基于T_(2)WI和增强MRI影像组学列线图预测宫颈鳞癌淋巴脉管间隙浸润

４９４放射学实践２０２１年４月第３６卷第４期㊀R a d i o l P r a c t i c e,A p r２０２１,V o l３６,N o．４
腹部影像学 基于T２W I和增强M R I影像组学列线图预测宫颈鳞癌淋巴脉管间隙浸润
杨易,冯峰,傅爱燕,杨彦松,葛亚琼,龚海鹏
ʌ摘要ɔ㊀目的:探讨基于T２W I和增强M R I影像组学列线图对宫颈鳞癌淋巴脉管间隙浸润(L VＧS I)的预测价值.方法:将９２例经术后病理证实的宫颈鳞癌患者纳入研究,并按７:３的比例随机分为训练集(６６例)和验证集(２６例).所有患者术前行M R I检查,在横轴面T２W I和对比增强T１W I(T１C E)上选取病灶最大层面沿肿瘤边缘勾画R O I,应用A K软件提取影像组学特征.采用m R M R和L A S S O 回归分析对提取的纹理特征进行初步筛选,然后进行多因素l o g i s t i c回归分析,构建影像组学模型.使用单因素l o g i s t i c回归分析筛选临床病理危险因素,并使用多因素l o g i s t i c回归结合影像组学评分(R a d s c o r e)构建影像组学列线图.应用R O C曲线评估影像组学模型㊁临床病理危险因素模型和影像组学列线图模型的预测能力,并应用决策曲线分析评估影像组学列线图的临床应用价值.结果:在T２W I 和T１C E图像上分别提取病灶的３９６个影像组学特征,最终筛选出１４个具有最大诊断效能的纹理特征.使用多因素l o g i s t i c回归构建包含F I G O分期㊁分化程度和R a d s c o r e的影像组学列线图.影像组学列线图的预测效能优于临床病理危险因素模型(训练集中,A U C:０．９６v s．０．７０;D e l o n g检验:Z＝４．０４,P＝５．４１５e－０５;验证集中,A U C:０．８７v s．０．７１;d e l o n g检验:Z＝１．２４,P＝０．０２).决策曲线分析显示风险阈值为０．０１~１．００时使用影像组学列线图对预测宫颈鳞癌L V S I情况的临床应用价值较大.结论:基于双序列M R I构建的影像组学列线图对宫颈鳞癌L V S I情况有较好的预测能力,可作为一种术前评估的无创性影像学生物标志.
ʌ关键词ɔ㊀宫颈癌;鳞癌;影像组学;列线图;磁共振成像;淋巴脉管间隙浸润
ʌ中图分类号ɔR４４５．５;R７３７．３３㊀ʌ文献标志码ɔA㊀ʌ文章编号ɔ１０００Ｇ０３１３(２０２１)０４Ｇ０４９４Ｇ０８
D O I:１０．１３６０９/j．c n k i．１０００Ｇ０３１３．２０２１．０４．０１５㊀㊀㊀开放科学(资源服务)标识码(O S I D):
R a d i o m i c s n o m o g r a mb a s e d o nT２W I a n d c o n t r a s tＧe n h a n c e dM R I f o r p r e d i c t i n g l y m p h o v a s c u l a r s p a c e i nＧv a s i o n i n c e r v i c a l s q u a m o u s c e l l c a r c i n o m a㊀Y A N G Y i,F E N G F e n g,F U A iＧy a n,e t a l．D e p a r t m e n to f R a d i o l o g y,t h eT u m o rH o s p i t a l o fN a n t o n g U n i v e r s i t y,J i a n g s u２２６０００,C h i n a
ʌA b s t r a c tɔ㊀O b j e c t i v e:T oe x p l o r e t h e c l i n i c a l f e a s i b i l i t y o f r a d i o m i c sn o m o g r a m b a s e do nT２W I a n dc o n t r a s tＧe n h a n c e dM R I f o r p r e d i c t i n g l y m p h o v a s c u l a r s p a c e i n v a s i o n(L V S I)i n p a t i e n t sw i t h c e rＧv i c a l s q u a m o u s c e l l c a r c i n o m a．M e t h o d s:９２p a t i e n t sw i t hc e r v i c a l s q u a m o u s c e l l c a r c i n o m ac o n f i r m e d b yp o s t o p e r a t i v e p a t h o l o g y w e r e e n r o l l e d i n t h i s s t u d y,a n d r a n d o m l y d i v i d e d i n t o t o t h e t r a i n i n g g r o u p (n＝６６)a n dv a l i d a t i o n g r o u p(n＝２６)a c c o r d i n g t oa r a t i oo f７ʒ３．A l l p a t i e n t su n d e r w e n tM R I s c a n b e f o r e s u r g e r y．O n t h e a x i a l T２W I a n d c o n t r a s tＧe n h a n c e dT１Ｇw e i g h t e d(T１C E)i m a g e s,R O Iw e r em a nＧu a l l y d r a w n i ne a c ht u m o ra l o n g i t se d g ea t t h es l i c ew i t ht h em a x i m u m d i a m e t e r sa n dt h e nt h e r aＧd i o m i c s f e a t u r e sw e r ee x t r a c t e du s i n g A Ks o f t w a r e．T h ee x t r a c t e df e a t u r e sw e r es e l e c t e db y m R M R a n dL A S S Or e g r e s s i o na n a l y s i s．T h e n,m u l t i v a r i a t e l o g i s t i c r e g r e s s i o na n a l y s i sw a su s e dt oc o n s t r u c t t h e r a d i o m i c sm o d e l．U n i v a r i a t e l o g i s t i c r e g r e s s i o nw a su s e dt os e l e c t f o r c l i n i c o p a t h o l o g i c a l r i s kf a cＧt o r s,a n d t h e nm u l t i v a r i a t e l o g i s t i c r e g r e s s i o n c o m b i n e dw i t hr a d i o m i c s s c o r e(R a d s c o r e)w a su s e d t o c o n s t r u c t r a d i o m i c s n o m o g r a m．D i a g n o s t i c p e r f o r m a n c e o f t h e r a d i o m i c sm o d e l,c l i n i c o p a t h o l o g i c a l r i s k f a c t o rm o d e l a n d r a d i o m i c s n o m o g r a m m o d e l w e r e a s s e s s e d b y r e c e i v e r o p e r a t i n g c h a r a c t e r i s t i c(R O C) a n a l y s i s．D e c i s i o n c u r v ea n a l y s i sw e r eu s e dt oe v a l u a t e t h ec l i n i c a l v a l u eo f t h e r a d i o m i c sn o m o g r a m．
作者单位:２２６０００㊀江苏,南通大学附属肿瘤医院放射科
作者简介:杨易(１９９１－),女,江苏徐州人,硕士研究生,主要从事妇科影像学诊断和研究工作.
