分享:
分享到微信朋友圈
X
临床研究
基于磁共振T2WI序列影像组学预测急性胰腺炎复发的价值
胡云涛 黄小华 刘念 唐玲玲

Cite this article as: Hu YT, Huang XH, Liu N, et al. The value of T2WI sequence-based radiomics in predicting recurrence of acute pancreatitis[J]. Chin J Magn Reson Imaging, 2021, 12(10): 12-15, 21.本文引用格式:胡云涛, 黄小华, 刘念, 等. 基于磁共振T2WI序列影像组学预测急性胰腺炎复发的价值[J]. 磁共振成像, 2021, 12(10): 12-15, 21. DOI:10.12015/issn.1674-8034.2021.10.003.


[摘要] 目的 探讨磁共振T2WI序列影像组学在预测急性胰腺炎复发中的价值。材料与方法 回顾性研究川北医学院附属医院2014年1月至2015年12月急性胰腺炎(acute pancreatitis,AP)患者147例,其中首发AP患者102例、复发性急性胰腺炎(recurrent acute pancreatitis,RAP)患者45例,以7∶3比例随机地将其分为训练组和验证组,训练组102例(AP 70例,RAP 32例)和验证组45例(AP 32例,RAP 13例),同时收集两组临床特征(年龄、性别、结石、高脂血症、饮酒史、并发症、严重程度)。利用IBEX软件勾画三维的胰腺实质周围并提取纹理特征,包括灰度共生矩阵、灰度游程矩阵、直方图、形状。采用单因素分析、套索算法(least absolute shrinkage and selection operator,LASSO)进行特征筛选,并采用Logistics回归建立预测AP复发的影像组学模型、临床模型,通过ROC曲线下面积(area under the curve,AUC)评估模型预测效能。结果 基于8个纹理特征(信息测量校正、集群趋势、相关性、非相似性、熵、游程非均匀性、偏度、体积)的影像组学模型对预测AP复发具有较高的诊断效能,在训练组中影像组学模型预测AP复发的AUC为0.870 (95% CI:0.791~0.949),敏感度为0.903,特异度为0.831,在验证组中AUC为0.836 (95% CI:0.718~0.954),敏感度为0.786,特异度为0.774,基于高脂血症的临床模型预测AP复发的AUC为0.634 (95% CI:0.550~0.717),敏感度为0.689,特异度为0.578。结论 基于磁共振T2WI序列影像组学模型可预测AP复发。信息测量校正、集群趋势、相关性、非相似性、熵、游程非均匀性、偏度、体积是RAP的显著预测因素。
[Abstract] Objective To explore the value of MRI T2WI sequence radiomics in predicting the recurrence of acute pancreatitis (AP). Materials andMethods One hundred and forty-seven cases of AP in the Affiliated Hospital of North Sichuan Medical College from January 2014 to December 2015 were retrospectively analyzed, including 102 cases of primary AP and 45 cases of recurrent acute pancreatitis (RAP). They were randomly divided into a training group and a validation group in a 7∶3 ratio, 102 cases in training group (AP 70 cases, RAP 32 cases) and 45 cases in verification group (AP 32 cases, RAP 13 cases). Clinical characteristics of the two groups were also collected (age, sex, calculus, hyperlipidemia, history of alcohol consumption, complications, severity). IBEX software was used to outline the three dimensional surrounding pancreas parenchyma and extract texture features, including gray level co-occurrence matrix, gray level run length matrix, histogram and shape. Single factor analysis and least absolute shrinkage and selection operator (LASSO) were used for feature screening. Logistics regression was used to establish the radiomics model and clinical model for predicting AP recurrence. The predictive power of the model was evaluated by the area under the ROC curve (AUC).Results The radiomics model based on eight texture features (information measurement correction, clustering trend, correlation, dissimilarity, entropy, run nonuniformity, skewness, and volume) has a high diagnostic efficiency for predicting AP recurrence.In the training group, the AUC of AP recurrence predicted by radiomics model was 0.870 (95% CI:0.791—0.949), the sensitivity and specificity were 0.903 and 0.831 respectively. The AUC in the validation group was 0.836 (95% CI:0.718—0.954), the sensitivity and specificity were 0.786 and 0.774 respectively. The AUC for predicting AP recurrence based on the clinical model of hyperlipidemia is 0.634 (95% CI:0.550—0.717), the sensitivity and specificity were 0.689 and 0.578 respectively.Conclusions Based on MRI T2WI sequence radiomics model can predict AP recurrence. Information measurement correction, clustering trend, correlation, dissimilarity, entropy, run nonuniformity, skewness and volume are significant predictors of RAP.
[关键词] 影像组学;磁共振成像;T2加权成像;急性胰腺炎;复发
[Keywords] radiomics;magnetic resonance imaging;T2 weighted imaging;acute pancreatitis;recurrence

