王梓華，吳紅珍，梁瑩瑩，楊蕊夢，莫蕾*，張家雄

1.佛山市中醫(yī)院放射科，廣東 佛山 528000；2.廣州市第一人民醫(yī)院放射科，廣東 廣州 510180

膀胱癌的發(fā)病率居惡性腫瘤第10位，男性較女性多見[1]。尿路上皮癌是膀胱癌最常見的病理類型，占90%以上。根據(jù)腫瘤細(xì)胞分化程度不同，可將尿路上皮癌分為低級別尿路上皮癌（low-grade urothelial carcinoma，LGUC）和高級別尿路上皮癌（high-grade urothelial carcinoma，HGUC）[2]。與LGUC相比，HGUC的侵襲力更強(qiáng)、臨床預(yù)后更差[3-4]。因此若能在術(shù)前準(zhǔn)確地預(yù)測膀胱尿路上皮癌（bladder urothelial carcinoma，BUC）的組織學(xué)分級，對改善膀胱癌患者的臨床管理具有重要意義。常規(guī)CT檢查可以確定腫瘤的大小、形態(tài)和部位等，能夠為臨床醫(yī)師對腫瘤進(jìn)行分期提供參考，然而單憑影像圖像資料無法直觀地反映腫瘤的異質(zhì)性，影像組學(xué)能夠很好地解決這一問題[5]。影像組學(xué)通過高通量提取影像特征，客觀和定量地對腫瘤信息進(jìn)行表征，從而評估惡性腫瘤的組織學(xué)分級[6-8]。目前國內(nèi)較少采用影像組學(xué)研究BUC，本研究基于增強(qiáng)CT影像組學(xué)構(gòu)建鑒別BUC組織學(xué)分級的預(yù)測模型，并驗證其術(shù)前診斷HGUC和LGUC的效能。

1 資料與方法

1.1 研究對象 回顧性收集2016年11月—2020年9月廣州市第一人民醫(yī)院經(jīng)病理證實的膀胱癌139例。納入標(biāo)準(zhǔn)：①術(shù)后病理結(jié)果為尿路上皮癌；②術(shù)前CT圖像和臨床資料齊全。排除標(biāo)準(zhǔn)：①病理包含2種級別或合并其他病理類型；②病灶直徑＜5 mm或僅表現(xiàn)為膀胱壁局限性增厚而未見明確腫塊；③存在影響圖像分析偽影。最終納入66例HGUC和61例LGUC，其中HGUC組年齡52～90歲，LGUC組年齡47～90歲。由深睿科研平臺使用隨機(jī)拆分方法并按7∶3將127例膀胱癌患者分為訓(xùn)練集（n=89）和驗證集（n=38）。本研究通過醫(yī)院倫理委員會審核（K-2020-005-01）。

1.2 儀器與方法 采用東芝320排螺旋CT（Aquilion ONE）行中下腹部和盆腔CT平掃及多期增強(qiáng)掃描。掃描參數(shù)：管電壓120 kV，探測器準(zhǔn)直64×0.6 mm，層厚5 mm，層間距5 mm。先進(jìn)行CT平掃，經(jīng)肘靜脈注射對比劑碘帕醇（370 mg/ml），用量2.0 ml/kg，流速3.5 ml/s，延遲20～25 s和50～60 s后再次進(jìn)行掃描，獲得動脈期和靜脈期圖像。由于排泄期造影劑潴留于膀胱腔內(nèi)，高密度的造影劑對腫瘤病灶的圖像分析造成干擾，因此本研究未納入排泄期CT圖像進(jìn)行分析。

1.3 圖像分析和特征提取 將所有BUC患者的術(shù)前增強(qiáng)CT圖像以DICOM格式從影像儲存系統(tǒng)中導(dǎo)出并保存。將CT圖像導(dǎo)入ITK-SNAP 3.8軟件，由1名具有5年影像診斷經(jīng)驗的影像科醫(yī)師采用盲法對三期CT圖像逐層手動勾畫腫瘤邊界作為感興趣區(qū)（ROI），避開膀胱病灶的鈣化或壞死區(qū)域，有多個病灶者，協(xié)定僅選取其中體積最大的病灶進(jìn)行勾畫。最后軟件生成獲得三維容積感興趣區(qū)（VOI）（圖1）。從127例BUC中隨機(jī)抽取1/4的病例，由另一名具有10年以上腹部影像診斷經(jīng)驗的醫(yī)師采用盲法對腫瘤病灶進(jìn)行再次勾畫，并獲得相應(yīng)的VOI，后續(xù)將獲得的2批影像組學(xué)特征數(shù)據(jù)進(jìn)行組間相關(guān)系數(shù)（ICC）分析。采用深睿醫(yī)療科研平臺對基于三期CT圖像生成的VOI進(jìn)行數(shù)據(jù)標(biāo)注分類并提取影像組學(xué)特征，其中圖像的間距標(biāo)準(zhǔn)化、圖像濾波和特征計算等步驟由科研平臺進(jìn)行，最后提取得到的影像組學(xué)特征主要包括一階統(tǒng)計量特征、形態(tài)特征和紋理特征等。

