基于T2加权和弥散加权成像的影像组学定量评估膀胱癌肌层浸润

吴云 王玫 朱大荣

膀胱癌的肌层浸润深度影响临床治疗策略的制定［1］，对患者治疗和预后都至关重要［2］。有研究表明T2加权成像是评估膀胱肿瘤累及深度的最佳方法［3］，并且T2加权成像（T2WI）联合弥散加权成像（DWI）评估T 分期的总体准确性高于单独的T2WI 或T2WI 融合增强成像［4］。影像组学是采用自动化算法从感兴趣区内提取有用的定量信息来辅助癌症的诊断［5-7］。因此，本实验在T2WI 和DWI 的联合成像上运用影像组学方法构建模型，以实现术前对膀胱癌肌层浸润的预测。

1 资料与方法

1.1 临床资料 收集杭州市第一人民医院2016 年2 月至2021 年2 月的膀胱癌患者，方案符合医学伦理学要求。纳入MR 序列完整（包括T2WI、DWI 序列）及有手术病理结果的患者，最终纳入165 例患者，其中非肌层浸润性膀胱癌（NMIBC）94 例，肌层浸润性膀胱癌（MIBC）71 例。

1.2 影像学检查 采用德国 Siemens Verio 3.0 T MR扫描仪。轴位T2WI：TR 4,470 ms，TE 95 ms，矩阵256×205，视野（FOV）20 cm×20 cm，层厚4 mm，层间距1.2 mm；轴位 DWI：TR 8,100 ms，TE 75 ms，矩阵140×109，FOV 35 cm×35 cm，层厚 5 mm，层间距1 mm，b值分别为0、1,000 s/mm。

1.3 影像资料处理（1）本次研究使用uAI Research Portal（V1.4）软件，将影像和临床数据均导入该科研平台。（2）在软件图像标注页面勾画感兴趣区（ROI），即膀胱肿瘤。一个病例可能存在多个病变的情况，选择最大的ROI进行勾画。由两位经验丰富的影像科医生进行协商勾画。（3）在组学模块界面上对勾画的ROI 进行组学特征提取。每个序列均提取出2,600 个组学特征，并手动加入7 个其它特征［包括表观弥散系数（ADC）值及6 个临床特征］。为了避免分组的样本偏差，我们通过5 折交叉-验证方法将数据划分为两部分（训练集和测试集），生成五个与训练和测试集不同的折叠，获得对模型平均但稳定的效能评估。使用Z 评分对数据标准化后，运用LASSO 方法来组学特征进行降维，筛选出有意义的特征并通过线性公式得到各自的Radscore，后基于 Radscore 和有统计学差异的其他特征，运用逻辑回归方法构建诺莫图（Nomogram）模型。（4）ADC值的测量：取肿瘤实体部分进行测量，取两次结果的平均值。

1.4 统计学方法 模型在训练集及测试集中的诊断效能应用受试者工作特征曲线（ROC）进行验证。

2 结果

2.1 一般资料 通过软件对其他特征进行Lasso 降维，发现ADC 值和有无膀胱刺激症为有诊断意义的特征，而其他临床特征（年龄、性别、CEA、吸烟、肉眼或镜下血尿）对两组间的鉴别均无价值，见图1。

图1 一般资料

2.2 组学特征模型的构建与评价 组学特征降维处理后，T2WI 中筛选出6 个有意义的特征，DWI 中筛选出7 个，后将两序列筛选出的特征继续降维，得出有意义的联合特征6 个。在训练集和测试集中，T2WI、DWI 和两个序列联合特征的Radscore 在两组间差异具有统计学意义（P＜0.05）。在训练集中通过曲线下面积（AUC）判断各自Radscore 模型的诊断效能。由图2 所示，比较单个序列（T2WI、DWI）和两序列联合模型，发现联合Radscore 模型在膀胱癌肌层浸润的诊断上具有更优效能。

图2 利用单序列（T2W I、D W I）和两个序列联合（Combined）的ROC曲线判断模型的诊断效能

2.3 构建 Nomogram 模型 根据上述结果，将两个序列联合的Radscore 值与有意义其他特征（平均ADC 值、有无膀胱刺激症）融合共同构建 Nomogram 模型，发现该模型较单独的Radscore 模型和其他特征模型有更好的诊断性能。Nomogram 模型在训练集的AUC、特异度及敏感度分别是0.877、0.864、0.806；在测试集中的AUC、特异度及敏感度分别是0.87、0.811、0.761（图3I）。后构建联合诊断的Nomogram 列线图（图3 Ⅱ），训练集及测试集中的校正曲线证明了该模型较高的诊断准确性（图3 Ⅲ）。

图3 （Ⅰ）训练集及测试集中Nomogram 模型所展示的ROC曲线；（Ⅱ）Nomogram模型可视化列线图；（Ⅲ）相应模型的校正曲线

3 讨论

在本资料中，基于T2WI、DWI 成像运用影像组学方法构建术前预测膀胱癌肌层浸润模型。通过比较T2WI、DWI 两单序列和两序列联合Radscore 模型，发现联合模型具有更优的诊断效能，后基于联合的Radscore 值与有意义其他特征共同构建更优的多指标诊断Nomogram模型。

在这项研究中，作者从两联合序列中筛选出6 个有意义的特征，包括Skewness 属于一阶纹理特征［8］，其基本的度量值反映区域内体素强度的分布，该值越低，则病灶异质性越高。其余5 个特征是经过滤波器处理后的图像特征，其中log-sigma-1-0-mm-3D-SizeZoneNonUniformityNormalized、log-sigma-2-mm-3D-ZoneEntropy 属于高斯滤波器的拉普拉斯算子，sigma 参数强调的纹理粗糙度，该值较高则强调纹理较粗，异质性增加；剩下三个属于小波纹理特征，wavelet-LLL-Skewness 为三个方向低通滤波后灰度分布的偏度特征，该值越低，图像纹理越不均匀；而wavelet-LHL-LargeDependenceEmphasis、wavelet-LHHLargeDependenceEmphasis 是三个方向应用高通或低通滤波后得到的灰度依赖矩阵，其纹理越均匀，矩阵就越宽、越平坦。因此从某种意义上说，小波与病灶纹理相关，而纹理的改变提示了病灶的异质性［9］，即肿瘤向肌层浸润的倾向。

本资料分析发现联合模型较单序列模型有更好的诊断性能，这在其他研究中也得到验证［10-11］，但是之前的研究采用的是定性诊断方式，准确性取决于医师的经验，而本次应用影像组学方法可以从肿瘤区域提取客观定量信息，进一步优化结果。此外在其他特征筛选中，ADC 值和有无膀胱刺激症被认为是区分NMIBC和MIBC 的重要诊断因素，因此，将筛选出的其他有意义特征和联合的Radscore 共同构建Nomogram 模型，进一步提高诊断NMIBC 和MIBC 的准确性，这在WANG等［12］的研究中得到验证，他们发现Radscore 有助于膀胱癌肌层的侵犯情况，并且与有意义的临床因素结合可进一步改善预测结果。

以上分析可知，基于T2WI、DWI 两序列联合的Radscore 和其他特征融合构建的多指标诊断的Nomogram 模型，对于膀胱癌肌层浸润具有较好的定量诊断价值，进一步指导临床方案的制定。