梅東東，羅 燕，龔靜山*，彭全洲，成志強(qiáng)

(1.暨南大學(xué)附屬第二臨床醫(yī)學(xué)院 深圳市人民醫(yī)院放射科，2.病理科，廣東 深圳 518020)

膠質(zhì)瘤是顱內(nèi)最常見的原發(fā)惡性腫瘤，具有侵襲性及較高異質(zhì)性，預(yù)后差[1]。早期、分級(jí)診斷腦膠質(zhì)瘤對(duì)選擇治療方案及判斷預(yù)后有重要作用。WHO將膠質(zhì)瘤分為Ⅰ～Ⅳ級(jí)[2]，其中Ⅰ、Ⅱ級(jí)為低級(jí)別膠質(zhì)瘤(low grade glioma， LGG)，Ⅲ、Ⅳ級(jí)為高級(jí)別膠質(zhì)瘤(high grade glioma， HGG)。由于膠質(zhì)瘤異質(zhì)性較高，組織病理學(xué)檢查、特別是活檢獲得的組織標(biāo)本存在取樣誤差。MRI是腦膠質(zhì)瘤的首選檢查方法，具有無創(chuàng)、軟組織分辨率高且可進(jìn)行功能成像的優(yōu)點(diǎn)，已越來越多地應(yīng)用于腦膠質(zhì)瘤分級(jí)；但不同級(jí)別腦膠質(zhì)瘤間影像學(xué)表現(xiàn)重疊較多，僅靠傳統(tǒng)的圖像分析方式難以對(duì)膠質(zhì)瘤進(jìn)行準(zhǔn)確分級(jí)。近年來，隨著計(jì)算機(jī)科學(xué)的發(fā)展，從影像大數(shù)據(jù)中高通量提取大量、肉眼無法捕捉的圖像高級(jí)信息，并通過分析這些信息用于診斷疾病和建立預(yù)測模型，即放射組學(xué)，已成為具有廣闊應(yīng)用前景的技術(shù)手段，更有望成為醫(yī)學(xué)影像學(xué)與精準(zhǔn)醫(yī)療間的橋梁[3]。ADC值是DWI的定量參數(shù)，可用于分級(jí)診斷膠質(zhì)瘤，但存在較大爭議，原因可能是單純ADC平均值和直方圖難以反映腫瘤異質(zhì)性[1,4]。紋理特征分析可通過分析圖像像素或體素灰度值分布和相關(guān)性來定量評(píng)價(jià)腫瘤的異質(zhì)性[5]。本研究采用放射組學(xué)軟件高通量提取腦膠質(zhì)瘤全腫瘤ADC圖的紋理特征，分析紋理特征與膠質(zhì)瘤級(jí)別的相關(guān)性，旨在為臨床在體分級(jí)診斷膠質(zhì)瘤提供影像學(xué)生物標(biāo)記，以協(xié)助制定和實(shí)施個(gè)性化治療方案。

1 資料與方法

1.1 一般資料 收集2010年1月—2018年6月我院經(jīng)病理證實(shí)的66例腦膠質(zhì)瘤患者，男38例，女28例，年齡18～72歲，平均(42.7±14.0)歲。納入標(biāo)準(zhǔn)：①術(shù)前1個(gè)月內(nèi)接受MR掃描，且掃描序列齊全；②未接受放化療；③病理診斷為腦膠質(zhì)瘤，且有分級(jí)結(jié)果。排除標(biāo)準(zhǔn)：①患者年齡<18歲；②圖像質(zhì)量差，達(dá)不到后處理要求；③所有序列圖像均無法明確腫瘤邊界。66例中，WHOⅡ級(jí)25例(LGG組)；Ⅲ、Ⅳ級(jí)分別15例、26例(HGG組，n=41)，無Ⅰ級(jí)者。

