王 平，裴 旭，殷小平，任嘉梁，郭建黨，趙珍珍，趙瑩佳

[1.河北大學(xué)附屬醫(yī)院CT-MRI室，河北 保定 071000；2.河北大學(xué)(醫(yī)學(xué)院)，河北 保定 071000;3.河北省腫瘤放化療機(jī)制與研究重點(diǎn)實(shí)驗(yàn)室，河北 保定 071000；4.通用電氣藥業(yè)(上海)有限公司，上海 210000]

腎細(xì)胞癌(renal cell carcinoma， RCC)占成人惡性腫瘤的2%～3%，致死率較高[1]，其病理分型包括腎透明細(xì)胞癌(clear cell RCC， ccRCC)和非透明細(xì)胞癌(non-clear cell RCC， non-ccRCC)，后者又分為嫌色細(xì)胞癌(chromophobe renal cell carcinoma， chRCC)、乳頭狀細(xì)胞癌(papillary renal cell carcinoma， pRCC)、集合管癌(collecting duct carcinoma， CDC)及未分類癌。RCC的亞型[2-3]及病理分期[4]均會(huì)影響臨床治療及預(yù)后。腎穿刺活檢是診斷RCC亞型的金標(biāo)準(zhǔn)，但穿刺可能導(dǎo)致癌細(xì)胞轉(zhuǎn)移、腫瘤出血等并發(fā)癥，且存在抽樣誤差，故對(duì)于RCC活檢一直存在爭(zhēng)議[5-6]。盡管影像學(xué)上ccRCC與non-ccRCC表現(xiàn)出不同的強(qiáng)化方式，但臨床誤判率仍較高[7]。聯(lián)合應(yīng)用不同影像學(xué)檢查可提高診斷RCC亞型的正確率，但增加患者經(jīng)濟(jì)負(fù)擔(dān)，且耗時(shí)長(zhǎng)。影像組學(xué)是從醫(yī)學(xué)圖像中高通量提取定量特征(紋理特征、形狀特征、強(qiáng)度特征及高階特征等信息)，轉(zhuǎn)化為可采集的組學(xué)數(shù)據(jù)，并對(duì)這些數(shù)據(jù)進(jìn)行分析，從而達(dá)到判斷病變性質(zhì)的目的[8]。本研究探討基于增強(qiáng)CT的影像組學(xué)模型鑒別ccRCC與non-ccRCC的價(jià)值。

1 資料與方法

1.1 一般資料 回顧性分析2017年1月—2019年9月河北大學(xué)附屬醫(yī)院收治的179例RCC患者的影像學(xué)資料，男93例，女86例，年齡27～88歲，平均(58.4±10.6)歲；腫瘤最大徑2～11 cm，平均(6.48±3.46)cm；術(shù)后病理診斷ccRCC 147例，non-ccRCC 32例(pRCC 20例、chRCC 9例、CDC 3例)。納入標(biāo)準(zhǔn)：①病理檢查明確診斷RCC及其分型；②術(shù)前3周接受增強(qiáng)CT皮質(zhì)期掃描。排除標(biāo)準(zhǔn)：①病灶內(nèi)存在直徑超過(guò)4～5 cm的壞死、囊變；②腫瘤已發(fā)生轉(zhuǎn)移；③圖像質(zhì)量不佳。將患者隨機(jī)分為訓(xùn)練集和測(cè)試集。訓(xùn)練集125例，男64例，女61例，年齡27～87歲，平均(58.4±9.9)歲，64例≤60歲；non-ccRCC 22例(pRCC 15例、chRCC 6例、CDC 1例)，ccRCC 103例。測(cè)試集54例，男29例，女25例，年齡30～88歲，平均(59.7±9.1)歲；其中non-ccRCC 10例(pRCC 5例、chRCC 3例、CDC 2例)，ccRCC 44例。

1.2 儀器與方法 采用GE Discovery HD750 64排CT掃描儀。囑患者禁食6～8 h后，行腎臟平掃及增強(qiáng)掃描。掃描參數(shù)：層厚5 mm，螺距0.984:1，掃描視野36 cm×43 cm，矩陣512×512，管電壓100～120 kV，管電流134～409 mA，窗寬250～450 HU，窗位30～50 HU。對(duì)比劑為非離子型碘佛醇，經(jīng)肘靜脈注射，流率3.0～3.5 ml/s，劑量1.0～1.2 ml/kg體質(zhì)量。皮質(zhì)期、髓質(zhì)期、排泄期掃描時(shí)間分別為注射對(duì)比劑后30～35 s、50～60 s和180 s。

