基于MRI影像组学预测肝泡型包虫病边缘微血管侵犯

樊 霞，王 健，夏雨薇，刘文亚*

[1.新疆医科大学第一附属医院影像中心，新疆 乌鲁木齐 830054；2.慧影医疗科技(北京)有限公司，北京 100192]

肝泡型包虫病(hepatic alveolar echinococcosis，HAE)是多房棘球绦虫幼虫感染人体引起的潜在致命性寄生虫疾病，农牧区多发，未经药物及手术干预患者10年生存率仅29%[1]。根治性肝切除术是治疗HAE的首选方法[2]，术中在完整切除病灶的同时，需最大限度保留正常肝组织，避免术后发生肝功能衰竭；但肉眼并不能区分病灶边缘是否具有活性及微血管侵犯，传统影像学虽能于术前判断病灶边界活性[3]，但人工阅片受主观因素影响。影像组学能从原始图像中挖掘肉眼不可见的潜在数据[4-6]，将其用于精确诊断和治疗。本研究基于机器学习(machine learning， ML)方法定量分析HAE病灶及边缘的异质性，评估MR T2WI影像组学模型预测HAE病灶边缘微血管侵犯的价值。

1 资料与方法

1.1 一般资料 回顾性收集2012年1月—2020年3月89例于新疆医科大学第一附属医院经手术病理证实HAE患者，男38例，女52例，年龄12～65岁，平均(36.8±13.2)岁。纳入标准：①于术前3天内接受MR检查，且资料完整；②术后病理资料完整。排除标准：①病理切片未包括病灶边缘带与肝正常组织交界带；②MRI数据来自不同机型，影响提取影像组学特征。检查前患者或监护人均签署知情同意书。

1.2 仪器与方法 采用Philips Achieva11.5T MR仪行上腹部扫描，采集T1WI、T2WI，行弥散加权成像(diffusion-weighted imaging, DWI)。轴位T2WI：TR 477 ms，TE 80 ms，层厚5.5 mm，层间隔1 mm，FOV 375 mm×375 mm，翻转角90°；DWI：采用单次激发自旋回波平面扫描序列，b值为0和1 000 s/mm2，TR 1 600 ms，TE 88 ms。

1.3 病理分析 由2名具有3年病理科住院医师在1名副主任医师指导下评估HAE病灶边缘带微血管密度(microvessel density， MVD)，并进行MVD计数，计数误差≤3时取二者平均数，>3时由副主任医师进行核对。首先于光镜下观察HE染色或CD34染色切片，以确定边缘带区域；之后参照Weidmer方法先于低倍镜(40倍)下寻找病灶边缘微血管密集区域，即微血管“热点”区域，再以高倍镜(200倍)在微血管最多视野内进行微血管计数；每例寻找3个“热点”进行计数，取平均值作为结果，以MVD>15为病灶边缘带存在微血管侵犯[7]。

1.4 影像组学分析 将影像学数据以DICOM格式导入影像组学Radcloud平台(http://radcloud.cn/，3.1.0版本，慧影医疗科技有限公司，北京)。HAE病灶呈T2WI稍低信号或含小囊泡的高混杂信号[8]；边缘带 DWI呈条带状高信号，表观弥散系数(apparent diffusion coefficient， ADC)图呈低信号。由1名具有10年腹部MRI诊断经验的副主任医师参考DWI及自动生成的ADC图，于T2WI上沿病灶及边缘带外缘逐层手动勾画ROI，由另1名具有20年影像学诊断经验的主任医师复核勾画结果，对病灶ROI进行自动插值，获得其感兴趣容积(volume of Interest， VOI),见图1。

图1 患者女，60岁，HAE 于轴位T2WI上勾画HAE病灶ROI并生成VOI的示意图 A.腹部轴位T2WI示肝右前叶及方叶巨大混杂短T2信号病灶，内见多发小圆形长T2囊泡； B.于T2WI上沿病灶边缘勾画ROI(红线区域)； C.对病灶ROI进行自动插值，获得整个病灶VOI

采用Radcloud平台python中的函数包pyradiomics(https://pyradiomics.readthedocs.io/)提取VOI的影像组学特征。以方差阈值(方差阈值=0.8)和单变量特征选择法进行特征降维，筛选P<0.05的最优特征，剔除与微血管侵犯相关性较低的特征。

按8∶2比例将89例患者分为训练集(n=70)和测试集(n=19)。在训练集数据中以最优特征参数建立随机森林(random forest，RF)、极限梯度增强树(extreme gradient boosting，XGBoost)和逻辑回归(Logistic regression， LR)三类ML模型，并于测试集数据中进行验证。

1.5 统计学分析 采用SPSS 26.0统计分析软件。以±s表示符合正态分布的计量资料，采用t检验进行组间比较。对计数资料行χ2检验。在Radcloud平台上进行影像组学统计分析，采用受试者工作特征(receiver operating characteristic, ROC)曲线，计算曲线下面积(area under the curve, AUC)，以敏感度、特异度、召回率及F1得分(指基于准确率与召回率的调和平均值)评价ML模型预测HAE病灶边缘微血管侵犯的效能。

