李晴，吳林永，金彬彬，陸柳彤，趙羽佳，馬燕

（廣西醫(yī)科大學(xué)第一附屬醫(yī)院超聲科，廣西 南寧 530021）

子宮內(nèi)膜息肉樣病變是指子宮內(nèi)膜表面的結(jié)節(jié)狀隆起樣病變[1]，是較為常見的婦科疾病。子宮內(nèi)膜息肉樣病變組織來源于間質(zhì)性病變或上皮性病變等，主要包括子宮內(nèi)膜息肉、粘膜下肌瘤或息肉樣生長的子宮內(nèi)膜癌等[2]。是造成患者月經(jīng)量多、經(jīng)期不規(guī)則及不孕的重要因素[3]。研究發(fā)現(xiàn)，盡管大多數(shù)患者子宮內(nèi)膜息肉樣病變?yōu)榱夹?，但存在著一定的惡性病例[4]，其臨床表現(xiàn)上缺乏一定的特異性，即可表現(xiàn)出同病異像，異病同像的現(xiàn)象[5-6]。因此，提高對子宮內(nèi)膜息肉樣病變的鑒別能力是婦科超聲亟待解決的問題之一。

經(jīng)陰道超聲檢查是子宮疾病篩查、定性和隨訪的常規(guī)影像學(xué)方法。影像組學(xué)是一項(xiàng)人工智能技術(shù)，其定義是指從影像中高通量的提取大量影像信息，實(shí)現(xiàn)腫瘤分割、特征提取與模型建立，憑借對海量影像數(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)師作出最準(zhǔn)確的診斷[7]。本文擬探討超聲影像組學(xué)在子宮內(nèi)膜息肉樣病變中的應(yīng)用。

1 資料和方法

1.1 研究隊(duì)列

本研究回顧性分析2018 年6 月—2020 年6 月廣西醫(yī)科大學(xué)第一附屬醫(yī)院經(jīng)病理證實(shí)的子宮內(nèi)膜息肉樣病變，納入病變：①均為子宮內(nèi)膜息肉樣病變；②經(jīng)診刮、宮腔鏡或手術(shù)病理證實(shí)；③術(shù)前完善陰道超聲檢查；④目標(biāo)病灶在超聲圖像上顯示清晰、明確。排除病變：①子宮內(nèi)膜非息肉樣性病變；②圖像質(zhì)量不佳或病灶存在爭議；③超聲檢查前存在放化療等治療史。最后，共納入193 例子宮內(nèi)膜息肉樣病變，其中子宮內(nèi)膜癌62例，子宮粘膜下肌瘤31例，子宮內(nèi)膜息肉100 例。

1.2 圖像采集及分割

采用邁瑞、GE 超聲彩色多普勒診斷儀，掃查范圍包括子宮及雙側(cè)附件，記錄病灶的超聲特征：部位、數(shù)目、大小、形態(tài)、邊界、內(nèi)部回聲，與周圍結(jié)構(gòu)的關(guān)系等。選取病灶最大且清晰的圖像進(jìn)行圖像分割。在ITKSNAP（version 3.80）軟件中，一位具有5 年超聲工作經(jīng)驗(yàn)的醫(yī)師勾畫病變的感興趣區(qū)域（ROI），并由一位具有10 年超聲工作經(jīng)驗(yàn)的醫(yī)師再次確認(rèn)，爭議通過協(xié)商解決，用于后續(xù)分析（圖1）。

1.3 特征提取及選擇

在Ultasomics-Platform（version 3.0）軟件進(jìn)行特征提取，主要可對5 234 個影像組學(xué)特征進(jìn)行提取并生成數(shù)據(jù)集，包括：122 Original；48 Ipris；468 CoLIAGe；432 Wavelets+LBP；2944 Shearlets；1080 Gabors；80 PLBP；60 WILBP。根據(jù)隨機(jī)原則，將數(shù)據(jù)集以病理類型按7 比3 的分例拆分成訓(xùn)練子集和驗(yàn)證子集。采用最大最小值方法對子集數(shù)據(jù)標(biāo)準(zhǔn)化以提供數(shù)據(jù)間的可比性。

