像影像组学特征。有研究表明，从MRI图像矢状面和水平面提取的影像组学特征有差异，同一分类患者的最优差异特征并不一致[16]。经直肠超声可以获得直肠癌的固定矢状面数据，图像的采集不依赖于操作者，由此获得的影像组学特征拥有良好的可重复性，从而使每个患者间保持高度的一致性。

在这项研究中，直肠癌的矢状面图像被用于提取影像组学特征以预测淋巴结转移的状态。最后，筛选出11种最佳影像组学特征。根据我们的结果，从N1-2期直肠肿瘤图像中提取的WLGC、WLGL、WHGD、WHGS、WLGSZ显着高于N0期，而ONS、L3MFE、L3MFT、WLGG、WLGSD、WLGSR则低于N0期。权重图显示WLGL对于区分N分期更为重要。另外，这11种特征中，8种提取自小波变换图像。小波变换是一种图像预处理技术，它能够区分图像中的精细细节和粗糙细节，可以对图像降噪而不会产生明显的降级。过去有许多研究探索小波变换图像与特征提取的关系，结果显示小波变换图像在诊断甲状腺癌、乳腺癌、卵巢癌方面更有优势[49]。我们的研究显示，经小波变换的图像可能对于预测淋巴结转移状态有更高的诊断价值。

为了预测淋巴结转移的状态，我们建立了一个随机森林模型。随机森林(RF)是一种分类算法，它是多个决策树的集合，每个决策树均由从总训练样本中随机抽取的部分样本构成，最终分类结果由全部决策树的总结果而定。随机森林比支持向量机(SVM)、决策树和其他方法具有更好的分类性能[50-51]。使用基于影像组学特征的随机森林模型，我们可以预测直肠癌患者的淋巴结转移状态。该模型平均10次验证绘制的ROC曲线AUC值为0.71，这显示了对于淋巴结转移状态良好的预测能力。

由于经直肠超声的局限性，无法扫描高位直肠癌。此外，本研究排除了肿瘤显示不完全的病例和在超声检查之前接受过NAT的患者，从而导致本研究的样本量较小，无法进行队列研究。样品量不足通常导致模型的稳定性差，为了验证模型的稳定性，我们进行了K折组内交叉验证。 K折组内交叉验证为一种内部验证法，即对总样本进行K次验证，总样本划分为K份，每次轮流保留1份作为测试集，使用K-1份样本训练模型，进行K次，最终所有样本均曾作为测试集而被验证。K折交叉验证具有两个优点：(1)每次验证中几乎所有样本都用于训练模型，仅保留少量样本作为测试集，因此分布最接近原始样本，该评估的结果更加可靠。(2)在实验过程中没有随机因素影响实验数据，确保可以复制实验过程。研究表明，当K=5或10时，交叉验证具有更高的验证性能[52]。我们的研究设定K=5进行了两次验证，经过10次验证，结果表明该模型具有较高的稳定性和准确性。

为了进一步验证当前研究的结果，有必要扩大样本量以进行队列研究和多机构队列研究。进一步的研究将考虑将临床变量，例如癌前抗原(CEA)和糖代谢前体抗原199(Ca199)等纳入模型。

综上所述，基于术前经直肠超声检查的直肠癌影像组学特征可能对识别直肠癌的淋巴结

转移状态具有重要的参考价值。利用这些特征所建立的随机森林模型在术前判断淋巴结转移状态方面存在一定的价值，有助于制定不同的治疗策略。