彭愛琴， 費正東， 張阿娥， 湯 德

（徐州醫(yī)科大學附屬沭陽醫(yī)院醫(yī)學影像科，沭陽 223600）

鼻咽癌（nasopharyngeal carcinoma，NPC）是頭頸部常見的惡性腫瘤之一，手術(shù)及放化療可顯著提高NPC 復發(fā)的局部控制率及5 年生存率[1-3]。但其復發(fā)風險仍然很高，并已成為制約NPC 良好預后的關(guān)鍵因素[4-5]。已有研究[6-7]證實，病變區(qū)惡變是NPC 復發(fā)的核心機制，明晰局部組織的病理改變以及征象具備良好的預測價值。相較于傳統(tǒng)的鼻咽鏡對局部組織的活檢，在體成像技術(shù)尤其是磁共振成像（MRI）具有組織分辨率高、能多方位成像等優(yōu)點，已成為NPC 病情評估、腫瘤分期以及復發(fā)監(jiān)測的首選手段[8-9]。但依托MRI對NPC 復發(fā)的預測價值仍然不高。因此，本研究采用圖像定量分析技術(shù)——影像組學，以NPC 患者的MRI 影像組學特征構(gòu)建放化療后復發(fā)的預測模型并探索其性能[10]，以期為臨床監(jiān)測NPC 的復發(fā)提供新的思路和方法。

1 資料與方法

1.1 研究對象

收集沭陽醫(yī)院2016 年2 月至2020 年2 月門診及住院的116 例NPC 患者資料。納入標準：1）均為初診NPC 患者；2）病理診斷確診為NPC；3）經(jīng)?？漆t(yī)師評估為NPC Ⅲ～Ⅳb 期[11]；4）患者均已接受過系統(tǒng)的放化療治療；5）治療結(jié)束后均行鼻咽部CE-MRI 檢查；6）具備完整的MRI 影像資料和臨床資料。排除標準：1）治療后療效未達部分緩解（PR）或完全緩解（CR）的患者；2）獲得的MRI 圖像存在顯著偽影或部分圖像缺失情況的患者。治療方案包括聯(lián)合同步放化療（鉑類化療藥物）、單純放療（總劑量75～83 Gy，分30～36 次照射）以及聯(lián)合誘導化療［順鉑（DDP）+5-氟尿嘧啶（5-FU）+四氫葉酸（THFA）+左亞葉酸鈣（L-LV）］。根據(jù)2 年內(nèi)隨診的復發(fā)情況將患者分為復發(fā)組與未復發(fā)組，復發(fā)組52 例，其中男性44 例，女性8 例，平均年齡（51.4±10.2）歲；未復發(fā)組64 例，其中男性42 例，女性22 例，平均年齡（45.3±12.1）歲。本研究通過沭陽醫(yī)院倫理委員會批準（SYYY2022KS040），獲得所有受試者書面知情同意。

1.2 MRI 掃描

受試者掃描在配以8 通道相控陣頭頸聯(lián)合線圈的西門子3.0T MR 儀器上執(zhí)行。以雙側(cè)海綿墊填充固定受試者頸部，掃描范圍為顱底至胸廓入口。T1WI 增強序列參數(shù)：根據(jù)受試者體質(zhì)量，經(jīng)肘靜脈注射0.2 mL·kg-1（或0.1 mmol·kg-1）釓噴酸葡胺注射液（Gd-DTPA）；重復時間（repetition time，TR）=500 ms，回波時間（echo time，TE）=8.5 ms，不見野（field of view，F(xiàn)OV）=250 mm×250 mm，層厚=5.0 mm，層間距=1.0 mm，掃描時間為185 s。所有受試者的圖像（平衡期）采集完成后自影像科的影像存儲與傳輸系統(tǒng)（PACS）導出，并以DICOM 格式保存于DVD 光盤中，用于后續(xù)分析。

1.3 感興趣區(qū)分割及組學特征提取

由本科室1 名高年資醫(yī)師（具有10 年行業(yè)經(jīng)驗）利用3D Slicer（https：//www.slicer.org）圖像處理平臺的圖像編輯工具勾畫受試者MR 圖像的感興趣區(qū)（region of interest，ROI）。根據(jù)Xu 等[12]的方法對待分析的圖像進行灰白度歸一化處理，后基于python 3.6.8（https：//www.python.org）中的pyradiomics（http：//www.radiomics.io/pyradiomics.html）模塊實施組學特征提取，包括一階統(tǒng)計類（灰度層面描述）、形狀描述類（ROI 的形狀和大?。⒓y理類（量化ROI 的異質(zhì)性差異），以及小波（Wavelet）變換類［包括LLL（low-low-low），HHH（high-high-high），HLL（high-low-low），HHL（highhigh-low），LLH（low-low-high），HLH（high-lowhigh），LHL（low-high-low）以及LHH（low-highhigh）］。