為避免了數(shù)千特征構(gòu)建模型出現(xiàn)的過擬合問題，采用Spearman 相關(guān)系數(shù)以0.8+為閾值對高相關(guān)性特征去除。然后，假設(shè)檢驗(yàn)用于篩選與鑒別子宮內(nèi)膜息肉樣病變類型的差異性特征，服從正態(tài)分布使用T 檢驗(yàn)，否則使用非參數(shù)U 檢驗(yàn)，以P 值小于0.05 具有統(tǒng)計(jì)學(xué)意義。最后以L1 正則化邏輯回歸方法選擇最終構(gòu)建模型的特征。

1.4 模型構(gòu)建和評估

決策樹機(jī)器學(xué)習(xí)算法（Decision Tree）用于構(gòu)建預(yù)測模型，同時采用5 倍交叉驗(yàn)證方法進(jìn)行樣本的優(yōu)化，選擇最優(yōu)的模擬結(jié)果。采用受試者工作特征（ROC）曲線及曲線下面積（AUC）評估模型的性能。

2 結(jié)果

訓(xùn)練集納入135 例患者的超聲圖像，其中子宮內(nèi)膜癌43例，子宮粘膜下肌瘤和內(nèi)膜息肉92例；驗(yàn)證集納入58 例患者的超聲圖像，其中子宮內(nèi)膜癌19例，子宮粘膜下肌瘤和內(nèi)膜息肉39 例。最終選擇了39 個特征進(jìn)行模型構(gòu)建，其中1 個original 特征，1 個Ipris 特征，2 個CoLIAGe2D 特征，17 個shearlet特征，13 個Gabors 特征，4 個wavelet 特征，1 個WILBP 特征，特征間的相關(guān)性見圖2a，2c。通過分析發(fā)現(xiàn)，38 個特征的特征量在子宮內(nèi)膜息肉樣病變中表現(xiàn)差異（P<0.05），進(jìn)一步發(fā)現(xiàn)鑒別子宮內(nèi)膜息肉樣病變的前10 個特征，AUC 值均大于0.72，其中shearlet2DIdxs[2 2 -1]_glszm_SizeZoneNonUniformity 特征鑒別價值最高，AUC 達(dá)到了0.85，見表1。訓(xùn)練集和驗(yàn)證集的影像組學(xué)評分在良性和惡性子宮內(nèi)膜息肉樣病變上顯著差異（訓(xùn)練集，P<0.0001，驗(yàn)證集，P<0.0001）。訓(xùn)練集的AUC 為0.91（95%置信區(qū)間（CI），0.842～0.974），準(zhǔn)確度、靈敏度及特異度為0.93，0.84，0.97；驗(yàn)證集 的AUC 為0.84（95%CI，0.716～0.966），準(zhǔn)確度、靈敏度及特異度0.86，0.74，0.92，見圖2b，2d。模型顯示出中度以上的鑒別性能，提示了可對子宮內(nèi)膜息肉樣良惡性病變具有良好的鑒別效能。

表1 39 個建模特征中鑒別子宮內(nèi)膜息肉樣病變的前10 個特征

3 討論

子宮內(nèi)膜息肉樣病變是婦科常見病，早期臨床表現(xiàn)為陰道不規(guī)則流血，但隨著病情的發(fā)展可惡化，甚至癌變[8]，研究顯示子宮內(nèi)膜息肉樣病變的發(fā)生率近年來有明顯上升的趨勢[9]。各種類型的子宮內(nèi)膜息肉樣病變的早期診斷具有重要意義，可以有效的指導(dǎo)臨床上各種息肉樣病變的早期治療，從而獲得理想的臨床轉(zhuǎn)軌[10]。

