超声影像组学对移植肾实质性病变鉴别诊断的价值

王天驰，王众，牛宁宁，唐缨

我国慢性肾脏病患者基数庞大［1］，肾移植术为终末期肾病最有效的治疗方法，年手术量已过万例［2］。但术后并发症常导致移植肾功能异常甚至丧失［3］，影响手术成功率。移植肾实质性病变主要分为急性排斥反应（acute rejection，AR）和肾小管坏死（acute tubular necrosis，ATN）两种［4］，对两者及时准确的鉴别诊断将直接影响预后。移植肾穿刺活检是确诊组织学分型的“金标准”［5］，但由于其有创、取样局限等原因无法完全满足临床需求。超声具有实时、高效的诊断优势，可以对移植肾形态、血供、肾周积液等情况进行较为全面的评估，为术后监测的首选方法。虽然常规灰阶及多普勒超声已经在临床广泛应用，但对移植肾实质性病变组织学分型的鉴别诊断价值有限［6］。超声影像组学作为一种新技术，其不同于传统的“视觉分析”，而是将超声医学与计算机科学相结合，即从超声图像数据中提取高通量的组学特征，并转化成高维度数据空间，进行数据挖掘，在一定程度上突破了常规超声的局限性［7-8］。目前影像组学在肿瘤性质鉴别、生存期预测等方面研究较多［9］，对移植肾实质性病变诊断价值研究较少。本研究旨在应用超声影像组学，通过建立多种组学预测模型，与常规超声诊断结果进行对比，探讨超声影像组学鉴别诊断移植肾实质性病变组织学分型的价值。

1 对象与方法

1.1 研究对象 选取2012 年8 月—2021 年3 月于天津市第一中心医院就诊的因血肌酐异常而行肾穿刺活检的同种异体肾移植患者。纳入标准：（1）超声资料记录完整且图像清晰。（2）活检结果为AR或ATN。（3）血肌酐异常升高（男性：＞104µmol/L，女性：＞84µmol/L）。排除标准：（1）超声图像上有刻度尺、体表标记等影响图像分析的标记或其他冗余信息。（2）移植肾有囊肿等占位性病变。（3）移植肾积水或大量移植肾肾周积液。共纳入186例，其中AR组135例，男82例，女53例，年龄26～71岁，平均（45.20±12.29）岁；ATN组51例，男30例，女21例，年龄32～70岁，平均（51.94±9.32）岁。2组年龄（t=1.919）、性别（χ2=0.057）差异无统计学意义（P＞0.05）。

1.2 常规超声参数获取及诊断 患者取仰卧位，平静呼吸下暴露髂窝移植肾部位，采用SIEMENS Sequoia512彩色超声诊断仪，选择频率范围为2.0～5.0 MHz的凸阵探头，测量移植肾长径L（cm）、宽径W（cm）及厚度T（cm），计算移植肾体积V=π/6×L×W×T（cm3）［10］，留取移植肾长轴图像。切换到频谱多普勒模式，游标测量叶间动脉收缩期峰值流速（peak systolic velocity，PSV）、舒张末期流速（end-diastolic flow rate，EDV），计算阻力指数（resistance index，RI）=［（PSV-EDV）/（PSV）］。能量多普勒（Power Doppler，PD）观察移植肾能量信号分布情况。参照相关文献［11］将移植肾能量多普勒图谱分为5 级：0级，肾皮质未见能量信号，主干见细窄能量信号分布，或完全没有能量信号分布；Ⅰ级，能量信号显示不足移植肾面积一半，肾皮质未见能量信号，主干见断续粗大或连续细窄的能量信号；Ⅱ级，能量信号充盈大部分移植肾，肾皮质未见能量信号，主干见连续粗大的能量分布；Ⅲ级，能量信号基本充盈整个移植肾，肾皮质血管呈断续“细绒线状”表现，主干见粗大连续的能量信号；Ⅳ级，能量信号充盈整个移植肾，肾皮质血流呈“绒线状”，主干见粗大连续的能量信号，见图1。由2位具有8年以上移植超声诊断经验的医师根据常规超声参数进行鉴别诊断，意见不一致时协商确定。

