2. 复旦大学附属中山医院放射科, 上海 200032;
3. 复旦大学附属中山医院厦门医院放射科, 厦门 361015;
4. 上海联影智能有限公司, 上海 200232;
5. 厦门市影像医学临床医学研究中心, 厦门 361015;
6. 厦门市放射科临床重点专科, 厦门 361015
2. Department of Radiology, Zhongshan Hospital, Fudan University, Shanghai 200032, China;
3. Department of Radiology, Zhongshan Hospital (Xiamen Branch), Fudan University, Xiamen 361015, Fujian, China;
4. Shanghai United Imaging Intelligence Co., Ltd. Shanghai, Shanghai 200232, China;
5. Xiamen Municipal Clinical Research Center for Medical Imaging, Xiamen 361015, Fujian, China;
6. Xiamen Key Clinical Specialty for Radiology, Xiamen 361015, Fujian, China
欧洲泌尿外科学会(European Association of Urology, EAU)将最大径≤4 cm的肾细胞癌(renal cell carcinoma, RCC)定义为小肾癌(small RCC, sRCC)。sRCC发病率约占肾癌的28.4%,多为进展缓慢且复发、转移率较低的早期局限性肾癌;患者常无明显临床症状,而在体检中被发现,及早治疗后生存率较高[1-2]。肾血管平滑肌脂肪瘤(angiomyolipoma, AML)是最常见的肾脏良性肿瘤,主要由血管、平滑肌及脂肪组织组成,当脂肪组织含量<20%时被称为乏脂肪肾AML(fat-poor renal AML, fp-AML)。由于fp-AML与sRCC具有相似的影像学表现,因此术前鉴别二者较为困难,误诊率为1.7%~22.0%[3-4]。而术前准确的定性诊断对于临床治疗方案的选择具有重要意义,可以避免不必要的手术。
影像组学可从影像学检查图像中高通量提取人眼无法观测到的特征,对肿瘤的异质性进行更全面的定量分析[5]。本研究旨在探讨基于多期相MRI影像组学特征联合机器学习模型对sRCC与最大径≤4 cm的fp-AML的鉴别效能。
1 资料与方法 1.1 一般资料回顾性分析2009年7月至2021年12月于复旦大学附属中山医院诊治并经术后病理证实的114例最大径≤4 cm的肾脏肿瘤患者的MRI图像,其中sRCC 79例(包括肾透明细胞癌40例、乳头状细胞癌21例、嫌色细胞癌18例)及fp-AML 35例。纳入标准:(1)术后病理证实为肾脏单发sRCC或fp-AML;(2)术前均接受T2WI(T2)、增强前(UP)与增强后T1WI[皮髓质期(CMP)、实质期(NP)]扫描;(3)肿瘤最大径≤4 cm;(4)患者于MRI扫描后3个月内接受手术治疗。排除标准:(1)MRI图像上有明显伪影;(2)患者在行MRI检查前接受过肾脏手术或其他治疗;(3)存在以囊性成分为主的肿瘤。本研究通过复旦大学附属中山医院伦理委员会批准(B2020-214R),患者知情同意。
1.2 图像采集采用德国Siemens Magnetom Aera 1.5T或Magnetom Verio 3.0T MRI扫描仪检查,平扫序列包括脂肪抑制快速自旋回波(turbo spin-echo,TSE)T2WI、平面回波成像(echo planar imaging,EPI)的扩散加权成像(diffusion weighted imaging,DWI;b为500 s/mm2或800 s/mm2);化学位移成像采用梯度自旋回波序列;T1WI平扫及多期增强扫描采用三维容积式内插法屏气检查(3D-volumetric interpolated breath-hold examination, 3D-VIBE)成像。层厚3~5 mm,间距1 mm。对比剂采用钆喷酸葡胺注射液(Gd-DTPA),剂量为0.1 mmol/kg,总量30 mL,经肘静脉以2 mL/s流率注射。分别于对比剂注射后25~30 s、75~90 s、120~180 s行CMP、NP及排泄期扫描。