1.4 組學特征的降維

影像組學特征的篩選由R 4.0.0 執(zhí)行，其中irr 包用于類內(nèi)相關(guān)系數(shù)（intraclass correlation coefficient，ICC）的計算，glmnet 包用于重要性特征的篩選[13]。以ICC<0.9 排除重復性較低的組學特征，隨后采用Lasso 回歸法（最小絕對收縮和選擇算子）實施進一步特征選擇，其主要步驟為在回歸系數(shù)的絕對值之和小于1 個常數(shù)的約束條件下，使殘差平方和最小化，從而能夠產(chǎn)生回歸系數(shù)。最終被選擇的特征子集用于復發(fā)組和未復發(fā)組之間的差異性篩選和預測模型的構(gòu)建。

1.5 統(tǒng)計學方法

采用SPSS 23.0 統(tǒng)計學軟件進行數(shù)據(jù)分析。采用Shapiro-Wilk test 和Levene’s test 分別對數(shù)據(jù)進行正態(tài)性檢驗和方差齊性檢驗。符合正態(tài)分布的計量資料采用均數(shù)±標準差（±s）表示，兩組間的比較采用獨立樣本t 檢驗。偏態(tài)分布的計量資料以M（Q1，Q3）表示，組間比較采用Mann-Whitney U 檢驗。計數(shù)資料采用頻數(shù)表示，組間比較采用χ2檢驗或Fisher 確切概率法。以Logistic回歸評價組學特征與NPC 復發(fā)的關(guān)系。繪制受試者工作特征（ROC）曲線并以AUC、靈敏度、特異度作為預測性能的評價指標。P≤0.05 為差異有統(tǒng)計學意義。

2 結(jié)果

2.1 一般資料

與未復發(fā)組相比，NPC 復發(fā)組年齡更高（t=2.894，P＜0.01）和男性占比更多（χ2=5.396，P＜0.05）。兩組患者體質(zhì)量指數(shù)（BMI）、臨床分期、病理類型以及平均放療劑量和放療次數(shù)比較差異均無統(tǒng)計學意義（P 均>0.05）。兩組主要病理學類型均為非角化型未分化型，其中復發(fā)組的復發(fā)間隔時間為6～22 個月，中位時間為14 個月。見表1。

表1 兩組受試者的一般資料比較

2.2 MRI 組學特征的降維

基于MR 增強圖像解析，共計851 個定量影像組學特征被獲取。根據(jù)組學特征的ICC 值選擇（ICC<0.9），130 個高重復性特征被初步篩選，見圖1。降維后的特征經(jīng)Lasso 回歸算法篩選進一步保留了12 個重要的組學特征，分別為小波（Wavelet）變換類Wavelet-LHH-Strength，Wavelet-HLLKurtosis，Wavelet-HLH-DiffEntropy，Wavelet-HLHAutocorr，Wavelet-HLL-DiffVar，Wavelet-HLLLargeAreaEmp，Wavelet-HLL-Idmn，Wavelet-HLLSkewness，Wavelet-HLL-LargeDepEmp，Wavele-HLL-SumEntropy，Wavelet-HLL-DepEntropy，Wavelet-HLL-LongRunEmp，見圖2。

圖1 ICC 特征的選擇

圖2 Lasso 二元邏輯回歸模型的特征選擇

2.3 MRI 組學特征的篩選

與未復發(fā)組相比，復發(fā)組中的Wavelet-HLLKurtosis（U=513，P=0.000 1）、Wavelet-HLH-DifferenceEntropy（U=728，P=0.003 8）、Wavelet-HLHAutocorrelation（U=752，P=0.004 5）、Wavelet-HLLLargeDependenceEmphasis（U=745，P=0.003 8）、Wavelet-HLL-LongRunEmphasis（U=644，P=0.000 2）差異有統(tǒng)計學意義，其余7 個特征之間差異無統(tǒng)計學意義（P 均>0.05），見圖3、圖4。

圖3 Mann-Whitney U 檢驗進行組學特征的差異性比較

圖4 基于組學特征預測NPC 復發(fā)

2.4 基于組學特征構(gòu)建預測NPC 復發(fā)模型

以差異性組學特征納入Logistic 回歸分析，建立聯(lián)合檢測曲線，預測結(jié)果為狀態(tài)變量復發(fā)或未復發(fā)，并生成ROC 曲線。5 個指標中，除Wavelet-HLL-Kurtosis 特征外，均顯示出滿意的效能；其中Wavelet-HLL-LargeDependenceEmphasis 的預測模型擬合度最佳，AUC 為0.755（95% CI：0.657～0.837），靈敏度為82.15%（95% CI：73.12～92.04），特異度為51.62%（95% CI：41.03～63.65）。當4 個特征聯(lián)合構(gòu)建后，其聯(lián)合診斷效能顯著提升，AUC為0.902（95% CI：0.824～0.953），靈敏度為74.07%（95% CI：60.33～85.04），特異度為92.86%（95% CI：80.52～98.56）。見表2。

