朱潔，沈浮，袁淵，王敏杰，白辰光，王顥，邵成偉

由于早診斷早治療的防治策略在醫(yī)療實踐中的逐步推進(jìn)以及結(jié)直腸癌治療方案的不斷進(jìn)步，發(fā)達(dá)國家結(jié)直腸癌的發(fā)病率和死亡率不斷下降。在中國，結(jié)直腸癌的發(fā)病率相對平穩(wěn)，但是死亡率有所增長[1-2]，多數(shù)患者在首診時已是局部進(jìn)展期；就發(fā)病部位而言，我國病例近半數(shù)發(fā)生于直腸[1]。根據(jù)美國國家綜合癌癥網(wǎng)絡(luò)(National Comprehensive Cancer Network，NCCN)指南，局部進(jìn)展期直腸癌(locally advanced rectal cancer,LARC)術(shù)前推薦行新輔助放化療(neoadjuvant chemoradiotherapy，nCRT)，達(dá)到術(shù)前降期的目的，甚至部分患者可以達(dá)到病理完全反應(yīng)(pathologic complete response,pCR)[3-5]。然而pCR目前只能通過術(shù)后病理確認(rèn)，尚無可靠的術(shù)前無創(chuàng)方式能對其進(jìn)行準(zhǔn)確的判斷。MRI對直腸癌的評估主要依賴于主觀形態(tài)學(xué)評估，無法定量分析深層次的臨床病理特征，因此尚不能進(jìn)行符合精準(zhǔn)醫(yī)療目標(biāo)的精準(zhǔn)評估。影像組學(xué)(radiomics)可以深度挖掘醫(yī)學(xué)圖像中人眼無法識別的大量影像數(shù)據(jù)特征，經(jīng)降維算法最終篩選出最有價值的特征，這些特征聯(lián)合機器學(xué)習(xí)(machine learning，ML)方法建立的診斷模型能明顯提高對病變的評估準(zhǔn)確性，可以很好地服務(wù)臨床[6]，因此具有重要的臨床意義。

本研究在通過對nCRT結(jié)束后直腸癌患者的高分辨T2WI圖像上提取和篩選與pCR狀態(tài)相關(guān)的最有價值的影像組學(xué)特征，再建立機器學(xué)習(xí)診斷模型并進(jìn)行驗證，旨在探討影像組學(xué)結(jié)合ML方法對評估nCRT后直腸癌pCR狀態(tài)的價值。

材料與方法

1.病例納入標(biāo)準(zhǔn)

回顧性分析2019年1月-2020年12月在本院確診且符合條件的99例LARC患者的臨床和影像資料。納入標(biāo)準(zhǔn)：①經(jīng)腸鏡活檢病理證實為直腸腺癌；②單一病灶；③術(shù)前外科醫(yī)師參考影像檢查確定患者的臨床分期為T3/T4N0M0或TxN+M0；④根治性手術(shù)治療前接受完整療程的nCRT；⑤nCRT結(jié)束后5～12周行直腸MRI檢查；⑥有術(shù)后病理檢查結(jié)果。排除標(biāo)準(zhǔn)：①MRI圖像質(zhì)量差，比如有嚴(yán)重圖像偽影；②nCRT后直腸MRI檢查與手術(shù)間隔時間(T)超過4周；③發(fā)現(xiàn)同期有遠(yuǎn)處轉(zhuǎn)移；④既往有其它盆腔腫瘤病史。

2.治療方案及病理診斷標(biāo)準(zhǔn)

入組患者均行術(shù)前長程同步放化療方案，總劑量45～50 Gy，分25～28次并于5～5周半完成，同時給予化療藥物[靜滴5-氟脲嘧啶(5-fluorouracil，5-FU)，1200 mg/m2/d或口服卡培他濱1000 mg/m2]。nCRT后5～12周行直腸MRI檢查及手術(shù)切除。根據(jù)臨床和手術(shù)病理結(jié)果確定患者的TNM分期，將ypT0N0M0(y表示新輔助治療后，p表示病理分期)患者納入pCR組，其余患者納入非pCR組。