通信作者:冯峰,EＧm a i l:d r f e n g f e n g＠１６３．c o m
基金项目:南通市科技局基础研究项目(J C２０１８０２７)
R e s u l t s:F r o mt h eT２W I a n dT１C E i m a g e s,３９６r a d i o m i c s f e a t u r e s o f e a c h l e s i o nw e r e e x t r a c t e d r e s p e cＧt i v e l y,a n d１４r a d i o m i c s f e a t u r e sw i t ht h eo p t i m a ld i a g n o s t i ce f f i c i e n c y w e r es e l e c t e do u t．F I G Os t aＧg i n g,g r a d e a n d r a d s c o r ew e r e i n c l u d e d i n t h em u l t i f a c t o r l o g i s t i c r e g r e s s i o n t ob u i l d t h e r a d i o m i c s n oＧm o g r a mf o r p r e d i c t i n g L V S I．T h eR O Ca n a l y s i ss h o w e dt h a t t h e p r e d i c t i v e p e r f o r m a n c ef o r t h er aＧd i o m i c sn o m o g r a m m o d e lw a s b e t t e r t h a n t h e c l i n i c o p a t h o l o g i c r i s k f a c t o rm o d e l(i n t r a i n i n gg r o u p: A U Cw a s０．９６v s．０．７０,D e l o n g t e s t:Z＝４．０４,P＝５．４１５e－０５;i nv a l i d a t i o n g r o u p:A U C w a s０．８７v s．０．７１,Z＝１．２４,P＝０．０２)．T h ed e c i s i o nc u r v ea n a l y s i ss h o w e dt h a t t h er a d i o m i c sn o m o g r a m w a so f g r e a t e r c l i n i c a l v a l u e i n p r e d i c t i n g t h eL V S Is t a t u so fc e r v i c a ls q u a m o u sc e l l c a r c i n o m a i nt h er i s k t h r e s h o l d r a n g e d f r o m０．０１~１．００．C o n c l u s i o n:R a d i o m i c sn o m o g r a m b a s e do nd u a lＧs e q u e n c eM R I h a s p r e f e r a b l e p r e d i c t i v e v a l u e f o rL V S I s t a t u s i n c e r v i c a l s q u a m o u s c e l l c a r c i n o m a,w h i c h c a nb e u s e d a s a n o nＧi n v a s i v e i m a g i n g b i o m a r k e r b e f o r e s u r g e r y．
ʌK e y w o r d sɔ㊀C e r v i c a l c a n c e r;S q u a m o u s c e l l c a r c i n o m a;R a d i o m i c s;N o m o g r a m;M a g n e t i c r e sＧo n a n c e i m a g i n g;L y m p h oＧv a s c u l a r s p a c e i n v a s i o n
㊀㊀宫颈癌的发病率和死亡率均居女性恶性肿瘤的第四位,仅次于乳腺癌㊁结直肠癌和肺癌.２０１８年全球约有５７万例宫颈癌患者和３１．１万的死亡病例[１].美国国立综合癌症网络(N a t i o n a lC o m p r e h e n s i v eC a nＧc e rN e t w o r k,N C C N)于２０１５年提出的宫颈癌临床实践指南中将淋巴脉管间隙侵犯(l y m p h o v a s c u a l s p a c e i n v a s i o n,L V S I)列为宫颈癌复发的中危因素之一,它可导致宫颈癌复发的风险增加３０％[２Ｇ４].当存在中危因素时建议行辅助放疗或放化疗[５].根据２０１８年国际妇产科联盟(I n t e r n a t i o n a lF e d e r a t i o no fG y n e c o l oＧg y a n dO b s t e t r i c s,F I G O)指南,L V S I不会改变宫颈癌分期,但会对治疗决策产生影响[６].L V S I是重要的预后不良因素,可显著降低早期宫颈癌患者的生存率[７].因此,准确诊断L V S I是目前宫颈癌患者生存期和个体化治疗选择的重要影响因素.由于病理活检取材受限,在宫颈癌术前对L V S I状态进行准确判断有一定难度.因此,通过影像学方法在术前对宫颈癌L V S I的准确预测有重要意义.
M R I具有软组织分辨力高㊁多方位㊁多参数和多序列成像等特点,可对宫颈癌病灶的大小㊁有无宫旁和阴道浸润㊁淋巴结转移和治疗效果等方面进行评估[８Ｇ９].影像组学(r a d i o m i c s)是从断层图像(如M R I㊁C T㊁P E T)中提取大量的影像特征,并通过自动化数据特征化算法将感兴趣区(r e g i o no f i n t e r e s t,R O I)内的影像信息转化为数字化数据,更深层次的挖掘㊁预测和分析影像信息[１０Ｇ１１].通过建立影像组学模型得到的定量参数可作为评估肿瘤异质性的影像学生物指标(i mＧa g i n g b i o m a r k e r,I B),并且具有非侵入性和可重复性的优点[１２Ｇ１３].本研究中对宫颈癌的影像组学特征和临床危险因素进行分析,建立并验证了一种用于预测宫颈鳞癌L V S I状态的影像组学列线图.
材料与方法
１ 一般资料
回顾性分析２０１７年６月－２０２０年４月在本院就诊的２３５例宫颈癌患者的影像和临床病理资料.纳入标准:①手术病理证实为宫颈鳞癌;②在MR I检查及术前未经相关治疗(新辅助放疗㊁化疗或锥切术等);③术前２周内在本院行M R I检查.排除标准:①M R I 上未发现病灶.②由于呼吸运动伪影或磁敏感伪影导致图像质量差,无法准确在病灶内勾画R O I;③研究期间患有其它恶性肿瘤;④临床资料和病理资料不完整.最终将９２例患者纳入本研究,按７:３的比例将其随机分为训练集(n＝６６)和验证集(n＝２６).