2 结果

病理结果显示，89例中，32例病灶边缘存在微血管有侵犯，男17例，女15例，年龄12～65岁，平均(37.4±15.3)岁；57例无侵犯，男21例，女36例，年龄15～59岁，平均(36.5±12.0)岁；其间患者性别(t=0.28，P=0.77)及年龄差异均无统计学意义(χ2=2.22，P=0.13)。

训练集70例中，25例存在微血管侵犯、45例无侵犯；测试集19例中，7例存在微血管侵犯、12例无侵犯。

共提取1 409个影像组学特征，以方差阈值方法选出454个特征，再以单变量选择法筛选，最终得出7个最优影像组学特征(表1)，包括1个一阶统计特征和6个高阶统计特征。

表1 最终获得的基于MR T2WI鉴别HAE病灶边缘微血管侵犯的7个最优影像组学特征

ROC曲线所示，XGBoost、RF和LR三种ML模型鉴别训练集及测试集中HAE病灶边缘有无微血管侵犯的AUC、敏感度及特异度见表2、3。XGBoost分类器在训练集及测试集中均表现最佳，AUC分别为0.96和0.89，见图2。

表2 各ML模型判断训练集和测试集中HAE病灶边缘存在微血管侵犯的ROC曲线分析结果

表3 各ML模型判断训练集和测试集中HAE病灶边缘无微血管侵犯的ROC曲线分析结果

图2 XGBoost模型鉴别训练集(A)和测试集(B)中HAE病灶边缘有无微血管侵犯的ROC曲线 红线为存在微血管侵犯，绿色为无微血管侵犯

3 讨论

HAE病灶周边浸润增殖带，即“边缘带”，为HAE病灶向周围浸润生长的基础，该区域存在具有增殖活性的虫体，同时存在较为丰富的微血供状态。HAE是否具有生物学活性及微血管侵犯，对临床制定治疗及随访计划具有重要指导意义。李肖红[7]认为光镜下MVD>15提示边缘带存在微血管侵犯，且部分类型HAE的PET-CT最大标准摄取值与MVD计数呈正相关。AZIZI等[9]发现，MRI显示HAE病变存在小囊泡与其代谢活性存在相关性。T1WI上，HAE病灶实性成分相对周围正常肝实质呈低信号，液化呈更低信号，对小囊泡显示不佳，部分病灶边界显示不清；T2WI上HAE表现为高、低混杂信号，病灶内液化及小囊泡呈高信号，富含纤维组织的实性成分呈稍低信号；高b值(≥800 s/mm2)DWI上，坏死呈高/稍高信号，实性成分常表现为低信号；ADC图上HAE病灶实性成分相比周围肝实质呈高信号[10]，虽易检出病灶，但图像分辨率较低；对比剂钆喷酸葡甲胺(Gd-DTPA)增强MRI中正常肝实质强化而HAE病灶无强化，病灶边界清晰，由于周围纤维炎性反应，少数HAE病变可能出现不规则边缘强化[11]，而小囊泡仍显示不佳。T2WI能反映HAE病灶的影像学特征，故本研究基于T2WI勾画病灶ROI。

HAE影像学和临床表现与恶性肿瘤相似[12]，对其进行影像组学纹理分析有助于诊断。既往研究[13]采用瘤内影像组学及瘤内和瘤周联合影像组学方法于术前预测肝细胞肝癌微血管侵犯，结果显示瘤内和瘤周联合影像组学模型的效能较好。HAE病灶边缘带生长活跃，结构致密，限制了水分子运动，故DWI呈高信号[14]。本研究参考DWI及ADC图像，基于T2WI勾画HAE病灶及边缘带，提取与1 049个病灶边缘微血管侵犯相关的影像组学特征，以反映HAE病灶的异质性；经降维处理，最终筛选出7个最优特征,包括1个一阶统计特征和6个高阶统计特征。一阶统计特征包括一阶统计量特征、形状特征及纹理特征；高阶统计特征包括小波分析滤波器、平方根滤波器、对数滤波器及多根滤波器等。一阶统计量特征为不考虑空间关系时个体体素值的分布，经过滤波器变换成为高阶统计特征，通过邻域灰度差矩阵计算高阶统计量。百分位数为体素值分布的某个百分位数的特征值。高灰度行程强调测量对象为高灰度值的分布，其值越高，则图像中高灰度值区域所占比例越大。上述特征代表HAE病灶在图像中的亮度值及高灰度值，反映HAE病灶边缘区域影像的局部变化，可量化评价有、无微血管侵犯的HAE病灶之间的差异。本研究最终所获7个最优特征中，3个(灰度级长度矩阵)为纹理特征，与既往研究[15]采用纹理分析评估前列腺癌肿瘤异质性的结果类似。

本研究采用XGBoost及RF分类器构建的ML模型预测训练集及测试集HAE病灶边缘微血管侵犯的AUC均较高，但RF分类器判断测试集存在微血管侵犯的准确率较低(0.62)。F1得分为基于精确率与召回率的调和平均值，F1得分越大，模型性能越好。本研究RF分类器在测试集数据中的F1得分均低于XGBoost分类器，综合考虑，以XGBoost分类器构建的ML模型预测HAE病灶边缘微血管侵犯的效能较好。

综上所述，基于MR T2WI影像组学XGboost ML模型可有效预测HAE边缘微血管侵犯。本研究的局限性：①为回顾性分析，且样本量偏小；②仅基于T2WI进行分析，有待进一步完善。