【摘 要】目的：探索使用影像組學(xué)模型在腹部CT平掃圖像上診斷急性闌尾炎的可行性。方法：回顧性收集2015年5月至2021年8月北京大學(xué)第一醫(yī)院經(jīng)手術(shù)病理確診的急性闌尾炎患者的術(shù)前腹部CT掃描的影像和臨床數(shù)據(jù)210例，以及同期因其他急腹癥行腹部CT平掃的患者210例用于影像組學(xué)模型訓(xùn)練。420例患者的CT檢查采集于4臺不同CT掃描設(shè)備。由2位影像科醫(yī)生手工標(biāo)注闌尾區(qū)域。將數(shù)據(jù)按7∶3的比例隨機分為訓(xùn)練集和測試集。使用特征提取102種圖像特征后，使用Pearson相關(guān)分析進(jìn)行特征降維，以遞歸特征消除法選擇最相關(guān)的20種特征訓(xùn)練支持向量機（support vector machine，SVM）進(jìn)行二分類，得到影像組學(xué)模型。得到影像組學(xué)模型后，對測試集進(jìn)行預(yù)測結(jié)果，以受試者工作特征曲線（receiver operating characteristic，ROC）評價影像組學(xué)模型的效能。結(jié)果：經(jīng)過特征降維、特征選擇后，共有3種形態(tài)特征、3種一級特征和14種紋理特征用于訓(xùn)練SVM模型。測試集中SVM模型正確預(yù)測114例（闌尾炎60例，非闌尾炎54例），錯誤預(yù)測12例（闌尾炎3例，非闌尾炎9例）敏感度為95.2%，特異度為85.7%，準(zhǔn)確率為90.5%，ROC曲線下面積為0.931（95%CI=0.887～0.976）。結(jié)論：基于腹部CT平掃圖像的影像組學(xué)模型可用于急性闌尾炎的預(yù)測，未來有望用于急腹癥CT檢查的流程優(yōu)化。

【關(guān)鍵詞】急性闌尾炎；CT；影像組學(xué)

【中圖分類號】R445 【文獻(xiàn)標(biāo)志碼】A 【收稿日期】2023-08-03

闌尾炎是外科急診手術(shù)最常見的原因，全球范圍內(nèi)年發(fā)病率為（96.5～100）/10萬成人[1-2]。急性闌尾炎的診斷要求依靠病史、體格檢查、實驗室檢查和影像檢查。臨床表現(xiàn)典型的急性闌尾炎患者，90% 可依據(jù)上述信息做出準(zhǔn)確診斷[3]。超聲和CT是常用的闌尾炎影像檢查方法，對非妊娠成人CT是首選的影像檢查方法[4]。急性闌尾炎的典型CT表現(xiàn)為闌尾增粗、壁增厚水腫、闌尾結(jié)石、周邊脂肪間隙模糊索條影等，診斷困難不大。闌尾炎的CT診斷仍存在個別困難情況，如解剖變異導(dǎo)致闌尾不易識別、早期炎癥表現(xiàn)輕微導(dǎo)致漏診等[5]。更重要的是，在急診行CT檢查時，要求影像診斷醫(yī)生不僅快速檢出闌尾炎，而且要對全腹其他臟器是否存在急腹癥情況也作出迅速、準(zhǔn)確性的評估。因此，有必要研究高效、自動的診斷工具以輔助急性闌尾炎的CT診斷。

使用影像組學(xué)方法可以提取CT圖像中的高維特征，基于特征工程和統(tǒng)計建模對目標(biāo)疾病進(jìn)行分類或回歸預(yù)測，近年來有不少關(guān)于胃腸道腫瘤的影像組學(xué)研究[6]，但在急腹癥的報告較少。本研究的目的是探索使用影像組學(xué)模型在腹部CT平掃圖像上診斷急性闌尾炎的可行性。

