中国医科大学学报  2021, Vol. 50 Issue (3): 230-234

文章信息

赖树盛, 郑石磊
LAI Shusheng, ZHENG Shilei
基于磁共振T2WI-FS的影像组学对前列腺癌盆腔淋巴结转移的诊断价值
Diagnostic value of radiomics based on fat-suppressed T2-weighted imaging magnetic resonance imaging for pelvic metastatic lymph nodes of prostate cancer
中国医科大学学报, 2021, 50(3): 230-234
Journal of China Medical University, 2021, 50(3): 230-234

文章历史

收稿日期:2020-08-31
网络出版时间:2021-03-18 13:48
基于磁共振T2WI-FS的影像组学对前列腺癌盆腔淋巴结转移的诊断价值
赖树盛1 , 郑石磊2     
1. 中国医科大学附属第一医院放射科, 沈阳 110001;
2. 锦州医科大学附属第一医院放射科, 辽宁 锦州 121001
摘要目的 探讨基于磁共振T2加权脂肪抑制成像(T2WI-FS)的影像组学对前列腺癌盆腔淋巴结转移的诊断价值。方法 收集2014年12月至2019年12月中国医科大学附属第一医院经病理证实的前列腺癌患者42例(训练组29例,验证组13例)的临床资料,患者术前均行前列腺磁共振成像(MRI)平扫、动态对比增强MRI(DCE-MRI)及弥散加权成像(DWI)检查。在T2WI-FS影像上选取盆腔淋巴结感兴趣区,采用LASSO回归降维筛选出对前列腺癌转移与未转移淋巴结最具鉴别意义的纹理特征参数后构建影像组学模型,分别于训练组和验证组中对模型的预测效能进行分析。结果 采用LASSO回归在前列腺癌患者T2WI-FS影像中筛选出9个盆腔淋巴结转移最具鉴别意义的纹理特征参数(均P < 0.01),分别为S(3,-3)SumEntrp、WavEnLH_s-4、Vertl_RLNonUni、Entropy、Horzl_GLevNonU、135dr_Fraction、45dr_RLNonUni、Teta3和S(0,1)SumOfSqs。通过logistics回归模型构建基于T2WI-FS的影像组学模型,训练组的受试者工作特征(ROC)曲线下面积(AUC)为0.922(95% CI:0.850~0.994,P < 0.05),灵敏度和特异度分别为86.9%、84.3%;验证组的AUC为0.885(95% CI:0.804~0.966,P < 0.05),灵敏度和特异度分别为81.8%、85.1%。结论 基于磁共振T2WI-FS的影像组学模型对前列腺癌盆腔淋巴结转移具有较高的诊断效能,能够为前列腺癌盆腔淋巴结切除术提供影像学依据。
关键词磁共振成像    影像组学    前列腺癌    淋巴结转移    
Diagnostic value of radiomics based on fat-suppressed T2-weighted imaging magnetic resonance imaging for pelvic metastatic lymph nodes of prostate cancer
LAI Shusheng1 , ZHENG Shilei2     
1. Department of Radiology, The First Hospital of China Medical University, Shenyang 110001, China;
2. Department of Radiology, The First Affiliated Hospital of Jinzhou Medical University, Jinzhou 121001, China
Abstract: Objective To analyze the diagnostic value of magnetic resonance imaging (MRI) radiomic features of fat-suppressed T2-weighted imaging (T2WI-FS) for pelvic metastatic and non-metastatic lymph nodes in prostate cancer. Methods The data of 42 patients with pathologically confirmed prostate cancer were retrospectively collected from December 2014 to December 2019 (29 and 13 patients were assigned to the training and validation groups, respectively). All the patients underwent MRI examination including plain scan, dynamic contrast-enhanced MRI (DCE-MRI), and diffusion-weighted imaging (DWI) before surgery. Regions of interest (ROI) in the pelvic lymph nodes were selected on the T2WI-FS images, and the texture features that were significant for differentiating the metastatic from the non-metastatic lymph nodes in prostate cancer were selected by LASSO regression. Receiver operating characteristic (ROC) curves were used to assess the diagnostic performance of the radiomics models on the training and validation datasets. Results LASSO regression was used to extract nine texture features that were most significant for differentiating metastatic from non-metastatic pelvic lymph nodes in prostate cancer from T2WI-FS images. The texture parameters include S (3, -3) SumEntrp, WavEnLH_s-4, Vertl_RLNonUni, Entropy, Horzl_GLevNonU, 135dr_Fraction, 45dr_RLNonUni, Teta3, and S (0, 1) SumOfSqs (all P < 0.01). The area under the curve (AUC) for the training group was 0.922 (95% CI: 0.850-0.994, P < 0.05). The sensitivity and specificity were 86.9% and 84.3%, respectively. For the validation group, the AUC was 0.885 (95% CI: 0.804-0.966, P < 0.05), and the sensitivity and specificity were 81.8% and 85.1%, respectively. Conclusion The radiomics model based on T2WI-FS showed high diagnostic performance for pelvic metastatic lymph nodes in prostate cancer, and it can be used to provide imaging evidence for pelvic lymphadenectomy in prostate cancer.

