T2WI 影像组学鉴别临床显著性和非显著性前列腺癌价值初探

高 俊，蔡二朋，张 虎（通信作者），张晓金，董明松，雍成娟

（芜湖市第二人民医院医学影像科 安徽 芜湖 241000）

前列腺癌（prostate cancer，PCa）是老年男性的常见病，发病率、死亡率及疾病负担均呈上升趋势[1]。在我国，临床显著性前列腺癌（clinically significant prostate cancer，CSPC）发病率高，非临床显著性前列腺癌（non-clinically significant prostate cancer，NCSPC）是指一类Gleason 评分＜7 分，癌灶体积≤0.5 mL，且无前列腺外侵犯的低侵袭性肿瘤[2]，一般不会对预后及生存率产生影响，对NCSPC 的过度治疗反而会降低患者的生存质量。前列腺特异性抗原（PSA）和多参数磁共振成像（mp-MRI）检查通常可提示PCa 的诊断，但二者在区分CSPC 和NCSPC 中的准确率并不高，这造成了活检率的上升。前列腺系统穿刺活检存在一定的风险和并发症，由于操作不当或穿刺的随机性，漏诊也时常发生，并且还存在升高PCa 危险级别的风险[3-4]。故本文选取2018年6月—2020年12月于芜湖市第二人民医院住院治疗的PCa 患者60 例（CSPC 患者40 例、NCSPC 患者20 例），寻找无创、有效的方法来区分CSPC 和NCSPC，现报道如下。

1 资料与方法

1.1 一般资料

回顾性分析2018年6月—2020年12月于芜湖市第二人民医院住院治疗的PCa 患者60 例（CSPC 患者40例、NCSPC 患者20 例），年龄54 ～88 岁，平均年龄（72.15±6.04）岁，均行mp-MRI 扫描。纳入标准：①前列腺mp-MRI 检查前未行穿刺活检，且未行任何针对性治疗；②前列腺mp-MRI 检查后1 个月内经PCa 根治手术获取病理诊断；③无MRI 检查禁忌，检查前签署知情同意书。排除标准：①肿瘤体积过小，在T2WI 图像上显示不清，无法准确勾画ROI；②肿瘤体积过大，病灶体积＞0.5 mL；③PCa 活检取材部位与T2WI 图像位置不匹配，PCa 存在前列腺外侵犯或远处转移；④资料不完整，或MR 图像不能满足研究要求。

1.2 MRI 扫描方法

在Philips Achieva3.0T MRI 扫描仪完成全部检查，16 通道腹部相控阵线圈。检查前嘱患者排便、排尿以减少伪影干扰。取仰卧位，线圈中心对准耻骨联合，紧束腹带，减少呼吸伪影。扫描参数均按照前列腺影像报告数据系统第二版（PI-RADS v2.1）技术要求[5]，扫描快速自旋回波（TSE）序列，T2WI（横轴面、冠状面、矢状面）、T1WI；弥散加权成像（diffusion weighted imaging，DWI）及DCE-MRI。横轴位T2WI扫描参数如下，TR：2500 ms，TE：75 ms，FOV：20 mm×20 mm，矩阵：224×200，层厚：3.0 mm，层间距：0 mm，激励次数：2（次），扫描时间：5 分40 秒。

1.3 图像分割和特征提取

首先将DICOM 格式的影像图片导入美国GE AK（Analysis Kit，Version:3.2.0.R）软件进行图像标准化处理。影像科两名经PI-RADS 专业培训的医师结合手术病理结果及mp-MRI 图像并协商达成一致，确定癌灶部位；运用ITK-SNAP 3.6 软件在标准化后的横轴面T2WI 图像上独立手动勾画ROI，ROI 置于病灶最大层面，图片经放大处理，注意避开边缘部分，其中一名医师1 周后再重新勾画。共获得60 个目标区域，使用AK 软件提取影像组学特征，共396 个，其中直方图特征（hisogram features）42 个、几何形态特征（form factors）9 个、灰度共生矩阵特征（features from gray level co-occurrence matrices，GLCMs）144 个、灰度尺寸区域特征（graylevel size zone matrices，GLSZMs）11 个、哈拉利克特征（Haralick features）10 个、行程矩阵特征（run length matrix features，RLMs）180 个。对所获得的影像组学特征进行操作者间及操作者自身一致性检验，保留ICC ＞0.75 的特征纳入后续研究。

1.4 特征筛选和模型建立

将样本按7：3 分为训练集和验证集，在训练集中对ICC ＞0.75 的特征使用最小冗余最大相关法（mRMR）进行特征筛选，十折交叉验证进行特征降维。使用 LASSO（least absolute shrinkage and selection operator）回归，根据保留的特征计算影像组学评分（Rad_score=intercept+βi·Xi），获得最佳特征子集，并建立CSPC 和NCSPC 的T2WI 影像组学模型诊断模型，在验证集中进行内部验证。

1.5 统计学方法

所有统计学分析均在R 软件上完成。使用glmnet 包进行特征降维并建模；采用pROC 包制作ROC 曲线，并计算AUC 值；在训练集中评估模型的鉴别能力，并在验证集中进行内部验证；使用混淆矩阵计算模型的准确率、敏感度、特异度、阳性预测值、阴性预测值。运用决策曲线分析（decision curve analyze，DCA）评估模型的实用性。