圖1 男，60歲，高級別尿路上皮癌（HGUC）。CT平掃圖像逐層手動勾畫ROI，紅色區(qū)域為ROI（A）；獲得VOI（B）

1.4 特征篩選和模型構(gòu)建 對上述2位醫(yī)師勾畫生成VOI提取到的所有影像組學(xué)特征采用ICC進(jìn)行可重復(fù)性分析，根據(jù)ICC＞0.9篩選出可重復(fù)性最佳的特征用于下一步分析。使用Z-score進(jìn)行影像組學(xué)特征數(shù)值的歸一化，采用最小絕對收縮與選擇算子（least absolute shrinkage and selection operator，LASSO）回歸模型分析特征，模型參數(shù)設(shè)置λ值的取值個數(shù)為50，采用5折交叉驗證，迭代次數(shù)為10萬，由模型自行運算得出最優(yōu)λ值，并從納入的特征中篩選出最有價值的特征。然后對上述影像組學(xué)特征進(jìn)一步進(jìn)行特征相關(guān)性分析，剔除相關(guān)性高的特征后，入組得到的影像組學(xué)特征用于構(gòu)建模型。使用科研平臺提供的建模方法對入組的特征進(jìn)行Logistic回歸模型訓(xùn)練，擬合出最優(yōu)模型并輸出模型信息，從而獲得各影像組學(xué)特征與其對應(yīng)的加權(quán)系數(shù)乘積的回歸方程，即為預(yù)測BUC組織學(xué)分級的多變量Logistic回歸模型。繪制受試者工作特征（ROC）曲線，采用曲線下面積（AUC）評估構(gòu)建模型的診斷效能，采用決策曲線評價模型鑒別HGUC和LGUC的凈獲益。

1.5 統(tǒng)計學(xué)方法 使用R 3.5.3軟件進(jìn)行統(tǒng)計學(xué)分析。年齡和病灶最大徑為連續(xù)變量，符合正態(tài)分布以表示，組間比較采用t檢驗；非正態(tài)分布的計量資料以M（Q1，Q3）表示，組間比較采用Mann-WhitneyU檢驗；采用χ2檢驗比較組間性別分布差異；采用AUC預(yù)測模型效能。使用Python 3.8軟件進(jìn)行LASSO回歸分析。其余統(tǒng)計分析及統(tǒng)計圖形繪制在深睿醫(yī)療科研平臺上進(jìn)行。P＜0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 臨床資料 HGUC組與LGUC組患者年齡和性別差異無統(tǒng)計學(xué)意義（P＞0.05），兩組腫瘤最大徑差異有統(tǒng)計學(xué)意義（P＜0.05），見表1。訓(xùn)練集和驗證集患者年齡、性別和腫瘤最大徑差異均無統(tǒng)計學(xué)意義（P＞0.05），見表2。

表1 HGUC患者與LGUC患者臨床資料比較

表2 訓(xùn)練集與驗證集患者臨床資料比較

2.2 預(yù)測模型構(gòu)建 每位患者每期CT圖像均可提取獲得1 734個影像組學(xué)特征，3期CT圖像共提取5 202個特征，經(jīng)過ICC檢驗后剩下4 467個特征，經(jīng)LASSO回歸模型篩選后得到22個特征，剔除相關(guān)系數(shù)r＞0.85的2個高度相關(guān)特征后，最終得到20個特征（表3），從而構(gòu)建得到預(yù)測模型。

表3 用于構(gòu)建影像組學(xué)模型的三期影像組學(xué)特征

2.3 預(yù)測模型效能 使用基于增強(qiáng)CT影像組學(xué)預(yù)測模型診斷BUC組織學(xué)分級，在訓(xùn)練集中預(yù)測效能的AUC為0.90（95%CI0.83～0.96），敏感度為80%，特異度為81%；在驗證集中的AUC為0.93（95%CI0.85～1.00），敏感度為95%，特異度為63%（圖2）。決策曲線（圖3）結(jié)果顯示該預(yù)測模型鑒別HGUC和LGUC具有良好的凈獲益。

圖2 基于增強(qiáng)CT影像組學(xué)模型預(yù)測膀胱尿路上皮癌組織學(xué)的ROC曲線。訓(xùn)練集鑒別HGUC與LGUC的ROC曲線，AUC為0.90（A）；驗證集鑒別HGUC與LGUC的ROC曲線，AUC為0.93（B）

圖3 預(yù)測模型的決策曲線。黑線（None）代表假設(shè)全部患者為LGUC，灰線（All）假設(shè)全部患者為HGUC，藍(lán)線（Train）代表訓(xùn)練集，紅線（Val）代表驗證集