1 資料與方法

1.1 數(shù)據(jù)入組

回顧性納入北京大學(xué)第一醫(yī)院手術(shù)病例記錄系統(tǒng)中2015年5月至2021年8月經(jīng)病理證實的急性闌尾炎患者，納入標(biāo)準(zhǔn)：有完整的術(shù)前檢查資料，行急性闌尾炎手術(shù)并有完整的病理報告，共獲得424例數(shù)據(jù)。按上述病例資料的病案號查詢本院影像存儲及傳輸系統(tǒng)及放射管理信息系統(tǒng)中相對應(yīng)的腹部CT數(shù)據(jù)，排除標(biāo)準(zhǔn)：無本院CT圖像；本院CT圖像為術(shù)后；掃描范圍不完整；圖像質(zhì)量不合格，最終納入210例急性闌尾炎患者的CT圖像。查找同期因急腹癥行腹部CT平掃的圖像資料，在性別、年齡匹配后入組210例非急性闌尾炎患者的CT圖像。合計420例（210例急性闌尾炎，210例非急性闌尾炎）納入研究。本項目為回顧性研究，獲得了倫理審查委員會的批準(zhǔn)（批件號：2019-170）。

1.2 成像參數(shù)

共使用4臺CT設(shè)備進(jìn)行圖像采集。掃描范圍為全腹，上界達(dá)膈面，下界恥骨聯(lián)合，均為平掃。層厚=1～1.25 mm，層間距=1～1.25 mm，矩陣=512×512。

1.3 數(shù)據(jù)標(biāo)注和測量

使用ITK-SNAP 3.8.0軟件（http：//www.itksnap.org）標(biāo)注闌尾感興趣區(qū)（region of interest，ROI）。由1位影像醫(yī)生（影像工作13年）標(biāo)注，由1位腹部影像專業(yè)醫(yī)生（影像工作30年）檢查并修改標(biāo)注。如果闌尾顯示清晰，則標(biāo)注區(qū)域包括闌尾根部至闌尾尖部；如果闌尾顯示不佳，則標(biāo)注盲腸末端區(qū)域以及其后內(nèi)側(cè)（圖1）。

1.4 影像組學(xué)模型訓(xùn)練

影像組學(xué)模型訓(xùn)練過程包括：特征提取、特征歸一化、特征降維、特征選擇、分類器訓(xùn)練等過程。

特征提取：使用PyRadiomics軟件包（https：//pyradiomics.readthedocs.io/en/latest/）從ROI提取特征。共提取14種形態(tài)（shape）特征、18種一級（first order）特征、24種灰度共生矩陣（gray-level co-occurrence matrix，GLCM）特征、14 種灰度依賴矩陣（gray-level dependence matrix，GLDM）特征、16 種灰度游程矩陣（gray-level run length matrix，GLRLM）特征和16灰度大小區(qū)域矩陣（gray-level size zone matrix，GLSZM）特征，最終每個ROI共提取102個圖像特征。

特征歸一化：使用標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化方法，即對提取出的原始特征數(shù)據(jù)的均值（mean）和標(biāo)準(zhǔn)差（standard deviation）進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化，公式為：x'=x-μσ。其中μ 為所有樣本數(shù)據(jù)的均值，σ 為所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差。

特征降維：使用Pearson相關(guān)性分析（pearson correlationanalysis）判斷各個特征之間的兩兩相關(guān)性。如果兩個特征的Pearson相關(guān)性系數(shù)（pearson correlation coefficient，PCC）gt;0.10則認(rèn)為有相關(guān)性，隨機刪除一個特征，直到所有特征之間的PCClt;0.10。

特征選擇：使用遞歸特征消除（recursive feature elimination，REF）方法篩選最小20個特征集合用于最終訓(xùn)練分類器。

分類器訓(xùn)練：按照7∶3 的比例將數(shù)據(jù)隨機分為訓(xùn)練集（train set）和測試集（test set），訓(xùn)練支持向量機（supportvector machine，SVM）模型。SVM 的損失函數(shù)為Hinge loss，公式為：

