睾丸肿瘤占全世界男性肿瘤的1%,睾丸切除术是睾丸恶性肿瘤外科治疗的“金标准”[1,2]｡然而在临床上,一些睾丸良性病变可能会被误诊为恶性肿瘤,或者部分患有睾丸良性肿瘤的患者因为担心肿瘤恶变的风险而接受根治性睾丸切除术,从而导致过度治疗[3]｡而且睾丸切除术可能会对内分泌功能､生育功能甚至心理健康产生不利影响,尤其是年轻成年男性[4,5]｡准确区分睾丸良恶性病变可能能降低不必要根治性手术的发生率,并改善患者护理[6,7]｡因此术前准确的诊断对治疗方法的选择至关重要｡超声检查是评估睾丸疾病的首选影像学检查,然而它常常依赖于诊断医师的经验,并且提供的信息有限｡MRI检查已应用于睾丸病变的诊断,它可以提供更多的解剖和多参数的信息,然而睾丸的MRI诊断主要基于肉眼对病变信号强度差异的评估,也常常会受诊断医师主观经验的影响,并且缺乏定量和更加深入的信息｡相较于传统影像学而言,影像组学可以从MRI､CT及超声等医学影像中提取大量的定量影像学特征,可获取肉眼无法识别的深层影像信息,从而更客观地反映肿瘤的异质性[8]｡同时结合不同机器学习算法构建出一种能够较好预测肿瘤良恶性的模型,从而为临床医师对治疗方法的选择提供更多的参考｡目前国内外对睾丸良恶性病变鉴别诊断的影像组学研究极少,本研究拟采用基于多参数MRI的影像组学特征并结合多种机器学习算法构建一种能鉴别睾丸良恶性病变的模型,以期为临床诊疗提供参考依据｡

1、资料与方法

1.1一般资料

回顾性分析本院2015年8月至2022年12月经手术病理证实的睾丸病变患者｡纳入标准:(1)手术切除后病理证实;(2)同一MRI检查设备采集完整的资料;(3)术前未进行其他相关治疗｡排除标准:(1)影像资料不全或图像质量差;(2)MRI上病灶边缘难以确定｡最终纳入病例148例,其中睾丸恶性肿瘤88例,包括精原细胞瘤35例,混合性生殖细胞瘤12例,胚胎性癌20例,淋巴瘤20例,梭形细胞横纹肌肉瘤1例;睾丸良性病变60例,包括畸胎瘤10例,间质瘤5例,结核18例,脓肿8例,表皮样囊肿19例｡本研究经昆明医科大学第二附属医院伦理委员会批准,免除受试者知情同意｡

1.2MRI检查

MRI扫描采用SiemensSonata1.5TMR超导磁共振仪(梯度磁场为40T,切换率为200mT/ms),体部多通道相控阵列线圈,行自旋回波T1WI､T2WI序列常规轴位､冠状位､矢状位及T1WI抑脂序列钆喷替酸葡甲胺(0.1mmol/kg体重)增强扫描,静脉注射后即时扫描,扩散加权成像(DWI)取b值为700s/mm2扫描,表观扩散系数(ADC)图由DWI图像后处理获得｡