1.3 圖像分割、特征提取與建模 將CT增強(qiáng)圖像(皮質(zhì)期)導(dǎo)入ITK-SNAP(www.itk-snap.org)軟件，由2名具有8～10年工作經(jīng)驗(yàn)的影像學(xué)醫(yī)師分別獨(dú)立勾畫(huà)ROI(圖1～3)。ROI勾畫(huà)原則：①選取PACS系統(tǒng)上DICOM格式的圖像；②距病灶皮質(zhì)期邊緣內(nèi)側(cè)0～1 mm；③逐層勾畫(huà)，獲得病灶的ROI容積(volume of interest, VOI)；④包含小范圍壞死囊變及強(qiáng)化血管；⑤避開(kāi)腎靜脈內(nèi)的瘤栓；⑥對(duì)于non-ccRCC皮質(zhì)期，參考髓質(zhì)期圖像勾畫(huà)ROI。

將所有原始圖像文件及勾畫(huà)好的ROI文件導(dǎo)入A.K軟件(GE Artificial Intelligence Kit)進(jìn)行特征提取，包括直方圖特征、形態(tài)學(xué)特征及二階紋理特征(灰度共生矩陣、游程矩陣等)，共生成396個(gè)特征；釆用單因素方差分析及秩和檢驗(yàn)、一般線性模型和前10%互信息(mutual information， MI)3種方法依次進(jìn)行特征降維，最終選取16個(gè)具有統(tǒng)計(jì)學(xué)意義的特征，即LargeAreaEmphasis、 OneVoxelVolume HaralickCorrelation_angle0_offset7、ClusterProminence_angle135_offset7、ShortRunEmphasis_angle0_offset4、LowGreyLevelRunEmphasis_AllDirection_offset1_SD、HaralickCorrelation_angle135_offset4、LeastAxisLength、LowIntensityLargeAreaEmphasis、最大像素值(MaxIntensity)、直方圖熵(histogramEntropy)、方差(variance)、直方圖能量(histogramEnergy)、平均像素值(MeanValue)、直方圖標(biāo)準(zhǔn)差(stdDeviation)和hara熵(haraEntroy)。分別建立線性邏輯回歸(logistic regression， LR)模型及非線性隨機(jī)森林(random forest,RF)模型，保留AUC最大且特異度較高的模型，釆用測(cè)試數(shù)據(jù)進(jìn)行模型評(píng)估。

表1 訓(xùn)練集、測(cè)試集中RF、LR模型診斷ccRCC的效能

圖1 患者男，59歲，pRCC 皮質(zhì)期CT增強(qiáng)圖像(虛線為ROI) 圖2 患者女，62歲，ccRCC 皮質(zhì)期CT增強(qiáng)圖像(虛線為ROI) 圖3 患者男，71歲，chRCC 皮質(zhì)期CT增強(qiáng)圖像(虛線為ROI)

圖4 RF、LR模型診斷ccRCC的ROC曲線 A. RF模型的訓(xùn)練集和測(cè)試集ROC曲線； B. LR模型的訓(xùn)練集和測(cè)試集ROC曲線。

1.4 統(tǒng)計(jì)學(xué)分析 釆用SPSS 24.0統(tǒng)計(jì)分析軟件，以獨(dú)立樣本t檢驗(yàn)比較訓(xùn)練集和測(cè)試集患者年齡，χ2檢驗(yàn)比較性別和ccRCC在的訓(xùn)練集和測(cè)試集之間的分布。采用ROC曲線評(píng)價(jià)LR、RF模型鑒別ccRCC與non-ccRCC的效能。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

訓(xùn)練集和測(cè)試集患者年齡(t=2.13，P=0.05)、性別(χ2=0.41，P=0.05)、ccRCC在的訓(xùn)練集和測(cè)試集之間的分布(χ2=0.02，P=0.90)差異均無(wú)統(tǒng)計(jì)學(xué)意義。

ROC曲線結(jié)果顯示，訓(xùn)練集RF模型診斷ccRCC的AUC為0.96(P<0.05)，特異度為1.00，敏感度0.83；LR模型診斷ccRCC的AUC為0.96(P<0.05)，特異度為1.00，敏感度為0.83。測(cè)試集RF模型診斷ccRCC的AUC為0.96(P<0.05)，特異度為1.00，敏感度為0.89；LR診斷ccRCC的AUC為0.88(P<0.05)，特異度為0.90，敏感度為0.77。見(jiàn)表1、圖4。

將RF預(yù)測(cè)模型帶入原始數(shù)據(jù)中進(jìn)行預(yù)測(cè)，結(jié)果顯示訓(xùn)練集中ccRCC真陽(yáng)性85例，non-ccRCC真陰性22例，測(cè)試集中ccRCC真陽(yáng)性39例，non-ccRCC真陰性10例。將LR預(yù)測(cè)模型帶入原始數(shù)據(jù)中進(jìn)行預(yù)測(cè)，訓(xùn)練集中ccRCC真陽(yáng)性85例，non-ccRCC真陰性22例；測(cè)試集中ccRCC真陽(yáng)性34例，non-ccRCC真陰性9例。