1.3 MRI图像分析及特征提取从图像储存与传输系统(PACS)中以DICOM格式导出纳入研究患者术前肾脏MRI图像并进行匿名化处理,将获得的4期MRI图像(T2、UP、CMP、NP)导入3D-slicer软件(v4.11)。由1名具有2年腹部影像诊断经验的放射科医生沿病灶内侧1~2 mm逐层人工勾画全肿瘤感兴趣区(VOI,图 1),勾画过程中尽量避免将肾脏正常组织画入其中;由1名具有10年腹部影像诊断经验的放射科医师检查勾画结果,最后将获取的VOI图像以NRRD格式保存。使用Python语言软件(v3.7.7)的Pyradiomics软件包分析每例患者的VOI图像,分别提取T2、UP、CMP、NP期特征,包括7种类型:一阶特征(first order statistics)、形状特征(shape)、灰度共生矩阵(gray level co-occurrence matrix, GLCM)、灰度区域大小矩阵(gray level size zone matrix, GLSZM)、灰度游程矩阵(gray level run length matrix, GLRLM)、邻域灰度差分矩阵(neighbouring gray tone difference matrix, NGTDM)和灰度依赖矩阵(gray level dependence matrix, GLDM)。其中,原始图像特征共104个,经过24种滤波器处理后得到2 496个高维影像组学特征。
1.4 特征筛选与机器学习分类模型建立采用分层随机抽样法将入组患者以7∶3分为训练集(n=86)和测试集(n=28)。训练集数据用来进行特征筛选与模型构建;测试集数据用来验证模型的泛化能力。为了避免MRI影像组学特征值差异较大的影响,在特征筛选之前进行Z-score归一化处理,将特征值转化到标准正态分布范围之内(均值为0,标准差为1)。通过t检验、最大相关最小冗余(maximal relevance and minimal redundancy, mRMR)算法、最小绝对收缩和选择算子方法(the least absolute shrinkage and selection operator, LASSO)进行特征降维,剔除不相关或冗余特征,最终筛选出鉴别sRCC和fp-AML的最优特征子集。将筛选出的特征建立逻辑回归(logistic regression, LR)与支持向量机(support vector machine, SVM)2种机器学习模型。其中SVM分类器核函数为径向基函数,采用十折交叉验证法来寻找SVM的最佳参数C与gamma。通过测试集验证模型效能。
1.5 统计学处理采用SPSS 26.0软件对患者临床资料进行统计学分析,计数资料以n(%)表示,采用χ2检验或Fisher精确检验比较两组之间的差异。采用R语言软件和Python语言软件(v3.7.7)scikit-learn包(1.0.2)进行特征选择、模型建立,并评估模型效能。采用受试者工作特征(ROC)曲线评价模型分类性能,进行Delong检验。检验水准(α)为0.05。
2 结果 2.1 人口学资料结果(表 1)显示:sRCC组与fp-AML组患者性别、年龄差异均有统计学意义(P<0.01)。
n(%) | |||||||||||||||||||||||||||||
项目 | sRCC (n=79) | fp-AML (n=35) | P值 | ||||||||||||||||||||||||||
年龄 | 0.007 | ||||||||||||||||||||||||||||
≤50岁 | 27(34.2) | 22(62.9) | |||||||||||||||||||||||||||
>50岁 | 52(65.8) | 13(37.1) | |||||||||||||||||||||||||||
性别 | 0.004 | ||||||||||||||||||||||||||||