1.2 儀器與方法 采用Siemens Magnetom Skyra 3.0T和Magnetom Avanto 1.5T MR系統(tǒng)，20通道、8通道相控陣頭顱線圈。平掃序列包括脂肪抑制快速梯度回波序列T1W，TR 500 ms，TE 2.5 ms，F(xiàn)OV 220 mm×230 mm，層厚5 mm；脂肪抑制快速自旋回波序列T2W，TR 6 000 ms，TE 97 ms，F(xiàn)OV 200 mm×230 mm，層厚 5mm；T2-FLAIR，TR 8 000 ms，TE 85 ms，F(xiàn)OV 220 mm×230 mm，層厚5 mm；DWI，TR 4 300 ms，TE 73 ms，F(xiàn)OV 230 mm×230 mm，層厚5 mm，b值為0和1 000 s/mm2。增強(qiáng)掃描：經(jīng)靜脈注射釓噴酸葡胺，0.1 mmol/kg體質(zhì)量，采集軸位、矢狀位、冠狀位T1WI，參數(shù)同平掃。

1.3 圖像特征提取 由2名工作經(jīng)驗(yàn)分別為3年和5年的影像科醫(yī)師在不知曉病理結(jié)果的情況下獨(dú)立完成圖像特征提取。將MRI以DICOM格式導(dǎo)入3DSlicer軟件(Version3.9.0，http://www.slicer.org)中進(jìn)行腫瘤分割，具體步驟(圖1)：①參照T1WI、T2WI及增強(qiáng)掃描圖像，在ADC圖像上逐層勾畫腫瘤邊界，軟件自動(dòng)分割整個(gè)腫瘤體積[6]；②采用開源Pyradiomics軟件包(https://github.com/Radiomics/pyradiomics)自動(dòng)提取分割腫瘤的影像組學(xué)特征，最終獲取107個(gè)紋理特征，包括形態(tài)特征14個(gè)，一階統(tǒng)計(jì)特征18個(gè)，灰度共生矩陣特征(gray level co-occurrence matrix， GLCM)24個(gè)，灰度游程矩陣特征16個(gè)，灰度大小區(qū)域特征16個(gè)，鄰域灰度差分矩陣特征5個(gè)，灰度相關(guān)矩陣14個(gè)。

1.4 統(tǒng)計(jì)學(xué)分析 采用SPSS 13.0統(tǒng)計(jì)分析軟件。對(duì)年齡、組學(xué)特征參數(shù)進(jìn)行K-S正態(tài)檢驗(yàn)，不符合正態(tài)分布的計(jì)量資料以中位數(shù)(上下四分位數(shù))表示，符合正態(tài)分布者以±s表示。采用組內(nèi)相關(guān)系數(shù)(intraclass correlation coefficient， ICC)評(píng)價(jià)2名醫(yī)師提取特征的一致性，ICC>0.75為一致性好。剔除ICC≤0.75的紋理特征，對(duì)一致性好的特征取2名醫(yī)師測量數(shù)據(jù)的平均值；采用Mann-WhiteneyU檢驗(yàn)比較LGG與HGG組間差異。由于放射組學(xué)特征較多，對(duì)P值進(jìn)行Bonferroni校正，P<0.05/96≈0.000 5為差異有統(tǒng)計(jì)學(xué)意義。

圖1 腫瘤分割示意圖 A.原始ADC圖； B.手動(dòng)勾畫腫瘤邊緣； C.手動(dòng)填充勾畫的區(qū)域，包含整個(gè)腫瘤體積； D.軟件自動(dòng)分割的腫瘤體積

圖2 患者女，67歲，左側(cè)頂枕葉HGG，WHO Ⅲ級(jí)，ADC圖示信號(hào)不均，存在低ADC值(長箭)和高ADC值(短箭)區(qū)域，全腫瘤的區(qū)域熵為7.41 圖3 患者女，50歲，右側(cè)顳葉LGG，WHO Ⅱ級(jí)，ADC圖示信號(hào)不均，存在低ADC值(長箭)和高ADC值(短箭)區(qū)域，全腫瘤的區(qū)域熵為5.75

LGG組與HGG組間性別比較采用χ2檢驗(yàn)；年齡符合正態(tài)分布，比較采用兩獨(dú)立樣本t檢驗(yàn)。將2組間差異有統(tǒng)計(jì)學(xué)意義的參數(shù)納入Logistic回歸分析模型，以似然比前進(jìn)法篩選出預(yù)測HGG的獨(dú)立危險(xiǎn)因素；繪制ROC曲線評(píng)價(jià)最終篩選的相關(guān)特征對(duì)HGG的診斷效能。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

