合成磁共振影像组学模型对前列腺良恶性病变的鉴别诊断价值

Differential Value of Synthetic MRI Radiomics Model for Benign and Malignant Prostate Lesions

摘要: 目的：探讨基于合成磁共振(SyMRI)的影像组学模型对前列腺良恶性病变的鉴别诊断价值。方法：回顾性分析本院2020年11月~2022年10月经病理证实的213例患者的影像资料及临床资料，其中良性108例，恶性105例。患者均行常规MRI和多动态多回波(MDME)序列扫描。采用随机抽样方法将患者按7:3的比例分成训练组与验证组。利用Python 3.7.1对患者的影像资料进行特征采集，采用T检验/Mann-Whitney U检验、mRMR、LASSO算法及Spearman相关分析筛选影像组学特征，使用逻辑回归(LR)、支持向量机(SVM)和随机森林(RF)构建T1、T2、PD及多序列定量图的影像组学模型。通过受试者工作特征曲线(ROC)对模型的诊断效能进行验证。结果：在不同定量图的影像组学模型中，多序列联合模型的效能最好，LR、RF及SVM的ROC曲线下面积(AUC)训练组分别为0.859、0.905、0.852，验证组分别为0.850、0.889、0.847，其中RF模型的AUC值最高。结论：合成磁共振影像组学模型对前列腺良恶性病变有较高的鉴别诊断效能，其中多序列联合模型的诊断效能最好。

Abstract: Objective: To explore the differential value of synthetic magnetic resonance (SyMRI) based radi-omics model for benign and malignant prostate lesions. Methods: The imaging and clinical data of 213 patients with pathologically confirmed prostate lesions from November 2020 to October 2022 in our hospital were retrospectively analyzed, of which 108 were benign and 105 were malignant. Patients were scanned with conventional MRI and multidynamic multiple echo (MDME) sequences. Random sampling method was used to divide the patients into training and validation groups in the ratio of 7:3. Python 3.7.1 was used to collect features from the patients’ images, and T-test/Mann-Whitney U-test, mRMR, LASSO algorithm and Spearman’s correlation analysis were used to screen the imaging histological features, and logistic regression (LR), support vector ma-chine (SVM) and random forest (RF) were used to construct the T1, T2, PD and multi-sequence quantile map. Quantile map and multiple sequence quantile map for imaging histology modeling. The diagnostic efficacy of the models was validated by subject work characteristic curve (ROC). Re-sults: Radiomics model in different quantitative maps, the combined multisequence model had the best efficacy, with area under the ROC curve (AUC) of 0.859, 0.905, and 0.852 for LR, RF, and SVM in the training group and 0.850, 0.889, and 0.847 in the validation group, respectively, with the RF model having the highest AUC value. Conclusion: The synthetic magnetic resonance imaging histol-ogy model has high differential diagnostic efficacy for benign and malignant prostate lesions, with the best diagnostic efficacy of the combined multi-sequence model.

1. 引言

前列腺癌(Prostate Cancer, PCa)是全世界男性最常见的癌症之一 [1] ，近年来我国前列腺癌的发病率和死亡率显著增加 [2] 。前列腺癌的常规诊断方法包括前列腺特异性抗原(PSA)检测、直肠指检(DRE)和磁共振成像(MRI)。然而，PSA水平敏感性高，但特异性低，在良性前列腺疾病中也会增加 [3] ；一项筛查中，PSA ≥ 4.0 ng/mL的42名居民接受了活检，其中16名被诊断为Pa [4] 。直肠指检只能初步确定前列腺的大小、表面和质地，但不能做出准确的诊断。前列腺穿刺活检是前列腺癌病理诊断最重要的方法，然而，侵入性穿刺活检取样相对困难，且在临床应用中，部分经直肠超声(TRUS)引导活检的患者会出现一系列副作用，如疼痛和血尿等 [5] 。与传统PSA检测、直肠指检和TRUS引导下活检相比，MRI软组织分辨率高，可以清晰区分前列腺的解剖结构，并提供有关PCa病变的位置、大小和周围浸润的信息 [6] 。目前，MRI已成为诊断和管理前列腺癌患者不可或缺的一部分 [7] 。然而，许多患者前列腺良性和恶性病变的影像学表现相似，难以区分这些病变。新兴的影像组学技术是一种无创、高效且可靠的疾病诊断和预测方法 [5] 。目前，影像组学广泛应用于结直肠癌、肺癌、乳腺癌和前列腺癌等疾病。传统上，定性MR图像是影像组学的基础，但最近已将定量MR成像技术用于该分析，包括磁共振指纹图谱(magnetic resonance fingerprint, MRF)及合成磁共振(SyMRI)等 [8] [9] 。合成MRI采用多回波和多延迟采集方法，可以在单次扫描中同时生成多个序列，包括T1、T2和质子密度(PD)图的定量图 [10] 。定量图在反映宫颈癌、前列腺癌、乳腺癌及直肠癌等肿瘤生物学特征方面具备潜在益处 [9] [11] 。目前，定量图在前列腺疾病中主要用于测量定量值 [12] ，在组学方面的应用价值尚不清楚。本文旨在探讨基于合成磁共振的影像组学模型在前列腺良恶性病变鉴别中的应用价值。

