王天馳，王眾，牛寧寧，唐纓

我國(guó)慢性腎臟病患者基數(shù)龐大［1］，腎移植術(shù)為終末期腎病最有效的治療方法，年手術(shù)量已過萬例［2］。但術(shù)后并發(fā)癥常導(dǎo)致移植腎功能異常甚至喪失［3］，影響手術(shù)成功率。移植腎實(shí)質(zhì)性病變主要分為急性排斥反應(yīng)（acute rejection，AR）和腎小管壞死（acute tubular necrosis，ATN）兩種［4］，對(duì)兩者及時(shí)準(zhǔn)確的鑒別診斷將直接影響預(yù)后。移植腎穿刺活檢是確診組織學(xué)分型的“金標(biāo)準(zhǔn)”［5］，但由于其有創(chuàng)、取樣局限等原因無法完全滿足臨床需求。超聲具有實(shí)時(shí)、高效的診斷優(yōu)勢(shì)，可以對(duì)移植腎形態(tài)、血供、腎周積液等情況進(jìn)行較為全面的評(píng)估，為術(shù)后監(jiān)測(cè)的首選方法。雖然常規(guī)灰階及多普勒超聲已經(jīng)在臨床廣泛應(yīng)用，但對(duì)移植腎實(shí)質(zhì)性病變組織學(xué)分型的鑒別診斷價(jià)值有限［6］。超聲影像組學(xué)作為一種新技術(shù)，其不同于傳統(tǒng)的“視覺分析”，而是將超聲醫(yī)學(xué)與計(jì)算機(jī)科學(xué)相結(jié)合，即從超聲圖像數(shù)據(jù)中提取高通量的組學(xué)特征，并轉(zhuǎn)化成高維度數(shù)據(jù)空間，進(jìn)行數(shù)據(jù)挖掘，在一定程度上突破了常規(guī)超聲的局限性［7-8］。目前影像組學(xué)在腫瘤性質(zhì)鑒別、生存期預(yù)測(cè)等方面研究較多［9］，對(duì)移植腎實(shí)質(zhì)性病變?cè)\斷價(jià)值研究較少。本研究旨在應(yīng)用超聲影像組學(xué)，通過建立多種組學(xué)預(yù)測(cè)模型，與常規(guī)超聲診斷結(jié)果進(jìn)行對(duì)比，探討超聲影像組學(xué)鑒別診斷移植腎實(shí)質(zhì)性病變組織學(xué)分型的價(jià)值。

1 對(duì)象與方法

1.1 研究對(duì)象 選取2012 年8 月—2021 年3 月于天津市第一中心醫(yī)院就診的因血肌酐異常而行腎穿刺活檢的同種異體腎移植患者。納入標(biāo)準(zhǔn)：（1）超聲資料記錄完整且圖像清晰。（2）活檢結(jié)果為AR或ATN。（3）血肌酐異常升高（男性：＞104μmol/L，女性：＞84μmol/L）。排除標(biāo)準(zhǔn)：（1）超聲圖像上有刻度尺、體表標(biāo)記等影響圖像分析的標(biāo)記或其他冗余信息。（2）移植腎有囊腫等占位性病變。（3）移植腎積水或大量移植腎腎周積液。共納入186例，其中AR組135例，男82例，女53例，年齡26～71歲，平均（45.20±12.29）歲；ATN組51例，男30例，女21例，年齡32～70歲，平均（51.94±9.32）歲。2組年齡（t=1.919）、性別（χ2=0.057）差異無統(tǒng)計(jì)學(xué)意義（P＞0.05）。