胡云涛 1   黄小华 1*   刘念 1   唐玲玲 1, 2  

1 川北医学院附属医院放射科,南充 637000

2 川北医学院第二附属医院放射科,南充 637000

黄小华,E-mail:15082797553@163.com

全体作者均声明无利益冲突。


基金项目: 四川省科技创新苗子工程项目 2020088 四川省卫生健康科研课题 19PJ203 南充市市校合作项目 19SXHZ0255,19SXHZ0429
收稿日期:2021-04-22
接受日期:2021-06-16
DOI: 10.12015/issn.1674-8034.2021.10.003
本文引用格式:胡云涛, 黄小华, 刘念, 等. 基于磁共振T2WI序列影像组学预测急性胰腺炎复发的价值[J]. 磁共振成像, 2021, 12(10): 12-15, 21. DOI:10.12015/issn.1674-8034.2021.10.003.

       复发性急性胰腺炎(recurrent acute pancreatitis,RAP)是指急性胰腺炎(acute pancreatitis,AP)发作超过2次,每次治疗后无胰腺功能学及组织学的改变,且发作时间间隔至少3个月[1]。随着人们生活水平的提高和习惯的改变,RAP的发病率也逐年上升[2]。由于AP病因复杂和治疗水平的限制,约有10%~30%患者发生RAP[3,4]。RAP的反复发作增加了患者进展为慢性胰腺炎或胰腺癌的风险[5,6],并严重影响患者生活质量。早期对RAP患者提供个体化治疗,可有效降低RAP的发病率,因此对AP复发预测显得尤为重要。虽然临床和影像学对AP诊断较敏感,但是目前仍缺乏对AP患者预后复发进行定量分析的有效手段。随着影像组学的发展,其作为一种新兴的定量分析方法,可从大量影像体素中提取与异常组织相关的形状、灰度、纹理等特征,并可与临床特征、基因组学、蛋白组学结合进行系统性的定量分析,最终提高临床诊断、分级及预后评估的准确性[7, 8, 9]。然而,目前尚未有基于MRI建立影像组学模型预测急性胰腺炎复发的研究。因此本研究旨在探讨使用影像组学方法构建早期预测AP复发模型的可行性,以确定RAP新的影像学标志物。

1 材料与方法

1.1 临床资料

       本回顾性研究获得了川北医学院附属医院医学伦理委员会的批准(批准文号:2020ER203-1),免除受试者知情同意。回顾性研究2014年1月至2015年12月期间在我院经MRI、临床检验检查诊断为AP的患者。首发AP组纳入标准:参考2012修订的《亚特兰大分类法》[10],当符合下列三种情况的两种或两种以上即可诊断为AP:①突发、剧烈、持续性的腹痛,可伴有右肩、下背部放射痛;②血清淀粉酶和(或)脂肪酶异常增高(高于正常值上限3倍或以上);③与AP相符的特征性腹部MRI表现;④AP首次发作有且仅有一次,按严重程度分为轻症和中、重症AP。RAP组纳入标准:参考近年来普遍使用的RAP诊断标准[11],同时满足以下3个条件:①有至少2次AP发作;②两次AP发作之间至少间隔3个月;③排除慢性胰腺炎、胰腺肿瘤等胰腺其他疾病。排除标准:①图像模糊、扫描参数不一致;②临床数据不完整、失访患者。通过随访或查询住院记录,最终共将147例患者纳入本研究,将患者分为AP组102例RAP组45例。再以7:3的比例随机地将147例患者分为训练组102例(AP 70例,RAP 32例)和验证组45例(AP 32例,RAP 13例)。