3 討論

膀胱HGUC和LGUC的生物學(xué)行為和預(yù)后具有明顯差異，這是臨床醫(yī)師制訂治療方案時需要考慮的一個因素[9-11]。膀胱鏡活檢術(shù)是目前用于術(shù)前評估BUC組織學(xué)分級的最常用方法，這種有創(chuàng)性檢查可能會由于取樣不足或病理學(xué)變異型等問題導(dǎo)致誤診[12]。影像組學(xué)的應(yīng)用和發(fā)展為研究者提供了一種無創(chuàng)和客觀地診斷泌尿系腫瘤的方法，包括良性與惡性病變的鑒別[13-15]。鑒于影像組學(xué)在腫瘤診斷研究中的可行性及實用性，本研究嘗試從多期增強(qiáng)CT圖像中提取特征建立影像組學(xué)預(yù)測模型，結(jié)果表明其在鑒別BUC組織學(xué)分級時具有良好的診斷效能，在訓(xùn)練集中AUC達(dá)到0.90，在驗證集中AUC達(dá)到0.93。在納入構(gòu)建模型的影像組學(xué)特征中，中位數(shù)對模型的影響較為重要，其反映了所勾畫ROI中灰度強(qiáng)度的中位數(shù)。由本研究提取出的特征數(shù)據(jù)可知，HGUC的中位數(shù)較LGUC大，這一結(jié)果可能提示惡性程度相對較高的腫瘤往往具有較大的灰度強(qiáng)度值。

3.1 與CT紋理分析技術(shù)比較 既往已有研究[16-17]使用CT紋理分析技術(shù)鑒別HGUC和LGUC，研究結(jié)果顯示CT圖像定量分析具有鑒別BUC組織學(xué)分級的潛在能力，然而這些研究的缺點是僅基于數(shù)十個紋理特征進(jìn)行分析，而且未進(jìn)行模型構(gòu)建及驗證。本研究對前述研究方法進(jìn)行改進(jìn)，利用影像組學(xué)的研究方法，在方法設(shè)計上彌補(bǔ)了上述研究的不足。鄒金釗等[18]的研究納入病例數(shù)量較少，構(gòu)建模型后并未用額外的數(shù)據(jù)對模型的效能進(jìn)行驗證，其研究方法仍有待進(jìn)一步改善。此外，上述所有研究均在膀胱癌圖像最大層面勾畫ROI獲得二維數(shù)據(jù)，這種方法顯然不能全面地反映病灶的整體特征信息，因此本研究通過逐層勾畫病灶得到VOI，并對其進(jìn)行特征提取。Zhang等[19]基于單期增強(qiáng)CT圖像構(gòu)建影像組學(xué)模型預(yù)測膀胱癌的病理分級，結(jié)果顯示一階特征中的偏度在模型中的作用最大，并且HGUC的偏度值往往較高，然而單期圖像提取的信息可能會遺漏病灶部分重要特征。Wang等[20]基于多序列MRI影像組學(xué)特征構(gòu)建的預(yù)測模型診斷膀胱癌肌層受侵時具有良好的診斷效能，而當(dāng)整合影像組學(xué)評分及影像學(xué)特征后能夠進(jìn)一步提高效能，但是影像學(xué)特征的判斷帶有主觀性，并且非常依賴醫(yī)師的經(jīng)驗，納入主觀指標(biāo)進(jìn)行模型構(gòu)建的適用性及可重復(fù)性仍有待進(jìn)一步研究。本研究對比HGUC與LGUC發(fā)現(xiàn)，HGUC的病灶往往較LGUC病灶大，與Zhang等[17]的研究結(jié)果類似，然而該研究并未對兩者間的腫瘤大小進(jìn)行對比，因此腫瘤大小輔助診斷BUC組織學(xué)分級的作用仍有待更多研究進(jìn)行探討。

3.2 本研究的應(yīng)用價值 本研究在方法中對整個腫瘤病灶進(jìn)行勾畫得到VOI，因此能夠反映腫瘤整體的異質(zhì)性。通過從三期增強(qiáng)CT圖像中提取影像組學(xué)特征后再進(jìn)行特征信息挖掘，保留每期圖像中能夠用于對腫瘤進(jìn)行分類的特征，其建立的影像組學(xué)模型更能體現(xiàn)每期圖像有用的信息及特征的權(quán)重。在研究過程中通過選擇控制觀察者的組間變異（ICC＞0.9），使獲得的特征具有較好的觀察者間一致性。模型構(gòu)建時通過增大訓(xùn)練集的數(shù)量，構(gòu)建模型后使用驗證集加以驗證，最終結(jié)果顯示此模型在訓(xùn)練集及驗證集中AUC均較高，表明模型的診斷效能良好且性能穩(wěn)定，在臨床應(yīng)用中具有一定的價值。

3.3 本研究的局限性 ①僅對單中心的病例進(jìn)行回顧性研究，未來需要進(jìn)行多中心研究并補(bǔ)充更多的病例數(shù)量，以對上述模型的效能進(jìn)行外部驗證；②納入的臨床指標(biāo)較少，如未對吸煙史、血尿病史及其他相關(guān)檢查進(jìn)行研究；③本研究納入病例中男性患者數(shù)量遠(yuǎn)大于女性患者，有待更大樣本量的流行病學(xué)調(diào)查進(jìn)行探討。

綜上所述，基于增強(qiáng)CT影像組學(xué)模型可用于預(yù)測BUC的組織學(xué)分級，其診斷效能較高，在輔助臨床醫(yī)師評估膀胱癌患者治療時具有一定的參考價值。