楊彥松，馮峰，傅愛燕，段書峰，陳瑜鳳，葛亞瓊

直腸癌是男性和女性均較常見的惡性腫瘤[1]，年齡小于50歲的人群患病率逐年增加，且在低年齡組中死亡率每年增加1%[2]。全直腸系膜切除術(shù)(total mesorectal excision，TME)是用于直腸癌治療的標(biāo)準(zhǔn)經(jīng)腹手術(shù)[3]。腫瘤神經(jīng)周圍侵犯(perineural invasion，PNI)是直腸癌患者轉(zhuǎn)移擴(kuò)散的可能途徑[4]，與預(yù)后不良有關(guān)[4-9]。因此術(shù)前準(zhǔn)確預(yù)測(cè)評(píng)估PNI至關(guān)重要[3]。目前評(píng)估直腸癌PNI的影像學(xué)研究較少，本研究旨在探討術(shù)前MR放射組學(xué)模型預(yù)測(cè)直腸癌患者PNI的價(jià)值。

材料與方法

1.一般資料

回顧性分析本院2016年12月-2019年7月經(jīng)TME手術(shù)病理證實(shí)為直腸癌的患者136例。入組標(biāo)準(zhǔn)：①手術(shù)病理證實(shí)為直腸腺癌；②MR檢查前未行放化療、新輔助治療等相關(guān)治療；③術(shù)前1周內(nèi)在本院行高分辨率直腸MR掃描。排除標(biāo)準(zhǔn)：①術(shù)后病理為粘液腺癌、腫瘤病灶含粘液分泌或其他病理類型的腺癌；②術(shù)前檢查提示遠(yuǎn)處轉(zhuǎn)移或患者身體不佳未行TME手術(shù)；③MR檢查圖像偽影較大，無(wú)法勾畫病灶。136例直腸癌患者中，排除16例粘液腺癌，4例含分泌粘液的腺癌，3例神經(jīng)內(nèi)分泌腫瘤，3例腺瘤，最終共計(jì)110例患者入組，其中男76例，女34例，平均年齡(64.2±9.7)歲。

2.MR檢查及方法

患者檢查前禁食4h，檢查前使用開塞露清潔腸道，采用Siemens Magnetom verio 3.0超導(dǎo)MR掃描儀及8通道體部表面相控陣線圈?；颊呷⊙雠P位，足先進(jìn)。掃描范圍設(shè)置為兩側(cè)髂棘到兩側(cè)腹股溝下緣。掃描方案參照文獻(xiàn)報(bào)道方法[10]，依次行脂肪抑制T2WI矢狀面及冠狀面、DWI掃描，然后在垂直于直腸腫瘤長(zhǎng)軸方向行高分辨率軸位T2WI 掃描，最后行VIBE系列T1WI平掃和動(dòng)靜脈期增強(qiáng)掃描，掃描參數(shù)見表1。

表1 直腸癌MR掃描參數(shù)

3.圖像勾畫

選取高分辨率T2WI橫軸面病灶最大截面所在層面[11]，使用ITK-SNAP3.8軟件勾畫病灶。

4.建立影像組學(xué)特征模型[12-14]

