基于MRI 影像组学特征预测宫颈腺癌与鳞癌病理分型的研究

党俊明，朱超华，黄慧娴，范芳芳，陆合明*

（1.广西中医药大学瑞康临床医学院，南宁 530011；2.广西壮族自治区人民医院放疗科，南宁 530016；3.右江民族医学院研究生学院，广西百色 533000）

0 引言

目前，宫颈癌的死亡率约占女性恶性肿瘤死亡总数的8%[1]，其中鳞癌约占所有宫颈癌病理类型的80%[2]。通常认为，鳞癌分化良好且淋巴结转移发生率低，在治疗方案上比较成熟，与鳞癌相比腺癌易早期转移且整体愈后较差[3]，因此临床上腺癌患者更需要个体化的诊治方案。现阶段，确定腺癌和鳞癌病理分型的金标准是对肿瘤样本进行组织病理学检查。宫颈癌病理取材方式多样，但多数具有侵入性和创伤性，易受患者排斥且取材标本不能反映肿瘤组织的整体状况。MRI 是公认较好的影像学检查方法[4]，扫描过程无创且成像清晰，并可反映肿瘤整体信息。随着医学影像数据处理技术的发展，若能从易于取材的MRI 影像中获取对病理学分型有价值的图像特征信息，再配合实验室检测能有效提高宫颈腺癌与鳞癌病理分型的准确率。近年来，基于影像组学特征分析辨别肿瘤异质性的相关文献报道多见，如Tsujikawa 等[5]提出的基于18F-PET/CT 的影像组学纹理特征预测宫颈癌病理学亚型的方法具有可行性；钱洛丹等[6]研究表明MRI 多序列影像组学特征在鉴别早期上皮性卵巢癌组织学分型方面具有较好的预测效能。因此，本研究基于宫颈癌患者治疗前的MRI-T2WI 序列图像，定量分析腺癌与鳞癌的影像组学特征参数差异，筛选与宫颈腺癌、鳞癌病理分型相关的组学特征，探讨MRI 影像组学特征预测宫颈腺癌与鳞癌病理分型的可行性。

1 资料与方法

1.1 研究对象

本研究为回顾性分析，受试者匿名并免除知情同意，且已经通过广西壮族自治区人民医院伦理委员会的批准。实验中选取了2016 年6 月至2019 年2 月在广西壮族自治区人民医院接受治疗的宫颈癌患者共56 例，其中腺癌12 例、鳞癌44 例；年龄36～75 岁，中位年龄55 岁；所有患者治疗前均行MRI 扫描。入组标准：（1）经组织病理学确诊为腺癌和鳞癌的宫颈癌患者；（2）国际妇产科联合会（International Federation of Gynecologyand Obstetrics，FIGO）分期为ⅡA～ⅢC 期的患者；（3）初诊为宫颈癌未手术的患者；（4）年龄18～80 岁；（5）KPS 评分70 分以上；（6）确诊前后及治疗过程中具有完备的影像学资料的患者。排除标准：（1）经过治疗后的患者；（2）影像学图像质量差无法应用者；（3）合并其他恶性肿瘤者或患有危重疾病患者；（4）已经出现广泛转移的患者。入组患者基本资料见表1。

表1 入组患者的基本资料

1.2 MRI 图像获取及大体肿瘤靶区（gross tumor volume，GTV）勾画

所有患者的MRI 图像均由西门子3.0T MRI 扫描仪扫描获取。扫描时患者保持平静呼吸，膀胱处于适度充盈状态，采用T1WI、T2WI、弥散加权成像（diffusion-weighted imaging，DWI）等序列成像，经快速重建以后行多层面、多幅显像获取清晰图像。然后将获取的图像导入MIM Maestro 系统，由2 位高年资诊断医师在T2WI 图像上共同分割、勾画GTV，并设置感兴趣区域（region of interest，ROI），如图1 所示。

图1 ROI 勾画前后对比图

1.3 影像组学特征提取

使用IBEX 工具箱提取影像组学特征。IBEX 工具箱采用32 bit MATLAB 2011a 和64 bit MATLAB 2014b 开发，已经在CT、PET/CT 和MRI 等图像上进行了广泛的性能测试[7]。提取的影像组学特征主要包括纹理特征[灰度共生矩阵（gray level co-occurrence matrix，GLCM）、灰度游程长度矩阵（gray level run length matrix，GLRLM）、邻域灰度差异（neighbor inensity difference，NID）]、一阶灰度统计特征[灰度强度（intensity direct，ID）]、形状特征（Shape）等。影像组学特征提取过程如图2 所示。