2. 材料和方法

2.1. 研究对象

回顾性收集分析2020年11月~2022年10月于扬州大学附属医院行前列腺MRI检查的患者资料。本研究经扬州大学附属医院临床研究伦理委员会批准，伦理批号(2022-YKL06-28-003)。纳入标准：1) 穿刺活检或根治性前列腺切除术后病理确诊的患者；2) 术前均接受前列腺MRI扫描，扫描序列包括MDME序列。排除标准：1) MR检查前，患者曾接受过活检、手术、放疗或内分泌治疗；2) 病灶体积过小(最大直径 < 5 mm)，边界难以划定；3) MR图像中存在伪影，影响了病变的勾画。

2.2. 检查方法

使用GE Architect MR 3.0T磁共振扫描，16通道线圈(Anterior Array, AA)和AIR40通道线圈(Posterior Array, PA)为接收线圈。扫描时患者适当储尿，仰卧位，头先进。扫描序列及成像参数见表1。

Table 1. Prostate MRI scanning sequence and imaging parameters

表1. 前列腺MRI扫描序列及成像参数

图像以DICOM格式导入图像软件ITK-SNAP 3.8。由两名放射科医生(医生A和B)在合成T2WI上根据详细的病理结果勾画前列腺病灶最大层面的ROI，尽可能靠近肿瘤边缘，并排除出血、坏死和钙化，然后复制到定量图上。为了评估影像组学特征的观察者内和观察者间一致性，随机选择30名患者在2周后由医生A和B重复ROI勾画。计算组内和组间相关系数(ICC)来研究特征的一致性，剔除ICC小于0.75的特征。

使用Python 3.7.1的影像组学包(PyRadiomics 3.0)从每个定量图中提取了1316个影像组学特征。包括14个形状特征(Original shape)，18个直方图特征(Histogram geatures)，75个纹理特征(Texture features)，1209个变换特征(Transform geatures)。

2.3. 特征筛选及模型建立

首先对所有的影像组学特征进行数据标准化，随后，将一致性较差(ICC < 0.75)的特征过滤掉，然后进行T检验/Mann-Whitney U检验，以选择P < 0.05的特征，筛选出恶性组与良性组间差异有统计学意义的变量；然后，使用mRMR消除冗余和不相关的特征，保留了30个相关的特征，然后采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)算法将高维数据进行降维处理，筛选出最具预测性特征子集；接着，用Spearman相关分析计算特征之间的相关系数，剔除高度相关(r > 0.7)的特征来减少冗余数据。采用逻辑回归(LR)、支持向量机(SVM)及随机森林(RF)三种主流算法构建模型，通过分析性能指标和绘制ROC曲线来评估模型的有效性，以确定最佳的影像组学模型。

2.4. 模型验证

我们评估了该模型的多个指标，包括AUC、准确性、敏感性、特异性、阳性预测值(PPV)和阴性预测值(NPV)。校准曲线用于评估从模型得出的预测概率与实际之间的一致性。此外，我们利用DCA曲线来量化模型在各种概率阈值下生成的净收益，从而评估其在临床环境中的实用价值。最后，我们进行了Delong检验，对模型之间的差异进行了统计学评估。

2.5. 统计学方法

所有统计分析均在R软件(v.4.3.0)和Python软件(v.3.7.1)进行。采用SPSS 26.0软件计算临床数据。符合正态分布的数据用均值±标准差来表示，非正态分布的数据用中位数和四分位间距表示。Spearman相关分析计算特征之间的相关系数；采用LR、RF和SVM模型对筛选的特征进行建模分析。P < 0.05表示差异有统计学意义。

3. 结果

Table 2. Results of ROC analysis of the three imaging histology models in the training group

表2. 训练组三种影像组学模型ROC分析结果

Table 3. Results of ROC analysis of three imaging histology models in the validation group

表3. 验证组三种影像组学模型ROC分析结果

共纳入了249例患者，排除MR检查前接受过活检、放化疗(10例)，图像质量差、伪影(16例)及病灶小于5 mm (10例)，最后得到213例，其中良性病例108例，恶性病例105例。年龄47~91 (70.1 ± 8.6)岁，前列腺特异抗原(PSA)为0.4~1000.0 [12.8 (7.6, 34.0)] ng/mL。这些患者按照7:3的比例随机、分层划分为训练组(n = 149)和验证组(n = 64)。从ROI中共提取了1316个影像组学特征。经过ICC、mRMR和LASSO筛选，基于T1定量图筛选出9个特征，基于T2定量图筛选出6个特征，基于PD定量图筛选出12个特征，基于三者联合筛选出15个特征。训练组及验证组中，LR、RF及SVM模型的诊断效能见表2、表3。