使用AK軟件(GE healthcare，version 3.2.0)從圖像中提取396特征，包括42個(gè)直方圖特征，20個(gè)形態(tài)特征，334個(gè)紋理特征，將患者按13:7的比例分為訓(xùn)練集(72例)和驗(yàn)證集(38例)。訓(xùn)練集用于影像特征的篩選與建模，驗(yàn)證集用來評(píng)估模型的穩(wěn)定性及可行性。首先采用最大相關(guān)最小冗余的方式對(duì)組學(xué)特征進(jìn)行初步篩選，保留10個(gè)有最大預(yù)測(cè)效能的特征，然后將剩余的影像特征作LASSO回歸分析，通過10折交叉驗(yàn)證篩選LASSO回歸模型的最優(yōu)超參數(shù)lambda值，在最優(yōu)lambda值下，特征系數(shù)不為0的參數(shù)作為最終構(gòu)建影像組學(xué)評(píng)分(Radscore)的特征。Radscore為最終所保留的特征與各自對(duì)應(yīng)系數(shù)乘積的和，其公式為Radscore=截距+βi·Xi，按這個(gè)公式分別計(jì)算每一個(gè)樣本的Radscore；并由樣本的Radscore根據(jù)閾值對(duì)樣本進(jìn)行分類，評(píng)分大于閾值的樣本歸為一類，小于閾值的樣本歸為另一類，采用wilcoxon檢驗(yàn)比較兩組間Radscore的差異。ROC曲線分析用于評(píng)價(jià)模型的預(yù)測(cè)能力。首先得到訓(xùn)練集的ROC曲線，根據(jù)約登指數(shù)選擇最優(yōu)的判別閾值，進(jìn)而得到模型在訓(xùn)練集上的效能。決策曲線分析用于分析模型的臨床應(yīng)用價(jià)值。在驗(yàn)證集中，根據(jù)影像組學(xué)評(píng)分公式計(jì)算出每個(gè)被測(cè)試的評(píng)分，得出驗(yàn)證集ROC曲線，利用訓(xùn)練集中所得到的閾值，判斷模型在驗(yàn)證集上的預(yù)測(cè)效能。

圖1 采用LASSO 10折交叉驗(yàn)證圖。a)用10倍交叉驗(yàn)證的方法尋找LASSO的超參數(shù)lambda，模型偏差最低點(diǎn)對(duì)應(yīng)的橫坐標(biāo)為最優(yōu)的lambda值，即第一個(gè)虛線所在位置；b)圖中每條彩色的線代表特征的系數(shù)隨lambda值的變化曲線，通過圖a尋找到的lambda值(虛線代表的位置)來確定哪個(gè)參數(shù)的系數(shù)不為0，則該參數(shù)用于最后的模型構(gòu)建。

表2 LASSO降維為最后保留的特征表

5.統(tǒng)計(jì)分析

本研究采用R語(yǔ)言(Version 3.5.1，www.R-project.org)進(jìn)行統(tǒng)計(jì)學(xué)分析，“mRMRe”程序包采用最大相關(guān)最小冗余的方式對(duì)組學(xué)特征進(jìn)行初步篩選，保留10個(gè)有最大預(yù)測(cè)效能的特征，“glmnet”程序包用于選擇最佳的特征集合并進(jìn)行LASSO回歸分析，構(gòu)建影像組學(xué)模型。ROC分析是基于“pROC”程序包來評(píng)估模型預(yù)測(cè)PNI的效能?！癕odelGood”程序包用來進(jìn)行模型的校準(zhǔn)分析?！皉mda”程序包用于繪制決策曲線，驗(yàn)證模型的臨床價(jià)值。采用獨(dú)立樣本t檢驗(yàn)、χ2檢驗(yàn)及秩和檢驗(yàn)比較訓(xùn)練集、驗(yàn)證集和PNI組和無(wú)PNI組年齡、性別、CEA的差異。以P< 0.05為差異具有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

1.患者一般資料分析

訓(xùn)練集72例，驗(yàn)證集38例，兩組年齡(65.6±9.7歲，64.4±9.8歲，t=0.363，P=0.719)、性別(男女比例50:22和26:12，χ2=0.012，P=0.912)、CEA[2.86(1.49，4.84)ng/mL，3.20(2.14，6.37)ng/mL，Z=-0.0990，P=0.322]差異均無(wú)統(tǒng)計(jì)學(xué)意義。術(shù)后病理提示有PNI的患者24例，無(wú)PNI的患者86例，PNI組和無(wú)PNI組兩組間年齡(63.9±12.1歲，64.9±9.0歲，t=0.423，P=0.673)、性別(男女比例57:27和9:7，χ2=0.253，P=0.615)、CEA[3.20(1.94，4.88)ng/mL，2.90(1.68，6.12)ng/mL，Z=-0.004，P=0.997]差異無(wú)統(tǒng)計(jì)學(xué)意義。