HGG組與LGG組患者年齡、性別差異均有統(tǒng)計(jì)學(xué)意義(P均<0.05，表1)。107個(gè)影像組學(xué)特征中，96個(gè)特征2名醫(yī)師測量值一致性好(ICC>0.75)。對(duì)這96個(gè)影像組學(xué)特征取平均值，經(jīng)Bonferroni校正，HGG組與LGG組間表面體積比、總能量及區(qū)域熵差異有統(tǒng)計(jì)學(xué)意義(P均<0.000 5，表1，圖2、3)。

Logistic多因素回歸分析結(jié)果顯示，年齡[P=0.002，優(yōu)勢比(odds ratio，OR)=1.090，95%CI(1.033，1.149)]和區(qū)域熵[P=0.003，OR=2.984，95%CI(1.440，6.183)]為預(yù)測HGG的獨(dú)立危險(xiǎn)因素。

ROC曲線結(jié)果顯示，區(qū)域熵鑒別HGG與LGG的ROC曲線下面積為0.752(P=0.001)，臨界值為6.78，敏感度為63.4%，特異度為72.0%；區(qū)域熵聯(lián)合年齡鑒別HGG與LGG的ROC曲線下面積為0.844(P<0.001)，敏感度為75.6%，特異度為88.0%(圖4)。

3 討論

腦膠質(zhì)瘤的級(jí)別是影響治療方案選擇及預(yù)后的重要因素[7-8]。對(duì)LGG通常進(jìn)行手術(shù)治療，且患者預(yù)后較好；對(duì)HGG則需在手術(shù)切除之外加行放射治療或化學(xué)治療，且患者5年生存率較低[9]。腫瘤惡性程度越高，細(xì)胞的密集度越高，內(nèi)部成分越復(fù)雜，其異質(zhì)性越高。膠質(zhì)瘤的空間異質(zhì)性較高，而組織病理學(xué)檢查、特別是活檢獲得組織標(biāo)本有限，存在取樣誤差。MRI無創(chuàng)、無輻射、無骨骼偽影，有良好的軟組織分辨力，是診斷和隨訪膠質(zhì)瘤的首選影像學(xué)方法。DWI能夠在體觀察水分子擴(kuò)散運(yùn)動(dòng)，其參數(shù)ADC值可直接定量反映體素內(nèi)水分子擴(kuò)散運(yùn)動(dòng)受限的程度，進(jìn)而評(píng)價(jià)腫瘤的良惡性。目前有關(guān)ADC值評(píng)價(jià)膠質(zhì)瘤分級(jí)的研究結(jié)果存在分歧，Murakami等[10]認(rèn)為最小ADC值對(duì)應(yīng)膠質(zhì)瘤高級(jí)別區(qū)域，而極差(最大值與最小值差)增大與整個(gè)腫瘤的分級(jí)相關(guān)；然而也有報(bào)道[11-12]稱LGG和HGG的最小ADC值差異無統(tǒng)計(jì)學(xué)意義，根據(jù)ADC值無法區(qū)分LGG和HGG，可能與膠質(zhì)瘤具有較高異質(zhì)性、腫瘤在空間上存在分化程度不一致有關(guān)[5]。

圖4 區(qū)域熵和區(qū)域熵聯(lián)合年齡鑒別HGG與LGG的ROC曲線

表1 LGG組與HGG組患者一般資料和腫瘤影像組學(xué)特征比較

放射組學(xué)首次被Lambin等[13]定義為從影像圖中高通量提取大量影像特征以評(píng)價(jià)腫瘤的異質(zhì)性；之后其概念完善為通過影像學(xué)手段(CT、MRI、PET等)高通量地提取大量影像信息，將視覺影像信息轉(zhuǎn)化為深層次的紋理特征，如一階特征、形狀特征、GLCM特征等[14]，憑借對(duì)影像大數(shù)據(jù)信息進(jìn)行更深層次的挖掘、預(yù)測和分析，來輔助醫(yī)師做出最準(zhǔn)確的診斷。近年來，放射組學(xué)逐漸用于肺腫瘤、頭頸部腫瘤、乳腺腫瘤、直腸腫瘤等研究領(lǐng)域，在預(yù)測腫瘤治療效果、預(yù)后及復(fù)發(fā)轉(zhuǎn)移和術(shù)前評(píng)估淋巴結(jié)轉(zhuǎn)移等方面取得了明顯成果[14]。在膠質(zhì)瘤方面，Kang等[15]比較不同級(jí)別膠質(zhì)瘤全腫瘤ADC值的直方圖參數(shù)，發(fā)現(xiàn)根據(jù)ADC的累計(jì)頻數(shù)分布圖的50%位數(shù)能夠較好地區(qū)分HGG和LGG。Ryu等[4]分析40例腦膠質(zhì)瘤ADC圖的GLCM特征，結(jié)果表明熵能較好地鑒別HGG和LGG。