前列腺癌是全球范围内老年男性常见的恶性肿瘤之一,发病率、死亡率分别居男性恶性肿瘤的第2位、第5位。我国前列腺癌的发病率呈逐年升高趋势[1-2]。前列腺癌在不同患者中病程差异较大,理想的临床疗效及预后取决于早期明确诊断及干预。盆腔淋巴结转移是影响前列腺癌分期及预后的重要指标之一,计算机断层扫描(computed tomography,CT)及磁共振成像(magnetic resonance imaging,MRI)常规或增强扫描、弥散加权成像(diffusion-weighted imaging,DWI)、体素内不相干运动弥散加权成像(intravoxel incoherent motion diffusion weighted imaging,IVIM-DWI)等技术已应用于前列腺癌淋巴结转移的诊断中,但存在着敏感度和特异度较低、扫描序列复杂及耗时长等问题[3-5]。大量临床研究[6-9]显示,影像组学方法在前列腺癌的早期诊断、复发预测、精准治疗及疗效评估等方面发挥了积极作用。然而,关于影像组学诊断前列腺癌盆腔淋巴结转移的相关研究鲜有报道。本研究以术后病理为金标准,探讨基于MRI T2加权脂肪抑制成像(fat suppressed T2-weighted imaging,T2WI-FS)的影像组学对于前列腺癌盆腔转移淋巴结的诊断价值,旨在为临床前列腺癌盆腔淋巴结转移的影像学评估提供新的思路。

1 材料与方法 1.1 临床资料及分组

收集2014年12月至2019年12月中国医科大学附属第一医院经病理证实的前列腺癌盆腔淋巴结转移患者(20例)及未转移患者(22例)临床资料,参照相关影像组学研究[10]分层抽样(比例为7∶3)随机分为训练组(29例)、验证组(13例)。所有入组对象于术前1周内行前列腺MRI平扫、DWI及动态对比增强MRI(dynamic contrast enhancement MRI,DCE-MRI)检查。纳入标准:(1)术前穿刺病理证实前列腺癌,无邻近组织侵犯及远处转移;(2)术前未行相关内分泌治疗或放射治疗、化疗等;(3)影像资料、临床、手术及病理资料完整;(4)MRI影像资料与病理结果匹配。排除标准:(1)检查前接受过任何抗肿瘤治疗或手术;(2)MRI影像中未见短径≥4 mm淋巴结或手术切除淋巴结无法与MRI影像匹配;(3)前列腺癌伴临近组织侵犯或远处转移;(4)影像、病理或临床等资料不完整。