1.2 检查方法

       所有患者均采用GE Discovery MR 750 3.0 T MRI扫描仪检查,32通道体部相控阵列线圈成像。扫描参数:轴位T2WI单次激发快速自旋回波序列(FOV:34.0 cm×34.0 cm,矩阵:320×256,层厚:6.0 mm,间距:2.0 mm,TR:6000 ms,TE:120.0 ms)。轴位T1WI快速扰相梯度回波序列(FOV:36 cm×36 cm、矩阵:224×192,层厚:5.2 mm,间距0 mm,TR:3.6~4.4 ms,TE:1.7~1.9 ms)。三期动态增强采用T1WI快速扰相梯度回波脂肪抑制序列(TR:3.6~4.4 ms,TE:1.7~1.9 ms,层厚:5.2 mm,间距:0 mm,矩阵:224×192,视野:36 cm×36 cm),以2.5 mL/s的流速静脉注射钆贝葡胺注射液(0.1 mmol/kg,上海博莱科信谊药业有限责任公司),然后用10 mL生理盐水冲洗。

1.3 图像感兴趣区分割及特征提取

       两名具有5年腹部诊断经验放射医师使用IBEX [(β1.0,http://bit.ly/)一个在MATLAB20 15b上运行的开源软件程序(MathWorks Inc)]对胰腺实质周围勾画感兴趣区(图1)。从感兴趣区中提取了4个常见的特征组,分别为灰度共生矩阵、灰度游程矩阵、直方图、形状。

图1  感兴趣区的勾画图。胰腺实质周围感兴趣区勾画,包括胰腺坏死区,并避免胆总管、血管
Fig. 1  Delineation of ROI. The area of interest around the pancreatic parenchyma was delineated, including the necrotic area of the pancreas, and the common bile duct and blood vessels were avoided.

1.4 评估测量者自身及测量者之间的一致性

       从全部对象中随机抽取一半T2WI序列图像,由两名医师同时勾画感兴趣区并提取特征,进行观者间影像组学特征的一致性评价(interclass correlation coefficients,ICCs)。于2周后由放射医师1再次勾画并提取特征,与第一次特征进行比较评价观察者内影像组学特征的一致性。ICC>0.75的特征被认为具有较好的一致性。

1.5 纹理特征筛选及预测模型ROC曲线分析

       通过单因素方差分析、LASSO回归进行特征降维,采用Logistics回归建立影像组学模型及临床模型,最后通过绘制计算ROC曲线下面积AUC来评价模型的预测效能。统计软件采用SPSS 23.0和R语言3.5.2,P<0.05认为差异有统计学意义。

2 结果

2.1 一般资料

       本研究纳入147例患者,首发AP 102例,年龄(47.33±14.85)岁,其中男53例、女49例;RAP 45例,年龄(46.49±14.05)岁,其中男31例、女14例。符合正态分布的定量资料用t检验,定性资料用卡方检验,等级资料用非参数的秩和检验。初发组和复发组在性别、年龄、结石、饮酒、并发症、严重程度差异无统计学意义(all P>0.05),二元逻辑回归分析表明,高脂血症是AP复发的独立危险因素,OR为3.038 (95% CI:1.445~6.390),见表1

表1  AP组和RAP组的临床特征
Tab. 1  Clinical characteristics of AP group and RAP group

2.2 纹理特征选择结果

       通过对观察内和观察间特征ICC一致性评价,将ICC>0.75的特征保留,保留761个稳定特征(图2),经过单因素方差分析,LASSO回归降维后最终剩余8个影像组学特征(图3、4)。

图2  ICC一致性检验图。经ICC一致性检验后剩余761个特征 图3 特征筛选过程图。影像组学特征筛选收敛图 图4 LASSO特征筛选图。LASSO模型取最小方差时剩余的特征数
Fig. 2  ICC consistency test. After ICC consistency test, 761 features were left. Fig. 3 Feature selection process. Convergence map of radiomics feature selection. Fig. 4 Lasso feature screening map. Residual characteristic number of lasso model with minimum variance.

