肝细胞癌是世界范围内常见的恶性肿瘤，有很强的浸润性，疾病发生、发展快，病死率高，术后易复发^[1]。肝细胞癌患者行肝切除术后五年的复发率居高不下，约为70%^[2]；行肝移植术的患者术后5年复发率约为25%，且预后极差。这其中一个重要的因素就是微血管浸润的存在。

       微血管浸润，指内皮细胞衬覆的血管腔内出现的癌细胞巢团，微血管侵犯是一个病理诊断结果，只能通过术后病理切片来进行诊断。术前能否对微血管浸润的状态进行预测对肝细胞癌患者手术策略的选择以及评估术后复发、预后的状况有着重要的意义。

       影像组学，是一种无创地从医学影像上高通量地提取感兴趣区特征的方法，这些特征，被认为可以反映感兴趣区的异质性。影像组学发展迅速。最近两年，有学者提取HCC在超声、CT或MRI增强区域的组学特征，将其联合临床指标，构建列线图在预测MVI方面取得了良好的效果^[3,4,5,6,7]。本研究旨在建立一个基于MR T2WI-FS序列及ADC图构建的影像组学模型，探讨其对HCC微血管浸润的诊断效能。

       本研究旨在建立一个基于MR T2WI-FS序列及ADC图构建的影像组学模型，探讨其对HCC微血管浸润的诊断效能，从而帮助临床无创地，简便且可重复地对MVI进行预测以指导临床选择合适的手术方式以及对预后进行个体化的治疗。

1　材料与方法

1.1　患者资料

       本文为回顾性研究，所涉及到的实验均经过大连医科大学附属第二医院伦理委员会的批准。为研究肝细胞癌MR T2WI-FS序列及ADC图的影像组学特征与MVI的关系。收集我院2013年1月1日至2019年3月20日期间129例单发原发性肝癌的病人，入组条件如下： (1)经过术后病理证实的单发原发性肝癌；(2)术后病理明确提示是否有微血管浸润；(3)患者肝细胞癌术前未经过任何治疗，如放疗、化疗、穿刺等；(4)术前2周Siemens verio 3.0 T MRI影像学资料完整，序列齐全，图像清晰，无伪影。

1.2 　MRI图像的获取

       所有患者术前2周内行德国Siemens verio 3.0 T MRI扫描。基本序列应包括轴位T2WI-FS序列、DWI序列及ADC图（由b=0、800计算得出）。轴位T2WI-FS扫描参数：TR 6500 ms，TE 105 ms，翻转角90° ，层厚6 mm，层间距1.5 mm，视野320 mm×320 mm，矩阵128×78，NEX为1。DWI扫描采用自旋回波扩散加权序列，扫描参数：TR 4400 ms，TE 73 ms，层厚6 mm，层间距1.5 mm，扩散梯度因子(b)为0、800 s/mm²，FOV 192 mm×256 mm，NEX为4。

1.3 　肿瘤分割

       所有患者MRI图像均以DICOM格式从PACS (picture archiving and communication system）导出，上传至放射组学云平台2.1V[慧影医疗科技（北京）有限公司]。T2WI-FS以及ADC图用于提取放射组学特征。肿瘤组织由具有3年工作经验的放射科医师手动分割，每个病例癌灶的分割由具有10年工作经验的高年资放射科医师重新检查与复核，如果差异≥5%，则由2名不同高年资放射科医师共同讨论决定肿瘤的边界。感兴趣的体积覆盖整个肿瘤，包括瘤内所有出血或坏死所有区域，避开瘤周水肿及明显大血管侵犯区域，并且逐层在T2WI-FS序列及ADC图上勾画。当病灶边缘模糊时，我们勾画了病变的最大范围。共在129例患者中手动勾勒出129个T2WI-FS序列及ADC图的肝细胞癌感兴趣体积（volume of interest，VOI)。研究流程如图1所示。