Fig.1 Power Doppler grade of transplanted kidney图1 移植肾能量图分级

1.3 影像组学图像兴趣区（ROI）获取及特征提取 Suh transfer软件搜索HIS病例系统中超声记录，选择符合描记要求的DICOM格式二维长轴超声图像，导入AVIEW软件，通过手动描记方法，将移植肾全部纳入ROI 内，见图2，提取并记录ROI图像的影像组学特征数据。

拿出乐高玩具，开始拼插吧。这是最消耗时间的活，没关系，十岁的我，有大把的时光可以消耗。直到拼得头昏眼花、手指麻木，我才收手。扭头一看，是几箱芭比娃娃。它们陪伴了我几年，不过我已与它们日渐疏远。

Fig.2 Manually depict ROI with AVIEW software图2 AVIEW软件手工描绘ROI

2.1 常规超声诊断结果 AR 组移植肾体积大于ATN组（P＜0.05），RI和能量图分级差异无统计学意义，见表1。医师组鉴别诊断敏感度为56.2%，特异度为60.7%，准确度为57.5%，见表2。

SAR双通道对消系统工作于正侧视，仿真参数如表1所示.设成像区域距离向范围为[9900m,10100m]，方位向范围为[-110m,110m]，场景中心坐标为(10000,0).图4为无干扰时SAR场景成像结果，其中在三角形标记处设置散射波干扰机，坐标为(9910,0)，图中长方形区域为特定散射区域.实验过程中干扰机位置与散射区域不变.

2.2.2 各模型诊断效能比较 选择以上经过筛选保留的6 个有效特征建立组学模型。随机森林、支持向量机、逻辑回归和K 近邻法4 种模型的预测价值见表3、图4。其中随机森林模型的综合表现最优。

2 结果

1.4 影像组学模型建立及对比 使用Python3.0 编程软件，对获得的全部组学特征数据采用独立样本t检验进行初次筛选，再通过调整最优Lambda参数，使用最小绝对值收敛和选择算子（least absolute shrinkage and selection operator，LASSO）算法从已筛选特征中选择最优的有效特征，并利用随机森林、K 近邻法、逻辑回归、支持向量机分类器建立预测模型。各模型以7∶3 为比例利用训练队列（130 例）进行学习训练，训练后的4 种模型分别对验证队列（56 例）进行预测，采用5折交叉验证策略分析各组学模型验证队列准确度、敏感度、特异度及曲线下面积（AUC）。

Tab.1 Comparison of conventional ultrasound parameter features between two groups表1 2组常规超声特征参数比较

Tab.2 The diagnostic value of physician group for organizational credit type表2 医师组对组织学分型的诊断价值

已知电子迁移率μn与温度呈负相关，可以表示为是参考温度，μ0是参考温度T0下的电子迁移率，T是绝对温度，m是温度指数，m大小在1～2之间。热电压UT与温度呈正相关，可以表示为。所以Iref与温度T之间的关系可以表示为

2.2.1 特征筛选结果 应用AVIEW 软件每幅图像提取137个组学特征，经过t检验和LASSO算法联合筛选后，最终保留2D形状-平坦度、一阶-最小值、直方图-最小值、直方图-体素计数、梯度-标准差、灰度共生矩阵-集群阴影6个有意义的特征，特征系数分别为0.127 261、-0.991 61、-0.186 26、0.035 576、-0.060 932和-0.039 824，见图3，其中除2D形状-平坦度属于形状特征子集，其余5 个特征均属于纹理特征子集。

目前，研究调水引流生态环境效应的手段主要是野外监测，受风浪和季节等因素的干扰，野外监测难以构建引水要素与受水湖泊水文、理化、生物环境间的对应关系，无法回答引水流量、营养水平等要素对受水湖泊产生的直接生态环境效应，更无法定量预测引水要素的改变对受水湖泊生态环境的影响程度。而构建室内微宇宙湖泊生态系统则为回答这些问题提供了研究便利。