3.MRI檢查方法

使用Siemens Skyra 3.0T磁共振儀掃描和腹部相控陣線圈。所有患者在檢查前常規(guī)使用一支開塞露(20 mL甘油)以清潔腸道。直腸MRI檢查序列包括矢狀面T2WI及橫軸面T1WI、高分辨率T2WI、DWI及對比增強T1WI。高分辨率T2WI為斜橫軸面，掃描線垂直于腸管的長軸，掃描參數(shù)：TR 4000 ms，TE 108 ms，視野18 cm×18 cm，回波鏈長度16，矩陣320×320，層厚3.0 mm，無間距掃描，層數(shù)28，翻轉(zhuǎn)角150°，帶寬108 Hz/pixel，無脂肪抑制，廣義自校準(zhǔn)并行采集(generalized auto calibrating partially parallel acquisition,GRAPPA)技術(shù)，加速因子3，采集時間250 s。

4.病灶分割及特征提取

將所有患者的原始DICOM數(shù)據(jù)導(dǎo)入影像組學(xué)大數(shù)據(jù)分析云平臺(慧影醫(yī)療科技有限公司)進(jìn)行后處理和數(shù)據(jù)分析。為了減少不同檢查之間MRI信號強度差異帶來的影響，我們對圖像的信號強度進(jìn)行歸一化處理，公式如下：

(1)

其中，x表示原始強度，f(x)代表歸一化強度，μ表示平均值，σ表示方差，S參數(shù)的默認(rèn)值為1。

所有病灶由兩位放射學(xué)醫(yī)師(分別有11年及5年腹部診斷經(jīng)驗)分別獨立手動勾畫感興趣區(qū)(region of interest，ROI)，兩位醫(yī)師在勾畫ROI時對患者的臨床及病理結(jié)果不知情。ROI勾畫方法：在高分辨T2WI上逐層沿病灶的邊緣進(jìn)行勾畫，軟件即自動生成病灶的3維容積感興趣區(qū)(volume of interest，VOI)并提取影像組學(xué)特征(圖1)。

圖1 pCR組LCRC患者，女，56歲。a)新輔助治療后高分辨T2WI，示直腸左前壁原來腫瘤所在部位呈混雜信號(治療后改變)，局部黏膜層可見低信號瘢痕和呈高信號黏液區(qū)(黃箭)；b)沿病灶邊緣勾畫ROI (紅線)；c)軟件自動生成的VOI；d)術(shù)后病理切片，光鏡下示黏膜下層及肌層有大片黏液湖形成，未見腫瘤細(xì)胞殘留(×100，HE)。

本研究中共提取了1409個組學(xué)特征(基于Python中的pyradiomics V3.0.1軟件包，https://pyradiomics.readthedocs.io/)，這些特征可分為兩大類。一、基于特征類：①一階統(tǒng)計量特征(first order)；②形狀特征(shape-based)，包括二維和三維特征；③紋理特征(texture)，包括灰度級共生矩陣(gray level cooccurrence matrix,GLCM)、灰度級長度矩陣(gray level run length matrix,GLRLM)、灰度級形狀矩陣(gray level size zone matrix,GLSZM)、灰度級依賴矩陣(gray level dependence Matrix,GLDM)和相鄰灰度差分矩陣(neighborhood gray-tone difference matrix,NGTDM)。二、基于過濾器類：是指經(jīng)過小波變換(wavelets)、對數(shù)(logarithm)、梯度(gradient)、平方根(squareroot)、指數(shù)(exponential)、梯度(gradient)和局部二進(jìn)制模式(local binary patterns，LBP)等方法處理得到的完全可重復(fù)的特征。