２ M R I扫描方案
使用S i e m e n sE s p r e e１．５T M R扫描仪和腹部相控阵线圈.患者在检查前禁食至少４h,并在检查前饮用适量的水以充盈膀胱.患者在整个检查过程中保持仰卧位.常规扫描序列和参数如下.①横轴面快速梯度回波T１W I:视野４００mmˑ４００mm,矩阵２５６ˑ２５６,T R７．０３m s,T E２．３９m s,层厚５．０mm,层间距１．０mm.②横轴面F S E T２W I:视野３８０mmˑ３８０mm,矩阵２５６ˑ２５６,T R４１２０m s,T E１０３m s,层厚５．０mm,层间距１．０mm.③矢状面T２W I:视野２５６mmˑ２５６mm,矩阵２５６ˑ２５６,T R６９００m s,T E ８５m s,层厚３．０mm,层间距０．６mm.④冠状面T２W I:视野３８０mmˑ３８０mm,矩阵２５６ˑ２５６,T R ６０００m s,T E８５m s,层厚３．０mm,层间距０．６mm.⑤三维容积快速梯度回波序列D C EＧM R I扫描:对比剂为G dＧD T P A,剂量０．１mm o l/k g,注射流率２．０~３．０m L/s,T R５．０８m s,T E１．７４m s,翻转角１５ʎ,扫描时间８．０s,以宫颈肿瘤组织为中心重复采集３５组图像,总扫描时间５．０m i n;⑥在D C EＧM R I扫描后行常
５９４
放射学实践２０２１年４月第３６卷第４期㊀R a d i o l P r a c t i c e,A p r２０２１,V o l３６,N o．４
图１㊀宫颈癌患者伴L V S I .a )横轴面T ２W
I 中病灶最大截面所在层面,沿病灶边缘勾画R O I ;b )红色区域为在A 图上所勾画的肿瘤原发灶的R O I ;c )横轴面T １C E 图像中病灶最大截面所在层面,
沿病灶边缘勾画R O I ;d )红色区域为在C 图上所勾画R O I 的示意图.
规T １W
I 增强扫描:视野４００mm ˑ４００mm ,矩阵２５６ˑ２５６,T R３．１０m s ,T E１．２５m s ,层厚５．０mm ,层间距０mm .⑦DW I 扫描采用单次激发S E ＧE P I 序列:
T R ４６００m s ,T E １１０m s ,矩阵１８０ˑ１８０,视野４００mmˑ４００mm ,层厚６．０mm ,层间距１．２mm ,b 值取０㊁１０００和１５００s /mm ２,
激励次数６.３ 影像组学特征提取
将横轴面T ２W I 和常规T １W I 增强扫描(T １
Ｇw e i g
h t e dc o n t r a s t Ｇe n h a n c e d ,T １C E )图像以医学数字成像和通信(D i g i t a l I m a g i n g a
n dC o mm u n i c a t i o n s i n M e d i c i n e ,D I C OM )格式从影像存储与传输系统(p
i c Ｇt u r e a r c h i v i n g a n dc o mm u n i c a t i o ns y s t e m ,P A C S )导出至I T K ＧS N A P (v e r s i o n３．８．０;w w w．i t k Ｇs n a p ．o r g )软件进行图像手动分割,由２位分别具有１０和１５年
M R I 诊断经验的放射科医师共同确定R O I 范围后,
在横轴面T ２W I 及横轴面T １C E 图像上,选取病灶最大截面所在层面,沿肿瘤边缘手动勾画R O I (图１).考虑到肿瘤的异质性,勾画时包括病灶内的出血㊁坏死和囊变区,但要避开正常的解剖结构.
使用G E A K３．２．０软件对病灶的影像组学特征
进行提取,每个序列分别提取出３９６个影像组学特征,其中包括直方图特征４２个㊁形态特征２０个和纹理特征３３４个.
４ 建立影像组学特征模型
应用两种特征选择方法,即最大相关最小冗余(m a x Ｇr e l e v a n c e a n dm i n Ｇr e d u n d a n c y
,m R M R )和最小绝对收缩选择算子(l e a s ta b s o l u t es h r i n k a g
ea n ds e Ｇl e c t i o no p
e r a t o r ,L A S S O ),对提取的影像组学特征进行初步筛选.首先,应用m R M R 法消除冗余和不相关的特征.随后,采用L A S S O 回归分析,并通过１０折交叉验证筛选L A S S O 回归模型得到最优超参数λ
值.在最优λ值时,把系数非零的特征用于构建影像
组学评分(R a d s c o r e )[１５Ｇ１６]
.基于T ２W
I ㊁T １C E 和双序列图像分别构建了其R a d s c o r e .R a d s c o r e 是通过对
最终选择的特征与对应系数进行加权之后进行线性加和来计算的,公式:
R a d s c o r e ＝截距＋βi ˑX i
(１
)其中β代表系数,X 代表特征,i 代表序数,
例如β
１代表第一个特征的系数,X １代表第一个特征.应用w i l c o x o n 检验来分别在训练集和验证集中比较L V S I 阳性组与阴性组之间R a d s c o r e 的差异是否具有统计学意义.模型的预测能力采用受试者工作特征曲线(r e c e i v e r o p e r a t i n g c h a r a c t e r i s t i cc u r v e ,R O C )来评估.５ 选择最优影像组学模型
本研究分别基于T ２W I ㊁T １C E 及双序列(T ２W
I ＋T １C E )提取影像组学特征来建立影像组学模型,并用R O C 曲线评估这３个模型对宫颈鳞癌L V S I 状态的预测效能.应用D e l o n g 检验分别比较基于T ２W
I 和T １C E 建立模型的R O C 曲线与基于双序列(T ２W
I ＋T １C E )之间的差异.选择预测效能最优影像组学模型来建立影像组学列线图.
