首页 > 论文范文 > 医药卫生论文 > 肿瘤科论文 > 基于钆塞酸二钠增强MRI的机器学习模型可预测肝细胞癌微血管侵犯

基于钆塞酸二钠增强MRI的机器学习模型可预测肝细胞癌微血管侵犯

2023-07-24 52 上传者：管理员

摘要：探讨基于钆塞酸二钠增强MRI的机器学习模型预测肝细胞癌微血管侵犯(MVI)的价值。方法回顾性分析2017年1月～2020年12月接受钆塞酸二钠增强MR扫描的59例经病理证实为肝细胞癌患者的MRI图像资料及临床资料,依据术后病理结果分为MVI阴性组(n=34)及阳性组(n=25)。分别在肝胆特异期及表观弥散系数图像上测量得到信噪比及对比噪声比。采用主成分分析法对特征进行降维并构建支持向量机模型,采用ROC曲线及混淆矩阵评价模型的诊断效能。结果构建的支持向量机预测模型诊断MVI的曲线下面积为0.92(95%CI:0.83,0.95),准确率为0.80,敏感度为0.64,特异性为0.91。结论基于钆塞酸二钠增强MRI构建的机器学习模型在肝细胞癌术前诊断MVI具有较好的应用价值。

关键词：
HCC患者
微血管侵犯
磁共振成像
肝细胞癌
钆塞酸二钠
加入收藏

肝细胞癌（HCC）已成为全球第三大常见的癌症死因[1]。肝脏切除虽然仍是目前治疗HCC的有效手段，然而术后复发导致了HCC患者的预后不佳[2,3]。微血管侵犯（MVI）是导致HCC术后复发的其中一项重要因素[4]，但MVI无法在影像图像上直观地评估，确诊仍需依靠组织病理学检查[5]，术前准确评估MVI对于预测HCC患者的预后有重要的意义[6]。既往有研究显示在动态增强MRI图像上肿瘤的强化方式与MVI具有一定的关系[7]。钆塞酸二钠（Gd-EOB-DTPA）作为一种使用广泛的肝特异对比剂，在术前预测MVI方面有着较大的潜力[8]。既往已有研究基于Gd-EOB-DTPA增强MRI肝胆期图像定性及定量评价MVI并显示其具有一定的应用价值[9]，但既往研究并未对图像信息进一步挖掘，因此本研究旨在利用无创的方式，即构建基于Gd-EOB-DTPA增强MRI图像信号联合临床特征资料的机器学习模型，用于HCC术前预测MVI，从而为HCC患者的临床管理提供更多的参考信息。

1、资料与方法

1.1一般资料

回顾性收集本院2017年1月～2020年12月经病理学证实为HCC的患者数据。纳入标准：有完整的GdEOB-DTPA增强MRI检查图像资料；图像质量好；临床资料及病理学资料齐全。排除标准：术前已进行消融或栓塞等治疗；病变多发影响判读。最终共纳入59例患者，其中男性53例，女性6例，年龄34～82岁（60.3±10.0）岁，中位年龄61岁。根据病理检查中显微镜下内皮细胞衬覆的脉管腔内是否存在成团的癌细胞判定MVI阴性与阳性，将患者分为MVI阴性组（n=34）及MVI阳性组（n=25）。本研究获得梅州市人民医院伦理委员会批准。

1.2方法

采用Siemens Skyra 3.0T MR扫描仪，18通道体部相控阵表面线圈。常规扫描序列包括：轴位T1WI、T2WI及DWI。DWI参数：TR 6100 ms,TE 57 mm,FOV 38 cm×30 cm，层厚5.5 cm，层间距1.1 mm,b值包括50、800、1000 s/mm2，表观弥散系数（ADC）图由计算机自动处理得出。T1WI增强使用VIBE序列：TR 3.31ms,TE 1.3 ms,FOV 33 cm×26 cm，层厚3 mm。使用对比剂Gd-EOB-DTPA（普美显），以0.1 ml/kg体质量计算注射剂量，以3～4 m L/s注射流率经肘静脉注射对比剂。动态增强扫描分为动脉期（20～25 s）、门脉期（60 s）、过渡期（5 min）及肝胆特异期（20 min）。