1.3影像组学分析

图像处理及分割:从PACS系统上将患者的MRI资料以DICOM格式存储,并导入3D⁃Slicer软件｡首先,对图像进行预处理,包括N4偏置场校正,重采样为1mm×1mm×1mm的体素大小以及对图像灰度值进行归一化处理｡随后将对比增强(CE)⁃T1WI图像作为模版,并将DWI､ADC图及T2WI图像配准到相同的空间坐标上｡为了确定感兴趣区(regionofinterest,ROI),将病灶区域逐层勾画,直到覆盖整个病灶｡为了保证病灶分割的准确性,由两位具有5年以上腹部肿瘤诊断经验的医师进行半自动勾画,当意见出现分歧时,再由10年以上工作经验的副主任医师决定最终的ROI｡影像组学特征提取及筛选:本研究使用3D⁃Sli⁃cer软件中“PyRadiomics包”提取影像组学特征,包括一阶特征､形状特征､纹理特征以及经小波变换(Wavelet)､拉普拉斯⁃高斯算子(LoG)变换的一阶和纹理特征｡最终每个序列获得1316个组学特征｡应用随机分层抽样法,将提取的病灶按7∶3分为训练集和测试集,训练集用于训练预测模型,测试组用于独立评估模型的性能｡依次采用最大相关最小冗余(maxmumrelevanceminimumreduncancy,mRMR)､最小绝对收缩和选择算子算法(leastabso⁃luteshrinkageandselectionoperator,LASSO)对组学特征进行筛选获得最优特征｡模型构建:分别从单个序列参数(T2WI､ADC､CE⁃T1WI､DWI)､两个序列参数联合(T2WI+ADC､T2WI+DWI､T2WI+CE⁃T1WI､ADC+DWI､ADC+CE⁃T1WI､DWI+CE⁃T1WI)､三个序列参数联合(T2WI+ADC+DWI､T2WI+DWI+CE⁃T1WI､T2WI+ADC+CE⁃T1WI､ADC+CE⁃T1WI+DWI)及四个序列参数联合(T2WI+ADC+DWI+CE⁃T1WI)的不同组合中筛选出最优影像组学特征,并分别采用决策树(decisiontree,DT)､逻辑回归(logisticregres⁃sion,LR)､K最近邻(k⁃nearestneighbor,KNN)､支持向量机(supportvectormachine,SVM)､随机森林(randomforest,RF)及极致梯度提升(eXtremegradi⁃entboosting,XGB)6种机器学习算法构建预测鉴别睾丸良恶性病变的MRI影像组学模型｡基于最优影像组学模型与高年资医师诊断水平的比较:将基于不同MRI序列组合并联合不同机器学习算法所得到的最优模型与两位高年资医师的诊断水平进行比较,使用准确率､敏感度及特异度对高年资医师和最优模型的诊断能力进行评估｡

1.4统计学分析

本研究使用R软件(version4.2.)进行统计学分析｡绘制不同模型的受试者工作特征曲线(re⁃ceiveroperatingcharacteristic,ROC),并确定相应的曲线下面积(areaunderthecurve,AUC)､准确率､敏感度和特异度用于评估模型的效能｡采用Delong检验对比不同机器学习模型之间的诊断效能及两位高年资医师的诊断能力｡绘制校准曲线用于评估预测模型与实际情况之间的拟合度,绘制决策曲线分析(DCA)评估预测模型带来的临床净受益｡P<0.05为差异具有统计学意义｡

表1临床､实验室指标在睾丸良性病变组与恶性病变组间的比较

2、结果

2.1临床资料

本研究共纳入148例睾丸病变患者,包括良性病变患者60例,恶性病变患者88例｡结果显示恶性病变组的病灶最长径､甲胎蛋白(AFP)阳性率､人绒毛膜促性腺激素(HCG)阳性率及乳酸脱氢酶(LDH)阳性率均高于良性病变组,且差异均有统计学意义;在MRI表现方面均无统计学差异(表1)｡比较各临床､实验室检查指标在训练集与测试集间的差异,结果显示年龄､位置､大小､AFP阳性率､HCG阳性率及LDH阳性率在两组间均无统计学差异(表2)｡

2.2影像组学特征的提取及模型的构建

通过从单个及多个序列参数不同联合组合中提取影像组学特征,并分别采用6种不同机器学习算法构建模型,一共构建90个模型;再经Delong检验获得不同参数组合中的最佳模型,最终获得15个最优模型(表3)｡其次,再次使用Delong检验验证这15个最优模型中的最佳模型,结果显示Z=6.5367,P=0.0167,说明15个模型的预测潜力不全相同｡进一步以AUC值最高的CE⁃T1WI+DWI+T2WI组合模型为基准,比较其他14个模型与其的预测能力,行Delong检验,结果显示仅CE⁃T1WI组合模型的AUC与CE⁃T1WI+DWI+T2WI组合模型有统计学差异(Z=4.1036,P=0.0428),其他模型与CE⁃T1WI+DWI+T2WI组合模型的预测能力无统计学差异(P值均>0.05)(表4,图1､2)｡基于AUC值､敏感度､特异度及准确率参考,CE⁃T1WI+DWI+T2WI联合LR算法构建的模型预测效能最好(图3~5)｡