点击查看大图

图1  研究流程图
图2  T2WI-FS (A）和ADC (B)的准确度评分矩阵。分类器XGBoost、RF和DT在训练集精度达到或接近1，说明该模型的适应度和维数过高，已被弃用。在下一步的机器学习中保留了KNN、支持向量机和LR三种分类器
Fig. 1  Study flowchart.
Fig. 2  Accuracy score matrix on T2WI-FS (A) and ADC (B). The accuracy of training set in XGBoost, RF and DT classifiers reaches or approaches 1 in training set indicating the fitness and dimension of the model are too high and are abandoned. KNN, SVM, LR methods are retained for the next step of machine learning.

1.4　影像组学特征提取与筛选

       本研究使用汇医慧影公司放射组学云平台来提取放射组学特征，共分别从T2WI-FS序列及ADC图中提取出1409个定量影像特征，这些特征包括两大类，即形态学特征和纹理特征。形态学特征，顾名思义，反映给定的VOI的形态特征，包括球形不均匀度、球形度、表面积、体积、硬度和偏心率等。纹理特征另可细分为一阶灰度直方图特征、二阶和高阶纹理特征以及基于模型和变换的特征。一阶特征，反映直方图整体信息，包括锐利度、方差、标准差、最大值、均值、偏度、熵等；二阶特征组，包括灰度级共生矩阵、灰度级长度矩阵、灰度级形状矩阵，通过灰度游程步长矩阵和灰度共生矩阵等计算获得，由于二阶特征组可以反应图像像素在某一个层面的相对分布，因此它从侧面阐述了病灶内部的复杂性及异质性；高阶纹理特征，也包括原图像经过小波变换得到的强度和纹理特征，通过邻域灰度差值矩阵和灰度区域大小矩阵等计算、使用五种滤波器：指数滤波器、平方滤波器、平方根滤波器、对数滤波器和小波滤波器得来。它描述的是三个或更多体素之间的空间关系，其特征反应图像的局部变化数、边缘密度的大小和灰度值变化的空间速度等。

       为降低初步提取的特征值之间的高度重复性，即防止存在过度拟合的风险。需要对1409个特征值进行降维分析，采用Variance Threshold、SelectKBest、LASSO算法依次进行降维。Variance Threshold即方差选择法，通过计算每个特征值的方差，选择方差大于0.8(平台目前所用阈值）的所有特征值进行下一步降维，因为如果某个特征值的方差小，则代表其不发散，对区分样本无贡献。SelectKBest降维：属于单变量特征选择方法，使用方差分析测量图像特征和MVI浸润的关系，选择P值小于0.05的特征，筛除其他特征。LASSO least absolute shrinkage and selection operator)：即最小绝对收缩算子，由调整参数λ控制，当λ足够大时，对更多变量的线性模型的惩罚越大，把某些弱相关特征系数精确地收缩到零，实现特征选择。

1.5　统计学分析与模型建立

       六种分类器KUN、SVM、XGBoost、RF、LR、DT对129例所画肝细胞癌VOI数据通过五折交叉验证进行学习，即将原始VOI数据分为五个子样本，每一子样本中的80％数据用来训练，剩下20％的数据用来进行验证，最后将每个子样本进行交叉验证，并采用五个交叉验证的平均值。应用ROC曲线分析各个分类器的预测性能，并且分别计算其AUC面积、灵敏度及特异度。测试组ROC AUC越大，则代表其诊断效能高。另外使用三个指标来评估分类器的性能：包括精确度P，召回率R和综合得分F1值。其公式如下，精确度（precision)＝真阳性率/（真阳性率＋假阳性率）；召回率(recall)＝真阳性率/（真阳性率＋假阴性率）；F1=2×精确度×召回率/（精确度＋召回率）。