1.3图像处理

由1位具有15年放射诊断工作经验的医师对图像进行标注测量。选取肝胆特异期图像，将感兴趣区域分别放置于肿瘤病灶实质、肝脏实质和体外背景处，其中前两者分别各测量3次并取其平均值，从而得到相应的信号强度（SI），即肿瘤病灶实质信号强度SI瘤灶、肝实质信号强度SI肝脏、背景噪声信号强度SI背景及其标准差SD背景。计算HCC肝胆特异期信噪比（SNR）和对比噪声比（CNR):SNR肝胆=SI瘤灶/SD背景；CNR肝胆=（SI肝脏-SI瘤灶）/SD背景。按照同样的方法在ADC图像上分别计算得到SNRADC及CNRADC（图1～2）。

正在加载图片

图1术后病理为HCC MVI阳性患者的MRI图像

图2术后病理为HCC MVI阴性患者的MR图像

1.4收集资料

收集患者的性别、年龄、甲胎蛋白（AFP）值、肿瘤最大直径、肝功能分级等资料，比较MVI阴性组和MVI阳性组的临床资料，筛选出差异有统计学意义的临床指标。

1.5特征降维及模型构建

对差异有统计学意义的临床特征及图像特征数据SNR、CNR进行数据标准化，采用主成分分析法（PCA）对特征进行降维。为解决研究样本量较小的问题，使用2次5折交叉验证以获得更多的组合方式用于训练和验证。PCA的参数n＿components设置为“mle”，从而由PCA算法本身根据纳入特征的方差分布进行降维，并得到重新组合成的新特征。使用PCA降维后获得的特征构建支持向量机（SVM）模型，应用高斯核函数，采用5折交叉验证对模型参数gamma及C进行优化，使用最优的参数拟合SVM模型，再次使用所有样本对模型进行评估。采用ROC曲线并绘制AUC评价模型的诊断效能，绘制混淆矩阵图评估模型的性能。

1.6统计学分析

使用R3.5.3软件进行统计学分析，特征降维、模型构建及图像绘制采用Python3.8。计量资料以均数±标准差表示，采用t检验或Mann-Whitney U检验进行组间比较；计数资料以n(%)表示，采用χ2检验或Fisher确切概率法比较。以P<0.05为差异有统计学意义。

2、结果

2.1临床资料对比

两组性别、年龄和Child-Pugh分级的差异无统计学意义（P>0.05),AFP值的分布和肿瘤最大直径的差异有统计学意义（P<0.05，表1），可作为临床特征用于后续模型的构建。

表1 MVI阴性组与MVI阳性组临床资料结果比较

2.2模型构建

经PCA算法训练及验证10次后获得10次不同的结果，重新组合获得新的特征数分别为1次1个，1次2个，6次3个及2次4个。SVM模型使用上述特征遍历多次训练及验证后得出相应最优的gamma及C值，从而可构建得到相应联合临床特征及MRI图像特征的预测模型。

2.3模型效能评价

基于Gd-EOB-DTPA增强MRI构建的预测模型在所有病例中诊断MVI的AUC为0.92(95%CI:0.83～0.95）（图3），混淆矩阵结果显示模型的准确率为0.80，敏感度为0.64，特异性为0.91（图4）。

图3基于Gd-EOB-DTPA增强MRI构建的SVM模型预测MVI的ROC曲线

图4基于Gd-EOB-DTPA增强MRI构建的SVM模型的混淆矩阵

3、讨论

HCC术后复发是目前临床治疗的难点，同时也是影响患者生存率的重要原因。有文献报道显示HCC早期复发率为20.8%～40%[10,11,12]。MVI既是HCC早期复发的重要因素，也是评估患者长期生存的预后因素[12]。术前对HCC患者早期复发进行危险分层有助于临床医生评估经外科手术后能有最佳获益的患者，以及对预后不良的患者制定出更合理的治疗及随诊方案。本研究中，不同MVI组之间AFP分布的差异有统计学意义（P<0.05),AFP值>20 ng/m L的患者大部分属于MVI阳性，提示研究AFP值是否升高对预测MVI具有较好的价值。本研究所建立的机器学习结合了临床特征及图像信号特征，研究结果显示模型AUC为0.92(95%CI:0.83,0.95），准确率为0.80，敏感度为0.64，特异性为0.91，提示此模型在术前诊断MVI具有较好的诊断效能。