2.構(gòu)建放射組學(xué)預(yù)測(cè)模型

圖2 wilcoxon檢驗(yàn)。兩組P值均<0.05，兩組差異具有統(tǒng)計(jì)學(xué)意義。

首先采用最大相關(guān)最小冗余的方式對(duì)組學(xué)特征進(jìn)行初步篩選，保留10個(gè)有最大預(yù)測(cè)效能的特征，然后將剩余的影像特征作LASSO回歸分析，通過10折交叉驗(yàn)證篩選LASSO回歸模型的最優(yōu)超參數(shù)lambda值(圖1)。LASSO降維為最后保留的特征見表2，特征系數(shù)絕對(duì)值越大，表明該特征與PNI之間的關(guān)系越大，預(yù)測(cè)價(jià)值越大。

3.計(jì)算影像組學(xué)模型的預(yù)測(cè)效能

Radscore是由模型構(gòu)建的特征乘以對(duì)應(yīng)的系數(shù)之和所得到，其公式為“Radscore=截距+βi·Xi”，按這個(gè)公式分別計(jì)算每一個(gè)樣本的Radscore；并由樣本的Radscore根據(jù)閾值對(duì)樣本進(jìn)行分類，評(píng)分大于閾值的樣本歸為一類，小于閾值的樣本歸為另一類，wilcoxon檢驗(yàn)兩組P值均<0.05，兩組分類差異具有統(tǒng)計(jì)學(xué)意義(圖2)。

Radscore=0.163*Correlation_angle135_offset7+-0.299*HighGreyLevelRunEmphasis_AllDirection_offset7_SD+0.339*LongRunLowGreyLevelEmphasis_AllDirection_offset1_SD+0.331*RunLengthNonuniformity_AllDirection_offset7_SD+-0.334*InverseDifferenceMoment_AllDirection_offset7_SD+0.448*ClusterProminence_angle135_offset7+0.282*LongRunHighGreyLevelEmphasis_AllDirection_offset1_SD+-0.647*ClusterShade_AllDirection_offset1_SD+-0.109*RunLengthNonuniformity_AllDirection_offset4_SD+-0.028

繪制該模型預(yù)測(cè)PNI的ROC曲線(圖3)，計(jì)算閾值時(shí)訓(xùn)練集和驗(yàn)證集的效能，訓(xùn)練集曲線下面積(area under the curve，AUC)為0.79，驗(yàn)證集AUC為0.76。

該模型的臨床應(yīng)用價(jià)值，決策曲線分析(decision curve analysis，DCA)顯示閾值在0. 2～1較大的范圍內(nèi)，模型的凈收益較大(圖4)，在這個(gè)閾值范圍內(nèi)使用模型來預(yù)測(cè)PNI相對(duì)安全。

討 論

直腸癌術(shù)后病理提示PNI是術(shù)后病理診斷的一個(gè)內(nèi)容，多項(xiàng)研究證實(shí)直腸癌患者PNI與較差的預(yù)后相關(guān)[4-9]。有PNI的直腸癌患者較無(wú)PNI的直腸癌患者總生存率(overall survival，OS)降低，無(wú)病生存率(disease free survival，DFS)降低，局部復(fù)發(fā)率(local recurrence，LR)增高。

一項(xiàng)納入269例直腸癌切除術(shù)后生存分析的單中心回顧性研究發(fā)現(xiàn)，無(wú)PNI的患者較PNI患者的5年生存率提高了4倍[8]。Quah等[9]對(duì)448例II期直腸癌患者進(jìn)行長(zhǎng)期隨訪，中位隨訪時(shí)間約53個(gè)月，多變量分析顯示PNI患者的5年DFS顯著低于無(wú)PNI的患者(29% vs. 82%，P=0.0005)。III期的直腸癌患者有與上述研究類似的結(jié)果[7]。

一項(xiàng)納入58項(xiàng)研究的22900例直腸癌患者的Meta分析[4]結(jié)果表明PNI與LR增加、5年無(wú)病生存率(5-year disease free survival，5yDFS)減少、5年癌癥特異性生存率(5-year cancer-specific survival，5yCSS)減少和5年總生存率(5-year overall survival，5yOS)減少相關(guān)，多因素分析顯示PNI是5yDFS，5yCSS和5yOS的獨(dú)立預(yù)后因素。