1.2 常規(guī)超聲參數(shù)獲取及診斷 患者取仰臥位，平靜呼吸下暴露髂窩移植腎部位，采用SIEMENS Sequoia512彩色超聲診斷儀，選擇頻率范圍為2.0～5.0 MHz的凸陣探頭，測(cè)量移植腎長(zhǎng)徑L（cm）、寬徑W（cm）及厚度T（cm），計(jì)算移植腎體積V=π/6×L×W×T（cm3）［10］，留取移植腎長(zhǎng)軸圖像。切換到頻譜多普勒模式，游標(biāo)測(cè)量葉間動(dòng)脈收縮期峰值流速（peak systolic velocity，PSV）、舒張末期流速（end-diastolic flow rate，EDV），計(jì)算阻力指數(shù)（resistance index，RI）=［（PSV-EDV）/（PSV）］。能量多普勒（Power Doppler，PD）觀察移植腎能量信號(hào)分布情況。參照相關(guān)文獻(xiàn)［11］將移植腎能量多普勒?qǐng)D譜分為5 級(jí)：0級(jí)，腎皮質(zhì)未見能量信號(hào)，主干見細(xì)窄能量信號(hào)分布，或完全沒有能量信號(hào)分布；Ⅰ級(jí)，能量信號(hào)顯示不足移植腎面積一半，腎皮質(zhì)未見能量信號(hào)，主干見斷續(xù)粗大或連續(xù)細(xì)窄的能量信號(hào)；Ⅱ級(jí)，能量信號(hào)充盈大部分移植腎，腎皮質(zhì)未見能量信號(hào)，主干見連續(xù)粗大的能量分布；Ⅲ級(jí)，能量信號(hào)基本充盈整個(gè)移植腎，腎皮質(zhì)血管呈斷續(xù)“細(xì)絨線狀”表現(xiàn)，主干見粗大連續(xù)的能量信號(hào)；Ⅳ級(jí)，能量信號(hào)充盈整個(gè)移植腎，腎皮質(zhì)血流呈“絨線狀”，主干見粗大連續(xù)的能量信號(hào)，見圖1。由2位具有8年以上移植超聲診斷經(jīng)驗(yàn)的醫(yī)師根據(jù)常規(guī)超聲參數(shù)進(jìn)行鑒別診斷，意見不一致時(shí)協(xié)商確定。

Fig.1 Power Doppler grade of transplanted kidney圖1 移植腎能量圖分級(jí)

1.3 影像組學(xué)圖像興趣區(qū)（ROI）獲取及特征提取 Suh transfer軟件搜索HIS病例系統(tǒng)中超聲記錄，選擇符合描記要求的DICOM格式二維長(zhǎng)軸超聲圖像，導(dǎo)入AVIEW軟件，通過手動(dòng)描記方法，將移植腎全部納入ROI 內(nèi)，見圖2，提取并記錄ROI圖像的影像組學(xué)特征數(shù)據(jù)。

拿出樂高玩具，開始拼插吧。這是最消耗時(shí)間的活，沒關(guān)系，十歲的我，有大把的時(shí)光可以消耗。直到拼得頭昏眼花、手指麻木，我才收手。扭頭一看，是幾箱芭比娃娃。它們陪伴了我?guī)啄辏贿^我已與它們?nèi)諠u疏遠(yuǎn)。

Fig.2 Manually depict ROI with AVIEW software圖2 AVIEW軟件手工描繪ROI

2.1 常規(guī)超聲診斷結(jié)果 AR 組移植腎體積大于ATN組（P＜0.05），RI和能量圖分級(jí)差異無統(tǒng)計(jì)學(xué)意義，見表1。醫(yī)師組鑒別診斷敏感度為56.2%，特異度為60.7%，準(zhǔn)確度為57.5%，見表2。

SAR雙通道對(duì)消系統(tǒng)工作于正側(cè)視，仿真參數(shù)如表1所示.設(shè)成像區(qū)域距離向范圍為[9900m,10100m]，方位向范圍為[-110m,110m]，場(chǎng)景中心坐標(biāo)為(10000,0).圖4為無干擾時(shí)SAR場(chǎng)景成像結(jié)果，其中在三角形標(biāo)記處設(shè)置散射波干擾機(jī)，坐標(biāo)為(9910,0)，圖中長(zhǎng)方形區(qū)域?yàn)樘囟ㄉ⑸鋮^(qū)域.實(shí)驗(yàn)過程中干擾機(jī)位置與散射區(qū)域不變.

2.2.2 各模型診斷效能比較 選擇以上經(jīng)過篩選保留的6 個(gè)有效特征建立組學(xué)模型。隨機(jī)森林、支持向量機(jī)、邏輯回歸和K 近鄰法4 種模型的預(yù)測(cè)價(jià)值見表3、圖4。其中隨機(jī)森林模型的綜合表現(xiàn)最優(yōu)。