６ 建立影像组学列线图对患者年龄㊁F I G O 分期㊁肿瘤分化㊁C E A ㊁C A １２５㊁S C C 和R a d s c o r e 进行单因素l o g i s t i c 回归分析,筛选出宫颈癌L V S I 状态的独立预测因子;再通过多因素l o g
i s t i c 回归分析构建影像组学列线图;影像组学列线图是结合影像组学特征和独立临床危险因素建立,而临床模型是基于独立临床危险因素建立;两个模型均在验证集中进行验证;应用校准曲线来评价影像组学列线图的校准效能,并采用H o s m e r ＧL e m e Ｇs h o w 检验分析拟合度来评价的影像组学列线图的校准能力.R O C 曲线评价影像组学列线图的诊断效能;
应用决策曲线分析(d e c i s i o nc u r v ea n a l y s i s ,D C A )来预测模型的临床应用价值(具体流程见图２
).７ 病理学检查及分析
６
９４放射学实践２０２１年４月第３６卷第４期㊀R a d i o l P r a c t i c e ,A p
r ２０２１,V o l ３６,N o ．４
图２㊀本研究的技术路线图.
表１㊀L V S I 阳性组与阴性组㊁
训练集与验证集临床病理特征的比较指标
L V S I 阳性组(n ＝３６)L V S I 阴性组
(n ＝５６
)t
/χ２
值P 值训练集(n ＝６６
)验证集(n ＝２６
)t
/χ２
值P 值年龄/岁５６．１ʃ７．１９
５４．３８ʃ８．７０－１．０１３
０．３１４
５４．７１ʃ８．６７５５．９６ʃ６．６９－０．６６０
０．５１１
F I
G O 分期/例１３．７２５
０．００１
１．３６７
０．５０５
㊀Ⅰ１２(３３．３％)
３２(５７．１％)
３３(５０．０％)
１１(４２．３％)
㊀Ⅱ７(１９．４％)１７(３０．３％)１８(２７．２％)６(２３．１％)㊀Ⅲ１７(４７．２％)７(１２．５％)１５(２２．７％)９(３４．６％)㊀Ⅳ
０(０．１％)０(０．０％)０(０．１％)０(０．０％)分化程度/例５．４８３０．０１９３．８７７０．０５１㊀高＋中２０(５５．６％)４４(７８．６％)４２(６３．６％)２２(８４．６％)㊀低
１６(４４．４％)１２(２１．４％)２４(３６．４％)４(１２．４％)C E A /例０．２６５０．６０６０．４０３０．５２６㊀正常２８(７７．８％)４６(８２．１％)５２(７８．８％)２２(８４．６％)㊀非正常
８(２２．２％)１０(１７．９％)１４(２１．２％)４(１２．４％)C A １２５/例０．０９１０．７６３０．０８１０．７７５㊀正常３４(９４．４％)５２(９２．９％)６２(９３．９％)２４(９２．３％)㊀非正常
２(５．６％)４(７．１％)４(６．１％)２(７．４％)S C C /例０．１６５
０．６８４
０．６５３
０．４１９
㊀正常１２(３３．３％)２１(３７．５％)２２(３３．３％)１１(４２．３％)㊀非正常
２４(６６．７％)
３５(６２．５％)
４４(６６．７％)
１５(５７．７％)
㊀㊀病理学检查是评估L V S I 的金标准.纳入本研究
的所有患者均接受手术治疗,术式为广泛全子宫切除ʃ双侧卵巢切除＋盆腔淋巴清扫ʃ腹主动脉旁淋巴结清扫.L V S I 的定义为淋巴管和/或血管内存在癌细
胞,是肿瘤细胞扩散的关键步骤[１４]
.L V S I 阳性是指
在光学显微镜下,在瘤周由内皮细胞围绕的间隙中见到至少一簇肿瘤细胞,这里的间隙包括淋巴管间隙和血管间隙.
８ 数据处理与分析
使用R 语言(V e r s i o n３．５．１,w w w．R Ｇp r o j e c t ．o r g
)和S P S S２０．０软件进行统计学分析.应用m R M R e 程序包进行影像组学特征的初步筛选.采用g l m n e t 程
序包对具有最大预测效能的特征进行L A S S O 回归分
析,构建影像组学模型.使用p R O C 程序包绘制R O C
曲线评估模型的预测效能.应用M o d e l G o o d 程序包
校准模型.使用r m s 程序包构建列线图.使用r m d a 程序包来绘制D C A 曲线来验证模型的临床实用性.
应用D e l o n g 检验分别比较基于T ２W I 和T １C E 序列建立模型的R O C 曲线与双序列(T ２W I ＋T １C E )之间的差异.采用独立样本t 检验比较患者年龄的组间差异,采用χ２检验比较F I G O 分期㊁分化程度㊁C E A ㊁
C A １２５和S C C 的组间差异.以P ＜０．０５为差异具有统计学意义.
结㊀果
１ 临床病理资料
手术病理结果显示９２例宫颈鳞癌患者中,L V S I
阳性３６例,阴性５６例.患者的主要临床和病理资料
分析结果见表１.L V S I 阳性组的F I G O 分期较L V S I 阴性组高,肿瘤分化程度较L V S I 阴性组低,组间差异均具有统计学意义(P ＝０．００１和０．０１９).L V S I 阳性组和L V S I 阴性组之间年龄及C E A ㊁C A １２５和S C C 值的差异均无统计学意义(P ＞０．０５).训练集和验证集之间患者各项临床和病理资料之间的差异均无统计学意义(P ＞０．０５
).２ 构建影像组学预测模型
分别从T ２W
I ㊁T １C E 和双序列(T ２W I 和T １C E )图像中提取影像组学特征,提取的影像组学特征分别为３９６㊁３９６和７９２个,采用m R M R 和L A S S O 回归分析分别对从T ２W I ㊁T １C E 和双序列(T ２W I 和T １C E )提取的影像组学特征进行初步筛选,随后应用１０折交叉验证筛选L A S S O 回归模型得到最优超参数λ值,最终分别得到６㊁６和１４个具有最大预测效能的特征.