圖3 該模型預(yù)測(cè)PNI的ROC曲線。a)驗(yàn)證集；b)訓(xùn)練集。

圖4 該模型的DCA。橫坐標(biāo)為閾值概率，綠色曲線表示所有樣本都為陽(yáng)性，都接受干預(yù)，黑色水平線表示所有樣本都為陰性，不做任何干預(yù)；藍(lán)色曲線表示閾值在0. 2～1較大的范圍內(nèi)，模型的凈收益大于其它兩種情況。

目前術(shù)前用現(xiàn)有的影像方法評(píng)估預(yù)測(cè)PNI相關(guān)研究較少。放射組學(xué)是目前新興的研究熱點(diǎn)，通過提取高通量的影像特征，分析其與疾病異質(zhì)性的相關(guān)性，構(gòu)建預(yù)測(cè)疾病異質(zhì)性的模型[12-15]。如Park等[12]將294例接受術(shù)前MRI檢查的浸潤(rùn)性乳腺癌患者隨機(jī)分為訓(xùn)練組(n=194)和驗(yàn)證組(n=100)，基于訓(xùn)練集中的彈性網(wǎng)絡(luò)回歸生成Rad-score，最終構(gòu)建了結(jié)合Rad-score、MRI及臨床病理學(xué)特征的放射組學(xué)列線圖，結(jié)果顯示在訓(xùn)練組和驗(yàn)證組中，較高的Rad評(píng)分與較差的DFS顯著相關(guān)(P分別為0.002和0.036)。放射組學(xué)列線圖估計(jì)DFS(C指數(shù)0.76，95%CI為0.74～0.77)優(yōu)于臨床病理學(xué)(C指數(shù)0.72，95%CI為0.70～0.74)或僅有Rad評(píng)分的列線圖(C指數(shù)0.67，95%CI為0.65～0.69)[12]。Chen等研究回顧性分析487例病理診斷為非小細(xì)胞肺癌的增強(qiáng)CT圖像，每個(gè)患者提取了511個(gè)放射組學(xué)特征，最終構(gòu)建了基于9放射學(xué)特征的Rad-score，用于區(qū)分非小細(xì)胞肺癌的組織分化水平(訓(xùn)練集AUC=0.763，驗(yàn)證集AUC=0.782)[13]。Xu等[14]通過回顧性分析提取495名肝細(xì)胞癌患者的CT影像特征和臨床特征，建立一個(gè)在肝細(xì)胞癌術(shù)前預(yù)測(cè)微血管侵犯(microvascular invasion，MVI)的模型，訓(xùn)練集AUC為0.909，驗(yàn)證集AUC為0.889，多因素回歸分析顯示Radscore計(jì)算的MVI概率、組織學(xué)MVI、腫瘤大小和Edmondson-Steiner等級(jí)與疾病特異性復(fù)發(fā)和死亡率獨(dú)立相關(guān)。通過對(duì)諸如上述放射組學(xué)文獻(xiàn)的閱讀與思考，我們?cè)噲D通過構(gòu)建放射組學(xué)模型預(yù)測(cè)直腸癌PNI。本研究通過提取高通量的放射組學(xué)數(shù)據(jù)，成功構(gòu)建有效穩(wěn)定可行的預(yù)測(cè)直腸癌PNI的模型，能較好的預(yù)測(cè)PNI，訓(xùn)練集AUC為0.79，驗(yàn)證集AUC為0.76。

本研究有以下不足之處，首先樣本量相對(duì)較少，尚待后期擴(kuò)充樣本量進(jìn)行進(jìn)一步研究；其次本研究中因所有入選患者均行TME，無(wú)T4期患者納入，無(wú)法評(píng)估該模型在T4期患者中預(yù)測(cè)價(jià)值；最后本研究選取高分辨率T2WI軸位最大截面勾畫病灶，非全體積，數(shù)據(jù)可能存在一定偏差。

總之，通過提取高通量的放射組學(xué)數(shù)據(jù)，建立預(yù)測(cè)直腸癌PNI的模型，能較好的預(yù)測(cè)PNI，早期評(píng)估預(yù)后。