1.2 MRI检查方法

采用Siemens 3.0T MAGNETOM Trio Tim磁共振,16通道腹部相控阵线圈,轴位扫描范围包括髂总动脉分叉水平至前列腺下缘,矢状位包括双侧髂骨翼内缘,检查前适量憋尿。MRI平扫包括T2WI(轴位-FS、矢状位及冠状位)、T1WI(轴位)及DWI(轴位)序列。扫描参数:TSE T1WI:TR=700 ms,TE=11 ms,层厚=3.0 mm,层间距=0.6 mm,矩阵=320×320,视野=300 mm×300 mm。TSE T2WI-FS:TR=3 500 ms,TE=100 ms,层厚=3.0 mm,层间距=0.6 mm,矩阵=320× 320,视野=300 mm×300 mm。DWI扫描采用轴位EPI序列,b值选取0、1 000、2 000 s/mm2,TR=6 000 ms,TE=96 ms,层厚=3.0 mm,层间距=0.6 mm,矩阵= 140×70,视野=260 mm×224 mm。轴位CE-MRI:T1WI- vibe序列,TR/TE=5.0/1.8 ms,层厚=3 mm,视野=260 mm×260 mm,动态扫描25期,第2期结束时以流速2.5 mL/s经肘静脉注射Gd-DTPA(0.2 mmol/kg),然后相同速率注入等量生理盐水。所有入组对象MRI扫描使用的参数和体位均相同并顺利完成扫描。

1.3 MRI图像及感兴趣区(region of interest,ROI)选取

将每例患者MRI影像数据以标准DICOM格式导出,根据术后病理结果,由1名具有10年诊断经验的放射科医师进行盆腔淋巴结与MRI图像之间匹配,使用ITK-SNAP软件在轴位T2WI-FS序列图像沿淋巴结区域进行ROI勾画,用于提取影像组学特征,另1名具有15年影像诊断经验的资深放射科医师对勾画图像进行验证。2位医师意见不一致时排除相应的淋巴结,若某区域多枚淋巴结未明确分离,则在该区域仅选取短径最大和最小者进行匹配。ROI勾画注意事项:(1)参照其他序列同层图像,选取T2WI-FS影像淋巴结显示最大径层面;(2)根据观察到的图像中淋巴结的大小、形态和边缘等特征,均沿淋巴结缘进行勾画。

1.4 影像组学特征提取及模型建立

将T2WI-FS影像灰度值限定在相同标准化灰度范围内,使用MaZda 4.6软件(波兰Institute of Electronics公司)对纹理特征参数进行提取,纹理特征包括自回归模型、灰度共生矩阵、灰度游程矩阵及小波等类型。然后采用R软件中的LASSO算法对基于T2WI-FS影像提取的影像组学特征进行分析和降维,筛选得到最具鉴别意义的影像组学纹理特征参数,通过logistic回归分析构建影像组学模型。

1.5 手术与病理组织学检查

手术术式均为全麻下机器人辅助腹腔镜下前列腺根治性切除术,淋巴结切除范围包括髂内、髂外及闭孔区域淋巴结。手术医师根据术前MRI图像明确患者盆腔淋巴结的数目、分布等情况,将相同和不同区域的各个淋巴结单独封装并详细注明相关信息。淋巴结组织经固定,石蜡包埋、切片,行常规HE染色并得出病理结果,根据淋巴结转移情况进行分组。

1.6 统计学分析

采用SPSS 17.0软件进行统计学分析。计量资料采用x±s表示,采用Kolmogorov-Smirnov检验数据正态性,正态分布数据比较采用成组资料t检验,不符合正态分布数据采用MP25~P75)表示,比较采用Mann-Whitney U检验。2名医师ROI选取及测量参数的一致性检验使用组内相关系数(intraclass correlation coefficient,ICC)。采用受试者工作特征(receiver operating characteristic,ROC)曲线分析影像组学模型的诊断效能。P < 0.05为差异有统计学意义。

2 结果 2.1 各入组对象的临床特征及盆腔淋巴结分布情况

训练组中,外周带与中央腺体前列腺癌分别为19例、10例;高分化、中分化及低分化前列腺癌分别为8例、15例和6例;13例淋巴结转移,共计36个转移性淋巴结(髂内淋巴结10个、髂外淋巴结14个、闭孔淋巴结12个);淋巴结未转移16例,共计58个淋巴结(髂内淋巴结19个、髂外淋巴结21个、闭孔淋巴结18个)。验证组中,外周带与中央腺体前列腺癌分别为8例、5例;低分化、中分化及高分化前列腺癌分别为4例、7例和2例;7例淋巴结转移,共计19个转移性淋巴结(髂内淋巴结8个、髂外淋巴结7个、闭孔淋巴结4个);淋巴结未转移6例,共计17个淋巴结(髂内淋巴结6个、髂外淋巴结5个、闭孔淋巴结6个),各组年龄、PSA水平、Gleason评分、临床分期及淋巴结短径比较差异均无统计学意义(均P > 0.05)。见表 1

