灰阶超声影像组学在诊断乳腺结节良恶性中的应用价值

陈剑琼，肖 榕，周玮珺，吴芳芳，王 玲

乳腺癌在女性恶性肿瘤中的发病率最高, 2020年全世界已诊断的女性乳腺癌患者达到226万人[1]。准确判断乳腺病灶的良恶性将有助于尽早确定有效治疗方案、延长乳腺癌患者生命以及避免不必要的过度治疗。影像组学是一种新兴的预测肿瘤良恶性的有效影像综合分析方法。通过使用数据最小化算法及统计工具分析人类视觉可能无法感知到的影像特征，用精选特征构建合适的影像组学模型诊断恶性肿瘤并帮助判断预后[2]，可以有效规避不同水平医师诊断中的主观性，提高了诊断的规范性和效率。该研究以乳腺结节的灰阶超声图像为基础，构建乳腺良恶性病灶的影像组学诊断模型，探讨灰阶超声影像组学在乳腺良恶性结节鉴别诊断中的应用价值。

1 材料与方法

1.1 病例资料回顾性分析2019年3月-2021年4月在本院超声门诊行乳腺超声检查并经手术或组织穿刺活检后病理学证实的258例女性患者的361例乳腺结节的灰阶超声图像。乳腺囊性结节，超声检查前进行过结节穿刺活检以及乳腺癌曾接受过新辅助化疗者均被排除。361例乳腺结节中包含228例良性结节及133例恶性结节。所有患者均于术前签署了知情同意书。

1.2 实验仪器本研究所用仪器为德国西门子公司S3000 彩色多普勒超声诊断仪,采用频率9～14 MHz的 L14-9线阵探头。

1.3 方法① 所有患者乳腺灰阶超声图像均由同一名从事乳腺超声诊断10年的医师采集。该医师按固定程序对乳腺进行细致扫查，发现结节后仔细观察和记录病灶方位、大小、形态、边缘、内部及后方回声、有无钙化及钙化类型等，并将最清晰的乳腺结节灰阶图像以 DICOM格式存于超声仪器中。② 从361例乳腺结节中随机选择2/3(乳腺良性结节152例，恶性结节87例)组成研究的训练队列，余下1/3(良性结节76例，恶性结节46例)作为研究的验证队列。③ 分别由工作4年和工作10年的超声医师在未知病理结果的前提下应用ITK-SNAP软件沿肿块边缘轮廓独立进行手动分割。

随机抽取20个结节，使用组内相关系数(intraclass correlation coefficient，ICC)评估这两位超声医师间结节分割和影像组学特征提取的可重复性。采用10年乳腺超声检查经验医师的分割结果用于进一步的数据分析。

1.4 统计学处理采用R软件(version3.6.1)进行所有影像组学数据的统计分析，采用 “glmnet”软件包进行最小绝对收缩和选择算子(the least absolute shrinkage and Selection operator，LASSO)回归分析。以乳腺结节的组织病理结果为金标准，P<0.05为差异有统计学意义。ROC曲线、曲线下面积(area under the curve, AUC)、灵敏度、特异度等指标用于评估影像组学模型的区分能力。利用R软件建立预测模型，使用“Calibration Curves”包绘制校准曲线。Hosmer-Lemeshow good of fit test用于检测校准曲线的校准度。应用ICC进行重复性分析(观察者间的变异性)：① 利用Matlab平台提取高维的影像组学特征，包括临床认知特征(主要描述结节表型，比如边缘、形状、体积等)、密度特征(描述图像中体积元素灰度直方图及分布图)、纹理特征(反映结节内部结构的同质性及异质性)和小波特征(通过小波分解进一步获得高阶的密度及质地特征)。② 先采用最小冗余最大相关性特征选择法(the minimum redundancy maximum relevance，mRMR)载入全部特征并从中筛选有意义的非冗余特征。再使用LASSO从已经筛选的影像组学特征中选择最优特征子集构建影像组学诊断模型。 ③ 评价影像组学模型的诊断性能采用了受试者工作特征曲线(receiver operating characteristic curve，ROC)，计算影像组学模型的受试者工作特征曲线下面积、准确性、灵敏度、特异性及约登指数(youden’s index，YI)。在独立的验证队列中进一步测试生成的诊断模型，同样绘制验证队列影像组学模型ROC曲线、校准曲线，并计算相关性能指标，评估验证队列影像组学模型的性能。

2 结果

2.1 影像组学特征每个乳腺结节通过Matlab平台共提取所有乳腺结节超声原始灰阶图像影像组学特征，其中9个形态特征、42个直方图特征、11个灰度区域大小矩阵(gray-level size zone matrix，GLSZM)特征、10个haralick特征、144个灰度共生矩阵(gray-level co-occurrence matrix，GLCM)特征及180个灰度游程矩阵(gray-level run-length matrix，GLRLM)特征。

因图像特征数量大而队列规模相对较小，在训练队列中，先使用mRMR特征选择法保留30个与目标变量最具有相关性并且特征间冗余度最小的特征，然后利用LASSO逻辑回归方法从中精选出与病灶良恶性相关的15个系数非零的影像组学特征(2个直方图特征、4个纹理特征、9个小波特征)作为诊断因子 (表1)。确定特征个数后，利用LASSO对特征数据进行10倍交叉验证。通过所选特征加权系数的线性组合计算得出每个患者的Rad-score，然后利用LASSO回归分析构建基于Rad-score的最终诊断模型。根据工作4年和工作10年超声医师的分割图像结果提取的影像组学特征所计算的观察者间ICC介于0.765～0.889之间。因此，本组资料影像组学特征的提取在分割者间显示出优异的可重复性。