2　结果

2.1　患者特征

       经过筛选，共入组129例患者，有MVI者77例，无MVI者52例，年龄从28~ 80岁，其中男性患者104例，女性患者25例。患者详细基本信息见表1。

点击查看表格

表1  患者基本资料
Tab. 1  Characteristics of patients

2.2　影像组学特征筛选

       我们首先用Variance Threshold算法在1409个特征中从T2WI-FS和ADC图中分别选取846、878个特征，然后用SelectKBest算法分别选取470、248个特征，最后用LASSO算法选出12、8个最优特征，如表2、表3所示。

点击查看表格

表2  T2WI-FS序列VOI中所选择的影像组学特征及其相关特征组和滤波器的介绍
Tab. 2  Extracted radiomics features and its associated feature group and filters in the VOI of the T2WI-FS sequence

点击查看表格

表3  ADC图VOI中所选择的影像组学特征及其相关特征组和滤波器的介绍
Tab. 3  Extracted radiomics features and its associated feature group and filters in the VOI of the ADC map

2.3　基于影像组学特征建立的预测模型结果

       六种分类器通过学习从T2WI-FS序列及ADC图中提取的特征值而分别建立的模型各自对模型的训练组及测试组进行评价。如图2准确度矩阵所示，在XGBoost、RF及DT分类器中训练组的准确度达到或接近了1，这提示其构建的模型拟合度及维数过高，不利于分类评价，予以摒弃。用ROC曲线下面积AUC、灵敏度及特异度等几个方面对KNN、SVM及LR分类器的性能进行了比较，如表4、表5所示（图3)。

       由于训练组和测试组准确度相差大于0.05所对应的分类器表示其所构建的模型仍存在过拟合的情况（这包括了基于T2I-FS的分类器KNN以及基于ADC的所有六种分类器所构建的模型），应予以摒弃。结合表4、表5，基于T2WI-FS的放射组学分类器在ROC曲线上对微血管浸润的分类具有令人满意的性能。两个分类器SVM、LR的AUC面积均较高，分别为0.869、0.801，其中以SVM分类器下的AUC面积最高，当使用SVM分类器进行训练时，有微血管浸润的灵敏度、特异度为0.62、0.77；无微血管浸润的灵敏度、特异度为0.62、0.82；95% CI为0.7~ 1.0，训练组及测试组的准确度分别为0.78、0.83。

       在使用SVM分类器进行训练时，基于T2WI-FS的精度，召回率和F1值在MVI (+）为0.60，0.82，0.69，MVI (-）为0.83，0.62，071。

点击查看大图

图3  基于T2WI-FS序列下的三种分类器在测试组的ROC曲线：KNN (A)支持向量机（B)、LR (C)和基于ADC的支持向量机方法在测试组分类（D)的ROC曲线。该分类器在曲线下的面积分别为0.83、0.87、0.80和0.75
Fig. 3  ROC curves of three methods to classification in test set based on T2WI-FS: KNN (A), SVM (B), LR (C) and of SVM methods to classification in test set based on ADC (D). The classifier achieved an area under the curve of 0.83, 0.87, 0.80 and 0.75, respectively.

点击查看表格

表4  测试组T2WI-FS序列三个分类器的ROC曲线分析结果
Tab. 4  ROC curve analysis results of three classifiers of test set based on T2WI-FS sequence

点击查看表格

表5  测试组ADC图三个分类器的ROC曲线分析结果
Tab. 5  ROC curve analysis results of three classifiers of test set based on ADC map

3　讨论

3.1　基于非增强MRI的组学模型在预测MVI方面的依据

       对于HCC，由于癌灶与周围正常肝实质在T1WI上两者信号均接近于中、低信号，其对比常常不是很明显，不利于区分两者边界。由于T2WI序列对水显示敏感，T2WI常用来观察病变。因此，在T2WI-FS序列中，我们可以更好地区分癌灶的边界。目前有将癌灶基于T2WI图像的组学特征预测HCC、膀胱肿瘤及软组织肉瘤的分级的应用^[8,9,10]。由于HCC为恶性肿瘤，其在ADC图上信号为低信号，且有MVI的HCC较没有MVI的HCC的ADC值更低^[11,12]。然而对于基于ADC影像组学特征的应用，目前有将其用于预测各部位肿瘤的分级、淋巴结转移及Ki67表达等方面^[9,13]。据我们了解，尚未有文献研究肝细胞癌T2WI-FS及ADC图上的特征与MVI的关系。