(A) 训练组 (B) 验证组

Figure 1. Subject operating characteristic (ROC) curves of three imaging histology models for diagnosis of benign and malignant prostate lesions

图1. 三种影像组学模型诊断良恶性前列腺病变的受试者操作特征(ROC)曲线

Figure 2. Calibration curves of three imaging histology models for the diagnosis of benign and malignant prostate lesions

图2. 三种影像组学模型诊断前列腺良恶性病变的校准曲线

Figure 3. DCA curves of three imaging histology models for diagnosis of benign and malignant prostate lesions

图3. 三种影像组学模型诊断前列腺良恶性病变的DCA曲线

通过比较不同序列上LR、RF及SVM模型的AUC及性能指标，观察到联合序列上，三种模型都表现了更好的结果，RF模型的AUC值更高(训练组：0.859、0.905、0.852，验证组：0.850、0.889、0.847)，三种模型之间无统计学差异。联合序列上三种影像组学模型(LR、RF及SVM)的ROC曲线如图1所示。验证组三种模型的校准曲线如图2所示，提示预测结果与病理结果一致性较好。验证组三种模型的决策曲线如图3所示，三种模型的预测效能均较好。

4. 讨论

影像组学是一种新的医学图像分析方法，可以从图像中提取高通量的定量特征，从而提供大量无法通过视觉评估但与肿瘤异质性相关的信息 [13] 。分析影像组学特征可以更好地理解肿瘤特征，在肿瘤良恶性、侵袭性、预后评估等方面发挥重要作用。前列腺的影像组学多基于传统T2WI定性图像，在定量图上的研究较少。部分研究表明，定量MRI技术可能会提高影像组学模型的准确性，因为它们比传统的弛豫时间更可量化 [14] [15] 。在本研究中，我们基于T1、T2、PD和多序列联合定量图构建并验证了LR、RF及SVM三种模型影像组学模型。结果表明，各模型均具有较好的评估诊断性能，且多序列联合图的模型性能高于上述任一单一序列。在训练组中比较了LR、RF及SVM对前列腺良恶性的鉴别诊断效能，结果表明三种模型均具有较好的鉴别能力(AUC分别为0.859，0.905，0.852)，并在验证组中得到验证(AUC分别为0.850，0.889，0.847)，经过delong检验，三种模型间无统计学差异，表明多序列联合图在各个模型上均取得较好的性能。这与既往研究相符，多序列联合影像组学模型可以融合不同序列的特点，进而全面量化评估肿瘤的异质性，因此具有更高的诊断效能 [9] [16] 。

在多序列联合模型的15个特征中，有6个获得自PD定量图。既往研究显示，PD值与前列腺癌的病理分级显著相关，Cui等人研究中PD值在低危和中高危组分别为79.47  ±  7.29、73.79  ±  4.6，P值为0.018，提示PD值可能是肿瘤生物学行为的指标 [17] 。此外，我们在影像组学模型中选择的大多数特征都是小波特征和高斯拉普拉斯特征，这与既往研究一致 [18] 。小波域的特征集中在不同的频率范围内，可以区分肿瘤微环境的差异；高频的肿瘤特征反映了肿瘤的边缘和详细信息，而低频的特征则获得了肿瘤轮廓信息，同时对噪声进行了滤波 [19] [20] 。高斯拉普拉斯特征从高斯滤波后图像提取特征，高斯拉普拉斯滤波器可以通过不同的参数刻度设置对图像进行平滑处理，这有助于减少噪声的影响，同时它还可以增强纹理细节，这将有助于提高捕获映射到肿瘤异质性的表型特征的效率 [21] 。

本研究在前列腺病灶的最大层面勾画了ROI，既往有研究表明基于2D和3D的模型在诊断效能上没有统计学差异，且三维模型在ROI和特征选择的描述中带来了更多的噪声，淹没了有效信息，扰乱了研究结果 [22] 。

本研究仍存在一些局限性。首先，本研究为单中心的回顾性研究，缺乏外部验证；其次，本研究病理结果取自于穿刺或前列腺全切，部分勾画的感兴趣区与实际病灶可能存在误差；最后，没有对前列腺病灶进行具体解剖位置的区分，不同区域的前列腺病灶的影像组学特征可能存在差异。未来需要进行更深一步的研究。

综上所述，基于合成磁共振构建了LR、RF及SVM影像组学模型，均取得了良好的效能，为临床医生对前列腺患者的诊疗提供一定帮助。