基于双序列应用L A S S O 法１０折交叉验证图筛选出
７
９４放射学实践２０２１年４月第３６卷第４期㊀R a d i o l P r a c t i c e ,A p
r ２０２１,V o l ３６,N o ．４
图３㊀L A S S O 法１０折交叉验证图.a )用１０折交叉验证筛选L A S S O 回归模型得到最优超参数λ值,即模型偏差最低点所对应的横坐标,即第一个虚线所对应的位置;b )每条彩色实线代表特征系数随λ值变化而变化的曲线.通过图a 得到的最优超参数λ值(虚线所在的位置)来寻找系数非零的特征,用于影像组学模型的构建.㊀图４㊀影像组学特征及其相关系数.
１４个影像组学特征如图３所示,
最终选择的特征及其相应的回归系数如图４所示.特征系数的绝对值越大,表明其与宫颈鳞癌L V S I 状态之间的相关性越大,预测价值越高.
应用R O C 曲线分别评估基于T ２W
I ㊁T １C E 和双序列(T ２W I 和T １C E )这三个影像组学模型在训练集和验证集中对宫颈鳞癌L V S I 状态的预测效能.结果如表２所示.D e l o n g 检验显示,基于T １C E 的影像组学模型与双序列影像组模型的R O C 曲线之间A U C 的差异具有统计学意义(P ＝０．０２５),提示双序列模型的预测效能明显优于T １C E 模型;而基于T ２W I 影像组学模型与双序列影像组模型的A U C 之间的差异无统计学意义(P ＝０．０８６),但基于双序列模型的准确率㊁敏感性及特异性均高于T ２W I 影像组学模型.所以,本研究选择双序列M R I 建立影像组学模型.
表２㊀建立影像组学模型在训练集和验证集中的评价结果
效能
指标T ２W
I 训练集验证集T １C E
训练集验证集T ２W
I ＋T １C E 训练集验证集
A U C ０．７９
０．６９
０．７５
０．６８
０．９１
０．８１
符合率０．７３０．５８０．７３０．６５０．８３０．７３敏感度０．８５０．８００．６５０．６００．８８０．８１特异度
０．６５
０．４４０．７８
０．６９０．８０
０．６９
３ 验证影像组学模型的预测效能
本研究中获得的R a d s c o r e＝－０．２４７ˑT ２_
O n e V o x e l V o l u m e －０．２８７ˑT ２_S h o r t R u n E m p
h a s i s _a n g l e ４５_o f f s e t ４－０．１１２ˑT １_M a x I n t e n s i t y
－０．２３５ˑT ２_C o r r e l a t i o n _a n g l e ０_o f f s e t ７＋０．２１ˑT １_L o n Ｇg R u n H i g h G r e y L e v e lE m p h a s i s _a n g
l e ４５_o f f s e t ４＋０．０１３ˑT １_H i g h G r e y L e v e l R u n E m p h a s i s _A l l D i r e c t i o n _o f f s e t ７_S D－０．２６３ˑT ２_C o r r e l a t i o n _A l l D i r e c t i o n _
o f f s e t ４＋０．２１９ˑT １_H a r a l i c k C o r r e l a t i o n _a n g
l e ０_o f f Ｇs e t ７－０．２３５ˑT １_S h o r t R u nE m p h a s i s _A l l D i r e c t i o n _o f f s e t １_S D－０．０４２ˑT ２_s t d D e v i a t i o n－０．１６８ˑT １_
C o r r e l a t i o n _a n g l e ４５_o f f s e t ７＋０．００６ˑT ２_S h o r t ＧR u n E m p
h a s i s _A l l D i r e c t i o n _o f f s e t １_S D＋０．５３７ˑT １_C l u s t e r S h a d e _a n g l e ９０_o f f s e t ４＋０．０９３ˑT ２_E l o n g a Ｇt i o n －０．４９１.
W i l c o x o n 检验结果显示,
在训练集和验证集中,宫颈鳞癌L V S I 阳性组的R a d s c o r e 高于阴性组(
图５),组间差异均具有统计学意义(P ＜０．０５),表明R a d Ｇs c o r e 与宫颈鳞癌L V S I 状态之间具有相关性.使用R O C 曲线评估基于双序列M R I 构建的影像
组学特征模型对宫颈鳞癌L V S I 状态的预测效能,训练集中R O C 曲线下面积(a r e au n d e r c u r v e ,A U C )
为０．９１(９５％C I :０．８４~０．９８),验证集中A U C 为０．８１(９５％C I :０．６３~１．００),详见图６.４ 验证影像组学列线图的预测效能
通过多因素l o g
i s t i c 回归分析构建基于R a d s c o r e 和独立临床危险因素的双序列M R I 影像组学列线图(图７
).校准曲线显示在训练集和验证集中影像组学列线图具有较好的校准效能(图８).H o s m e r ＧL e m e Ｇ
８
９４放射学实践２０２１年４月第３６卷第４期㊀R a d i o l P r a c t i c e ,A p
r ２０２１,V o l ３６,N o ．４
图５㊀R a d s c o r e 预测宫颈鳞癌L V S I 的箱式散点图.横坐标L a b e l ０代表L V S I 阴性㊁L a b e l １代表L V S I 阳性,纵坐标代表R a d s c o r e .a )在训练集中,宫颈鳞癌L V S I 阳性组的R a d s c o r e 高于阴性组;b
)在验证集中,宫颈鳞癌L V S I 阳性组的R a d s c o r e 高于阴性组.㊀图６㊀基于双序列影像组学模型预测宫颈鳞癌L V S I 状态的R O C 曲线.a )训练集;b
)验证集
.图７㊀预测宫颈鳞癌L V S I 状态的影像组学列线图.㊀图８㊀影像组学列线图的校准曲线.实线代表理想的预测性能,虚线代表列线图的预测性能.虚线越靠近实线表示列线图的预测精度越好.a )训练集;b )验证集.㊀图９㊀基于影像组学列线图㊁影像组学特征和独立临床危险因素预测宫颈鳞癌L V S I 状态的R O C 曲线.a )训练集;b )验证集.㊀图１０㊀影像组学模型的D C A 图.横坐标代表阈值概率,
纵坐标代表净收益.蓝色曲线代表所有患者都接受干预,黑色线代表所有患者都不接受干预,收益率为０.显示危险阈值在０．０１~１．００范围内该影像组学模型的净收益最大.