男 | 55(69.6) | 14(40.0) | |||||||||||||||||||||||||||
女 | 24(30.4) | 21(60.0) |
600个特征,首先采用t检验去除相关性差的特征,再采用mRMR去除冗余特征,剩余20个特征,然后采用十折交叉验证法获得使LASSO模型误差达最小的λ值,并筛选出相关系数不为0的特征(最优子集特征),T2、UP、CMP、NP、4期相整合分别有4、12、3、11、15个(图 2)。
2.3 影像组学分类模型的构建与评估分别将T2、UP、CMP、NP和4期相整合的最优子集特征与LR和SVM联合构建影像组学分类模型,ROC曲线分析结果(图 3、表 2)表明:在测试集中,基于NP或4期相联合LR模型鉴别sRCC与fp-AML的AUC最大,均为0.881。Delong检验显示各影像组学分类模型间的AUC差异无统计学意义。
期相 | 分类器 | 训练集(n=86) | 测试集(n=28) | |||||||
AUC | 准确度 | 特异度 | 灵敏度 | AUC | 准确度 | 特异度 | 灵敏度 | |||
T2 | LR | 0.861 | 0.802 | 0.889 | 0.763 | 0.663 | 0.786 | 0.625 | 0.850 | |
SVM | 0.893 | 0.826 | 0.889 | 0.797 | 0.756 | 0.643 | 1.000 | 0.500 | ||
UP | LR | 0.993 | 0.988 | 1.000 | 0.983 | 0.731 | 0.714 | 0.750 | 0.700 | |
SVM | 0.999 | 0.988 | 1.000 | 0.983 | 0.731 | 0.786 | 0.750 | 0.800 | ||
CMP | LR | 0.862 | 0.826 | 0.741 | 0.864 | 0.750 | 0.750 | 0.750 | 0.750 | |
SVM | 0.873 | 0.814 | 0.815 | 0.814 | 0.669 | 0.750 | 0.800 | 0.625 | ||
NP | LR | 0.956 | 0.907 | 0.852 | 0.932 | 0.881 | 0.929 | 0.875 | 0.950 | |
SVM | 0.949 | 0.942 | 0.889 | 0.966 | 0.856 | 0.893 | 0.875 | 0.900 | ||
整合 | LR | 0.986 | 0.977 | 0.963 | 0.983 | 0.881 | 0.821 | 0.875 | 0.800 | |
SVM | 0.979 | 0.965 | 0.926 | 0.983 | 0.863 | 0.893 | 0.875 | 0.900 | ||
UP:增强前;CMP:皮髓质期;NP:实质期;LR:逻辑回归;SVM:支持向量机。 |
对于sRCC患者,一般可以进行保留肾单位治疗,即仅切除肿瘤组织而非切除整个肾脏,从而保留患者肾功能,降低急性肾功能衰竭等术后并发症风险,提高患者生存质量和生存率[6-7]。若不及时进行手术干预,sRCC会持续生长并突破肾包膜,形成静脉癌栓,发生腹膜后转移[8]。脂肪含量<20%的AML称为fp-AML。对于最大径≤4 cm且没有明显临床症状的fp-AML患者,可进行保守治疗,避免手术带来的痛苦和经济负担。因此,术前准确的定性诊断对于sRCC与fp-AML患者的临床治疗及预后具有重要意义。
由于最大径≤4 cm的肾脏肿瘤体积较小、生长缓慢,坏死及明显强化少见,CT和MRI图像中缺乏特征性表现,因此术前较难鉴别sRCC和fp-AML,导致fp-AML较高误诊率[9]。随着人工智能的发展,通过计算机软件高通量提取传统影像图像中的灰度变化、体素关系等影像组学特征,利用高级数据模型算法对这些人眼无法捕捉到的特征进行全面、定量分析,实现了对疾病进行非侵入性、客观、精准定性诊断及预后评估[10]。