3.2 　勾画HCC整体区域的方法来提取组学特征在预测MVI方面的依据及探讨

       Zhao等^[14]发现高度恶性肿瘤在T2WI上更加不均质，且瘤周常表现为高信号。除此之外，由于高度恶性肿瘤侵袭性生长的特性，其瘤周的异质性更高，更易于侵犯周围区域而导致MVI。另外，大部分的MVI发生在瘤周区域。在我们的研究中，VOI的画法采用了以往大部分对于MVI研究所用的方法，即勾画了肿瘤的整体，因此其提取出的组学特征反映的是肿瘤内部的整体信息，与边缘似不相关。有文献不仅勾画了肝细胞癌的瘤内区域，而且通过拓扑算法延伸了瘤周直径1cm的区域^[5]。他们发现从瘤内加瘤周结合的区域内提取出的组学特征而建立的模型在预测MVI的存在方面的AUC较高。目前为止，尚未有文献比较单纯分布从瘤周区域和从瘤内区域提取出的特征值而建立的模型在预测MVI诊断效能。考虑到我们的研究得出两个分类器SVM、LR尤其是SVM基于T2WI-FS建立的模型AUC较高，分别为0.869、0.801。这可能通过以下两个原因解释，一是由于MVI的存在只能通过术后组织学检查确诊，即显微镜下见衬覆于内皮细胞的血管腔内癌细胞巢团达到一定的数目，因此镜下观察到的瘤周存在MVI的区域在宏观T2WI-FS及ADC图上范围极小，且勾画方法为手动，尤其当病灶边缘模糊时，我们勾画了病变的最大范围，这可能涵盖了MVI区域。其次，以往预测MVI的研究所采用整体画法的结果也说明了MVI与肿瘤内部的异质性相关，对于其理论基础，有待于进一步的研究。我们的实验结果显示基于HCC在ADC图上组学特征所建立的模型诊断效能低且存在过拟合的情况，不利于分类评价，其可能的原因是由于本研究VOI勾画方法均为手动勾画，由于T2WI-FS序列和ADC图的扫描层厚不一致，无法将已在T2WI-FS勾画完成的区域直接复制在ADC图上，且病灶在ADC图边界不清，勾画范围与实际肿瘤区域有较大偏差所致。

3.3　本项实验的优点及不足

       我们的研究所采用的机器均为Siemens verio 3.0 T MRI，扫描参数均一致，这避免了不同场强MRI所带来的不同信噪比对提取组学特征可能带来的影响^[15,16,17]。且所采用的序列为常规序列，无需增强扫描及特殊序列，这不仅对一些经济困难或体质过敏的病人的使用成为可能，也方便了没有功能MRI软件的医疗机构对此的应用。

       本实验仍存在局限性。第一，样本量不够多，这在一定程度上影响了AUC的准确性，造成一定的假阳性率及假阴性率；第二，研究为回顾性研究，存在一定选择偏倚，且样本量均为本院病例，这导致研究结果缺乏多中心验证；第三，未将组织学标本上MVI的实际部位与对应VOI的区域点对点、面对面的联系起来，我们采用的是整体瘤内区域的VOI画法，未来对于不同VOI勾画部位对诊断效能的比较，需要进一步的研究和探讨。

3.4　总结

       总之，我们建立的基于HCC在T2WI-FS上组学特征所构建的模型可术前预测MVI状态，从而可能帮助医生简便无创地预测MVI是否存在。