s h o w 检验显示在训练集和验证集中模型预测值与实
际观测值之间的差异均无统计学意义(P ＜０．０５),说明不存在偏离拟合.基于影像组学列线图㊁基于双序列的影像组学模型和独立临床危险因素预测宫颈鳞癌L V S I 状态的A U C ,在训练集中分别为０．９６㊁０．９１和０．７０,在验证集中分别为０．８７㊁０．８１和０．７１(
图９).本研究结果显示,影像组学列线图具有更优的预测效能,
在训练集中的诊断符合率㊁敏感度和特异度分别为
０．９０㊁０．８８和０．９２,在验证集中分别为０．８４㊁０．８２和
０．８０.使用D C A 来评价所构建的基于双序列M R I 影像
组学列线图的临床应用价值,D C A 曲线图显示阈值在
０．０１~１．００时模型的净收益较大(图１０),即在这个阈值范围内使用该列线图对预测宫颈鳞癌L V S I 状态的９
９４放射学实践２０２１年４月第３６卷第４期㊀R a d i o l P r a c t i c e ,A p
r ２０２１,V o l ３６,N o ．４
临床应用价值较大.
讨㊀论
为了预测宫颈鳞癌术前L V S I状态,本研究中建立了结合双序列M R I影像组学特征和两个临床病理特征(F I G O分期和分化程度)影像组学列线图并验证了其预测效能.结果显示,影像组学列线图有助于提高预测效能,在训练集中的A U C为０．９６(９５％C I:０．９２~１．００),在验证集中为０．８７(９５％C I:０．７３~１．００).因此,本研究建立的影像组学列线图可有效地对宫颈鳞癌术前L V S I状态进行个体化预测.
传统的影像学图像特征及方法,如肿瘤体积㊁最大直径和功能M R I等,虽然对宫颈癌术前L V S I状态有一定预测价值,但忽略了肿瘤内部潜在的特征[１７Ｇ１８].影像组学可从体层图像中提取大量高维特征,是评价肿瘤异质性的无创性方法[１０],具有一定的优越性,可以提供更多信息.W u等[１９]回顾性分析了５６例宫颈癌患者的多参数M R I资料,自多个序列M R图像(横轴面T２W I㊁脂肪抑制T２W I㊁A D C图以及D C EＧM R I 的K t r a n s㊁V e和V p图)上共提取出６６个影像组学特征,所建立的联合模型预测L V S I的A U C为０．８３１,敏感度为８６．２％,特异度为７３．９％,符合率为７９．６％.L i 等[２０]从１０５例宫颈癌患者的T１C E图像上提取影像组学特征,并结合临床特征建立的影像组学列线图,在训练集中的A U C为０．７５(９５％C I:０．６３２６~０．８７４５),在验证集中为０．７２７(９５％C I:０．５４４９~０．９０９７).因此,基于T１C EＧM R I的影像组学列线图可作为术前预测宫颈癌有无L V S I的无创性生物标志物.上述研究中所构建的影像组学列线图中纳入的特征为一阶直方图纹理特征和形态学特征,这些特征反映了肿瘤边缘的灰度变化和形状,这些特征对预测L V S I状态十分重要.因此,本研究中也选择基于T１C E序列来提取影像组学特征对宫颈癌L V S I状态进行预测.由于解剖成像更能提供肿瘤形态特征的信息[２１],因此本研究将T２W I序列也纳入研究.目前,有较多关于宫颈癌影像组学的研究是基于T２W I及T１C E序列来提取影像组学特征的,包括预测宫颈癌分化程度㊁淋巴结转移及无病生存率等[１９,２２Ｇ２３].本研究结果显示,基于M R双序列构建的影像组学列线图的预测效能优于单序列(T２W I或T１C E).所以,本研究最终选择基于双序列M R I来建立影像组学模型.结果显示,双序列影像组学模型的预测符合率在验证集和训练集中分别为０．８３和０．７３,模型的可靠性较高.
本研究中共提取了１４个影像组学特征,包括２个形态特征㊁２个一阶直方图特征㊁１０个纹理特征(归属于５个游程矩阵和５个灰度共生矩阵).其中,２个形态学特征和２个一阶直方图特征显示出对预测宫颈鳞癌L V S I状态具有较好的相关性,这反映了M R I所显示的肿瘤边缘灰度的变化和形态对于预测L V S I状态十分重要.灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法,本研究提取的５个灰度共生矩阵,包含了两种特征值,即相关性(c o r r e l aＧt i o n)和簇阴影(c l u s t e r s h a d e).灰度游程矩阵反映了图像灰度关于方向㊁相邻间隔和变化幅度等信息.其中,长步长在越光滑的图像上值越大,而短步长在越粗糙的图像上值越大[２４].肿瘤的异质性往往会反映在图像灰度的改变上,因此,归属于灰度共生矩阵和灰度游程矩阵的特征对宫颈鳞癌L V S I状态的预测具有一定的相关性.因此,基于M R I影像组学模型的客观性及准确性在本研究得到体现.
通过多因素l o g i s t i c回归分析建立的影像组学列线图为临床提供了一种易于使用的工具,在训练集和验证集中均显示出较好的预测效能.在验证集中,影像组学列线图预测符合率为０．８４,而仅基于影像组学特征模型和仅基于临床病理特征的预测符合率分别为０．７３和０．６５,这表明影像组学列线图具有较高的预测效能.并且,D C A显示该列线图在０．０１~１．００阈值范围内对预测宫颈鳞癌L V S I状态的临床应用价值较大,显示了较好的临床实用性.
临床病理指标有助于评价L V S I状态,结合临床病理特征和影像组学特征建立影像组学列线图,预测性能明显提高,尤其是在准确性和特异性方面.这可能与F I G O分期和分化程度与L V S I状态有关.国内外研究显示F I G O分期㊁分化程度可在一定程度上预测宫颈癌L V S I状态[２５Ｇ２７].L V S I状态与F I G O分期具有相关性,肿瘤直径越大,周围浸润和淋巴结转移的风险越大,L V S I阳性率就会越高.L V S I阳性与组织学低分化亦具有相关性,癌细胞进入脉管系统是转移的基础,肿瘤分化程度越差,恶性程度越高,提示肿瘤细胞具有很强的侵袭和转移能力,因此更容易发生L V S I阳性.本研究也证实了上述结果.