2.3基于最优影像组学模型与两位高年资医师诊断水平的比较

两位高年资医师(医师A,工作年限10年;医师B,工作年限12年)使用盲法对同一批病例进行评估｡医师A在测试集(n=48)诊断的准确率､敏感度､特异度及AUC分别为0.909､0.818､0.859及0.919(95%CI:0.778~0.967);医师B在测试集(n=48)诊断的准确率､敏感度､特异度及AUC分别为0.801､0.907､0.863及0.926(95%CI:0.868~0.967)｡Delong检验示最优模型12(CE⁃T1WI+DWI+T2WI_LR)的AUC值与医师A进行比较,无统计学意义(Z=1.436,P=0.126);模型12的AUC值与医师B进行比较,无统计学意义(Z=1.682,P=0.093)｡

表2临床､实验室指标在训练集与测试集间的比较

表3每个参数及不同参数联合组合中的最优模型

表415个模型测试集AUC值的Delong检验

图115个最优模型测试集的DCA曲线

图215个最优模型测试集的ROC曲线

图3最优模型测试集的DCA曲线

图4最优模型测试集的ROC曲线

图5最优模型LASSO路径图及最终组学特征

3、讨论

近年来,影像组学越来越多应用于肿瘤的鉴别诊断,MRI具有软组织分辨率高且多参数成像的特点,在睾丸病变的诊断中应用越来越多,但基于MRI影像组学并联合机器学习算法构建模型在睾丸病变诊断中的研究却非常少见｡本研究采用MRI不同参数序列并联合多种机器学习算法来对睾丸良恶性病变进行鉴别,以期为睾丸病变的临床治疗方法选择提供重要依据｡

3.1不同参数序列的选择

不同影像组学研究采用不同参数序列进行病灶的分割或特征的提取,目前尚无统一标准｡本研究从T2WI､DWI､CE⁃T1WI､ADC及其不同联合组合中提取组学特征,这保证了后续构建模型的稳定性和普遍适用性｡其次使用更多的参数可以获得反映病变内部异质性更多的组学特征｡尚怡研等[9]分别使用CE⁃T1WI､DWI和CE⁃T1WI+DWI中提取的组学特征构建预测乳腺癌人表皮生长因子受体⁃2(HER⁃2)低表达的模型,结果显示CE⁃T1WI+DWI的联合模型预测效能最佳;本研究结果也显示多个参数构建的模型预测效能更好,这提示多个参数的加入可能能获得更多的病灶信息,以此来获得更好诊断效能的模型;但乔冠中等[10]分别构建皮质期､实质期､排泄期､皮质期+实质期､皮质期+排泄期､实质期+排泄期､排泄期+实质期+皮质期共7个模型来鉴别肾癌亚型,结果却显示皮质期模型较多个时相联合模型具有更高的诊断效能,这提示对于不同病变预测模型的构建,使用单一参数或多个参数联合尚需要进行更多的研究｡

