王 婷，管 維，李 凡，余 楊△，鄧又斌

華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬同濟(jì)醫(yī)院 1超聲影像科 2泌尿外科，武漢 430030

近年來，腎細(xì)胞癌的發(fā)病率一直在增加，同時，腎臟小腫塊(最大直徑≤4 cm的腎臟腫塊)的發(fā)病率也在增加，現(xiàn)在占所有腎臟腫塊的40%[1]。一項包括了2007年至2014年間18060名患者的隊列研究結(jié)果表明，有30.9%術(shù)前診斷為惡性的腎臟腫塊手術(shù)切除后診斷為良性[2]。目前，保留腎單位手術(shù)(nephron sparing surgery，NSS)是臨床T1期腎細(xì)胞癌(renal cell carcinoma，RCC)患者的首選治療方式[3]。為了保證手術(shù)切緣陰性，切除的腫塊外層包裹了一層正常腎臟組織，但是切除正常腎實(shí)質(zhì)可能會損害腎功能[4]，術(shù)前的準(zhǔn)確診斷是影響外科醫(yī)生最終切除范圍的關(guān)鍵因素。

最近，影像組學(xué)特征分析和機(jī)器學(xué)習(xí)算法在基于CT和磁共振成像的各種醫(yī)學(xué)任務(wù)中表現(xiàn)良好[5-8]，然而，鮮見文獻(xiàn)評估這些技術(shù)從超聲圖像上鑒別腎臟腫塊良、惡性的診斷性能。本研究嘗試采用特征選擇算法結(jié)合多種機(jī)器學(xué)習(xí)算法構(gòu)建基于影像組學(xué)的預(yù)測模型，并對模型從腹腔鏡二維超聲圖上鑒別腎臟腫塊良、惡性的性能進(jìn)行定量評估。

1 資料和方法

1.1 研究對象

回顧性收集2012年12月至2019年12月在華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬同濟(jì)醫(yī)院進(jìn)行了腹腔鏡NSS的腎臟腫塊患者的臨床、病理和腹腔鏡超聲檢查資料。納入標(biāo)準(zhǔn)：①手術(shù)前進(jìn)行過腹腔鏡超聲檢查，有病灶二維超聲圖像的存儲資料；②有明確的組織病理學(xué)診斷結(jié)果；③無其他惡性腫瘤病史；④腹腔鏡超聲檢查前未經(jīng)射頻消融等處理。排除標(biāo)準(zhǔn)：①腫瘤直徑大于4 cm或者腫瘤不能在超聲圖像上完整顯示；②因為偽像等原因，腹腔鏡超聲圖像上病灶顯示不清。本回顧性研究由我院醫(yī)學(xué)倫理委員會批準(zhǔn)(倫理號2020S140)，不涉及患者重要隱私，批準(zhǔn)豁免知情同意。

1.2 儀器與方法

患者麻醉成功后，外科醫(yī)生在腹腔鏡直視下完全暴露患側(cè)腎臟。在腫塊切除前，由一名具有5年以上泌尿系統(tǒng)疾病?？圃\斷經(jīng)驗的超聲醫(yī)師從一側(cè)Troca置入腹腔鏡超聲對腎臟進(jìn)行掃查，并調(diào)節(jié)圖像灰度和深度至超聲醫(yī)師認(rèn)為圖像顯示最清晰后存儲腎臟腫塊的影像資料。使用的儀器為ALOKA α10超聲儀，探頭型號為：UST5550線陣探頭，頻率為4～10 MHz，4段變頻：5.0 MHz，6.0 MHz，7.5 MHz，10.0 MHz。

1.3 圖像的處理

1.3.1 分割感興趣區(qū) 由一名具有5年工作經(jīng)驗的超聲醫(yī)師使用開源軟件(ITK-SNAP 3.8.0；http：//www.itksnap.org)，采取手工勾勒腎臟腫塊邊緣的方法分割感興趣區(qū)(region of interest，ROI)；另外一名具有8年泌尿系統(tǒng)腫瘤診斷經(jīng)驗的超聲醫(yī)師進(jìn)行核對。ROI包括整個腎臟腫塊，不包含腫塊邊緣的假包膜(圖1)。