分類器評價：計算分類模型中每個樣本的組學(xué)得分（rad-score），應(yīng)用sigmoidal函數(shù)將組學(xué)得分轉(zhuǎn)換為急性闌尾炎的概率P（P 介于0～1）。使用受試者工作特征曲線（receiveroperating characteristic，ROC）來評估模型預(yù)測的性能。計算ROC曲線下面積（area under curve，AUC）。

1.5 統(tǒng)計學(xué)方法

使用R4.2.0軟件進(jìn)行統(tǒng)計分析。以Kolmogorov-Smirnov檢驗計量數(shù)據(jù)的正態(tài)性。符合正態(tài)分布的計量資料用均數(shù)±標(biāo)準(zhǔn)差（x±s）表示，不符合正態(tài)分布的計量資料用四分位間距[Md（P25，P75）]表示。計量數(shù)據(jù)的比較采用t 檢驗或Mann Whitney U 檢驗。AUC的置信區(qū)間使用Delong檢驗計算。檢驗水準(zhǔn)α=0.05。

2 結(jié)果

2.1 入組病例特征

420例患者的病例特征和掃描參數(shù)見表1，患者平均年齡42（31.0，59.0）歲，女性48.6%，98.8% 的患者使用GELightSpeed VCT 掃描。按7∶3隨機分為訓(xùn)練集和測試集，2組間病例特征和掃描參數(shù)見表1。各指標(biāo)在2組間的差異均無統(tǒng)計學(xué)意義（Pgt;0.05）。

2.2 影像組學(xué)特征

經(jīng)特征提取、特征歸一化、特征降維、特征選擇后，共20個影像組學(xué)特征用于訓(xùn)練分類器。測試集闌尾炎及非闌尾炎組各特征數(shù)值見表2、圖2。

2.3 模型效能

SVM對測試集的126例數(shù)據(jù)的預(yù)測結(jié)果見圖3，ROC分析結(jié)果見圖4。測試集中SVM模型正確預(yù)測114例（闌尾炎60例，非闌尾炎54例），錯誤預(yù)測12例（闌尾炎3例，非闌尾炎9例）敏感度為95.2%，特異度為85.7%，準(zhǔn)確率為90.5%，陽性預(yù)測值為0.946，陰性預(yù)測值為0.857，ROC曲線下面積為0.931（95%CI=0.887～0.976）。

3 討 論

急腹癥表現(xiàn)為突發(fā)、嚴(yán)重腹痛，CT是急腹癥常用的影像檢查手段，其任務(wù)是發(fā)現(xiàn)可能存在的炎癥、感染、缺血、梗阻、穿孔等情況，及時篩選出需要外科干預(yù)的患者[7]。全腹CT檢查后，影像醫(yī)師應(yīng)快速、準(zhǔn)確地完成全腹部臟器的診斷。急性闌尾炎是急腹癥中最常見的情況，本研究發(fā)現(xiàn)使用影像組學(xué)方法可以準(zhǔn)確地診斷急性闌尾炎，敏感性可達(dá)95.2%，未來有可能用于優(yōu)化急診CT的診斷流程，提高診斷效率。

國內(nèi)外關(guān)于急性闌尾炎的CT診斷效能研究很多，診斷準(zhǔn)確性的報告差異較大[5，8-9]。檢索Cochrane數(shù)據(jù)庫[10]，在71項研究中，醫(yī)生診斷的敏感性估計值為0.72～1.00，特異性估計值為0.5～1.0。盡管報道結(jié)果各異，但可以認(rèn)為總體上醫(yī)生通過CT圖像診斷急性闌尾炎的準(zhǔn)確性是較高的。本研究提出的影像組學(xué)模型對急性闌尾炎的診斷效能與既往醫(yī)生診斷結(jié)果對比，診斷效能是類似的。