5.特征篩選及模型建立

計算兩位醫(yī)師提取的組學(xué)特征的組內(nèi)相關(guān)系數(shù)(intraclass correlation coefficient,ICC)，基于高年資醫(yī)師的組學(xué)特征集，去除兩位醫(yī)師之間ICC小于0.8的組學(xué)特征。剩余的特征維數(shù)還是過高，直接進(jìn)行機器學(xué)習(xí)容易過擬合，采用最小絕對收縮和選擇算子(least absolute shrinkage and selection operator，LASSO)算法進(jìn)行降維(L1正則化)，選擇出對判斷pCR最有價值的特征?？紤]到pCR組樣本量較小，與非pCR組數(shù)據(jù)分布不均衡，采用合成少數(shù)類過采樣技術(shù)(synthetic minority over-sampling technique,SMOTE)的算法進(jìn)行二次采樣來提高后續(xù)分析的穩(wěn)健性和檢驗效能。根據(jù)z-score歸一法獲得特征熱圖，計算公式如下：

(2)

其中，x代表標(biāo)準(zhǔn)化的隨機變量，μ代表數(shù)據(jù)集均值，σ表示數(shù)據(jù)標(biāo)準(zhǔn)差。

采用隨機方法對總樣本按照7∶3的比例進(jìn)行分組，訓(xùn)練集68例(其中15例為pCR)，測試集31例(其中7例為pCR)。將訓(xùn)練集的數(shù)據(jù)用于機器學(xué)習(xí)(基于Python中的sciket learn V0.24.2軟件包，https://scikit-learn.org/stable/)，使用支持向量機(support vector machine,SVM)建立模型并調(diào)整相應(yīng)參數(shù)。本研究中SVM算法使用了4種核函數(shù)：linear為線性核函數(shù)；poly為多項式核函數(shù)；sigmoid為雙曲正切核函數(shù)；rbf為高斯徑向基核函數(shù)。在調(diào)參過程中，在訓(xùn)練集中對每個核函數(shù)分別建模，并將正則化系數(shù)C的范圍設(shè)置為0～10，每間隔1構(gòu)建一個模型，獲得不同C值條件下核函數(shù)模型的AUC，選擇AUC最高的參數(shù)C值及核函數(shù)模型，對此模型的診斷效能進(jìn)行ROC曲線分析，計算各項效能指標(biāo)值，包括AUC及其95%CI、敏感度、特異度、符合率、陽性預(yù)測值、陰性預(yù)測值、陽性似然比和陰性似然比。

6.統(tǒng)計方法

使用SPSS 25.0軟件進(jìn)行統(tǒng)計分析。對于呈正態(tài)分布的計量資料，組間比較使用獨立樣本t檢驗；對于計數(shù)資料，組間比較使用χ2檢驗。以P<0.05為差異有統(tǒng)計學(xué)意義。

結(jié) 果

1.pCR組與非pCR組臨床資料的比較

99例患者中，男72例，女27例；治療前病灶下緣距肛緣的距離(在矢狀面MRI上測量)為3.0～12.0 cm，中位數(shù)5.5 cm；分化程度：高-中分化(G-M)83例，低分化(L)16例；外科醫(yī)師基于NCCN指南，參考術(shù)前影像檢查確定治療前腫瘤臨床分期(cTNM)：Ⅱ期59例，Ⅲ期40例?；贏JCC第八版標(biāo)準(zhǔn)，確定病理學(xué)腫瘤退縮分級(tumor regression grade，TRG)：0級22例，1級15例，2級41例，3級21例。pCR組22例(22.22%)，非pCR組77例(77.78%)；術(shù)后病理檢查顯示所有患者無環(huán)周切緣陽性，術(shù)后臨床病理分期(ypTNM)：Ⅰ期17例，Ⅱ期31例，Ⅲ期29例。兩組患者臨床資料的比較見表1。兩組之間各項臨床指標(biāo)間的差異均無統(tǒng)計學(xué)意義(P>0.05)。