本研究目前尚存在一定的局限性:①模型缺乏外部验证,样本量相对较少,今后将进一步扩大样本量及进行多中心研究;②Ⅰb期以下宫颈癌患者被排除,原因是Ⅰb期以下肿瘤在M R I图像上通常不易被显示.
③基因特征未列入本研究,相关研究显示D L L４蛋白水平与宫颈癌L V S I状态相关[２８].
综上所述,本研究建立并验证了双序列M R I和临床病理因素提取的影像组学列线图来预测术前宫颈鳞癌L V S I状态,可作为无创性生物标志物较好地预测宫颈鳞癌患者L V S I状态,并为宫颈鳞癌患者制订个体化治疗方案提供依据,以减少术后复发并提高宫颈
００５放射学实践２０２１年４月第３６卷第４期㊀R a d i o l P r a c t i c e,A p r２０２１,V o l３６,N o．４
癌患者的生存率.
参考文献:
[１]㊀B r a y F,F e r l a y J,S o e r j o m a t a r a mI,e ta l．G l o b a l c a n c e rs t a t i s t i c s ２０１８:G L O B O C A N e s t i m a t e so f i n c i d e n c ea n d m o r t a l i t y w o r l dＧw i d e f o r３６c a n c e r s i n１８５c o u n t r i e s[J]．C A C a n c e r JC l i n,２０１８,６８(６):３９４Ｇ４２４．
[２]㊀R y uS Y,P a r kS I,N a m B H,e ta l．I sa d j u v a n tc h e m o r a d i o t h e r a p y o v e r t r e a t m e n t i nc e r v i c a lc a n c e r p a t i e n t s w i t hi n t e r m e d i a t er i s k
f a c t o r s[J]．I n t JR a d i a tO n c o l B i o l P h y s,２０１１,７９(３):７９４Ｇ７９９．[３]㊀K o h W J,G r e e rB E,A b uＧR u s t u m N R,e t a l．C e r v i c a l c a n c e r,V e rＧs i o n２．２０１５[J]．J N a t l C o m p rC a n cN e t w,２０１５,１３(４):３９５Ｇ４０４．[４]㊀H u t c h c r a f tM L,S m i t hB,M c L a u
g
h l
i nE M,e t a l．C o n i z a t i o n p a t h oＧl o g i c f e a t u r e s a s a p r e d i c t o r o f i n t e r m e d i a t e a n dh i g h r i s k f e a t u r e s o nr a d i c a lh y s t e r e c t o m y s p e c i m e n s i ne a r l y s t a g ec e r v i c a l c a n c e r [J]．G y n e c o lO n c o l,２０１９,１５３(２):２５５Ｇ２５８．
[５]㊀K o h W J,A b uＧR u s t u m N R,B e a nS,e t a l．C e r v i c a l c a n c e r,V e r s i o n ３．２０１９,N C C NC l i n i c a l P r a c t i c eG u i d e l i n e s i nO n c o l o g y[J]．J N a t l
C o m p rC a n cN e t w,２０１９,１７(１):６４Ｇ８４．
[６]㊀B h a t l aN,A o k i D,S h a r m aD N,e t a l．C a n c e r o f t h e c e r v i xu t e r i[J]．
I n t JG y n a e c o lO b s t e t,２０１８,１４３(２):２２Ｇ３６．
[７]㊀G r a v e sS,S e a g l e B L,S t r o h l A E,e t a l．S u r v i v a l a f t e r p e l v i ce x e n t eＧr a t i o n f o r c e r v i c a l c a n c e r:an a t i o n a l c a n c e r d a t a b a s e s t u d y[J]．I n t JG y n e c o l C a n c e r,２０１７,２７(２):３９０Ｇ３９５．
[８]㊀K u s m i r eK J,R o b b i n s J,A l l e n H,e t a l．P E T/C Ta n d M R I i nt h e
i m a g i n g a s s e s s m e n t o f c e r v i c a l c a n c e r[J]．A b d o mI m a g i n g,２０１５,
４０(７):２４８６Ｇ２５１１．
[９]㊀张毅,罗娅红．影像学在宫颈癌诊断中的应用[J]．放射学实践,２０１７,３２(４):３３６Ｇ３４０．
[１０]㊀L a m b i nP,R i o sＧV e l a z q u e zE,L e i j e n a a rR,e ta l．R a d i o m i c s:e xＧt r a c t i n g m o r e i n f o r m a t i o nf r o m m e d i c a l i m a g e su s i n g a d v a n c e d
f e a t u r e a n a l y s i s[J]．E u r JC a n c e r,２０１２,４８(４):４４１Ｇ４４６．[１１]㊀陈欢,梁明柱,雷益,等．含瘤周移行带影像组学模型预测肺腺癌病理分级[J]．放射学实践,２０２０,３５(４):４７８Ｇ４８３．
[１２]㊀Y u a nY,R e n J,S h i Y,e t a l．M R IＧb a s e d r a d i o m i c s i g n a t u r e a s p r eＧ
d i c t i v em a r k
e r
f o r p a t i e n t s w i t hh e a da n dn e c ks q u a m o u sc e l l
c a r c i n o m a[J]．E u r JR a
d i o l,２０１９,１１７(８):１９３Ｇ１９８．
[１３]㊀Z h uX,D o n g D,C h e nZ,e t a l．R a d i o m i c s i g n a t u r e a s ad i a g n o s t i c
f a c t o r f o r h i s t o l o
g i c s u b t y p e c l a s s i f i c a t i o no f n o nＧs m a l l c e l l l u n g
c a n c e r[J]．E u rR a
d i o l,２０１８,２８(７):２７７２Ｇ２７７８．
[１４]㊀P a d e r aT P,K a d a m b iA,d eT o m a s oE,e t a l．L y m p h a t i cm e t a s t aＧs i si n t h e a b s e n c e o ff u n c t i o n a li n t r a t u m o rl y m p h a t i c s[J]．S c i e n c e,２００２,２９６(５５７４):１８８３Ｇ１８８６．
[１５]㊀A m u rS,F r u e hF W,L e s k oL J,e t a l．I n t e g r a t i o na n du s eo fb i oＧm a r k e r s i nd r u g d e v e l o p m e n t,r e g u l a t i o na n dc l i n i c a l p r a c t i c e:a