既往一些研究已证实基于CT影像组学机器学习模型鉴别sRCC和fp-AML的可行性。向玲玲等[9]基于125例患者的CMP、NP、排泄期图像提取VOI影像组学特征,通过迭代特征筛选与LASSO进行特征降维,筛选出19个最具鉴别价值的特征,采用SVM和LR进行建模,建立的6个模型均具有较好的鉴别能力,其中基于CMP构建的SVM模型鉴别效能最佳(训练集AUC=0.961;测试集AUC=0.825)。Yang等[11]基于163例sRCC和fp-AML患者的4期CT平扫和增强图像提取二维ROI影像组学特征,采用8种分类器和28种特征筛选方法建立分类模型,其中基于UP的影像组学模型获得最高的鉴别效能,分类模型“ SVM + T-score ”和“ SVM + relief ”同时获得最高AUC(0.900)。Feng等[12]基于58例sRCC和fp-AML患者的3期CT增强图像提取纹理特征,并结合SVM分类器构建分类模型,最终获得模型的AUC为0.955。
由于MRI具有较高的软组织分辨力,并且可以进行多参数功能成像,同时不具有辐射性,因此较CT在肾脏肿瘤诊断方面具有更高的价值。目前基于MRI影像组学特征构建分类模型,以鉴别sRCC和fp-AML的研究较少[13]。Jian等[14]基于69例RCC和fp-AML患者的T2WI图像提取影像组学特征,采用随机森林分类器建立分类模型,得到的AUC值为0.883。
虽然上述影像组学模型均具有较高的AUC值,但研究样本量较小,且选取肿瘤轴位最大截面勾画二维感兴趣区进行影像组学分析,无法反映肿瘤的全部信息。本研究基于肿瘤的多期相MRI图像提取影像组学特征,且不同于以往研究,对肿瘤进行三维分析,可更全面反映肿瘤整体异质性信息。本研究结果显示:在UP与NP得到的最优子集特征数更多,提示这两期图像中有更多有价值的信息;ROC曲线分析结果表明,所有模型均具有良好的鉴别能力,其中NP与4期相整合影像组学特征联合LR模型的AUC最高,但与其他模型鉴别效能差异无统计学意义,说明各模型性能相当,将多期相特征整合并不一定会提高模型的鉴别效能,与鲍远照等[15]及Yang等[11]的结论一致。
本研究存在以下局限性:(1)为单中心回顾性研究,可能存在选择偏移,未来需要更多前瞻性、多中心研究来验证模型的泛化能力;(2)样本量较小,易出现模型过拟合问题,使模型在训练集上的AUC值偏高;(3)样本中各亚型数据欠均衡,可能存在偏倚;(4)人工勾画病灶三维VOI工作量大,且无法保证病灶在每个期相的形状、大小完全一致,需要发展半自动或全自动勾画技术以提高效率与准确度;(5)使用的分类器较少,未来需要更多的分类器来构建模型并进行比较。
综上所述,基于多期相MRI影像组学特征构建的机器学习模型对于鉴别sRCC和fp-AML具有一定的临床价值,可以为术前临床诊断提供参考。此外,MRI其他扫描序列的影像组学特征有待继续挖掘,影像组学特征与肿瘤病理的相关性也有待进一步探讨,以获得更成熟的鉴别模型,提高术前诊断准确性,进而避免过度治疗。
利益冲突: 所有作者声明不存在利益冲突。
[1] |
LJUNGBERG B, BENSALAH K, CANFIELD S, et al. EAU guidelines on renal cell carcinoma: 2014 update[J]. Eur Urol, 2015, 67(5): 913-924.
[DOI]
|
[2] |
FRANK I, BLUTE M L, CHEVILLE J C, et al. Solid renal tumors: an analysis of pathological features related to tumor size[J]. J Urol, 2003, 170(6 Pt 1): 2217-2220.
|
[3] |
GILL I S, ARON M, GERVAIS D A, et al. Clinical practice. Small renal mass[J]. N Engl J Med, 2010, 362(7): 624-634.
[DOI]
|
[4] |
WILSON M P, PATEL D, KATLARIWALA P, et al. A review of clinical and MR imaging features of renal lipid-poor angiomyolipomas[J]. Abdom Radiol, 2021, 46(5): 2072-2078.