表1 pCR組與非pCR組臨床資料的比較

2.影像組學(xué)特征

每個病灶共提取了1409個組學(xué)特征，所有特征在兩位醫(yī)師之間ICC的中位數(shù)為0.965，剔除143個(10.15%)ICC小于0.8的特征，再經(jīng)特征篩選和降維后，獲得11個最有價值的組學(xué)特征：⑴一階統(tǒng)計量特征/峰度/小波變換-LHL(wavelet-LHL_firstorder_Kurtosis)；⑵一階統(tǒng)計量特征/最小值/對數(shù)(logarithm_firstorder_Minimum)；⑶一階統(tǒng)計量特征/最小值/小波變換-LLL(wavelet-LLL_firstorder_Minimum)；⑷一階統(tǒng)計量特征/峰度/小波變換-HLL(wavelet-HLL_firstorder_Kurtosis)；⑸一階統(tǒng)計量特征/峰度/小波變換-HLH(wavelet-HLH_firstorder_Kurtosis)；⑹一階統(tǒng)計量特征/峰度/小波變換-HHL(wavelet-HHL_firstorder_Kurtosis)；⑺一階統(tǒng)計量特征/峰度/小波變換-LHH(wavelet-LHH_firstorder_Kurtosis)；⑻一階統(tǒng)計量特征/峰度/平方根(squareroot_firstorder_Kurtosis)；⑼一階統(tǒng)計量特征/偏度/梯度(gradient_firstorder_Skewness)；⑽灰度級長度矩陣/長游程低灰度級調(diào)強/小波變換-LLL(wavelet-LLL_GLRLM_LongRunLowGrayLevelEmphasis)；⑾一階統(tǒng)計量特征/峰度/對數(shù)(logarithm_firstorder_Kurtosis)。小波變換中的H、L分別代表病灶區(qū)域在x、y和z軸上的低頻分量(L)和高頻分量(H)。這11項組學(xué)特征的系數(shù)及其在訓(xùn)練集和測試集中的特征分布熱圖見圖2～3。

圖2 LASSO算法篩選出的組學(xué)特征及其系數(shù)圖。橫軸為特征系數(shù)，縱軸為影像組學(xué)特征，紅色矩形條代表系數(shù)為負(fù)值，綠色矩形條代表系數(shù)為正值。 圖3 組學(xué)特征熱圖。采用Z-score歸一法獲得的11個影像組學(xué)特征的熱圖，可視化訓(xùn)練集和測試集中pCR組與非pCR組的組學(xué)特征分布。每一行代表一個組學(xué)特征，每個縱列代表1例患者。最下一行的深灰色與淺灰色分別代表pCR組與非pCR組。矩陣中每個小矩形不同的顏色代表Z-score值，白色為數(shù)值為零，偏藍(lán)色代表數(shù)值為負(fù)值，偏紅色代表數(shù)值為正。

3.模型的診斷效能

訓(xùn)練集中，SVM建模時分別使用了4個核函數(shù)，對它們各自在不同正則化系數(shù)C條件下所建立模型進(jìn)行ROC曲線分析，繪制其AUC變化圖(圖4)。4個核參數(shù)中以poly的效果最優(yōu)，因此選用poly核函數(shù)建立的模型進(jìn)行后續(xù)分析；且在C=10時，診斷模型的AUC最高，達(dá)0.974，相應(yīng)的診斷符合率為92.65%；將此模型應(yīng)用于測試集時，AUC為0.798，符合率為83.87%(表2、圖5)。

圖4 SVM算法中4種核函數(shù)建立模型的AUC變化曲線，以核函數(shù)ploy建立模型的AUC最大。圖5 核函數(shù)為ploy、C=10時所建立的SVM模型的ROC曲線圖。a)訓(xùn)練集；b)測試集。

表2 機器學(xué)習(xí)建立模型的診斷效能指標(biāo)