2 结果

2.1 一致性检验

操作者间一致性：ICC 为0.895（95%CI，0.765～0.932）；操作者自身一致性：ICC 为0.912，（95%CI，0.794 ～0.959），操作者间及操作者自身的一致性均较高。

2.2 影像组学模型建立

将样本分为训练集和验证集，训练集CSPC 28 例，NCSPC 14 例；验证集CSPC 12 例，NCSPC 6 例。经LASSO 分析，最终筛选出6 个关键特征用于影像组学建模，6 个特征按权重进行排序见图1A，系数越大所对应的预测价值越显著，在模型中的权重占比越大。根据上述特征建立Rad_score，并行Wilcox 检验，训练集P＜0.001，验证集P=0.004，差异均有统计学意义（P＜0.05），模型分类效果良好。

图1 CSPC 和NCSPC 影像组学模型建立与诊断效能分析

2.3 影像组学模型的评估

对CSPC 和NCSPC 影像组学模型进行ROC 曲线分析，在训练集中AUC 为0.94（0.88 ～1.00），验证集为0.93（0.82 ～1.00），模型的鉴别能力较强，见图1（a）、1（b）。评估模型的性能：训练集准确率为0.905（95%CI,0.774 ～0.973），敏感度为0.929，特异度为0.893，阳性预测值为0.813，阴性预测值为0.962；验证集准确率为0.889（95%CI,0.653 ～0.986），敏感度为0.833，特异度为0.917，阳性预测值为0.833，阴性预测值为0.917。该模型的鉴别能力较强。进一步使用DCA 曲线评估该模型的实用性见图1（d），阈值概率在0.1 ～1范围内，使用该模型有明确临床获益。

3 讨论

影像组学由Lambin 等[6]首先报道，思想起源于肿瘤的异质性，它通过计算机软件高通量提取医学图像信息并将其转化为数据信息，可重复、定量、客观的描述肿瘤异质性，弥补了影像科医师定性、定量诊断的不足。目前，影像组学研究集中在肿瘤的诊断与分期、疗效评价和生存期预测等方面，并已有大量工作发表[7-10]。笔者运用AK 软件在预处理后的T2WI 图像上勾画60 个ROI，每个ROI 均可获取396 个定量影像特征参数，经降维和去冗余后，保留权重系数非“0”且泛化能力最佳的6个影像组学特征建立模型，取得了不错的分类结果，我们认为，影像组学方法用于鉴别CSPC 和NCSPC 是可行的，可能是由于两者间肿瘤异质性不同所导致的。关于癌灶大小，本研究按照长椭圆体体积计算公式：V（癌灶体积）=0.52×最大左右径（LR）×最大上下径（CC）×最大前后径（AP），纳入V ＜0.5 mL 且无包膜外侵犯的PCa[11]，旨在为NCSPC 主动监测寻找可靠依据。本研究运用最大截面手动法分割图像，虽然在相关研究中有学者提出三维自动识别图像分割法更加准确、客观，然而我们认为该方法在本研究中实际操作性不强。首先，老年患者前列腺背景复杂，钙化、出血、炎症、纤维瘢痕、增生和上皮内瘤变等均可表现为类似PCa 的T2WI 低信号，计算机存在不能自动识别或识别出错的现象；再者，本研究癌灶均较小，部分病例在T2WI 序列上只有一副图像清晰显示，这使得三维分割无法实施。本研究结果显示，训练集的AUC 为0.94（0.88 ～1.00），验证集为0.93（0.82 ～1.00），AUC 直观意义为正样本得分大于负样本的概率，从rad_score[图1（a）、1（c）]可以看出，无论是训练集还是验证集，CSPC 的样本量大约是CSPC 的2 倍，这可能导致模型由于数据不均衡而发生偏倚，造成假阳性率升高，AUC 值增大，这和吴亚平等[12]在高、低级别脑胶质瘤影像组学研究中的结果类似。本模型在训练集中的准确率为0.905，在验证集中为0.889，模型准确率较高，与Wu 等[13]对移行带（TZ）SPC 的影像组学研究结果类似，本模型有望用于临床，对高龄NCSPC 患者的管理提供依据。

本研究尝试运用影像组学方法鉴别CSPC 和NCSPC，进而减少对NCSPC 的过度治疗和不必要的活检，使患者从中受益，取得了预期效果。但还存在一些不足。第一，本研究样本量小，未将癌灶分类研究，对于外周带（PZ）PCa，DWI 为其优势序列，今后将继续补充PCa 的数据量，对癌灶进行分类，分别建模，深入研究。第二，尽管本研究模型的准确率较高，还可能存在一定的提升空间，在建模时还应将临床资料，如年龄、前列腺特异性抗原密度（PSAD）、PI-RADS V2.1 等纳入，综合分析，以期获得准确率更高的影像组学模型。

综上所述，笔者运用影像组学方法对前列腺MRI 图像进行数据挖掘、探索，并最终构建了CSPC 和NCSPC的T2WI 影像组学诊断模型，该模型的诊断效能较高，有明确临床收益。