表 1 训练组与验证组患者的临床特征 Tab.1 Clinical characteristics of patients in the training and validation groups
Item Training group(n = 29) Validation group(n = 13)
Metastatic lymph nodes
group(n = 13)
Non-metastatic lymph nodes
group(n = 16)
Metastatic lymph nodes
group(n = 7)
Non-metastatic lymph nodes
group(n = 6)
Age(year) 50.9±18.5 52.6±16.7 51.4±17.5 52.1±15.3
PSA level(ng/mL) 19.6±5.3 17.5±6.2 20.4±7.1 18.4±6.8
Clinical stage        
  T1c 5 9 3 2
  T2a/b/c 7 7 3 4
  T3a/b 1 0 1 0
Gleason scores        
  ≤6 6 8 3 2
  7 6 8 3 4
  ≥8 1 0 1 0
Short axis of lymph node(cm) 0.89±0.37 0.79±0.38 0.76±0.25 0.81±0.30

2.2 基于T2WI-FS序列降维后获得最佳纹理特征参数

2名医师ROI选取及纹理参数测量参数ICC检验结果显示,一致性较高(均ICC > 0.75)。采用LASSO回归在患者T2WI-FS图像中筛选并提取出9个对转移与非转移淋巴结最具鉴别意义的纹理特征参数(均P < 0.01),分别为S(3,-3)SumEntrp、WavEnLH_s-4、Vertl_RLNonUni、Entropy、Horzl_GLevNonU、135dr_Fraction、45dr_RLNonUni、Teta3和S(0,1)SumOfSqs。9个纹理特征参数分别基于灰度共生矩阵、灰度游程矩阵、自回归模型及小波变换纹理特征类别,见表 2

表 2 LASSO回归降维获得最具鉴别意义的纹理特征参数 Tab.2 The most significant differentiating texture features selected by LASSO regression
Texture feature Non-metastatic lymph nodes group Metastatic lymph nodes group t/Z P
S(3,-3)SumEntrp 25.4±5.8 86.2±18.5 -21.59 < 0.001
WavEnLH_s-4 258.6(195.7,314.6) 404.5(342.5,473.4) -3.97 < 0.001
Vertl_RLNonUni 89.5±12.6 21.6±4.9 36.81 < 0.001
Entropy 1.4±0.2 4.6±0.9 -24.86 < 0.001
Horzl_GLevNonU 5.7±0.8 16.7±2.0 -31.06 < 0.001
135dr_Fraction 86.5±18.5 398.7±68.2 -29.37 < 0.001
45dr_RLNonUni 103.4±21.6 456.5±95.4 -26.84 < 0.001
Teta3 0.24(0.20,0.29) 0.29(0.26,0.35) -2.62 0.004
S(0,1)SumOfSqs 97.6±20.8 32.5±6.4 17.48 < 0.001

2.3 基于T2WI-FS的影像组学模型对前列腺癌淋巴结转移的诊断效能

基于T2WI-FS的影像组学模型诊断前列腺癌淋巴结转移的诊断效能均较高,训练组中模型的曲线下面积(area under curve,AUC)为0.922(95% CI:0.850~0.994,P < 0.05),灵敏度和特异度分别为86.9%、84.3%。验证组中模型的AUC为0.885(95% CI:0.804~0.966,P < 0.05),灵敏度和特异度分别为81.8%、85.1%,见图 1

图 1 基于T2WI-FS的影像组学模型对前列腺癌淋巴结转移诊断的ROC曲线 Fig.1 ROC curve of the radiomics model based on T2WI-FS for diagnosing metastatic lymph nodes in prostate cancer