目前臨床上常用于子宮內(nèi)膜病變的輔助診斷手段有診斷性刮宮、宮腔鏡、經(jīng)陰道超聲等。診斷性刮宮對內(nèi)膜損傷大，患者痛苦度高，且對女性生育是有一定影響的，病變的假陰性率達(dá)10%～15%，漏診率高達(dá)20%[11]。宮腔鏡最大的優(yōu)勢是可直視病灶，但其仍具有一定的創(chuàng)傷性，且漏診率可高達(dá)10%～35%[12]。經(jīng)陰道超聲因其無創(chuàng)、可重復(fù)性、操作便捷等優(yōu)勢，在子宮內(nèi)膜病變的常規(guī)檢查中非常普及[13]，但其十分依賴檢查者的主觀診斷及臨床經(jīng)驗(yàn)。隨著數(shù)據(jù)科學(xué)的發(fā)展，荷蘭學(xué)者Lambin 提出影像組學(xué)的概念[14]，其中心含義是指從影像（CT、MR、PET、超聲等）中高通量地提取腫瘤信息相關(guān)的影像學(xué)特征，通過對研究目的相關(guān)的成像相關(guān)特征進(jìn)行解讀和分析，為成為精準(zhǔn)醫(yī)學(xué)的一種有效輔助手段[15]，影像組學(xué)技術(shù)已廣泛應(yīng)用于婦科疾病的診斷、療效判斷等方向[16-17]，比如Yan等[18]建立MRI 放射學(xué)模型，幫助放射線醫(yī)師對術(shù)前子宮內(nèi)膜癌的盆腔淋巴結(jié)轉(zhuǎn)移進(jìn)行評估，其模型AUC 達(dá)到了0.89[18]；Ai等[19]探索了影像組學(xué)成像特征早期對宮頸癌患者的分期、組織學(xué)類型、淋巴結(jié)狀態(tài)、復(fù)發(fā)和生存的潛力進(jìn)行預(yù)測，將大大改善子宮頸癌患者的治療效果；Song等[20]評估從動態(tài)對比增強(qiáng)磁共振成像提取的放射學(xué)特征構(gòu)建的預(yù)測任務(wù)在區(qū)分良性、邊緣性和惡性卵巢腫瘤方面的效率，結(jié)果提示區(qū)分度良好。這些高質(zhì)量的研究證實(shí)了影像組學(xué)技術(shù)在婦科疾病方面具有重要的臨床價值。

目前經(jīng)陰道超聲已經(jīng)成為婦科疾病篩查的重要手段，雖然大部分子宮內(nèi)膜息肉樣病變可以鑒別，對于部分粘膜下肌瘤或不典型惡性病變，還是存在一定的誤診情況，針對這種情況，我們將探索影像組學(xué)技術(shù)鑒別良惡性子宮內(nèi)膜息肉樣病變的價值。因此，本研究基于超聲圖像提取的影像組學(xué)特征，通過假設(shè)檢驗(yàn)和L1 正則化邏輯回歸方法篩選出39 個特征，以決策樹機(jī)器學(xué)習(xí)算法構(gòu)建預(yù)測子宮內(nèi)膜息肉樣病變的影像組學(xué)模型，其模型區(qū)分良惡性子宮內(nèi)膜息肉樣病變的AUC 達(dá)到0.91，經(jīng)獨(dú)立驗(yàn)證集驗(yàn)證模型具有一定的可靠性，提示影像組學(xué)在子宮內(nèi)膜息肉樣病變鑒別上具有一定的價值。

本研究仍存在一定的局限性：首先，本研究是一項(xiàng)回顧性研究，在病例的篩選中存在偏倚。然后，二維超聲圖像獲取存在超聲醫(yī)生的主觀性，不同超聲醫(yī)生可能導(dǎo)致最后模型存在差別。最后，研究的樣本量較小，且為單中心研究，今后的研究可擴(kuò)大樣本量，就不同中心的圖像進(jìn)行分析。

綜上所述，經(jīng)陰道超聲作為子宮病變檢查的常用方法，結(jié)合超聲影像組學(xué)可客觀量化腫瘤的紋理特征，深度挖掘腫瘤生物學(xué)特征，可作為鑒別診斷子宮內(nèi)膜息肉樣病變的補(bǔ)充手段。