劉桐桐 董 怡 韓 紅 戴 猛 姚 釗 郭 威張煒彬 曹佳穎 羅惠高 余錦華* 王文平*

原發(fā)性肝細胞癌(hepatocellular carcinoma，HCC)是一種全球性高發(fā)的、惡性程度極高、預后極差的腫瘤，流行病學顯示其發(fā)病率在各種惡性腫瘤中排列第六，死亡率排第四[1]。據(jù)統(tǒng)計，有超過80%的HCC病例發(fā)生在發(fā)展中國家，在我國HCC列惡性腫瘤致死第二位[2]。

根據(jù)Edmons-Steiner分級標準，臨床將HCC分化情況分為Ⅰ、Ⅱ、Ⅲ、Ⅳ級[3]。這種分級的主要依據(jù)為：細胞的胞質(zhì)嗜酸性、胞核深染、核漿比例以及細胞功能等。根據(jù)組織的分化程度不同，肝癌患者在介入治療的過程中，治療方式及預后評估會有很大的差別，低分化肝癌預后較差，治療效果不佳[4]。

肝細胞癌的微血管侵犯(micro vascular invasion，MVI)定義為顯微鏡下于內(nèi)皮細胞襯覆的血管腔內(nèi)見到癌細胞巢團[5]。有研究表明，MVI是肝癌切除后復發(fā)、預后的一項獨立指標[6]。據(jù)統(tǒng)計，MVI指標對于患者1、3、5年生存率有很大影響(P=0.012)，沒有MVI的患者各期的生存率更高[7]。目前肝細胞癌的MVI仍要術后組織病理學確診，術前的影像學預測尚無敏感、特異的指標。以往研究認為，HCC瘤體越大，MVI的發(fā)生率越高[6]。此外，有研究發(fā)現(xiàn)，患者的體重、年齡等因素也與MVI有關，肥胖者體內(nèi)瘦素水平較高，發(fā)生MVI風險更大，而年齡≤65歲是預測MVI的獨立指標[6]。臨床上，現(xiàn)有的超聲影像學方法，往往不能對HCC分化等級和是否存在MVI做出判斷。

影像組學的概念最早是由荷蘭學者Lambin等于2012年提出，主要是利用醫(yī)學影像提取大量的高通量特征，對圖像數(shù)據(jù)進行更深入的挖掘[8]。實驗過程包括圖像的手動分割標注、高通量特征提取、特征篩選、結(jié)果分類判別等。本文擬利用影像組學(Radiomics)的方法，通過回顧性分析經(jīng)過手術病理證實的HCC的常規(guī)灰階影像，探索通過影像組學無損、精準預測肝細胞癌分化等級和MVI指標的可行性。

方 法

本研究通過基于影像組學的方法，通過回顧性分析經(jīng)手術病理證實的HCC常規(guī)灰階超聲圖像，對HCC患者的MVI和腫瘤分化等級進行無損預測。該過程包括4個步驟：圖像分割，高通量特征提取，特征篩選和分類判別。所有的圖像和數(shù)據(jù)處理都在MATLAB R2015b (MathWorks， Inc.， Natick，MA， USA)中進行。這項研究的工作流程圖如圖1所示。

1.高通量特征的提取

特征提取是影像組學方法中關鍵的一步，對之后的分類判別起著重要的作用。本研究使用原始灰階超聲圖像和經(jīng)過小波變換后的圖像進行特征提取。小波變換可通過高通和低通濾波器將圖像信息層層進行剝離，使小波分解后的圖像包含不同頻率子帶的強度和紋理特征[9]。

我們從這些圖像中共提取了452個基本的影像組學特征。腫瘤的病灶區(qū)域由醫(yī)生手工勾畫。特征包括反映腫瘤大小、形狀、方向、邊緣、邊界的30個形態(tài)特征，以及68個腫瘤的紋理特征，包括直方圖特征，基于灰度共生矩陣的特征，基于灰度行程矩陣的紋理特征，基于灰度區(qū)域大小矩陣的特征，基于鄰域灰調(diào)差矩陣的特征，再加上小波變換后圖像提取的352個特征和病人的病例中記錄的性別和年齡這2個臨床信息[9]。

2.特征選擇

由于冗余的特征在分類時會對后續(xù)的分類造成影響，在分類前需要對所提取的特征進行篩選。本研究采用稀疏表示(sparse representation coefficient，SRC)方法，將特征的重要性量化，并用SRC的值表示，之后根據(jù)SRC的絕對值將特征進行排序[10]。之后選取不同數(shù)目的特征進行效果評價，比較各個特征集的分類結(jié)果，將效果最好的選為用于分類的最終特征集。

3.分類判別

在醫(yī)學研究中又許多常見的分類器被用于區(qū)分從圖像中提取的信息，本研究采用目前被廣泛使用的支持向量機 (support vector machines， SVM)，SVM在高維空間中尋找最有超平面的方式具有很強的辨識性和穩(wěn)定性[9]。

