彭永佳，劉曉雯，唐雪，羅燕，江長思，龔靜山*

子宮內膜癌（endometrial cancer, EC）作為女性生殖系統(tǒng)最常見的惡性腫瘤之一，近年來仍嚴重影響著女性的身心健康，其發(fā)病和死亡率一直居高不下[1]。影響EC預后的因素很多，如淋巴血管侵犯（lymph vascular space invasion, LVSI）、年齡、病理學分級、宮頸基質侵犯（cervical stromal invasion, CSI）等，其中LVSI是影響EC預后的重要獨立危險因素[2-3]。術前對LVSI的診斷、治療及預后密切相關，因為不同的LVSI 侵犯程度影響著EC 患者治療手段的選擇。LVSI 陽性（+）患者腫瘤的異質性更高，淋巴結轉移風險更高，預后較差，早期切除陽性淋巴結利于患者預后；而LVSI陰性（-）患者淋巴結轉移的概率相對較小，可以在術中減少淋巴結的清掃，對于高齡或者身體狀況不佳的患者可以避免不必要的手術，從而有利于患者的康復。所以早期準確預測LVSI存在與否可有助于選擇正確有效的治療方法，也可避免一些過度化治療對患者帶來的傷害。另外，由于LVSI 的組織病理學只有經過術后病理才可以獲知，而目前臨床仍缺乏術前準確診斷或預測LVSI以指導術前手術方式的選擇和治療方案制訂的有效的生物學標記。

MRI無創(chuàng)無輻射，具有較高的空間分辨力，并且可以多方位多參數(shù)成像，因此被廣泛應用于婦科腫瘤的診斷、分期和療效評估，在患者治療方案決策中起著重要作用[4-7]。近年來隨著人工智能的飛速發(fā)展，影像組學進入了一個新時代，它將常規(guī)醫(yī)學影像圖像轉變?yōu)榭赏诰虻拇髷?shù)據(jù)，為臨床患者的個性化治療提供決策支持，已成為影像醫(yī)學與精準醫(yī)學間的橋梁[8-9]。因此，本研究擬利用多參數(shù)MRI（multiparametric MRI, mpMRI）提取EC的影像組學特征，建立機器學習模型在體預測LVSI狀態(tài)，并通過列線圖使模型可視化以便于臨床推廣，為EC患者個性化治療方案的選擇提供決策支持。

1 材料與方法

1.1 研究對象

本研究已獲深圳市人民醫(yī)院道德倫理委員會批準，免除患者的知情同意，批準文號：LLKY-2021909?；仡櫺苑治?015年6月至2021年6月就診于深圳市人民醫(yī)院經過手術病理證實為EC患者病例285例。納入標準：（1）經病理診斷為EC；（2）行子宮及雙側輸卵管、卵巢全切術且有完整術后病理報告，將患者分為LVSI（+）組和LVSI（-）組；（3）術前兩周內經過MRI平掃加增強檢查且可以從PACS（picture archive and communication system）系統(tǒng)中完整獲取；（4）MRI 檢查前未經相關治療。排除標準：（1）MRI圖像上病灶最大徑小于1 cm 或大量出血等使病灶顯示不清；（2）圖像質量差或影像組學特征提取失敗。最終202例納入本研究，收集患者的相關資料，并按照7∶3的比例隨機分入訓練集（n=141）和驗證集（n=61）（如圖1）。

圖1 子宮內膜癌MRI特征提取及構建預測淋巴血管侵犯預測模型流程圖。Fig. 1 Endometrial cancer MRI features extraction and construction of lymphatic vascular space invasion prediction model flow chart.

1.2 MRI掃描方案

采用Simens Magnetom Skyra 3.0 T MRI掃描系統(tǒng)和18通道相控陣體部線圈。檢查前囑咐患者排空腸道并喝適量的水適當將膀胱充盈?；颊呷⊙雠P位，頭先進，采集MRI軸位序列。掃描序列包括：T2WI快速自旋回波（turbo spin echo, TSE）序列、T1WI TSE序列、擴散加權成像（diffusion weighted imaging, DWI）序列（b 值為0 和1000 s/mm2）、T1WI 對比增強（contrast enhanced T1WI, CE-T1WI）序列。根據(jù)DWI自動生成表觀擴散系數(shù)（apparent diffusion coefficient, ADC）mapping，各序列參數(shù)見表1。