2 結(jié)果

1.4 影像組學(xué)模型建立及對(duì)比 使用Python3.0 編程軟件，對(duì)獲得的全部組學(xué)特征數(shù)據(jù)采用獨(dú)立樣本t檢驗(yàn)進(jìn)行初次篩選，再通過調(diào)整最優(yōu)Lambda參數(shù)，使用最小絕對(duì)值收斂和選擇算子（least absolute shrinkage and selection operator，LASSO）算法從已篩選特征中選擇最優(yōu)的有效特征，并利用隨機(jī)森林、K 近鄰法、邏輯回歸、支持向量機(jī)分類器建立預(yù)測(cè)模型。各模型以7∶3 為比例利用訓(xùn)練隊(duì)列（130 例）進(jìn)行學(xué)習(xí)訓(xùn)練，訓(xùn)練后的4 種模型分別對(duì)驗(yàn)證隊(duì)列（56 例）進(jìn)行預(yù)測(cè)，采用5折交叉驗(yàn)證策略分析各組學(xué)模型驗(yàn)證隊(duì)列準(zhǔn)確度、敏感度、特異度及曲線下面積（AUC）。

Tab.1 Comparison of conventional ultrasound parameter features between two groups表1 2組常規(guī)超聲特征參數(shù)比較

Tab.2 The diagnostic value of physician group for organizational credit type表2 醫(yī)師組對(duì)組織學(xué)分型的診斷價(jià)值

已知電子遷移率μn與溫度呈負(fù)相關(guān)，可以表示為是參考溫度，μ0是參考溫度T0下的電子遷移率，T是絕對(duì)溫度，m是溫度指數(shù)，m大小在1～2之間。熱電壓UT與溫度呈正相關(guān)，可以表示為。所以Iref與溫度T之間的關(guān)系可以表示為

2.2.1 特征篩選結(jié)果 應(yīng)用AVIEW 軟件每幅圖像提取137個(gè)組學(xué)特征，經(jīng)過t檢驗(yàn)和LASSO算法聯(lián)合篩選后，最終保留2D形狀-平坦度、一階-最小值、直方圖-最小值、直方圖-體素計(jì)數(shù)、梯度-標(biāo)準(zhǔn)差、灰度共生矩陣-集群陰影6個(gè)有意義的特征，特征系數(shù)分別為0.127 261、-0.991 61、-0.186 26、0.035 576、-0.060 932和-0.039 824，見圖3，其中除2D形狀-平坦度屬于形狀特征子集，其余5 個(gè)特征均屬于紋理特征子集。

目前，研究調(diào)水引流生態(tài)環(huán)境效應(yīng)的手段主要是野外監(jiān)測(cè)，受風(fēng)浪和季節(jié)等因素的干擾，野外監(jiān)測(cè)難以構(gòu)建引水要素與受水湖泊水文、理化、生物環(huán)境間的對(duì)應(yīng)關(guān)系，無法回答引水流量、營(yíng)養(yǎng)水平等要素對(duì)受水湖泊產(chǎn)生的直接生態(tài)環(huán)境效應(yīng)，更無法定量預(yù)測(cè)引水要素的改變對(duì)受水湖泊生態(tài)環(huán)境的影響程度。而構(gòu)建室內(nèi)微宇宙湖泊生態(tài)系統(tǒng)則為回答這些問題提供了研究便利。

Fig.3 Feature variable selection based on filtering algorithm圖3 基于篩選算法構(gòu)建模型的特征變量選擇

1.5 統(tǒng)計(jì)學(xué)方法 采用Python 3.0 及SPSS 22.0 軟件進(jìn)行數(shù)據(jù)分析。計(jì)數(shù)資料以例（%）表示，符合正態(tài)分布的計(jì)量資料以表示，2組間比較采用獨(dú)立樣本t檢驗(yàn)；等級(jí)資料比較采用秩和檢驗(yàn)。P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

Tab.3 Analysis results of predictive effectiveness of each ultrasound radiomics model表3 各模型的預(yù)測(cè)效能分析結(jié)果

Fig.4 ROC plots of each ultrasound radiomics model圖4 各組學(xué)模型ROC曲線

3 討論

AR 和ATN 作為常見的移植腎實(shí)質(zhì)性病變，發(fā)病時(shí)皆有肌酐升高、突然少尿，伴或不伴有發(fā)熱等癥狀［12］，僅從臨床表現(xiàn)上不易進(jìn)行鑒別，而禁忌證的存在限制了活檢的應(yīng)用范圍，故尋找一種安全、準(zhǔn)確、高效的鑒別診斷方法是臨床亟需解決的問題。超聲作為一種成熟的無創(chuàng)檢查方法，技術(shù)日益進(jìn)步。本研究對(duì)比常規(guī)超聲方法與影像組學(xué)方法，并分析多種組學(xué)模型，探討超聲影像組學(xué)鑒別診斷移植腎實(shí)質(zhì)性病變組織學(xué)分型的價(jià)值。