图2 影像组学特征提取示意图

1.4 统计学分析

采用SPSS 25.0 软件进行统计学分析。特征筛选采用非参数Mann-Whitney U 检验，特征降维采用最小绝对收缩与选择算子（least absolute shrinkage and selection operator，LASSO）算法，组学特征与病理类型的相关性分析采用Pearson 相关分析。绘制ROC 曲线，计算AUC，统计学认为0.5≤AUC＜0.7 具有较低的置信度，0.7≤AUC＜0.9 具有一定的置信度，AUC≥0.9具有较高的置信度。对预测指标进行ROC 曲线分析并计算约登指数，找出预测指标的最佳阈值、敏感度和特异度。P＜0.05 认为差异具有统计学意义。

2 结果

2.1 影像组学特征筛选

本研究共提取261 个影像组学特征，经过非参数Mann-Whitney U 检验选出差异有统计学意义的共68 个，分别为形状特征（Shape）中的紧凑度（Compactness）12 个、球形度（Sphericity）14 个、球形度比例（Spherical Disproportion）12 个；灰度游程长度矩阵25（GLRLM25）中的长游程高灰度因子16 个（LRHGLE 的333°、0°和90°各8、3 和5 个）、低灰度共生游程因子（LGLRE）2 个（LGLRE 的°0）；灰度共生矩阵（GLCM25 和GLCM3）中的同质性（Homogeneity）8 个、相关性（Correlation）2 个；灰度强度（Intensity Direct）中的局部最大熵（Local Entropy Std）1 个；邻域灰度差异3（NID3）中的对比度（Contrast）1 个。具体特征分布见表2。

表2 有统计学意义的68 个组学特征

2.2 相关性分析

运用LASSO 算法进行特征降维，保留22 个有效影像组学特征，再经Pearson 相关分析，结果表明有7 个特征与病理学类型表现出一定的相关性，其中Sphericity、0°_LongRunHighGrayLevelEmpha、90°_LongRunHighGrayLevelEmpha、45°-4_Correlation以及0°_LowGrayLevelRunEmpha 5 个特征与腺癌类型相关，相关系数r 值分别为0.413、0.400、0.421、0.429、0.401，对应P 值分别为0.002、0.002、0.001、0.001、0.002；Spherical Disproportion 和Contrast 2 个特征与鳞癌类型相关，相关系数r 值分别为0.441、0.416，对应P 值分别为0.001、0.001。这7 个特征值和病理类型均呈正相关，即特征值越大，预测对应病理类型的准确率越高，相关系数r 值和P 值见表3。

表3 7 个影像组学特征与病理类型的相关性

2.3 ROC 曲线分析

ROC 曲线分析结果表明，与宫颈腺癌和鳞癌病理分型具有相关性的7 个影像组学特征的AUC 值均大于0.7。其中，与腺癌类型相关的Sphericity、0°-LongRunHighGrayLevelEmpha、90°_LongRunHighGray LevelEmpha、45°-4_Correlation 和0°_LowGrayLevel-RunEmpha 的AUC 值分别为0.805、0.765、0.794、0.811、0.754；与鳞癌类型相关的Spherical Disproportion 和Contrast 的AUC 值分别为0.830、0.824。其中45°-4_Correlation 和Spherical Disproportion 分别在腺癌和鳞癌类型中表现出了最佳预测性能。ROC 曲线如图3、4 所示，特征参数的AUC 值统计结果见表4。

图3 5 个组学特征参数预测腺癌的ROC 曲线

图4 2 个组学特征参数预测鳞癌的ROC 曲线

2.4 特征参数的最佳阈值

通过ROC 分析计算各个指标的约登指数，根据最大约登指数数值分析影像组学特征的敏感度、特异度和最佳阈值，与腺癌类型相关的特征的敏感度为0.583～0.833，特异度为0.727～0.955；与鳞癌类型相关的特征的敏感度为0.773～0.977，特异度为0.583～0.917。具体数值见表4。