在我們的研究中，采用SVM和留一法交叉驗證(leave-one-out cross-validation， LOOCV)相結(jié)合的方式，根據(jù)之前所提取的特征集進行分類并評估結(jié)果，并將評估結(jié)果作為最終的結(jié)果呈現(xiàn)，其中，評估標準為受試者工作特征曲線下面積(AUC)、準確度(ACC)、靈敏度(SENS)、特異性(SPEC)、陽性預測值(PPV)、陰性預測值(NPV)和馬修相關系數(shù)(MCC)[9]。

結(jié) 果

1.材料和數(shù)據(jù)

本文對復旦大學附屬中山醫(yī)院超聲科診斷的87例原發(fā)性HCC患者的常規(guī)灰階超聲圖像數(shù)據(jù)進行分析。本回顧性研究涉及的所有實驗均經(jīng)過倫理委員會的批準。入組條件如下：①原發(fā)性HCC患者；②病理診斷報告中包括MVI、腫瘤分化等級結(jié)果；③圖像采集切面標準，病灶清晰可辨。

灰階超聲圖像由3位具有至少10年腹部超聲操作經(jīng)驗的超聲科醫(yī)生，使用頻率為3～5MHz的超聲探頭。所使用的超聲儀器包括飛利浦(EPIQ-7)、西門子(HELX OXANA)、通用電氣(LOGIC E9)以及聲科公司(Supersonic)的超聲診斷儀器，對病人的肝臟部位進行常規(guī)灰階超聲檢查，并獲取多個標準切面的灰階圖像。所有圖像以DICOM格式存儲并導出。另外，搜集患者的臨床資料，包括性別、年齡信息。并將最終的手術病理結(jié)果：MVI、腫瘤分級作為預測的金標準。病人的詳細信息見表1。

表1 病人詳細信息

表2 不同模型的預測結(jié)果

圖1 工作流程圖。圖2 2例典型HCC。A.一位64歲男性患者的肝臟超聲圖像，腫瘤大小7cm×7cm×6cm，分化等級II級，MVI指標為高危； B.一位78歲男性的肝臟超聲圖像，腫瘤大小為5.5cm×4cm×2cm，分化等級II級，MVI指標為低危。

2.實驗結(jié)果

圖2所示是2個典型的HCC患者的二維灰階圖像。腫瘤的邊界通過手動分割得到，顯示為紅色的實線。

圖3 特征個數(shù)的變化對分類器效果AUC的影響變化曲線。圖4 ROC曲線。A.原始特征的ROC曲線；B.經(jīng)過篩選后特征的ROC曲線。

我們從處理過后的灰階超聲圖像中提取了450個高通量特征，并添加性別和年齡信息，一共452個特征。然后，使用SRC進行特征篩選和降維。特征個數(shù)的變化對分類器效果AUC的影響變化曲線如圖3所示。根據(jù)曲線選擇最優(yōu)化點，對應的特征數(shù)目即為降維達到的數(shù)目。對于MVI和腫瘤分級來說，特征的維度分別被降到14和23，分別對應著各自最高的AUC。

利用降維后的數(shù)據(jù)，通過LOOCV利用SVM分類器建立對MVI和分化等級的預測模型結(jié)果如表2所示，ROC曲線見圖4對于MVI來說，最終模型的預測AUC為0.7545，ACC 為 0.7816，SENS為0.5455，SPEC為0.8615。對于腫瘤分化等級來說，AUC 為0.8864，ACC 為 0.87360，SENS為0.7500，SPEC 為 0.9014。

討 論

在精準醫(yī)療的背景下，深入研究HCC的分化等級和MVI對HCC的治療和預后具有重要意義。HCC分化等級越低，癌細胞分化越差，癌變越嚴重，對于其治療的預后越差。MVI是HCC術后復發(fā)的重要影響因子，是影響HCC早期復發(fā)的一個重要因素。目前臨床上HCC的分化程度以及MVI指標描述只能通過有創(chuàng)性的手術或穿刺取得腫瘤組織及蘇木精-伊紅(hematoxylin-eosin， HE)染色法的常規(guī)病理檢查及免疫組化分析得到，無法在術前進行無創(chuàng)性的影像學精準預測。本研究基于目前最新的影像組學的方法，利用患者常規(guī)灰階超聲影像信息無創(chuàng)性預測HCC分化程度和MVI指標，并取得了良好的實驗效果。

預測MVI和分化程度，尋找相關預測指標一直以來是研究的重點。Annette等發(fā)現(xiàn)在腫瘤直徑＞4cm情況下MVI發(fā)生率是＜4cm的2倍[11]。但是在本研究中，腫瘤的大小和MVI無關。利用術前電子計算機斷層掃描(computed tomography，CT)檢查，Chou等發(fā)現(xiàn)腫瘤邊緣不光滑是影響MVI的重要因素[13]。本研究得到了類似的結(jié)果，腫瘤超聲圖像的邊緣光滑度和MVI相關。另外，在本研究中還發(fā)現(xiàn)腫瘤的生長方向、形狀、分葉數(shù)，以及患者的年齡和MVI密切相關。這些因素在臨床診療中可能具有一定的判斷價值。

