基于CT的纹理分析预测甲状腺乳头状癌BRAFV600E突变

童永秀，陈永钦，陈晓芳，张玮，张惠娟*

1.福建医科大学省立临床医学院，福建省立医院南院放射科，福建 福州 350028；2.福建医科大学附属协和医院病理科，福建 福州 350001；3.福建省立医院放射科，福建 福州 350001； *通信作者 张惠娟 workyx22@163.com

近年全世界范围内甲状腺癌的发病率均明显升高，其中绝大部分为甲状腺乳头状癌（papillary thyroid carcinoma，PTC），占所有分型的80%以上[1]。BRAFV600E是一种与PTC密切相关的基因，既往研究证实，合并BRAFV600E突变的PTC具有更强的侵袭性，临床上需要选择积极的、扩大范围的手术治疗方案[2]。因此，明确PTC的BRAFV600E突变情况，可对患者进行高风险分类，并制订相应的治疗计划。纹理分析是影像组学的一种新型的无创方法，利用从医学图像中提取的数据转化成高通量、可挖掘的和定量的纹理特征，可用于揭示肿瘤的内部结构特征（如病理生理状况）[3-4]。近年多项研究将影像组学纹理特征与不同器官的肿瘤分子特征联系起来，目前将影像组学应用于预测甲状腺癌的分子状态的相关研究较少[5-6]。本研究将基于CT的纹理分析用于预测PTC的BRAFV600E突变情况，并评价其判断性能。

1 资料与方法

1.1 研究对象 系统性回顾2016年1月—2019年12月在福建省立医院南院完成术前甲状腺CT静脉期增强扫描检查后接受手术治疗，并经病理证实且成功进行BRAFV600E突变分析的PTC患者。排除标准：①结节直径<10 mm，因为<10 mm的病灶ROI准确性低[7]；②多发结节的病理、BRAF突变情况和CT图像缺乏准确对应；③非首次发现、经过临床干预和治疗的病例。最终纳入52例PTC患者，其中女38例，男14例；年龄19～78岁，平均（41.1±13.3）岁。

1.2 CT检查和图像评估 采用Siemens 64排螺旋CT扫描仪（Definition AS 128），所有患者行双期增强扫描。患者取仰卧位，扫描范围从口咽部至锁骨上缘，对胸骨后甲状腺病例，扫描至气管分叉水平。扫描参数：管电压120 kV，采用自动管电流调节技术，参考毫安秒165 mAs，准直宽度128×0.6 mm，螺距0.8，球管旋转时间0.3 s，层厚3 mm。增强扫描采用双筒高压注射器，使用非离子型对比剂碘佛醇（320 mgI/ml，江苏恒瑞医药股份有限公司）90 ml，以3 ml/s经右肘前静脉注射；静脉期扫描延迟时间为70 s。

所有患者的术前CT增强静脉期图像由2名具有10年以上甲状腺疾病诊断经验的放射医师进行回顾分析和评估，意见不一致时协商统一。

1.3 纹理特征分析 将图像通过PACS下载并导入MaZda 4.6软件。在肿瘤的最大层面、沿病灶边缘勾画感兴趣区（ROI），勾画过程中尽可能保持勾画范围与病灶本身大小一致，同时避开明显的钙化及囊变区（图1）。MaZda软件对ROI进行纹理分析，分为3步：①纹理特征参数提取：MaZda软件提供了灰度直方图、灰度绝对梯度、游程矩阵、灰度共生矩阵、自回归模型和小波分析6种纹理分析方法。本研究综合采用以上6种纹理分析方法，每个ROI共得到256个纹理特征参数。②最优特征选择：分别运用软件内的费希尔参数法（Fisher）、最小分类误差与最小平均相关系数法（POE+ACC）和互信息测度法（MI）3种常见的特征选择算法，对256个特征参数进行筛选，得到10个最优特征。③最优特征数据降维和分类：使用软件自带的B11程序中的主要成分分析（PCA）、线性判别分析（LDA）和非线性判别分析（NDA）3种降维方法对10个最优特征进行降维。最后，根据降维情况软件会对病灶进行分类，并得出BRAFV600E的误判率R。

图1 CT增强扫描静脉期PTC感兴趣区勾画。A.CT增强扫描静脉期，甲状腺左叶PTC（箭）；B.沿肿瘤边缘勾画感兴趣区（红色区域，箭）

根据R的大小将纹理分析结果分为5个等级[8]：≤10%为优秀，10%40%为较差。

1.4 病理学诊断 PTC及BRAFV600E突变诊断以术后病理学检查为依据，病理学资料来自我院病理科。

1.5 统计学方法 采用SPSS 23.0软件进行统计学分析。采用受试者工作特征（ROC）曲线进行分析，并计算相应的曲线下面积（AUC）、敏感度、特异度、准确度、阳性预测值、阴性预测值和约登指数，评价各种组合方案的性能。

2 结果

2.1 病理诊断 52例患者中，BRAFV600E阳性32例，阴性20例。

2.2 不同纹理分析方法预测BRAFV600E突变的误判率 不同纹理特征选择算法和不同降维方法组合下预测BRAFV600E突变阳性和阴性的总误判率R见表1。无论哪种特征选择算法，NDA降维方法误判率最低，均在10%以下，属于优秀；其次为LDA，各种组合误判率均<20%，属于优秀-良好；PCA的误诊率最高，均>30%，属于一般甚至较差。误判率最低的组合是POE+ACC+NDA，为3.85%；误判率最高的组合是Fisher+PCA，为53.85%。未发现哪种特征选择算法具有较突出的优势或劣势。