Fig.3 Feature variable selection based on filtering algorithm图3 基于筛选算法构建模型的特征变量选择

1.5 统计学方法 采用Python 3.0 及SPSS 22.0 软件进行数据分析。计数资料以例（%）表示，符合正态分布的计量资料以表示，2组间比较采用独立样本t检验；等级资料比较采用秩和检验。P＜0.05为差异有统计学意义。

Tab.3 Analysis results of predictive effectiveness of each ultrasound radiomics model表3 各模型的预测效能分析结果

Fig.4 ROC plots of each ultrasound radiomics model图4 各组学模型ROC曲线

3 讨论

AR 和ATN 作为常见的移植肾实质性病变，发病时皆有肌酐升高、突然少尿，伴或不伴有发热等症状［12］，仅从临床表现上不易进行鉴别，而禁忌证的存在限制了活检的应用范围，故寻找一种安全、准确、高效的鉴别诊断方法是临床亟需解决的问题。超声作为一种成熟的无创检查方法，技术日益进步。本研究对比常规超声方法与影像组学方法，并分析多种组学模型，探讨超声影像组学鉴别诊断移植肾实质性病变组织学分型的价值。

2.2 超声影像组学预测模型

常规超声主要通过对移植肾体积形态、血流动力学等方面进行分析，对组织学分型鉴别诊断价值有限，这主要是由于移植肾发生AR的典型超声特征表现为移植肾体积增大，但因高效免疫抑制剂的普遍应用，依据形态结构作为诊断标准的价值逐渐降低［13］。而发生AR 和ATN 时均会有RI 升高、肾内血流充盈减少的表现［14］，故高值RI、能量信号减少等均不能成为有效鉴别特征。超声影像组学是人工智能在超声医学中的具体应用，其结果受主观影响更小，诊断效能更高［15］。黄云霞等［16］以甲状腺癌颈部淋巴结转移为研究对象，将常规超声诊断方法与超声影像组学方法进行诊断效能的对比，发现常规超声方法诊断效能低于组学方法（AUC：0.714vs.0.793）。

特征提取及筛选是实现组学的关键步骤［17］。研究表明，构建模型时若不进行特征筛选，会导致模型过度拟合，降低模型稳定性［18］。本研究使用“t检验＋LASSO算法”联合筛选方法，从137个特征中最终筛选了6个有效特征。由于纹理特征对分子或微环境尺度下的异质细胞敏感性较高［19］，有效特征中有5 个属于纹理特征子集，仅有1 个属于形状特征子集。

影像组学模型种类丰富，Zhang 等［20］通过对11种特征筛选器和8 种分类器进行组合，总结了88 种组学模型。目前的研究多是通过构建单个组学预测模型进行组学价值分析，少有对不同模型性能差异的讨论。本研究通过使用“t检验＋LASSO 算法”的特征筛选方法结合K 近邻法、逻辑回归、支持向量机、随机森林等分类器建立4 种组学模型。结果显示4 种模型诊断效能并不相同，其中由于随机森林是通过训练多个决策树进行预测，对于复杂问题具有较好的预测性能［21］，故随机森林模型诊断效果最好，AUC为0.931，敏感度97.6%，特异度80.0%，准确度85.8%。Parmar 等［22］评估了不同特征筛选情况下12 种分类器对肺癌患者的预测能力，结果显示，随机森林分类器诊断效能最高（AUC 为0.66），与本研究结果相同。胡艳等［23］基于MRI 的常规T2加权成像序列，采用放射影像组学方法对卵巢上皮肿瘤进行分类预测，亦发现不同的组学模型最终效能并不相同。本研究局限性：（1）本研究为单中心回顾性研究，样本量较少。（2）ROI 使用手动描记方法，效率较低。

综上所述，超声影像组学作为一种将医学与工学交叉融合的新方法，相比于常规超声，可以获取更多的图像信息特征，诊断效果更好，应用前景广阔。不同的模型构建方案会对组学预测结果产生重要影响，需要研究人员根据研究任务对模型预测能力进行权衡，选择适合目标问题的方法进行建模。