本研究提出影像組學(xué)模型不是為了進(jìn)一步提高診斷準(zhǔn)確率，而是期望在保證診斷準(zhǔn)確的前提下使用軟件輔助醫(yī)生診斷，以提高醫(yī)生工作效率。急腹癥的疾病譜很廣，影像醫(yī)生診斷時對胃腸道疾病、泌尿系統(tǒng)疾病、婦產(chǎn)科疾病以及血管性疾病等均需要給予關(guān)注[7，11]。如果能使用輔助診斷工具對各個臟器病變逐個做出診斷，就有可能優(yōu)化讀片流程，軟件在醫(yī)生讀片時給予提醒，由醫(yī)生最終做出診斷。相信在輔助工具效能較高的情況下，有望縮短讀片時間，提高醫(yī)生工作效率，類似的工作在其他影像診斷任務(wù)中已經(jīng)得到證實[12]。具體到急腹癥的輔助診斷，目前已有腎結(jié)石自動檢出[13]和急性胰腺炎的分類診斷[14]，未來隨著急性闌尾炎以及等其他急腹癥的輔助診斷軟件的研發(fā)，將多種輔助診斷工具集成在一起，就可以達(dá)到優(yōu)化整體急腹癥診斷流程的目的。對于急性闌尾炎，還有必要進(jìn)一步對其分類進(jìn)行評價，結(jié)合CT圖像和臨床信息進(jìn)行綜合建模，判斷其為單純性闌尾炎與非單純性闌尾炎，對制定治療方案提供建議。

本研究使用了常用的影像組學(xué)技術(shù)進(jìn)行研究。在特征提取過程中，使用經(jīng)典的影像特征提取工具PyRadiomics 包，使用的特征類型符合本領(lǐng)域的共識，包括形態(tài)特征、一級特征和紋理特征[15-16]。在紋理特征中，GLCM類表征的是圖像灰度相關(guān)性信息，GLRLM 類表征的是圖像中1D 連通域的大小和數(shù)目，GLSZM類表征的是圖像中2D/3D連通域的大小和數(shù)目，GLDM類也表征了圖像中2D/3D連通域的大小和數(shù)目，但是限制關(guān)注鄰域的面積[16-17]。由于紋理特征之間存在關(guān)聯(lián)性和相似性，因此使用了Pearson相關(guān)分析去除相關(guān)性較強的特征，以達(dá)到特征降維的目的。SVM是機器學(xué)習(xí)中常用的監(jiān)督學(xué)習(xí)分類器，可適用于小樣本數(shù)據(jù)，對非線性和高維模式識別效果較好[18]。本研究發(fā)現(xiàn)在測試集中，CT圖像中ROI區(qū)域的紋理特征、形狀特征和一級特征均可能對鑒別闌尾炎和非闌尾炎有貢獻(xiàn)，但其中主要貢獻(xiàn)是紋理特征，這跟胰腺炎的相關(guān)研究是相似的[14]。

本研究有一定的局限性。①研究隊列為回顧性收集，未來應(yīng)進(jìn)行前瞻性數(shù)據(jù)收集和驗證，以確定模型實際效能。②本研究中闌尾區(qū)域的ROI是手工標(biāo)注的，將來應(yīng)基于統(tǒng)計或基于模型自動標(biāo)注闌尾ROI然后自動預(yù)測，以達(dá)到優(yōu)化流程的目標(biāo)。③本研究未進(jìn)行讀片研究，將來在前瞻性研究時，應(yīng)觀察醫(yī)生在模型幫助下是否可以提高診斷效率。④未來應(yīng)收集診療過程中的臨床綜合信息和隨訪結(jié)果，對非典型的急性闌尾炎進(jìn)行影像組學(xué)診斷研究，以提升模型對臨床工作的適用性?？傊?，基于當(dāng)前的回顧性研究結(jié)果，可以認(rèn)為腹部CT平掃圖像的影像組學(xué)模型可用于急性闌尾炎的預(yù)測，有進(jìn)一步研究的必要。

參 考 文 獻(xiàn)