3 讨论

明确有无盆腔淋巴结转移是影响前列腺癌分期、治疗方案选择及预后评估的重要因素。术前进行肿瘤分期的同时,应用影像学方法对盆腔淋巴结转移情况进行准确预测,不仅能够丰富临床诊疗信息,更能够指导临床治疗方案的选择。基于纹理特征分析的影像组学方法能够对传统影像数据进行高通量、肉眼不可见的特征提取、筛选,构建影像组学模型,实现对多种肿瘤疾病的精准辅助诊断和预后评估,已成功应用于结肠癌、胃癌及子宫颈癌淋巴结转移的预测中[11-13]。T2WI-FS序列是临床前列腺MRI检查中的基础序列且诊断意义较大,故本研究以T2WI-FS序列为基础,分析基于T2WI-FS的影像组学方法对前列腺癌盆腔淋巴结转移的诊断效能。

影像组学分析方法的前提是对ROI进行纹理特征参数的提取,ROI选取方式主要分为自动、半自动及手动选取,本研究中各淋巴结ROI采用手动选取方式,优势在于能够使淋巴结精确位于ROI范围内,也是肿瘤影像组学研究中公认的准确选取方式[14]。本研究由2名医师进行ROI选取,组内一致性检验显示ROI选取及纹理分析结果具有较高的一致性(ICC > 0.75)。

影像组学分析方法能够揭示肿瘤空间分布的异质性,纹理特征参数发生变化在一定程度上反映了组织的病理学特征。在前列腺癌的转移淋巴结中,肿瘤细胞密度较大,同时核质比高且核分裂象显著。未转移淋巴结以炎性或肉芽肿性淋巴结为主,通常由大量淋巴细胞、浆细胞构成,细胞排列相对稀疏,核质比较低[15],这些病理学特点也是纹理特征参数发生变化的组织学基础。闭孔、髂内及髂外区域是前列腺癌淋巴结转移发生率较高的区域[16],本研究轴位T2WI-FS的扫描范围均包含这些区域。首先,提取T2WI-FS图像中各淋巴结近300个纹理特征参数,LASSO回归降维进一步筛选、获得9个对转移和非转移淋巴结最具鉴别意义的纹理特征参数,分别为S(3,-3)SumEntrp、WavEnLH_s-4、Vertl_RLNonUni、Entropy、Horzl_GLevNonU、135dr_Fraction、45dr_RLNonUni、Teta3和S(0,1)SumOfSqs,在转移与未转移淋巴结间比较差异均有统计学意义(均P < 0.01)。这9个最具鉴别意义的纹理特征参数分别从属于灰度游程矩阵、灰度共生矩阵、自回归模型及小波变换纹理类别,这些纹理特征参数由于类别不同,可单独作为鉴别前列腺癌盆腔转移或未转移淋巴结的独立参数指标,将这些纹理特征参数综合构建影像组学模型将提高其诊断效能。采用筛选出的最具鉴别意义的纹理特征参数进一步构建了基于T2WI-FS的影像组学模型,对前列腺癌盆腔转移与未转移淋巴结进行了鉴别。结果显示,训练组和验证组AUC分别为0.922、0.885,灵敏度分别为86.9%、81.8%,特异度分别为84.3%、85.1%。这些结果说明基于T2WI-FS图像构建的影像组学模型在前列腺癌盆腔转移与未转移淋巴结的诊断中具有较高的效能。

综上所述,基于磁共振T2WI-FS图像构建的影像组学模型作为一种客观的影像分析方法,对前列腺癌盆腔转移与未转移淋巴结具有较高的预测效能,在前列腺癌术前诊断、治疗方案选择及预后评估中具有一定临床价值。本研究的不足之处:(1)样本量较少,未来需纳入更大样本及多中心研究;(2)本研究仅以T2WI-FS序列作为影像组学模型建模的切入点,未来可采用多序列MRI诺模图法等构建影像组学模型,深入探讨MRI影像组学对前列腺癌盆腔淋巴结转移的预测效能。