[DOI]
|
[5] |
KOCAK B, KUS E A, YARDIMCI A H, et al. Machine learning in radiomic renal mass characterization: fundamentals, applications, challenges, and future directions[J]. AJR Am J Roentgenol, 2020, 215(4): 920-928.
[DOI]
|
[6] |
宋殿宾, 王志勇, 毕海, 等. 术前MSCTA联合术中超声辅助腹腔镜保肾手术治疗小肾癌[J]. 中国介入影像与治疗学, 2020, 17(7): 421-424. SONG D B, WANG Z Y, BI H, et al. Pre-operation MSCTA combined with intraoperative ultrasound for application of laparoscopic kidney-preserving surgery for treatment of small renal cancer[J]. Chin J Interv Imaging Ther, 2020, 17(7): 421-424. |
[7] |
CAMPBELL S C, CLARK P E, CHANG S S, et al. Renal mass and localized renal cancer: evaluation, management, and follow-up: AUA guideline: part Ⅰ[J]. J Urol, 2021, 206(2): 199-208.
[DOI]
|
[8] |
FINELLI A, CHEUNG D C, AL-MATAR A, et al. Small renal mass surveillance: histology-specific growth rates in a biopsy-characterized cohort[J]. Eur Urol, 2020, 78(3): 460-467.
[DOI]
|
[9] |
向玲玲, 吴晶涛, 郜言坤, 等. 增强CT影像组学鉴别小肾癌与乏脂肪肾血管平滑肌脂肪瘤的价值[J]. 肿瘤影像学, 2021, 30(3): 185-190. XIANG L L, WU J T, GAO Y K, et al. Value of contrast-enhanced CT imaging in differentiating small renal cell carcinoma from adipose-deficient renal angiomyolipoma[J]. Oncoradiology, 2021, 30(3): 185-190. |
[10] |
GILLIES R J, KINAHAN P E, HRICAK H. Radiomics: images are more than pictures, they are data[J]. Radiology, 2016, 278(2): 563-577.
[DOI]
|
[11] |
YANG R M, WU J L, SUN L, et al. Radiomics of small renal masses on multiphasic CT: accuracy of machine learning-based classification models for the differentiation of renal cell carcinoma and angiomyolipoma without visible fat[J]. Eur Radiol, 2020, 30(2): 1254-1263.
[DOI]
|
[12] |
FENG Z C, RONG P F, CAO P, et al. Machine learning-based quantitative texture analysis of CT images of small renal masses: differentiation of angiomyolipoma without visible fat from renal cell carcinoma[J]. Eur Radiol, 2018, 28(4): 1625-1633.
[DOI]
|
[13] |
MATSUMOTO S, ARITA Y, YOSHIDA S, et al. Utility of radiomics features of diffusion-weighted magnetic resonance imaging for differentiation of fat-poor angiomyolipoma from clear cell renal cell carcinoma: model development and external validation[J]. Abdom Radiol, 2022, 47(6): 2178-2186.
[DOI]
|
[14] |
JIAN L, LIU Y, XIE Y, et al. MRI-based radiomics and urine creatinine for the differentiation of renal angiomyolipoma with minimal fat from renal cell carcinoma: a preliminary study[J]. Front Oncol, 2022, 12: 876664.
[DOI]
|
[15] |
鲍远照, 葛亚琼, 程琦, 等. 基于增强CT影像组学在鉴别肾嫌色细胞癌与肾嗜酸细胞腺瘤中的应用价值[J]. 放射学实践, 2021, 36(2): 211-215. BAO Y Z, GE Y Q, CHENG Q, et al. The value of contrast-enhanced CT radiomics for differentiation of chromophobe renal cell carcinoma from renal oncocytoma[J]. Radiol Pract, 2021, 36(2): 211-215. |