討 論

隨著診療方式的改進(jìn)及臨床研究的發(fā)展，LARC患者的預(yù)后不斷改善。現(xiàn)階段對LARC的標(biāo)準(zhǔn)治療方式為nCRT后再進(jìn)行手術(shù)治療，循證醫(yī)學(xué)證據(jù)表明這樣的治療方式可以得到腫瘤縮小、局部降期和局部復(fù)發(fā)率降低等多方面的益處，甚至部分患者經(jīng)nCRT后可達(dá)到pCR，即術(shù)后病理標(biāo)本中已檢測不到殘留的腫瘤細(xì)胞(無鏡下可見腫瘤細(xì)胞，僅殘留纖維化組織或黏液湖)。pCR患者預(yù)后更好，局部復(fù)發(fā)率和5年遠(yuǎn)處轉(zhuǎn)移率更低，而且管理策略(觀察與等待)更佳[4,6,7]。與手術(shù)治療方案相比，采用觀察與等待策略的患者總生存期并無明顯減少，但負(fù)擔(dān)得到了有效減輕，避免了過度治療，在降低手術(shù)并發(fā)癥及死亡率的同時又保留了器官功能。因此，觀察與等待策略已逐步被廣泛認(rèn)可，成為一種可供選擇的治療方案[8]。

然而，現(xiàn)階段對pCR狀態(tài)的判斷只能依靠根治性手術(shù)切除后的病理標(biāo)本進(jìn)行確認(rèn)，尚無可靠的術(shù)前影像學(xué)評法能簡便、有效、準(zhǔn)確地對其進(jìn)行判斷。目前，對LARC患者臨床完全反應(yīng)(clinical complete response，cCR)的評估方式多樣，包括直腸指診、腸鏡及傳統(tǒng)影像學(xué)方法，但是在這部分患者中實際僅有25%～50%的患者為pCR[9]，這種情況影響患者的治療方式及預(yù)后?；贛RI評估腫瘤退縮分級(MR imaging tumor regression grade，mrTRG)，需要對比治療前、后的MRI圖像，依據(jù)腫瘤體積縮小的程度來評估原發(fā)腫瘤的TRG分級，TRG的病理診斷將其分為4級，目前mrTRG分級與病理TRG分級吻合度低，兩種分級體系無法一一對應(yīng)。我們認(rèn)為臨床實踐中認(rèn)識到mrTRG雖然可以評估病灶大體退縮程度，但無法準(zhǔn)確反映腫瘤對治療反應(yīng)的不同病理變化，將呈現(xiàn)低信號的治療相關(guān)纖維化與呈現(xiàn)灰色中等信號的殘余腫瘤進(jìn)行比較，如果治療后的病灶只有腫瘤的中等信號，即使體積縮小明顯，也可能認(rèn)為對治療反應(yīng)不良；如果治療后僅殘留低信號的纖維瘢痕則可能達(dá)到完全反應(yīng)。擴(kuò)散加權(quán)成像作為一種重要的功能性成像工具，可能有助于評估治療后的腫瘤殘留，但應(yīng)當(dāng)注意的是，當(dāng)出現(xiàn)黏液湖、出血或壞死時，可能使DWI圖像無法準(zhǔn)確判斷腫瘤殘留[10]。因此，需要更加客觀和精準(zhǔn)的預(yù)測方法。

影像組學(xué)是通過挖掘影像學(xué)數(shù)據(jù)中的大量信息，充分提取病灶內(nèi)代表腫瘤異質(zhì)性的特征性數(shù)據(jù)，然后將這些數(shù)據(jù)分析的結(jié)果作為臨床決策的依據(jù)，這些數(shù)據(jù)擁有著客觀性、可重復(fù)性和可深度探索的特點，可以有效地服務(wù)于精準(zhǔn)醫(yī)療和個性化醫(yī)療[11-12]。影像組學(xué)研究的基本流程：1、圖像獲??；2、病灶分割；3、特征提取與降維；4、建立診斷模型并驗證[11,13,14]。既往有研究顯示基于CT、MRI和PET-CT等技術(shù)的影像組學(xué)方法可以評估結(jié)直腸癌nCRT的療效，同時肯定了影像組學(xué)機器學(xué)習(xí)模型在療效評估和預(yù)后判斷等方面的可行性[15-17]。Li等[18]利用nCRT前、后直腸高分辨T2WI數(shù)據(jù)建立了多種機器學(xué)習(xí)診斷模型，發(fā)現(xiàn)這些模型可用于對LARC患者nCRT后TRG分級及pCR狀態(tài)進(jìn)行判斷。但臨床實踐中很多患者nCRT前、后的影像檢查缺乏統(tǒng)一標(biāo)準(zhǔn)，甚至缺失可供對比的治療前圖像數(shù)據(jù)，導(dǎo)致需要對比治療前圖像的傳統(tǒng)主觀評價方式的診斷效能顯著下降。同時使用新輔助治療前、后兩次圖像數(shù)據(jù)的組學(xué)診斷模型在臨床實踐中對數(shù)據(jù)要求較高，而單獨使用治療后圖像進(jìn)行組學(xué)評估對數(shù)據(jù)要求低、實用性佳。