有学者通过分析钆贝葡胺增强肝胆期图像，发现肝胆期强化率与HCC的CK19或CD34阳性具有相关性[12,13]；有学者尝试研究Gd-EOB-DTPA增强MRI肝胆特异期信号与HCC分化程度之间的关系，发现其用于预测HCC分化程度的能力有限[14]。金玉梅等[15]发现，使用CT影像组学可提高临床危险因素鉴别不同病理类型肝癌的能力；也有研究利用影像组学的方法，得出增强MR能够有效地预测MVI的结论[16,17]。在本研究设计之初，笔者使用两组独立样本检验分析肝胆特异期及ADC图信号与MVI之间的关系时，同样发现其用于预测MVI的价值非常有限。因此，本研究通过借鉴既往机器学习在肿瘤的应用研究，对收集纳入的特征数据进行挖掘，建立出用于预测MVI的机器学习模型。本研究与既往研究的不同之处在于通过联合MRI图像信号和临床特征构建预测模型，从中挖掘出有用的信息并分析，机器学习模型具有可重复性强的优点，并且能够对结果进行可视化展现。在本研究的模型构建中，考虑到数据量较小，因此使用p次k折交叉验证以尽可能提高模型的稳定性，同时在建模时使用鲁棒性较强大的SVM模型以提高模型的稳定性和可靠性，最后的结果也显示此模型具有较好诊断效能。

本研究的局限性在于：本研究收集到的样本量较小，后续有必要收集更多的样本量对模型进行评估；MVI阳性组与阴性组的病例数量不平衡可能对模型的分类能力有影响；不同扫描机器得到的MRI图像是否互相适用，有待在今后的研究中进行探讨并加以证实；与其他研究相比，本研究纳入建模分析的指标较少，以至可能会忽略某些重要的特征数据；最终构建的模型特异性较高，然而敏感度相对较低，有待今后的研究中收集更多的数据进行完善。

综上所述，基于机器学习构建HCC术前诊断MVI预测模型具有可行性，利用机器学习模型可为临床医生研究制定诊疗方案时提供更多参考信息。

参考文献:

[9]焦琳琳段崇锋于海洋,等钆塞酸二钠增强MRI定量及定性评价肝癌微血管侵犯的价值[J]放射学实践,2021, 36(8):1026-31.

[13]李洁曹吉平,李莉,等.肝细胞癌MRI钆贝葡胺增强肝胆期与病理学对照分析[J]中国医学影像技术, 2018, 34(12):1825-9.

[14]刘曦娇,唐鹤菡,张笑,等钆塞酸二钠增强MRI肝胆期信号与肝细胞肝癌分化程度的关系[J].中国普外基础与临床杂志,2014, 21(12):1583-6.

[15]金玉梅,王叶武张军,等影像组学在混合型肝癌与肝内胆管细胞癌鉴别诊断中的价值[J]中国CT和MRI杂志,2021, 19(11).118-22, 126.

[16]张泳欣,张水兴,肖学红,等基于影像学和血清学特征构建的列线图模型可较好预测原发性肝细胞癌的微血管浸润[J].分子影像学杂志,2022, 45(4):518-25.

基金资助:梅州市人民医院科研培育项目(PY-C2021012);

文章来源:郭剑波,张添辉,黄送等.基于钆塞酸二钠增强MRI的机器学习模型可预测肝细胞癌的微血管侵犯[J].分子影像学杂志,2023,46(04):736-740.