表1 MRI 掃描參數(shù)Tab.1 MRI scan parameters

1.3 腫瘤組織病理學分級

依據(jù)術前診刮術后病理診斷將EC分為以下三級：1級（G1）腫瘤的實性成分5%以下；2 級（G2）腫瘤實性成分在6%～50%之間；3 級（G3）腫瘤的實性成分大于50%。非子宮內膜樣腺癌包括漿液性乳頭狀癌、癌肉瘤和透明細胞癌等，病理上診斷為高級別EC。本研究將G1 和G2 分為低級別EC（G-low），G3 和非子宮內膜樣腺癌分為高級別EC（G-high）。

1.4 腫瘤分割和影像組學特征提取

每位患者MRI 圖像的獲取由2 名高年資（分別為12 年、15 年以上工作經驗）的放射科醫(yī)生從PACS 系統(tǒng)采用雙盲法共同閱片，對于有異議的協(xié)商解決。每個患者獲得T2WI、DWI、ADC、CE-T1WI四個MRI序列圖像，以DICOM（digital imaging and communication in medicine）格式導出進行圖像后處理。由兩名3年以上MRI 讀片經驗的醫(yī)生各自分別在T2WI、ADC（參考DWI，b 值為1000 s/mm2）、CE-T1WI 圖像上采用開源的ITK-SNAP（v.3.6.0, www.itksnap.org）軟件手工逐層勾畫感興趣區(qū)（region of interest, ROI），考慮到腫瘤異質性分析的重要性，ROI應包括出血、壞死、囊變等區(qū)域，但應避免腫瘤周邊正常的組織區(qū)域，最終獲取腫瘤的3D分割圖。采用開源Pyradiomics軟件包（http://pyradiomics.readthedocs.io/）自動提取影像組學特征。每個序列圖像共獲取107個紋理特征，包括14個形態(tài)（shape）特 征、14 個 灰 度 相 關 矩 陣（gray level dependence matrix, GLDM）特征、24 個灰度共生矩陣（gray level co-occurrence matrix, GLCM）特征、18個一階統(tǒng)計（first order statistics）特征、16個灰度運行長度矩陣（gray level run length matrix, GLRLM）特征、16 個灰度區(qū)域大小矩陣（gray level size zone matrix, GLSZM）特征，5個鄰域灰度差矩陣（neighborhood gray-tone difference matrix, NGTDM）特征。

1.5 統(tǒng)計學處理

統(tǒng)計分析采用SPSS 23.0 及R 語言4.2.2 版本（http://www.rproject.org）統(tǒng)計軟件。采用t檢驗及χ2檢驗或Mann-Whitney秩和檢驗分析臨床基本資料及影像組學特征。定量資料進行正態(tài)分布檢驗，以均數(shù)±標準差（±s）或中位數(shù)表示，定性資料通過頻數(shù)和百分比（%）進行統(tǒng)計描述。P＜0.05 為差異有統(tǒng)計學意義。采用組內相關系數(shù)（intraclass correlation coefficient, ICC）評價2名醫(yī)師提取影像組學特征參數(shù)的一致性，以評估數(shù)據(jù)抽取結果的一致性，大于0.75認為一致性良好。影像組學特征采用最小值-最大值歸一化，消除不同特征間的尺度不同。運用R語言“glmnet”包在訓練集中進行最小絕對收縮和選擇算法（least absolute shrinkage and selection operator, LASSO）回歸分析和5折疊交叉驗證法篩選與LVSI強相關的特征并計算影像組學分數(shù)（radiomics score, Rad-score）。

1.6 模型的構建、可視化和驗證

以單因素和多因素logistic回歸篩選LVSI的獨立危險因素，在訓練集中建立回歸模型（R語言”lrm”軟件包），并采用列線圖使模型可視化，預測效能采用C指數(shù)（C-index）評價，并采用bootstrap法（1000次）確定95%置信區(qū)間（95%CI）。建立校準曲線評估模型擬合優(yōu)度，在驗證集對模型進行驗證，采用DeLong檢驗進行比較。列線圖臨床凈收益率通過決策曲線分析（decision curve analysis, DCA）來評價。

2 結果

2.1 臨床基本資料單因素分析

202 例EC 患者中有46例（22.8%）患者發(fā)生LVSI，在有無LVSI之間年齡、腫瘤病理學分級差異均具有統(tǒng)計學意義（P＜0.05），并且LVSI（+）組年齡高于LVSI（-）組[（59.24±8.19）歲vs.（54.15±9.41）歲，P＜0.001]；EC高級別腫瘤的患病率在LVSI（+）患者中更高[46%（21/46）vs. 15%（23/156）]，且在有無LVSI組間差異有統(tǒng)計學意義（P＜0.001）。LVSI和MRI-CSI之間的相關性無統(tǒng)計學意義（P=0.267）（表2）。