3.2病灶分割及组学特征

提取对影像组学的影响病灶分割是影像组学数据的直接来源,因此也是影像组学中最关键的部分,但同样也是最具有争议性的部分｡以往在病灶的分割上,大部分研究多采用二维图像(2D图像),也就是在病灶的最大横截面上进行病灶的分割,这样的方法简单,但是相对于整个病灶分割,也就是三维图像(3D图像)而言,2D图像并不能代表病灶的全部信息,这也会影响后续模型的稳定性｡Yang等[11]分别对同一组图像进行了病灶最大截面(2D图像)和整个病灶(3D图像)的病灶分割,并依次进行相同的组学特征提取后构建模型,最终研究结果表明3D模型的诊断效能[AUC=0.915(95%CI:0.838~0.993)]优于2D模型[AUC=0.811(95%CI:0.695~0.27)]｡本研究采用CE⁃T1WI作为基准图像并构建3D图像,因为CE⁃T1WI为增强图像,它可以清晰显示病灶的边缘,以利于对整个病灶的分割;同时将其他参数序列图像进行配准到相同的空间坐标上,以获得最准确的病灶范围｡此外,在组学特征提取方面,本研究提取的最优组学特征大多为经过小波变换､拉普拉斯⁃高斯算子变换后的组学特征,这可能是因为拉普拉斯⁃高斯算子在图像处理中常用于边缘检测任务,能够突出图像中强度发生快速变化的区域;这种处理方式可以有效抑制噪声,同时保留边缘信息｡而小波变换由于其多分辨率特性,能够在不同尺度上保留和分析图像细节和特征,同时由于基于小波变换的图像融合算法可以将图像分解成平均图像和细节图像的组合,分别代表了图像的不同结构,从而容易提取原始图像的结构信息和细节信息[12]｡乔冠中等[10]构建的肾癌预测模型中,从皮质期､实质期及排泄期三个时相中提取的组学特征90%以上都为经小波变换后的特征｡而王煦等[13]的研究中所构建的影像组学模型,使用的组学特征95%以上也是经过小波变换､拉普拉斯⁃高斯算子变换后的｡本研究中的最佳模型组学特征大多数也为经过小波变换､拉普拉斯⁃高斯算子变换后的组学特征(8/9)｡因此这提示在以后的研究中使用小波变换和拉普拉斯⁃高斯算子变换后的组学特征来构建模型可能具有更高的预测效能｡

3.3不同影像组学模型的诊断效能比较

本研究从T2WI､ADC､CE⁃T1WI及DWI参数序列及其不同组合排列中提取最优特征并分别结合6种不同机器学习算法一共构建90种模型,经Delong检验依次得到不同参数组合排列中的最优模型15种,最终在这15种最优模型中仅CE⁃T1WI组学特征联合SVM机器学习算法的模型有统计学差异,而其他模型的AUC无统计学差异,但本研究基于AUC､敏感度､特异度､准确率及模型稳定性方面的考虑,认为CE⁃T1WI+DWI+T2WI组学特征联合LR机器学习算法所构建的模型可能在鉴别睾丸病变的良恶性上具有更高的预测价值｡同时LR机器学习算法作为最经典､最常用且最成熟的二分类算法,具有抗干扰能力强,操作简单易理解且稳定性强的特点｡因此该模型具有更广的适用性､稳定性及更高的诊断效能｡

本研究的局限性:(1)样本量较小,且为单中心研究､回顾性研究,未设置外部验证集,可能存在选择偏倚,有待于更进一步的多中心研究来验证｡(2)模型的构建未纳入临床因素,后续需要纳入临床因素来构建联合预测诊断模型｡综上所述,基于CE⁃T1WI+DWI+T2WI组学特征并结合LR机器学习算法的模型在睾丸良恶性病变的鉴别诊断中具有最佳的预测效能｡

参考文献:

9尚怡研,王贇霞,郭亚欣,等.多参数MRI影像组学术前预测乳腺癌HER⁃2低表达的临床研究[J].临床放射学杂志,2024,43:1286⁃1291.

10乔冠中,刘冬敏,余卓,等.基于三期增强CT影像组学和临床特征在小肾透明细胞癌鉴别诊断中的应用分析[J].临床放射学杂志,2023,42:1284⁃1291.

12王桢炜.基于EMD的多源遥感影像融合的方法研究[D].郑州:华北水利水电大学,2020.

13王煦,洪楠,钟珺文,等.基于CT影像组学预测肾透明细胞癌与集合管闰细胞起源肿瘤的研究[J].临床放射学杂志,2023,42:1164⁃1168.

文章来源:简远熙,柳瑞,鲁茸迪几,等.机器学习多种算法构建MRI影像组学模型预测睾丸良恶性病变的对比分析[J].临床放射学杂志,2025,44(04):689-694.