A：良性腫塊患者；B：惡性腫塊患者，均不包含病灶周邊的假包膜圖1 腎臟腫塊區(qū)域勾畫示意圖Fig.1 Schematic drawing of the renal mass area

1.3.2 特征提取和篩選 采用開源軟件Pyradiomics(http：//pyradiomics.readthedocs.io/en/la-test/index.html)自動提取感興趣區(qū)圖像的影像組學(xué)特征[9]，分別為：灰度共生矩陣(gray level co-occurrence matrix，GLCM)特征24個、灰度相關(guān)矩陣(gray level dependence matrix，GLDM)特征14個、灰度行程矩陣(gray level run length matrix，GLRLM)特征16個、灰度區(qū)域大小矩陣(gray level size zone matrix，GLSZM)特征16個、鄰域灰度差分矩陣(neighbouring gray tone dependence matrix，NGTDM)特征5個、一階灰度(first order)特征18個、形狀(shape)特征14個，共107個。采用獨(dú)立樣本t檢驗或Mann-Whitney U檢驗對訓(xùn)練組中的107個影像組學(xué)特征進(jìn)行篩選，得到10個具有代表性的特征，分別為一階灰度特征中的強(qiáng)度范圍(Range)，GLCM中的歸一化像素鄰域變化(inverse difference normalized，IDN)，GLSZM中的歸一化灰度不均勻性(gray level non-uniformity，GLN)、大面積區(qū)域聚集程度(large area emphasis，LAE)和歸一化區(qū)域非一致性(size zone non-uniformity normalized，SZNN)，GLDM中的依賴方差(dependence variance，DV)、大依賴度低灰度值聚集程度(large dependence low gray level emphasis，LDLGLE)和小依賴度高灰度值聚集程度(small dependence high gray level emphasis，SDHGLE)，NGTDM中的冗余度(Busyness)和強(qiáng)度(Strength)。

1.4 構(gòu)建多種機(jī)器學(xué)習(xí)模型并進(jìn)行驗證

基于篩選的影像組學(xué)特征，應(yīng)用以下5種機(jī)器學(xué)習(xí)算法：支持向量機(jī)(SVM)、隨機(jī)森林(RF)、邏輯回歸(LR)、極限學(xué)習(xí)機(jī)(ELM)和K最近鄰(KNN)來綜合評估不同機(jī)器學(xué)習(xí)模型預(yù)測小腎臟腫塊良、惡性的效能。采用隨機(jī)分層抽樣法，將142個樣本按6∶4的比例分為訓(xùn)練組(n=84)和驗證組(n=58)。在訓(xùn)練組中訓(xùn)練模型，并在驗證組中進(jìn)行驗證，對不同的機(jī)器學(xué)習(xí)模型均采用5折交叉驗證。使用預(yù)測模型的受試者操作特征(receiver operating characteristic，ROC)曲線下面積(area under the curve，AUC)、特異度、敏感度和準(zhǔn)確度評估模型效能。

1.5 統(tǒng)計學(xué)分析

本研究采用SPSS(20.0版本)和R軟件(3.6.1版本，https：//www.r-project.org)對數(shù)據(jù)進(jìn)行統(tǒng)計分析。計量資料采用均數(shù)±標(biāo)準(zhǔn)差表示，并通過Kolmogorov-Smirnov檢驗和獨(dú)立樣本t檢驗分別評價正態(tài)分布性和組間均數(shù)差異。計數(shù)資料采用頻數(shù)表示，采用χ2檢驗評價組間差異。采用R的e1071(1.7.3版本)、randomForest(4.6.14版本)、rms(7.3.15版本)、elmNNRcpp(1.0.2版本)和class(7.3.15版本)包用于執(zhí)行SVM[10]、RF[11]、LR[12]、ELM[13]和KNN[14]。以P<0.05為差異具有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 患者臨床資料