2.2 影像組學特征的選擇

2位醫(yī)師分別勾畫ROI后提取的影像組學特征進行組間一致性檢驗后發(fā)現(xiàn)有36個影像組學特征穩(wěn)定性較差（ICC≤0.75）。在剩余285 個影像組學特征進行單因素分析后，有23個組學特征有統(tǒng)計學意義（P＜0.05）。LASSO 回歸篩選出13 個影像組學特征與LVSI 存在與否具有較強的相關性（包含3 個ADC、6 個CE-T1WI和4個T2WI圖的特征），詳見表3。通過公式計算Rad-score=-1.47771068+特征×系數(shù)，兩組間Rad-score 分布差異有統(tǒng)計學意義（P＜0.05，表2 和圖2）。典型病例見圖3和圖4。

圖2 訓練集中影像組學分數(shù)柱形圖，紅色代表淋巴血管侵犯陽性，藍色代表淋巴血管侵犯陰性。Fig. 2 Bar graph of radimics score in the training set, where red represents lymphatic vascular space invasion positive and blue represents negative.

表2 患者基本資料比較以及LVSI高危因素多因素回歸分析Tab.2 Comparison of basic patient data and multivariate regression analysis of high-risk factors for lymphatic vascular space invasion

表3 LASSO分析篩選13個影像組學特征統(tǒng)計Tab.3 Statistical analysis of 13 radiomics features screened by LASSO

2.3 預測模型構建與預測效能

單因素和多因素logistic回歸分析顯示年齡、病理學分級和Rad-score為LVSI的獨立危險因素（表2）。聯(lián)合LVSI危險因素構建的列線圖在訓練集和驗證集中C-index 分 別 為[0.871（95%CI：0.803～0.940）vs. 0.810（95%CI：0.698～0.917），P=0.333]（圖5A），影像組學模型在訓練集和驗證集中C-index 分別為[0.854（95%CI：0.784～0.925）vs. 0.756（95%CI:0.619～0.892），P=0.211]（圖5B）。列線圖和影像組學模型對LVSI均具有較高的預測效能，并且列線圖高于影像組學模型（P=0.012），如圖5C。模型的列線圖如圖6；校準曲線發(fā)現(xiàn)預測概率與觀察概率基本一致，平均絕對誤差為0.027，表明模型具有良好的擬合優(yōu)度（在Hosmer-Lemeshow test,P=0.680）（圖7）。列線圖的臨床應用效能，使用DCA進行評價（圖8）。

圖5 預測淋巴血管侵犯（LVSI）受試者工作特征（ROC）曲線圖。5A：列線圖模型在訓練集與驗證集中預測LVSI的ROC曲線圖；5B：影像組學模型在訓練集與驗證集中預測LVSI的ROC曲線圖；5C：列線圖和影像組學預測LVSI效能的比較。Fig. 5 Receiver operating characteristic (ROC) curve for predicting lymphatic vascular space invasion (LVSI). 5A and 5B show the ROC curves of the nomogram and radimics models in the training and validation sets,respectively;5C shows the comparison of the nomogram and radimics in predicting LVSI efficacy.

圖6 預測淋巴血管侵犯的列線圖模型。Fig.6 The normogram model to predict lymphatic vascular space invasion.

圖7 列線圖模型的校正曲線。Fig.7 The correction curve of the normogram model.

圖8 在訓練集中預測淋巴血管侵犯列線圖的決策曲線分析。Fig. 8 The decision curve analysis of predicting lymphatic vascular space invasion nomogram in the training set.

3 討論

本研究提取EC的mpMRI影像組學特征并采用LASSO篩選出13個與LVSI相關的特征并計算Rad-score，其模型對LVSI具有較高的預測能力，在訓練集和驗證集中C-index 分 別 為0.854 （95%CI：0.784～0.925）和0.756（95%CI：0.619～0.892）；結合臨床病理特征建立列線圖后，其預測效能更優(yōu)，在訓練集和驗證集的C-index 分別達到0.871（95%CI：0.803～0.940）和0.810（95%CI：0.698～0.917）。研究結果表明影像組學具備在體評估EC 腫瘤微環(huán)境的潛能，有望成為在體預測LVSI 的影像學生物標記，為臨床患者個性化醫(yī)療方案的制訂提供決策支持。