U Sr e g u l a t o r yp e r s p e c t i v e[J]．B i o m a r k M e d,２００８,２(３):３０５Ｇ
３１１．[１６]㊀F i n l e y A u s t i n M J,B a b i s sL．C o mm e n t a r y:w h e r ea n dh o wc o u l d
b i o m a r k e r s b eu s e d i n２０１６[J/O L]．A A P SJ,２００６,８(１):e１８５Ｇ
e１８９．D O I:１０．１２０８/a a p s j０８０１２２
[１７]㊀S u l l i v a n T,Y a c o u bJ H,H a r k e n r i d e r MM,e ta l．P r o v i d i n g M R
i m a g i n g f o rc e r v i c a lc a n c e rb r a c h y t h e r a p y:l e s s o n sf o rr a d i o l oＧ
g i s t s[J]．R a d i o g r a p h i c s,２０１８,３８(３):９３２Ｇ９４４．
[１８]㊀李淑健,程敬亮,张勇,等．T２Ｇm a p p i n g成像评估宫颈癌病理学特征[J]．中国医学影像技术,２０１９,３５(９):１３６５Ｇ１３６９．
[１９]㊀W uQ,S h i D,D o uS,e t a l．R a d i o m i c s a n a l y s i s o fm u l t i p a r a m e t r i c M R Ie v a l u a t e st h e p a t h o l o g i c a lf e a t u r e so fc e r v i c a ls q u a m o u s
c e l l c a r c i n o m a[J]．J M a g n R e s o nI m a g i n g,２０１９,４９(４):１１４１Ｇ
１１４８．
[２０]㊀L i Z,L iH,W a n g S,e t a l．M RＧb a s e d r a d i o m i c s n o m o g r a mo f c e rＧv i c a l c a n c e r i n p r e d i c t i o no f t h e l y m p hＧv a s c u l a rs p a c e i n v a s i o n
p r e o p e r a t i v e l y[J]．J M a g n R e s o nI m a g i n g,２０１９,４９(５):１４２０Ｇ
１４２６．
[２１]㊀H e n d e r s o nS,P u r d i eC,M i c h i eC,e ta l．I n t e r i m h e t e r o g e n e i t y
c h a n g e sm e a s u r e du s i n g e n t r o p y t e x t u r e f e a t u r e so nT２Ｇw e i g hＧ
t e d M R Ia t３．０T a r ea s s o c i a t e d w i t h p a t h o l o g i c a l r e s p o n s et o
n e o a d j u v a n t c h e m o t h e r a p y i n p r i m a r y b r e a s t c a n c e r[J]．E u rR aＧ
d i o l,２０１７,２７(１１):４６０２Ｇ４６１１．
[２２]㊀X i a oM,M aF,L iY,e t a l．M u l t i p a r a m e t r i cM R IＧb a s e dr a d i o m i c s n o m o g r a mf o r p r e d i c t i n g l y m p hn o d e m e t a s t a s i s i ne a r l yＧs t a g e
c e r v i c a l c a n c e r[J]．J M a g nR e s o n I m a g i n g,２０２０,２５(３):８８５Ｇ８９６．[２３]㊀F a n g J,Z h a n g B,W a n g S,e t a l．A s s o c i a t i o no fM R IＧ
d
e r i v e dr aＧ
d i o m i c b i o m a r k
e rw i t hd i s e a s eＧ
f r e e s u r v i v a l i n p a t i e n t sw i t h e a rＧ
l yＧs t a g ec e r v i c a lc a n c e r[J]．T h e r a n o s t i c s,２０２０,１０(５):２２８４Ｇ
２２９２．
[２４]㊀L i Z,M a oY,H u a n g W,e t a l．T e x t u r eＧb a s e dc l a s s i f i c a t i o no f d i fＧ
f e r e n t s i n
g l e l i v e r l e s i o nb a s e do nS P A I R T２W M R I i m a g e s[J/
O L]．B M C M e d I m a g i n g,２０１７,１７(１):e４２．D O I:１０．１１８６/
s１２８８０Ｇ０１７Ｇ０２１２Ｇx．
[２５]㊀P o l F J,Z u s t e r z e e l P L,v a nH a m MA,e t a l．S a t e l l i t e l y m p h o v a s c uＧl a r s p a c e i n v a s i o n:a n i n d e p e n d e n t r i s k f a c t o r i ne a r l y s t a g e c e rＧ
v i c a l c a n c e r[J]．G y n e c o lO n c o l,２０１５,１３８(３):５７９Ｇ５８４．[２６]㊀张子规,赵虎,李文,等．淋巴脉管间隙浸润对早期宫颈癌预后的影响分析[J]．中国实用妇科与产科杂志,２０１８,３４(８):９０７Ｇ９１２．[２７]㊀C h e nX L,C h e nGW,X uG H,e t a l．T u m o r s i z e a tm a g n e t i c r e s oＧn a n c e i m a g i n g a s s o c i a t i o nw i t h l y m p hn o d em e t a s t a s i s a n d l y mＧ
p h o v a s c u l a r s p a c e i n v a s i o n i n r e s e c t a b l e c e r v i c a l c a n c e r:aM u l t iＧ
c e n t e re v a l u a t i o no fs u r g i c a l s p e c i m e n s[J]．I n tJG y n e c o lC a nＧ
c e r,２０１８,２８(８):１５４５Ｇ１５５２．
[２８]㊀Y a n g S,L i uY,X i aB,e t a l．D L L４a s a p r e d i c t o r o f p e l v i c l y m p h n o d em e t a s t a s i sa n dan o v e l p r o g n o s t i cb i o m a r k e ri n p a t i e n t s
w i t he a r l yＧs t a g ec e r v i c a l c a n c e r[J]．T u m o rB i o l,２０１６,３７(４):
５０６３Ｇ５０７４．
(收稿日期:２０２０Ｇ０８Ｇ２２㊀修回日期:２０２１Ｇ０１Ｇ２９)
１０５
放射学实践２０２１年４月第３６卷第４期㊀R a d i o l P r a c t i c e,A p r２０２１,V o l３６,N o．４。