總共有142例腎臟腫塊病灶納入研究，根據(jù)組織病理學(xué)診斷結(jié)果分為良性組和惡性組，其中良性組62例(血管平滑肌脂肪瘤58例，嗜酸細(xì)胞瘤4例)；惡性組80例(透明細(xì)胞型腎細(xì)胞癌64例，腎嫌色細(xì)胞癌11例，乳頭狀腎細(xì)胞癌5例)。良性組和惡性組患者男/女比例分別為11∶51和60∶20，惡性組中男性多。訓(xùn)練組和驗證組患者男/女比例分別為43∶41和28∶30，訓(xùn)練組和驗證組患者平均年齡分別為(50.57±12.01)歲和(49.41±11.91)歲，差異均無統(tǒng)計學(xué)意義(均P> 0.05)(表1)。

表1 訓(xùn)練組和驗證組腎臟小腫塊患者的一般臨床資料比較Table 1 Comparisons of the general clinical data of training group and verification group of patients with small renal masses

2.2 不同機(jī)器學(xué)習(xí)模型的診斷效能

不同機(jī)器學(xué)習(xí)模型在訓(xùn)練組和驗證組中預(yù)測腎臟腫塊良、惡性的效能不同，訓(xùn)練組中各模型的AUC為0.747～0.862，驗證組中各模型的預(yù)測效能見表2。比較AUC，驗證組中隨機(jī)森林模型的預(yù)測效能最好，AUC為0.881(95%可信區(qū)間為：0.793～0.969)，其次是邏輯回歸模型，AUC為0.866(95%可信區(qū)間為：0.760～0.972)。極限學(xué)習(xí)機(jī)模型預(yù)測效能在5個機(jī)器學(xué)習(xí)模型中最差，AUC為0.808(95%可信區(qū)間為：0.702～0.913)，5種機(jī)器學(xué)習(xí)模型的ROC曲線見圖2。

表2 5種機(jī)器學(xué)習(xí)模型在驗證組中預(yù)測腎臟小腫塊良、惡性的效能Table 2 Efficacy of five machine learning models in discriminating benign and malignant small renal masses in the validation group

3 討論

對于行腹腔鏡保留腎單位手術(shù)，腫塊的良、惡性是外科醫(yī)師確定手術(shù)切除范圍的重要依據(jù)。如果術(shù)前預(yù)測是良性腫塊，手術(shù)醫(yī)師會盡可能多地為患者保留正常腎單位，可僅剜除腫瘤。而對于腎臟惡性腫瘤，手術(shù)醫(yī)師為保證切緣陰性，會適當(dāng)?shù)厍谐[塊外圍一部分正常腎實(shí)質(zhì)[15-16]。在實(shí)際的臨床工作中，由于體積小，大多數(shù)腹腔鏡手術(shù)切除的腎臟小腫塊呈內(nèi)生性，外科醫(yī)師無法從腎臟外觀的改變來直接判斷病灶的位置和邊界，因此使用腹腔鏡超聲輔助定位，制定切除范圍，而對腫塊良、惡性的判斷直接影響切除范圍的制定[17-19]。因此，在腫塊切除前最后一次預(yù)測腫塊的良、惡性就顯得尤為重要。此外，術(shù)中腹腔鏡超聲檢查常常由外科醫(yī)師完成，由于腎臟小腫塊體積較小，肉眼可觀察的區(qū)分腫塊良、惡性的影像學(xué)特征有限，因此讓外科醫(yī)師通過腹腔鏡超聲圖像進(jìn)行良、惡性診斷是一項具有挑戰(zhàn)性的工作。

基于隨機(jī)森林(RF)算法的模型性能最優(yōu)，ROC曲線下面積(AUC)為0.881(95% CI：0.793～0.969)，其次分別為基于邏輯回歸(LR)、K最近鄰(KNN)、支持向量機(jī)(SVM)、極限學(xué)習(xí)機(jī)(ELM)算法的診斷模型，對應(yīng)的AUC分別為0.866、0.831、0.816和0.808圖2 驗證組中評價5種不同影像組學(xué)機(jī)器學(xué)習(xí)模型鑒別腎臟小腫塊良、惡性的受試者操作特征(ROC)曲線Fig.2 ROC analysis of the five machine learning models in discriminating benign and malignant small renal masses in the validation group