3 討論

RCC是腎臟最常見(jiàn)的惡性腫瘤，約20% RCC患者就診時(shí)已發(fā)生轉(zhuǎn)移，早期診斷RCC對(duì)于指導(dǎo)臨床治療意義重大[2-3]。盡管多期增強(qiáng)CT可用于鑒別RCC亞型[3]，但在臨床工作中仍有很高的誤診率。目前采用影像組學(xué)特征鑒別RCC亞型的研究[9]較少，且缺乏研究RCC亞型之間潛在的分子基礎(chǔ)。既往有研究[3,5-6]評(píng)估增強(qiáng)CT模式、2D紋理和其他定量參數(shù)對(duì)RCC亞型的診斷效能，發(fā)現(xiàn)其各有不足[10]。放射組學(xué)具有可重復(fù)性，已逐漸應(yīng)用于臨床。本研究提取RCC皮質(zhì)期CT增強(qiáng)圖像特征建立模型，可更直觀地反映腫瘤的整體特征[10]，即使選擇一期進(jìn)行分析，模型對(duì)鑒別ccRCC與non-ccRCC的敏感度和特異度仍較高，為傳統(tǒng)CT增強(qiáng)所不及；盡管本組non-ccRCC病例數(shù)較少，但兩種模型的特異度均較高，提示模型未過(guò)擬合，泛化能力較好。

Zhu等[11]認(rèn)為低強(qiáng)化是高級(jí)別ccRCC的特征。本研究于腎臟腫瘤CT增強(qiáng)皮質(zhì)期勾畫(huà)ROI，利用A.K軟件提取其影像特征(灰度分布、小波特征及紋理特征等)，以反映腫瘤內(nèi)部的異質(zhì)性[12]。異質(zhì)性是惡性腫瘤的重要特征，與其惡性生物學(xué)行為關(guān)聯(lián)密切[13]，能夠反映相關(guān)生長(zhǎng)因子變化及腫瘤生長(zhǎng)微環(huán)境的變化，而這些變化可導(dǎo)致腫瘤局部區(qū)域發(fā)生細(xì)胞增殖或凋亡、內(nèi)部代謝活躍或抑制、腫瘤血管增加或減少等[14]；腫瘤血管生成的異質(zhì)性可能導(dǎo)致局部有效血流灌注減少，引起該區(qū)域缺氧，導(dǎo)致間質(zhì)靜水壓增高等獨(dú)特的腫瘤微環(huán)境變化，最終增加腫瘤侵襲和轉(zhuǎn)移的風(fēng)險(xiǎn)[15-16]。

由于本組non-ccRCC例數(shù)較少，可能存在建模偏差，故分別采用線性的LR模型和非線性的RF模型進(jìn)行建模并對(duì)比；ROC曲線結(jié)果顯示，測(cè)試集RF模型診斷ccRCC的AUC達(dá)0.96，LR模型為0.88。LR模型的診斷效能不及RF模型，原因可能在于RCC亞型與特征之間呈非線性關(guān)系，而LR模型為線性模型，故診斷效能相對(duì)差；RF為非線性，可更加穩(wěn)定地預(yù)測(cè)非線性數(shù)據(jù)。此外，RF模型可處理高維度數(shù)據(jù)，且毋須進(jìn)行特征選擇(特征子集隨機(jī))，訓(xùn)練速度快，易采用并行化方法。Li等[17]聯(lián)合von Hippel-Lindau(VHL)基因分別建立影像組學(xué)模型Boruta、mRMRe，結(jié)果顯示測(cè)試集在兩種模型中鑒別診斷ccRCC與non-ccRCC的AUC分別為0.969、0.900，與本研究的RF模型(AUC=0.96)相當(dāng)?shù)哂谠摻MLR模型(AUC=0.88)。

本研究的局限性：樣本量較小，且non-ccRCC樣本量更少；臨床資料中無(wú)家族病史，未做組合模型；non-ccRCC樣本僅納入pRCC、chRCC、CDC病例，未涉及其他病理類型non-ccRCC；勾畫(huà)ROI時(shí)，受部分腫塊邊緣不清晰或部分容積效應(yīng)的影響，導(dǎo)致準(zhǔn)確率降低，且病灶壞死囊變會(huì)在一定程度上影響影像組學(xué)分析結(jié)果。

總之，基于增強(qiáng)CT的影像組學(xué)模型可用于鑒別ccRCC與non-ccRCC，其中RF模型的診斷價(jià)值更高。