参考文献
[1]
CHOI EP, WONG CK, TSU JH, et al. Health-related quality of life of Chinese patients with prostate cancer in comparison to general population and other cancer populations[J]. Support Care Cancer, 2016, 24(4): 1849-1856. DOI:10.1007/s00520-015-2980-6
[2]
谢坤. 中国人群前列腺癌临床预测模型的建立与验证[D]. 南昌: 南昌大学, 2020.
[3]
SAUER M, KLENE C, KAUL M, et al. Preoperative evaluation of pelvine lymph node metastasis in high risk prostate cancer with intravoxel incoherent motion (IVIM) MRI[J]. Eur J Radiol, 2018, 107: 1-6. DOI:10.1016/j.ejrad.2018.07.029
[4]
石林, 白辉, 郑石磊, 等. 体素内不相干运动成像对前列腺癌盆腔转移淋巴结的诊断价值[J]. 中国医学影像学杂志, 2020, 28(5): 362-366. DOI:10.3969/j.issn.1005-5185.2020.05.009
[5]
HÖVELS AM, HEESAKKERS RAM, ADANG EM, et al. The diagnostic accuracy of CT and MRI in the staging of pelvic lymph nodes in patients with prostate cancer: a meta-analysis[J]. Clin Radiol, 2008, 63(4): 387-395. DOI:10.1016/j.crad.2007.05.022
[6]
彭涛, 肖建明, 张仕慧, 等. 基于多参数MRI及影像组学建立机器学习模型诊断临床显著性前列腺癌[J]. 中国医学影像技术, 2019, 35(10): 1526-1530. DOI:10.13929/j.1003-3289.201902129
[7]
BRUNESE L, MERCALDO F, REGINELLI A, et al. Formal methods for prostate cancer Gleason score and treatment prediction using radiomic biomarkers[J]. Magn Reson Imaging, 2020, 66: 165-175. DOI:10.1016/j.mri.2019.08.030
[8]
HAMM CA, BEETZ NL, SAVIC LJ, et al. Artificial intelligence and radiomics in MRI-based prostate diagnostics[J]. Radiologe, 2020, 60(1): 48-55. DOI:10.1007/s00117-019-00613-0
[9]
MIN X, LI M, DONG D, et al. Multi-parametric MRI-based radiomics signature for discriminating between clinically significant and insignificant prostate cancer: cross-validation of a machine learning method[J]. Eur J Radiol, 2019, 115: 16-21. DOI:10.1016/j.ejrad.2019.03.010
[10]
韩冬, 贺太平, 吴宏培, 等. 基于CT影像组学构建肾透明细胞癌WHO/ISUP分级的预测模型[J]. 中华泌尿外科杂志, 2019, 40(12): 889-894. DOI:10.3760/cma.j.issn.1000-6702.2019.12.003
[11]
HUANG YQ, LIANG CH, HE L, et al. Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer[J]. J Clin Oncol, 2016, 34(18): 2157-2164. DOI:10.1200/JCO.2015.65.9128
[12]
JIANG Y, WANG W, CHEN C, et al. Radiomics signature on computed tomography imaging: association with lymph node metastasis in patients with gastric cancer[J]. Front Oncol, 2019, 9: 340. DOI:10.3389/fonc.2019.00340
[13]
WU QX, WANG S, CHEN X, et al. Radiomics analysis of magnetic resonance imaging improves diagnostic performance of lymph node metastasis in patients with cervical cancer[J]. Radiother Oncol, 2019, 138: 141-148. DOI:10.1016/j.radonc.2019.04.035
[14]
VARGHESE BA, CHEN F, HWANG DH, et al. Differentiation of predominantly solid enhancing lipid-poor renal cell masses by use of contrast-enhanced CT: evaluating the role of texture in tumor subtyping[J]. AJR Am J Roentgenol, 2018, 211(6): W288-W296. DOI:10.2214/ajr.18.19551
[15]
ZENK J, BOZZATO A, STEINHART H, et al. Metastatic and inflammatory cervical lymph nodes as analyzed by contrast-enhanced color-coded Doppler ultrasonography: quantitative dynamic perfusion patterns and histopathologic correlation[J]. Ann Otol Rhinol Laryngol, 2005, 114(1): 43-47. DOI:10.1177/000348940511400108
[16]
朱再生, 叶敏, 施红旗, 等. 前列腺癌淋巴结转移的特点及其临床意义[J]. 中华泌尿外科杂志, 2014, 35(11): 829-832. DOI:10.3760/cma.j.issn.1000-6702.2014.11.010