既往研究報告表明，基于CT和磁共振影像組學(xué)的機(jī)器學(xué)習(xí)模型術(shù)前預(yù)測腎臟腫塊的良、惡性具有較高的準(zhǔn)確性[8]，但是目前鮮見基于超聲成像預(yù)測腎臟腫塊良、惡性的組學(xué)模型報道。這次研究旨在探索如何應(yīng)用超聲影像組學(xué)特征，分析腎臟腫塊的內(nèi)部信息，并研究基于影像組學(xué)的機(jī)器學(xué)習(xí)模型預(yù)測腫塊的良、惡性，進(jìn)而在一定程度上指導(dǎo)臨床決策的可行性。

本次研究中，各種機(jī)器學(xué)習(xí)模型均在腎臟小腫塊的良、惡性鑒別上表現(xiàn)出良好的診斷效能，其AUC分別為：ELM 0.808、SVM 0.816、KNN 0.831、LR 0.866、和RF 0.881。一項樣本量為442例的雙中心研究報道表明最大直徑≤4 cm的腎臟小腫塊穿刺活檢的準(zhǔn)確率為88.9%[20]，我們的研究結(jié)果與術(shù)前活檢鑒別腎臟腫塊的良、惡性接近，這表明基于腹腔鏡超聲影像組學(xué)的機(jī)器學(xué)習(xí)模型對腎臟腫塊的良、惡性預(yù)測具有較高的價值，是鑒別腎臟腫塊良、惡性的有效診斷方法。

之前結(jié)合影像組學(xué)和機(jī)器學(xué)習(xí)鑒別腎臟腫塊良惡性的研究主要是基于CT和磁共振，而且國內(nèi)外發(fā)表的研究報道均較少，一項綜述報道[8]，2020年3月20日之前，共有3篇基于CT[5，21-22]和1篇基于磁共振[23]的影像組學(xué)結(jié)合機(jī)器學(xué)習(xí)模型鑒別腎臟腫塊良惡性的英文研究報道發(fā)表。2020年4月發(fā)表的一項基于CT鑒別臨床T1期腎癌和良性腎臟腫塊的研究與本研究內(nèi)容類似，該研究使用了18種不同的CT儀器，且不固定掃描厚度，該研究中診斷性能最好的隨機(jī)森林模型的AUC為0.83，敏感度為0.88[22]，本研究中診斷性能最好的模型隨機(jī)森林模型的AUC為0.881，與之接近。雖然本研究與上述研究均為基于影像組學(xué)的機(jī)器學(xué)習(xí)鑒別良性腎臟腫塊和臨床T1期腎癌，研究結(jié)果也非常接近，但是這兩項研究又有明顯的不同，本研究作為一項回顧性研究，研究前未設(shè)計圖像收集標(biāo)準(zhǔn)，且術(shù)中超聲儀器為一臺儀器，探頭為單一探頭。

本研究也存在一定的局限性：①研究采用的儀器單一，不利于推廣；②人工勾畫ROC，可能具有人為的誤差；③僅選取進(jìn)行腹腔鏡超聲檢查的內(nèi)生性腎臟腫瘤，可能存在選擇偏倚，樣本量較小，在后續(xù)的研究中，將考慮加入普通的腹部超聲檢查，擴(kuò)大樣本量，以提高模型的穩(wěn)定性和可行性。

綜上所述，基于腹腔鏡超聲影像組學(xué)的多種機(jī)器學(xué)習(xí)模型均可以很好地區(qū)分最大直徑≤4 cm的腎臟腫塊的良、惡性，這為后續(xù)基于超聲的影像組學(xué)鑒別腎臟腫塊良、惡性的相關(guān)研究提供了一定的基礎(chǔ)。