表4 ROC 曲线分析结果

3 讨论

影像组学是一种新兴的图像分析方法，从CT、MRI 和PET/CT 等图像中高通量地提取大量可以反映肿瘤表型的影像特征，进而反映潜在的病理生理学信息，已经广泛应用于肿瘤的鉴别诊断、监测随访及生存预测等方面[8-9]。一直以来，基于CT 或PET/CT图像的组学研究报道较多，如在非小细胞肺癌亚型的预测诊断上，沙雪等[10]基于18F-FDG PET/CT 影像组学特征成功提取了3 个与肺腺癌和鳞癌病理亚型相关性较强的预测因子，其AUC 值分别达到0.770、0.768和0.754，敏感度和特异度分别为0.949、0.795、0.821和0.475、0.607、0.639。王大鹏等[11]基于治疗前肺癌患者CT 图像提取的组学特征进行分析并建立预测模型，在训练集和验证集上鉴别鳞癌及腺癌的AUC值分别为0.926（95%CI：0.906～0.945）和0.916（95%CI：0.901～0.940），该模型可以作为鉴别肺鳞癌及腺癌2 种亚型的预测因子。陆亮等[12]采用基于影像组学和CT 形态学特征构建的联合模型对周围型肺腺癌和鳞癌进行预测鉴别诊断，在训练集及验证集中AUC 值分别为0.879、0.869，敏感度、特异度分别为94.0%、90.0%和92.0%、89.0%，联合模型的诊断效能高于单独CT 临床特征模型，该方法能为晚期肺腺癌及鳞癌患者的临床个体化诊疗提供帮助。

近年来，MRI 因其显著的成像优势广泛应用于影像学检查，尤其T2WI 图像在宫颈组织成像中具有出色的软组织对比度分辨力，结合横断位、矢状位图像能清晰显示宫颈部位正常及异常信号，如肌质环呈低信号、病灶略呈高信号，对比明显，并可提供详细的肿瘤解剖特征，客观反映病灶的真实情况，而DWI 序列图像有助于评估宫旁浸润，可用于检测宫颈早期病变。T2WI 和DWI 是影像诊断常用的成像序列，二者结合能够更清晰地显示病灶范围及形态，更容易准确勾画GTV，并可重复分析[13]。基于DWI 衍生的表观扩散系数（apparent diffusion coefficient，ADC）的一阶直方图则可反映肿瘤的细胞微环境，有助于制订治疗决策。Wang 等[14]基于多参数MRI 影像组学对早期宫颈癌亚型分化的研究中，联合矢状位、横断位T2WI 图像和矢状位、横断位增强T1WI 图像的组学特征及ADC 构建的影像学模型（AUC 为0.89，准确率为0.81，灵敏度为0.67，特异度为0.94）表现出比任何单独的MRI 序列更好的鉴别能力，且该模型能反映出宫颈腺癌比鳞癌更多的肿瘤异质性。Liu 等[15]基于T2抑脂序列和对比增强T1WI 序列图像提取的组学特征构建的回归和决策树模型显示：T2抑脂及对比增强T1序列的组学特征模型的AUC 值分别为0.777 和0.750，据该影像学特征在鉴别临床病理学方面的表现，表明其可有效用于预测区分宫颈腺癌和鳞癌。

本研究选取T2WI 序列图像作为影像组学特征提取来源，运用IBEX 工具箱提取了261 个影像组学数据参数，经过非参数Mann-Whitney U 检验、LASSO 算法特征降维、Pearson 相关分析，最后得出7 个与宫颈腺癌和鳞癌病理分型相关的组学数据特征。其中，形状特征中的Sphericity、灰度游程矩阵中的0°_LongRunHighGray LevelEmpha、90°_LongRun-HighGrayLevelEmpha 与0°_LowGrayLevelRunEmpha 以及灰度共生矩阵中的45°-4_Correlation 特征与腺癌病理学类型相关性较高，相关系数r 值分别为0.413、0.400、0.421、0.401、0.429，AUC 值分别为0.805、0.765、0.794、0.754、0.811；形状特征中的Spherical Disproportion、邻域灰度差异中的Contrast 特征与鳞癌病理学类型相关性较高，相关系数r 值分别为0.441、0.416，AUC 值分别为0.830、0.824。在这7 个数据中，T2WI 图像呈高信号居多，腺癌和鳞癌的病理分型与病灶的信号差别具有相关性，敏感度及特异度相对较高，分别为0.750、0.667、0.833、0.750、0.583、0.773、0.977 和0.864、0.864、0.727、0.750、0.955、0.917、0.583。因此，本研究也可作为一种预测宫颈腺癌和鳞癌病理分型的辅助方法。