2.2 超聲影像組學(xué)預(yù)測(cè)模型

常規(guī)超聲主要通過對(duì)移植腎體積形態(tài)、血流動(dòng)力學(xué)等方面進(jìn)行分析，對(duì)組織學(xué)分型鑒別診斷價(jià)值有限，這主要是由于移植腎發(fā)生AR的典型超聲特征表現(xiàn)為移植腎體積增大，但因高效免疫抑制劑的普遍應(yīng)用，依據(jù)形態(tài)結(jié)構(gòu)作為診斷標(biāo)準(zhǔn)的價(jià)值逐漸降低［13］。而發(fā)生AR 和ATN 時(shí)均會(huì)有RI 升高、腎內(nèi)血流充盈減少的表現(xiàn)［14］，故高值RI、能量信號(hào)減少等均不能成為有效鑒別特征。超聲影像組學(xué)是人工智能在超聲醫(yī)學(xué)中的具體應(yīng)用，其結(jié)果受主觀影響更小，診斷效能更高［15］。黃云霞等［16］以甲狀腺癌頸部淋巴結(jié)轉(zhuǎn)移為研究對(duì)象，將常規(guī)超聲診斷方法與超聲影像組學(xué)方法進(jìn)行診斷效能的對(duì)比，發(fā)現(xiàn)常規(guī)超聲方法診斷效能低于組學(xué)方法（AUC：0.714vs.0.793）。

特征提取及篩選是實(shí)現(xiàn)組學(xué)的關(guān)鍵步驟［17］。研究表明，構(gòu)建模型時(shí)若不進(jìn)行特征篩選，會(huì)導(dǎo)致模型過度擬合，降低模型穩(wěn)定性［18］。本研究使用“t檢驗(yàn)＋LASSO算法”聯(lián)合篩選方法，從137個(gè)特征中最終篩選了6個(gè)有效特征。由于紋理特征對(duì)分子或微環(huán)境尺度下的異質(zhì)細(xì)胞敏感性較高［19］，有效特征中有5 個(gè)屬于紋理特征子集，僅有1 個(gè)屬于形狀特征子集。

影像組學(xué)模型種類豐富，Zhang 等［20］通過對(duì)11種特征篩選器和8 種分類器進(jìn)行組合，總結(jié)了88 種組學(xué)模型。目前的研究多是通過構(gòu)建單個(gè)組學(xué)預(yù)測(cè)模型進(jìn)行組學(xué)價(jià)值分析，少有對(duì)不同模型性能差異的討論。本研究通過使用“t檢驗(yàn)＋LASSO 算法”的特征篩選方法結(jié)合K 近鄰法、邏輯回歸、支持向量機(jī)、隨機(jī)森林等分類器建立4 種組學(xué)模型。結(jié)果顯示4 種模型診斷效能并不相同，其中由于隨機(jī)森林是通過訓(xùn)練多個(gè)決策樹進(jìn)行預(yù)測(cè)，對(duì)于復(fù)雜問題具有較好的預(yù)測(cè)性能［21］，故隨機(jī)森林模型診斷效果最好，AUC為0.931，敏感度97.6%，特異度80.0%，準(zhǔn)確度85.8%。Parmar 等［22］評(píng)估了不同特征篩選情況下12 種分類器對(duì)肺癌患者的預(yù)測(cè)能力，結(jié)果顯示，隨機(jī)森林分類器診斷效能最高（AUC 為0.66），與本研究結(jié)果相同。胡艷等［23］基于MRI 的常規(guī)T2加權(quán)成像序列，采用放射影像組學(xué)方法對(duì)卵巢上皮腫瘤進(jìn)行分類預(yù)測(cè)，亦發(fā)現(xiàn)不同的組學(xué)模型最終效能并不相同。本研究局限性：（1）本研究為單中心回顧性研究，樣本量較少。（2）ROI 使用手動(dòng)描記方法，效率較低。

綜上所述，超聲影像組學(xué)作為一種將醫(yī)學(xué)與工學(xué)交叉融合的新方法，相比于常規(guī)超聲，可以獲取更多的圖像信息特征，診斷效果更好，應(yīng)用前景廣闊。不同的模型構(gòu)建方案會(huì)對(duì)組學(xué)預(yù)測(cè)結(jié)果產(chǎn)生重要影響，需要研究人員根據(jù)研究任務(wù)對(duì)模型預(yù)測(cè)能力進(jìn)行權(quán)衡，選擇適合目標(biāo)問題的方法進(jìn)行建模。