影響EC 的預后和臨床治療方案選擇因素較多，而且大多數(shù)可以依賴活檢和常規(guī)影像學評估獲得，而LVSI 為組織病理學表現(xiàn)，只有術后才能明確。通過結合Rad-score 和臨床病理特征建立的模型有利于為臨床術前決策提供更有力的定量支持，特別是在無法及時得到經驗豐富的放射科醫(yī)生閱片的情況下，因為放射科醫(yī)生閱片對疾病進行視覺上的分析和診斷在一定程度上依賴工作經驗，而且每個醫(yī)生的判斷都存在一定的差異性[10]。影像組學采用數(shù)學算法可以更客觀地評估病變，從而獲得視覺上無法得到的定量信息[11-13]。目前，將影像組學與臨床指標聯(lián)合建立預測模型，提高病變的診斷或預測能力是影像組學研究的熱點之一[14-15]。Ueno等[16]利用mpMRI影像組學特征建立模型對EC的LVSI進行預測，其AUC值為0.80，對腫瘤危險因素的預測效能較本研究低，其原因可能是他們的研究未對臨床指標進行綜合，且樣本量較少，另外僅提取和分析了一階統(tǒng)計特征。惡性腫瘤最重要的特征之一是異質性，而mpMRI紋理特征分析可以包含更全面的腫瘤內部信息，從而發(fā)現(xiàn)不同腫瘤生物行為的差異，更能代表腫瘤內部的真實情況。腫瘤異質性越高，其生物學行為越活躍，轉移惡化的風險越高[17-18]。有研究[19]表明mpMRI 影像組學特征模型預測腫瘤的效能優(yōu)于單參數(shù)模型。Luo等[20]基于多參數(shù)影像組學列線圖模型預測子宮內膜癌LVSI的研究，得到了較高的預測效能，其AUC為0.82，結果相較本研究低，可能是由于該研究樣本量相對較少，還有可能是列線圖引入了不同的臨床指標。

特征選擇是機器學習模型開發(fā)中非常重要的過程，如果將所有特征數(shù)據(jù)都輸入到機器學習算法或模型中，則可能會發(fā)生過擬合[21]。最近的一項研究發(fā)現(xiàn)，利用強相關特征建立的模型較不篩選的模型更加穩(wěn)定，并且能夠獲得更好的預測效果[22]。本研究通過LASSO回歸降維篩選出13個與LVSI具有較強相關的特征并構建Rad-score，建立的預測模型具有較高的效能。在這13個特征中形狀和GLRLM特征最多，可能與EC的LVSI更具相關性。形狀特征是腫瘤重要的形態(tài)學特征之一，其反映了腫瘤在形狀方面的物理特性，其值越大代表腫瘤的形態(tài)越不規(guī)則，邊界越不清晰，從而反映腫瘤邊緣的微環(huán)境特征越具有較高的惡性度。本研究發(fā)現(xiàn)，篩選出來的13個特征對LVSI預測貢獻較大的前2 名均為形態(tài)特征，分別為T2WI 平面度和ADC球度，λ系數(shù)為0.652和0.349。平面度越大代表腫瘤越大，球度值越大說明腫瘤區(qū)域表面積越大，說明LVSI（+）腫瘤形態(tài)越不規(guī)則，對周圍正常組織的侵犯性越強。GLRLM 代表圖像信號灰度強度值或行程長度差異，其值越大說明腫瘤越容易出血、壞死、囊變等因而引起圖像信號越不均勻，惡性程度也越高。另外，本研究還有一個發(fā)現(xiàn)，在篩選出的13 個組學特征中CE-T1WI序列提取的組學特征相較其他兩個序列居多，這說明腫瘤的特異性行為與CE-T1WI中的影像組學信息密切相關。CE-T1WI通過對比劑進入腫瘤內部的微循環(huán)，從而定量分析腫瘤組織內部的生存供血情況來判斷腫瘤的生物學行為[23-24]。因此，本研究得到的結果與CE-T1WI對評估腫瘤異質性的貢獻是相對應的。

本研究有幾方面局限性，首先，這是一個單中心的回顧性研究，只選入接受手術的患者，這可能會引入選擇偏差；其次，本研究樣本量較小，僅有202例患者，因此，在整個隊列中隨機分為訓練集和驗證集，可能會導致過擬合，而且缺少外部數(shù)據(jù)驗證；另外，影像組學依賴于專家定義的有限特征，本研究對每個序列只提取了107個影像組學特征，可能還有一些與LVSI相關性較強的未知特征沒有被包含在內。

綜上所述，本研究提取mpMRI影像組學特征建立的列線圖能對EC 的LVSI 達到較高的預測效能，有望成為一種在體術前預測LVSI 的影像學生物標記，為臨床個性化的治療方案和預后判斷提供決策支持。

作者利益沖突聲明：全體作者均聲明無利益沖突。