本研究基于患者nCRT后的高分辨T2WI數(shù)據(jù)，采用手動方式勾畫病灶經(jīng)過治療后的殘留區(qū)域，提取VOI的組學(xué)特征數(shù)據(jù)，經(jīng)過篩選和降維，最終得到11個最有價值的pCR相關(guān)組學(xué)特征。降維的目的是提高模型的訓(xùn)練效率，大量冗余且相關(guān)性低的特征會讓模型的訓(xùn)練和驗證變得異常緩慢。我們最終篩選出的特征均為基于過濾器類的高階特征，不含一階統(tǒng)計量特征、形狀特征及紋理特征。特征熱圖顯示pCR組與非pCR組的特征分布趨勢不同，這正體現(xiàn)了影像組學(xué)可以深度挖掘醫(yī)學(xué)圖像中人眼無法識別的特征數(shù)據(jù)的特點。利用這些特征建立SVM模型，在訓(xùn)練集中，通過調(diào)參優(yōu)化模型參數(shù)，選擇出診斷效能最佳并較為穩(wěn)定的模型，并在測試集中進(jìn)行驗證，結(jié)果顯示該模型的AUC達(dá)到了0.798(95%CI：0.615～0.920)，敏感度、特異度和符合率分別達(dá)到了85.71%、83.33%和83.87%，顯示出模型對nCRT后直腸癌pCR狀態(tài)的判斷具有較好的臨床應(yīng)用價值。SVM模型也稱支持向量網(wǎng)絡(luò)，是機器學(xué)習(xí)方法中一種廣受關(guān)注的算法，在分類問題中，無論是線性還是非線性的問題，都能得到很好的效果。SVM在各類實際問題中表現(xiàn)優(yōu)異，包括也被用于圖像的分類系統(tǒng)中，利用模型分析圖像數(shù)據(jù)，探索數(shù)據(jù)的內(nèi)在規(guī)律，經(jīng)過驗證后可以輸出保存預(yù)設(shè)模型，分析新的未知病例時只要輸入病灶圖像，就可以發(fā)揮組學(xué)自動化高通量分析的優(yōu)勢，輔助臨床制定醫(yī)療決策[19]，因此具有重要的臨床意義。

本研究的主要局限性：第一，樣本量相對較小，數(shù)據(jù)集可能存在選擇偏倚，尤其是達(dá)到pCR的樣本數(shù)量偏少，且缺乏外部驗證，可能會影響模型的準(zhǔn)確性，而且較小的樣本量可能造成過擬合，因此需在今后擴(kuò)大樣本量進(jìn)行更深入的研究；第二，本研究采用的傳統(tǒng)手動勾畫感興趣區(qū)的方法耗時較久、工作量較大，不適用于大規(guī)模的數(shù)據(jù)處理，而且直腸癌病灶nCRT后的形態(tài)及信號表現(xiàn)多樣，對病灶區(qū)域的勾畫易受主觀因素的影響，可能導(dǎo)致可重復(fù)性及穩(wěn)定性降低；第三，本次研究中僅分析了病灶在高分辨T2WI上的影像組學(xué)特征，而沒有結(jié)合其它序列及相關(guān)臨床因素，有待今后進(jìn)一步深入研究。

總體而言，基于高分辨T2WI的影像組學(xué)對nCRT后直腸癌pCR狀態(tài)的預(yù)測有一定價值，可以應(yīng)用于臨床決策。