表2 組學預測NPC 復發(fā)的模型性能

3 討論

復發(fā)甚至伴發(fā)轉(zhuǎn)移是NPC 最嚴重的不良結(jié)局，早期預測并針對性防治無疑是改善NPC 預后的最有力措施。本研究成功地對NPC 患者的增強MRI T1WI 圖像實施了影像組學特征提?。?51 個），通過降維和篩選得到了與NPC 復發(fā)相關(guān)的12 個特征，并證實復發(fā)組和未復發(fā)組的5個重要影像組學特征（Wavelet-HLL-Kurtosis，Wavelet-HLH-DifferenceEntropy，Wavelet-HLHAutocorrelation，Wavelet-HLL-LargeDependenceEmphasis，Wavelet-HLL-LongRunEmphasis） 在基線時存在顯著的組間差異。進一步的結(jié)果顯示，除Wavelet-HLL-Kurtosis 外的其余4 個特征可作為NPC 復發(fā)的獨立預測因子。本研究結(jié)果不僅可作為NPC 復發(fā)研究工作中的重要補充，同時為NPC 復發(fā)的臨床防治工作提供了進一步的理論依據(jù)和參考。

相較于NPC 發(fā)病風險和機制的探索，關(guān)于NPC 復發(fā)的預測研究稍顯滯后。Wang 等[14]通過微陣列分析，發(fā)現(xiàn)NPC 患者治療后血漿miR-214-3p 表達逐漸下降，并通過Kaplan-Meier 生存曲線分析證實預處理前miR-214-3p 的高表達（≥3.12）可以有效預測NPC 復發(fā)；Raghavan等[15]基于圖像紋理分析技術(shù)對58 例接受放化療后的NPC 患者MR 圖像進行分析，證實紋理特征對預測NPC 復發(fā)的效能（AUC）為0.79，其靈敏度和特異度分別為0.73 和0.71。與這些報道相比，本研究的預測模型有無創(chuàng)便捷性和預測效能平衡的優(yōu)勢, 僅在受試者治療后的單次MR 成像即可完成預測模型中的自變量采集，有力規(guī)避了血指標或生物學指標所依賴的多時間節(jié)點的有創(chuàng)收集；另外，與反映表面特性的紋理分析技術(shù)相比，影像組學能夠在傅里葉變換基礎上進一步考慮頻域和時域的拆解，這是本研究模型效能顯著高于紋理模型效能的原因。

影像組學的本質(zhì)為基于醫(yī)學圖像對大量的影像數(shù)據(jù)進行數(shù)字化的定量高通量分析[16-17]，得到高保真目標信息以綜合評價腫瘤的各種表型、組織形態(tài)、細胞分子、基因遺傳等各層次信息[18]。盡管本研究提取的851 個組學特征涵蓋了包括一階統(tǒng)計類、紋理類以及小波（Wavelet）變換類三大類數(shù)據(jù)，但差異性的特征有趣地集中分布在Wavelet 類中的紋理子類而不涉及一階子類，提示NPC 復發(fā)的圖像驅(qū)動可能與病變區(qū)域內(nèi)體素強度的分布無關(guān)，而是與深度隱藏在濾波解析后的體素區(qū)域性和統(tǒng)計特征尺度有關(guān)。正如本研究結(jié)果所呈現(xiàn)的4 個差異性特征（Wavelet-HLHDifferenceEntropy，Wavelet-HLH-Autocorrelation，Wavelet-HLL-LargeDependenceEmphasis，Wavelet-HLL-LongRunEmphasis）分別代表著圖像中的熵差（能量退化）、自相關(guān)（信號與自身的延遲信號相乘后的乘積）、最大的“依賴”元素數(shù)目（GLDM每個元素除以GLDM 所有元素之和得到每個元素的頻率）以及長游程因子（圖像光滑/粗糙）。這些特異性特征共同效應了源圖像中NPC 治療后失調(diào)控增殖的瘤體細胞（復發(fā)）在ROI 中的增殖程度和范圍。

但本研究仍存在局限性。首先，單中心的病例收集限制了入組的樣本數(shù)量。其次，基于2 年的隨訪周期可能會抑制預測模型在實際應用中的重復性（假陰性）。最后，人工勾畫的ROI 可能存在病灶邊緣信息丟失，引入深度學習及人工智能等自動分割手段或可獲得更為準確的ROI 范圍。