表1 不同纹理分析方法对PTC患者BRAFV600E突变误判率

2.3 不同纹理分析方法预测BRAFV600E突变的性能评价 将上述结果进一步绘制成ROC曲线（图2），各指标评价不同纹理特征分析方法预测PTC 患者BRAFV600E突变的性能见表2。PCA降维方法的AUC为0.4～0.7，诊断性能较低；LDA的AUC为0.7～0.95，有较好的诊断性能；NDA的AUC均>0.9，诊断性能高。诊断性能最好的组合POE+ACC+NDA的AUC约为0.969；诊断性能最差的组合Fisher+PCA的AUC约为0.413。

表2 不同纹理分析方法组合对PTC患者BRAFV600E突变预测性能评价

图2 不同纹理分析方法组合下PTC BRAFV600E突变预测的ROC曲线

3 讨论

目前，甲状腺癌的主要挑战是需要一种更有效、更准确的生物学标志物预测PTC的侵袭性，将这类高风险、需要积极治疗的甲状腺癌患者鉴别出来。然而，分子分型、BRAFV600E突变等生物学标志物需通过有创的活检或手术取得标本进行分析。影像组学作为一种新兴的非侵袭性方法，在预测肿瘤生物学标志物方面具有很大的潜力，目前已用于预测多种恶性肿瘤的基因突变情况[9-12]。关于PTC患者BRAFV600E突变的评估，Kwon等[5]和Yoon等[6]基于超声图像的影像组学进行了相应的预测研究。本研究发现运用MaZda软件对PTC患者术前CT图像进行纹理分析，可以预测BRAFV600E突变情况，但是不同降维方法对结果预测的准确率存在一定的差异，其中NDA具有很高的诊断性能。

MaZda是目前主流的影像组学软件之一，在国内外运用非常广泛。该软件提供Fisher、P0E+ACC和MI等多种纹理特征选择算法进行纹理特征提取；同时自带有B11程序，其内含的PCA、LDA和NDA等降维方法和分类器可以对提取的纹理特征进行降维、分类，最终对数据作出鉴别。本研究所选的3种降维方法中，PCA和LDA均是使用数据线性变换进行分类；而NDA则通过数据非线性变换实现分类[13-14]。由于肿瘤异质性（包括时间异质性和空间异质性）的原因，肿瘤细胞间及内部存在一定的特性和差异性，一部分细胞提供了BRAFV600E突变的基础，而另一些细胞没有突变[7]。此外，BRAFV600E突变与肿瘤大小、多灶性、疾病分期、侵袭性变异及桥本甲状腺炎患病率等多种因素相关[15-16]。因此，对于恶性肿瘤和肿瘤BRAFV600E突变情况收集的数据更符合非线性数据集，运用NDA获得的准确性最高。另外，软件也指出PCA能够最优地表示数据集，但是在数据分类上的效果相对较差[14]，因此PCA的结果相对不可靠。本研究中，不管组合哪种特征选择算法，误判率最低和最高的均分别为NDA和PCA；相应地，NDA诊断性能也较高，而PCA的诊断性能较低。但是对于3种特征选择算法的优劣，并未显示出巨大的差异性，可能与研究数据的特征重叠有关。

运用MaZda软件预测肿瘤基因突变既往鲜有报道，但用于预测甲状腺肿瘤良恶性的研究较多。Ardakani等[17]采用超声影像组学预测甲状腺结节的良恶性，结果显示采用POE+ACC+NDA组合分析得到最佳结果，准确率为97.14% ； 与本研究结果POE+ACC+NDA组合最高准确率96.2%相近；但该研究仅采用Fisher和POE+ACC特征选择算法，并未选用MI方法。黄福灵等[18]运用MaZda软件基于CT增强图像预测甲状腺结节的良恶性，结果发现采用NDA降维方法得到的准确率最高，与本研究结果一致。然而，Kwon等[5]基于超声图像用Py-Radiomics开源影像组学软件预测PTC患者BRAFV600E基因突变情况，结果发现各种降维和分离器选择对实验结果影响不大，但特征选择的算法会影响结果的性能，最终结论认为超声影像组学对PTC患者BRAF突变情况的预测价值有限，有待进一步研究证实。Yoon等[6]的研究也得出相似的结论。本研究结果显示，选用NDA降维方法进行分析时，AUC均>0.9，具有很高的准确性，推测可能原因是所选用的影像组学软件不同造成结果不一致，这也是目前影像组学研究存在的最大困扰之一。另一方面，即使选用同一款软件，由于纹理特征分析方法的多样性，选择不同的方法和组合也会影响实验结果的对比性。因此，影像组学研究有待进一步制订统一、规范化的标准。

美国甲状腺协会指南指出，主动监测已成为低风险PTC患者安全替代手术干预的方法；而对于具有侵袭性的高风险PTC患者，积极、扩大范围的手术治疗是安全、可靠的方案[19]。基于CT的纹理分析研究可以帮助临床医师在术前明确PTC的BRAFV600E突变情况，对患者进行高风险分类并制订相应的治疗计划；同时也指导低风险PTC患者随访观察，避免手术等过度治疗。此外，本研究结果对于后续运用MaZda软件进行相关领域纹理特征分析具有一定的指导意义：如进行肿瘤良恶性或分子特征预测研究时，NDA降维方法可作为首选。

总之，由术前CT图像提取的纹理特征作为预测PTC存在BRAFV600E突变状态的非侵入性生物标志物具有一定的价值。但由于本研究纳入样本量较小，10 mm以下的结节未纳入研究，而且选用特定的MaZda影像组学软件。因此，需要扩大样本量和研究范围，选用其他影像组学软件进一步研究论证。