本研究分析腦膠質(zhì)瘤全腫瘤ADC圖的多階紋理特征，共獲得107個(gè)特征，可全面反映整個(gè)腫瘤的異質(zhì)性。為保證研究的可比性，采用開源軟件提取膠質(zhì)瘤ADC圖的多階紋理特征，通過單因素及多因素分析進(jìn)行特征降維，最終確定區(qū)域熵與膠質(zhì)瘤分級(jí)的相關(guān)性最高，為預(yù)測HGG的獨(dú)立危險(xiǎn)因素(P=0.003，OR=2.984)。區(qū)域熵為更為高階紋理特征，表示區(qū)域大小及灰度的不確定性或隨機(jī)性，反映圖像的不均勻性，其值越大，表示腫瘤的異質(zhì)性越高。腫瘤異質(zhì)性與內(nèi)部空間變異、血管生成、細(xì)胞外間質(zhì)和壞死區(qū)有關(guān)[5]。HGG惡性程度高，易發(fā)生囊變壞死，內(nèi)部結(jié)構(gòu)比LGG更為復(fù)雜，異質(zhì)性高于LGG。本研究顯示區(qū)域熵鑒別HGG與LGG具有中等診斷效能，ROC曲線下面積為0.752；患者年齡是HGG的危險(xiǎn)因素，與Tian等[16-17]研究結(jié)果一致；聯(lián)合應(yīng)用區(qū)域熵和年齡鑒別HGG與LGG，ROC曲線下面積為0.844，敏感度為75.6%，特異度為88.0%,表明聯(lián)合紋理特征與臨床特征能比單獨(dú)使用紋理特征更好地鑒別HGG與LGG。

由于放射組學(xué)特征較大，且算法不統(tǒng)一，對(duì)特征的篩選和降維是尚未解決的關(guān)鍵問題之一[18]。Berenguer等[19]研究CT圖像的放射組學(xué)特征，發(fā)現(xiàn)約91%的組學(xué)特征具有可重復(fù)性，但大部分特征冗余。本研究經(jīng)一致性檢驗(yàn)發(fā)現(xiàn)，基于ADC值獲得的全腫瘤組學(xué)特征中，89.72%(96/107)的特征在2名醫(yī)師間有較好的一致性。由于組學(xué)特征變量較多，本研究對(duì)單因素分析結(jié)果進(jìn)行Bonferroni校正，對(duì)特征進(jìn)行較為嚴(yán)格的篩選，盡量剔除重復(fù)冗余的特征，最后有3個(gè)組學(xué)特征進(jìn)入多因素Logistic回歸模型。

本研究的局限性：①為回顧性分析，樣本存在選擇性偏倚；②未根據(jù)圖像特征重新進(jìn)行多點(diǎn)取材，以明確判斷病理分級(jí)：③對(duì)于數(shù)量龐大的組學(xué)特征，僅采用單因素及多因素分析進(jìn)行特征篩選，未采用相對(duì)復(fù)雜的算法進(jìn)行降維和對(duì)研究結(jié)果進(jìn)行驗(yàn)證。

綜上所述，根據(jù)ADC圖的紋理特征可以很好地鑒別HGG與LGG，聯(lián)合臨床特征后具有較高診斷效能，有望為臨床提供新的無創(chuàng)且能量化圖像信息技術(shù)手段，用于精確評(píng)價(jià)腦膠質(zhì)瘤分級(jí)，具有廣闊的應(yīng)用前景。