[1] Ferris M，Quan S，Kaplan BS，et al. The global incidence of appendicitis：

a systematic review of population-based studies[J]. Ann Surg，

2017，266（2）：237-241．

[2] Expert Panel on Gastrointestinal Imaging：Garcia EM，Camacho

MA，et al. ACR appropriateness criteria? right lower quadrant painsuspected

appendicitis[J]. J Am Coll Radiol，2018，15（11 Suppl）：S373-

S387．

[3] Coward S，Kareemi H，Clement F，et al. Incidence of appendicitis

over time：a comparative analysis of an administrative healthcare database

and a pathology-proven appendicitis registry[J]. PLoS One，2016，

11（11）：e0165161．

[4] Paulson EK，Kalady MF，Pappas TN. Clinical practice. suspected

appendicitis[J]. N Engl J Med，2003，348（3）：236-242．

[5] Fersaho?lu MM，?iyiltepe H，Ergin A，et al. Effective use of CT by

surgeons in acute appendicitis diagnosis[J]. Ulus Travma Acil Cerrahi

Derg，2021，27（1）：43-49．

[6] Caruso D，Polici M，Zerunian M，et al. Radiomics in oncology，part

1：technical principles and gastrointestinal application in CT and MRI

[J]. Cancers，2021，13（11）：2522．

[7] Federle MP. CT of the acute（emergency） abdomen[J]. Eur Radiol，

2005，15 Suppl 4：S100-S104．

[8] 沈俊杰，湯軍保. 多層螺旋CT診斷急性闌尾炎臨床價值分析

[J]. 醫(yī)學(xué)影像學(xué)雜志，2022，32（8）：1430-1432．

Shen JJ，Tang JB. Value of multi-slice spiral CT in the diagnosis of

acute appendicitis of different pathological types[J]. J Med Imag，2022，

32（8）：1430-1432．

[9] Eurboonyanun K，Rungwiriyawanich P，Chamadol N，et al. Accuracy

of nonenhanced CT vs contrast-enhanced CT for diagnosis of acute

appendicitis in adults[J]. Curr Probl Diagn Radiol，2021，50（3）：315-

320．

[10] Rud B，Vejborg TS，Rappeport ED，et al. Computed tomography

for diagnosis of acute appendicitis in adults[J]. Cochrane Database Syst

Rev，2019，2019（11）：CD009977．

[11] Cartwright SL，Knudson MP. Evaluation of acute abdominal pain

in adults[J]. Am Fam Physician，2008，77（7）：971-978．

[12] 朱麗娜，高 歌，劉義，等. CAD 整合入前列腺多參數(shù)MRI

結(jié)構(gòu)化報告：低經(jīng)驗讀片者診斷效能研究[J]. 放射學(xué)實踐，2020，35

（10）：1282-1287．

Zhu LN，Gao G，Liu Y，et al. Integrating computer-aided diagnosis with

prostate multiparametric MRI structured reports：low-experience radiologists

performance study[J]. Radiol Pract，2020，35（10）：1282-1287．

[13] Cui YP，Sun ZN，Ma S，et al. Automatic detection and scoring of

kidney stones on noncontrast CT images using S. T. O. N. E. nephrolithometry：

combined deep learning and thresholding methods[J]. Mol

Imaging Biol，2021，23（3）：436-445．

[14] Mashayekhi R，Parekh VS，F(xiàn)aghih M，et al. Radiomic features of

the pancreas on CT imaging accurately differentiate functional abdominal

pain，recurrent acute pancreatitis，and chronic pancreatitis[J]. Eur J

Radiol，2020，123：108778．

[15] Zwanenburg A，Vallières M，Abdalah MA，et al. The image biomarker

standardization initiative：standardized quantitative radiomics

for high-throughput image-based phenotyping[J]. Radiology，2020，295

（2）：328-338．

[16] Hatt M，Le Rest CC，Tixier F，et al. Radiomics：data are also images[

J]. J Nucl Med，2019，60 Suppl 2：S38-S44．

[17] Mayerhoefer ME，Materka A，Langs G，et al. Introduction to radiomics[

J]. J Nucl Med，2020，61（4）：488-495．

[18] Sidey-Gibbons JAM，Sidey-Gibbons CJ. Machine learning in

medicine：a practical introduction[J]. BMC Med Res Methodol，2019，

19（1）：64．

（責(zé)任編輯：周一青）