本研究中，病理取材部位均是位于宫颈的浸润性病变，病灶大小>0.5 cm，宫颈以外的病灶如转移淋巴结等未纳入图像特征筛选。基于T2WI 图像提取的组学特征大多数都是纹理特征，可以反映肿瘤区域的异质性，尤其以纹理特征中的灰度游程矩阵（GLRLM）和灰度共生矩阵（GLCM）特征对宫颈腺癌和鳞癌最有鉴别意义。而形状特征的表现最为稳定，本研究提取的形状特征中，Spherical Disproportion 在与鳞癌类型的相关性预测中表现出了最佳性能。Fiset 等[16]曾对基于MRI 的宫颈癌影像组学特征进行了重复性和再现性测试，证明T2WI 的MRI 影像组学特征稳定，尤其形状特征最为可靠。有研究认为[17]基于影像组学提取的特征主要包括2 类，分别为一阶特征和纹理特征，一阶特征与ROI 内的灰度级频率有关，反映强度直方图整体信息；纹理特征描述同质性区域特征，反映肿瘤的异质性。而肿瘤异质性往往在图像灰度变化上体现，GLRLM 是用以计算特定方向图像纹理的粗糙程度特征，GLCM 则是描述灰度空间相关纹理特征的常用方法。基于T2WI 序列图像提取的诸多纹理特征中，GLCM 被提取分析的重复性较高[18]，说明其在区分良恶性肿瘤等异质性方面具有较高的鉴别能力。

其他宫颈腺癌和鳞癌病理分型的研究中，谢元亮等[19]对基于动态对比增强MRI（dynamic contrastenhanced MRI，DCE-MRI）获得最大强化率（ME）和最大相对强化率（MRE）的伪彩图进行影像组学特征提取，经ROC 曲线分析和Logistic 回归模型预测概率，多参数联合预测宫颈腺癌的AUC 值为0.830（95%CI：0.675～0.931），显示出DCE-MRI 纹理特征对宫颈鳞癌与腺癌的鉴别诊断价值较大。Xue 等[20]基于DWI序列图像的ADC 值预测评估显示，腺癌的ADC 平均值（ADCmean）和最小值（ADCmin）显著高于鳞癌，AUC值分别为0.77 和0.73，敏感度和特异度分别为0.83、0.67 和0.68、0.83，表明DWI 图像ADC 值预测可以作为区分宫颈腺癌和鳞癌病理学分型的一种方法。但也有研究认为[21]，鳞癌与腺癌之间的ADC 值并没有统计学上的显著差异性。

目前，基于影像组学分析已成为一种流行的评估肿瘤内异质性的定量方法[22-23]，从MRI 影像中提取的组学特征已经用于肿瘤亚型的差异分析，例如乳腺癌、肺癌、胶质母细胞瘤和肾癌等。本研究通过分析T2WI 影像组学特征与宫颈腺癌和鳞癌之间的组织学相关性，证明影像组学特征与组织病理学之间存在潜在的预测价值。在宫颈癌所有病理类型中，鳞癌的总体占比大，与腺癌等其他类型宫颈癌相比，在治疗上鳞癌有更好的临床缓解率，而腺癌易于早期转移且治疗效果较差[2-3]。基于此，本研究或可以提示宫颈腺癌患者临床上可提前介入行干预治疗。

本研究是基于单序列T2WI 图像进行的影像组学研究，研究过程存在以下不足：（1）所有数据是在同一特定类型的MRI 扫描仪获得，可能导致数据选择性偏倚；（2）GTV 均为人工手动勾画，很难避免宫颈基质形变对ROI 产生的影响，可能降低提取特征的准确性；（3）宫颈癌的腺鳞分型与影像组学特征有一定的相关性，但有意义的组学特征较少，可能与样本量较少有关，需要扩大样本量以减少对特征数据稳定性的影响。另外，本研究的样本量较少，没有建立预测模型。

总之，利用MRI-T2WI 图像的影像组学特征预测宫颈腺癌和鳞癌组织学病理分型，可以为临床治疗前判断肿瘤异质性提供一种无创、有效的辅助方法。