對分化等級的研究，領域比較分散。胡國祥等人的研究發(fā)現(xiàn)在CT圖像中，病灶的形態(tài)、厚度與肝細胞性肝癌分化程度密切相關[14]。駱雁翎等人的研究表明，利用超聲造影(contrast-enhanced ultrasound，CEUS)圖像中各時相回聲強度和病理的增強模式等可以幫助評估HCC的分化程度[15]。然而，利用造影方法需要對病人注射對比劑，且存在對醫(yī)院的醫(yī)生操作有要求等局限性。本研究的方法則可以通過術前常規(guī)灰階超聲圖像直接預測HCC分化等級，并發(fā)現(xiàn)腫瘤的生長方向、形狀，以及病人的性別和HCC分化等級相關。

本研究還存在一定的不足。首先，影像組學方法對數(shù)據(jù)的維度具有一定的要求，需要更多的高維信息以避免模型的過擬合問題。受限于實際條件，本研究中涉及的數(shù)據(jù)集還需要進一步擴充。其次，雖然本研究數(shù)據(jù)庫中包含多個廠家的超聲診斷儀器，預測模型也取得了不錯的效果，未來我們的研究將著眼于大規(guī)模多中心的臨床數(shù)據(jù)，進一步擴展預測模型的可靠性。另外，上文提到的研究中提出了很多本研究未涉及的和MVI以及分化相關的指標，在以后的研究中可以關注并考慮添加這些指標。

本研究通過基于影像組學的方法，利用從常規(guī)灰階超聲圖像中提取的高通量特征建立預測模型，反映了常規(guī)灰階超聲圖像和MVI以及和腫瘤分級之間存在一定的相關性，顯示了通過常規(guī)灰階超聲圖像在術前無創(chuàng)性預測MVI和腫瘤分級的可行性，為臨床上HCC的診斷、治療和預后判斷提供了新的思路。

[1]劉 晨, 孫德光, 高振明,等. 原發(fā)性肝細胞性肝癌根治術后序貫性肝動脈化療栓塞術的治療進展. 肝膽外科雜志, 2012,20:308-310.

[2]Yang J D, Roberts L R. Hepatocellular carcinoma: a global view.Nature Reviews Gastroenterology & Hepatology, 2010, 7:448.

[3]Edmondson H A, Steiner P E. Primary carcinoma of the liver: a study of 100 cases among 48,900 necropsies. Cancer, 1954, 7:462.

[4]張 梅, 徐雪房, 李艷明,等. CT 聯(lián)合血清指標對不同組織分化程度肝細胞肝癌患者T ACE 術后的多元分析評價. 濱州醫(yī)學院學報, 2014:327-330.

[5]中國抗癌協(xié)會肝癌專業(yè)委員會. 原發(fā)性肝細胞肝癌規(guī)范化病理診斷指南(2015年版). 解放軍醫(yī)學雜志, 2015, 21:833-839.

[6]金 赟, 李江濤. 肝癌細胞侵犯微血管的臨床相關因素及分子標志物的研究進展. 臨床肝膽病雜志, 2013, 29:550-553.

[7]劉臻玉, 武 丹, 區(qū)錦玲,等. 肝癌微血管侵犯的特點及相關臨床指標. 肝膽胰外科雜志, 2017, 29:107-111.

[8]Lambin P, Riosvelazquez E, Leijenaar R, et al. Radiomics: Extracting more information from medical images using advanced feature analysis. European Journal of Cancer, 2012, 48:441-446.

[9]Yu J, Shi Z, Lian Y, et al. Noninvasive IDH1 mutation estimation based on a quantitative radiomics approach for grade II glioma.European Radiology, 2016，26:1-14.

[10]Aerts H J, Velazquez E R, Leijenaar R T, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nature Communications, 2014, 5:4006.

[11]Li Y, Namburi P, Yu Z, et al. Voxel selection in fMRI data analysis based on sparse representation. IEEE transactions on bio-medical engineering, 2009, 56:2439.

[12]Gouw A S, Balabaud C, Kusano H, et al. Markers for microvascular invasion in hepatocellular carcinoma: where do we stand?. Liver Transplantation, 2011, 17 Suppl 2(Supplement S2):S72.

[13]Chou C T, Chen R C, Lee C W, et al. Prediction of microvascular invasion of hepatocellular carcinoma by pre-operative CT imaging.British Journal of Radiology, 2012, 85:778-783.

[14]胡國祥, 鄭麗民. 肝細胞性肝癌CT表現(xiàn)與腫瘤病理分化相關性研究. 中國中西醫(yī)結(jié)合消化雜志, 2013, 21：537-538.

[15]駱雁翎, 熊文文, 張迎春,等. 不同分化程度肝癌患者的超聲造影參數(shù)分析. 醫(yī)學臨床研究, 2017, 34:381-383.