表1 精选的影像组学特征及其系数

2.2 ROC曲线基于影像组学评分绘制ROC曲线，训练队列影像组学模型AUC为0.84(95%CI，0.79～0.89)、验证队列影像组学模型AUC为0.84(95%CI，0.75～0.92)(图1)。该模型的准确度、灵敏度、特异度、YI分别为0.761、0.840、0.715、0.603；0.716、0.823、0.654、0.536(表2)。两队列模型的校准曲线显示模型诊断与理想状态及实际结果之间具有良好的一致性(图2)。图中Y轴代表实际乳腺癌情况，X轴代表影像组学模型对恶性乳腺肿瘤诊断结果，对角线(Ideal)表示理想模型的诊断结果，Apparent为参考线，接近对角线的虚线(Bias-corrected)表示影像组学模型的诊断性能，显示该模型二者拟合好即影像组学模型的诊断结果与理想状态非常接近。Hosmer-Lemeshow good of fit test差异无统计学意义，也表明影像组学模型诊断结果与理想拟合程度较好。

表2 训练队列及验证队列影像组学模型性能参数

图1 影像组学模型的ROC曲线

图2 影像组学模型的校准曲线

3 讨论

受生活方式和生活环境的影响，各种乳腺疾病发病率逐年增高，乳腺癌的发病率也呈上升趋势。目前乳腺疾病的首选检查方法主要有超声和乳腺钼靶X线摄影，但是临床常用的乳腺影像报告和数据系统(breast imaging reporting and data system,BI-RADS)分类主要是基于医师的主观视觉判断，其诊断结果往往在不同水平医师中存在较大差异。随着计算机技术及人工智能(AI)的迅猛发展，AI正广泛应用于大数据及医学图像的处理，这也催生了影像组学的高速发展。影像组学借助计算机算法，从医学影像中提取高通量定量特征，通过统计学分析和计算机算法构建影像组学模型，并探索其与疾病的相关性，为临床准确诊断和判断预后提供较客观的参考信息，成为近年发展起来的新兴热门方法学[3-6]。已有多项研究证明影像组学能够有效判断肿瘤的良恶性和预测预后。Qin et al[7]进行的一项总共纳入254例诊断为转移性肝癌患者的回顾性研究，根据原发肿瘤的来源将患者分为3组，提取了 5 936 个特征，用于分别建立3组的影像组学模型。其中1、2、3组的训练队列的AUC值分别为0.938、0.974和0.768，测试队列的AUC值分别为0.767、0.768和0.750。提示超声影像组学可能是鉴定肝转移性病变来源的有效补充手段。Zha et al[8]的一项回顾性研究纳入了452例在同一中心接受前哨淋巴结活检的浸润性乳腺癌患者，并将这些患者分为训练组(n=318)和验证组(n=134)，以评估影像组学在预测前哨淋巴结转移中的价值。研究者在患者此前接受的淋巴结常规超声检查中，从肿瘤的感兴趣区域(ROI)提取了总共1 216个特征。使用mRMR和LASSO算法来构建模型对诊断性能进行评估和验证。结果显示其训练队列和验证队列的ROC曲线下面积(AUC)分别为0.834和0.770，提示该模型对于判断前哨淋巴结是否存在转移有较好的预测作用。Li et al[9]对178例患者的181例肿瘤(67例恶性和114例良性)进行了回顾性研究。研究显示多模态超声影像组学诊断的准确性、敏感性、特异性及ROC曲线下面积分别为84.12%、92.86%、78.80%和0.919，认为影像组学在临床乳腺肿瘤的诊断中具有较大潜力。本研究通过分析经病理证实的258例患者361例乳腺结节灰阶超声图像并从中提取大量定量影像特征，采用mRMR特征选择法及LASSO算法筛选最优特征子集构建乳腺恶性肿瘤影像组学诊断模型，训练队列及验证队列ROC曲线下面积、准确度、灵敏度、特异度分别为0.84、0.761、0.840、0.715；0.84、0.716、0.823、0.654，与文献报道的研究结果相近。由此认为影像组学可以通过评估大量肉眼无法获取的声学特征，产生更高效，更标准化的流程，极大程度减少对检查者的依赖性，从而客观、无创地判断乳腺结节的良恶性，提高诊断的准确性，可能在临床应用中获益，具有良好的临床应用价值。影像组学特征的稳定性及影像组学预测模型的诊断性能很大程度上取决于对病灶的分割。分割的感兴趣区域可以是整个肿瘤病灶，也可以对肿瘤周围区域及对侧正常乳腺组织区域进行分割[10]，手动分割方法是当前大多数影像组学研究较常使用的方法，适合于样本量较小的研究队列，但是该分割方法的缺点是可能会漏掉乳腺肿块周围区域的部分重要信息。因此，后续可通过扩大样本量，采用自动或半自动分割方法进行肿块及其周围区域的分割，比较不同分割方法对灰阶超声影像组学特征模型的稳定性及对乳腺良恶性结节诊断性能的影响。