2.3 影像组学模型建立及评估

       通过Logistics回归建立基于8个纹理特征(信息测量校正、集群趋势、相关性、非相似性、熵、游程非均匀性、偏度、体积)的影像组学模型和基于高脂血症的临床模型,在训练组中,影像组学模型预测AP复发的AUC为0.870 (95% CI:0.791~0.949),敏感度为0.903,特异度为0.831,在验证组中AUC为0.836 (95% CI:0.718~0.954),敏感度为0.786,特异度为0.774 (表2图5、6),临床模型预测AP复发的AUC为0.634 (95% CI:0.550~0.717),敏感度为0.689,特异度为0.578 (表3)。

图5  影像组学在训练组的ROC曲线。AUC值为0.870,敏感度为0.903,特异度为0.831 图6 影像组学在验证组的ROC曲线。AUC值为0.836,敏感度为0.786,特异度为0.774
Fig. 5  The ROC curve of imaging omics in the training group. The AUC value is 0.870, the sensitivity is 0.903, and the specificity is 0.831. Fig. 6 ROC curve of imaging omics in the validation group. The AUC value is 0.836, the sensitivity is 0.786, and the specificity is 0.774.
表2  影像组学预测急性胰腺炎复发结果
Tab. 2  Prediction of AP recurrence by radiomics
表3  训练组中两种模型的结果
Tab. 3  The results of two models in the training group

3 讨论

3.1 影像组学在AP中的研究进展

       预测AP的复发对于指导临床治疗具有非常重要的意义。近年来,磁共振成像以多功能、多参数、无辐射等特点成为胰腺疾病诊断的重要检查手段。虽然磁共振检查在RAP的诊断中具有较高的价值,但磁共振成像无法对AP预后复发进行定量分析。而影像组学以高通量方式提取定量特征,这为医学影像转换为高维数据并进行数据分析提供决策支持[12]。目前影像组学已深入应用于胰腺疾病。Lin等[13]研究发现从AP患者MRI门脉期图像影像组学特征中选择出11个最佳特征,建立的支持向量机模型可预测AP严重程度。Chen等[14]从271例患者中提取了412个纹理特征,通过LASSO、Spearman系数筛选出10个最佳纹理特征,并同时建立了独立的临床特征模型、结合纹理特征和临床特征的综合模型。两模型相比较,综合模型很好地预测了训练组和验证组的AP复发率分别为87.1%和89.0%,且ROC曲线下面积均显著优于临床特征模型。上述研究结果表明影像组学在胰腺疾病分类中的效果极佳。与Chen等[14]研究相比,本研究优势在于T2WI序列在临床实践中非常容易获得,且无需使用增强对比剂,可降低患者的医疗费用。

3.2 主要研究结果分析

       本研究结果发现在剩余的8个纹理特征中,5个是灰度共生矩阵特征(信息测量校正、集群趋势、相关性、非相似性、熵),反映图像灰度在步长、方向等变化的综合信息;1个是灰度游程矩阵特征(游程非均匀性)反映用具有相同灰度级的像素点分析纹理图像的度量,主要用于线性结构的分析;1个是灰度直方图特征(偏度)是用常用基础的度量值反映图像中像元灰度的分布规律;1个是形状特征(体积)反映三维感兴趣区轮廓的基本信息特征。基于8个纹理特征的影像组学预测模型在训练组中表现较好的AUC值为0.870 (95% CI:0.791~0.949),敏感度为0.903,特异度为0.831,其在验证组中AUC值也达到了0.836 (95% CI:0.718~0.954),此结果表明影像组学可有效预测RAP。

       另外,既往研究表明年龄、性别、高脂血症、胆结石是复RAP的重要临床因素[15, 16, 17],而本研究中所收集的临床特征经统计分析后,发现只有高脂血症是RAP预测因子,基于高脂血症的临床模型AUC值为0.634 (95% CI:0.550~0.717),敏感度为0.689,特异度为0.578。此结果可能与本研究样本量不足有关,但本研究的目的注重于探讨影像组学模型在预测RAP的可行性,本研究在接下来的工作中将进一步扩大样本量来比较影像组学模型和临床模型之间的差异。

       最后,本研究结果较好的原因可能如下。首先,本研究包括的患者数据均来自同一台扫描仪,扫描序列和参数高度一致,使得本研究中提取的特征更加稳定差异较小。其次,本研究选择了T2WI序列可以清楚地显示胰腺的解剖关系和炎症范围,并能结合其他参数判断胰腺的水肿和出血[18,19]

3.3 局限性

       本研究的局限性:①本研究数据源来自单一中心,数据可能存在偏差。②AP患者其胰腺轮廓及炎症范围有时难以辨别,需要具有一定临床经验的影像医师进行感兴趣区勾画。③虽然本研究中影像组学模型预测效果较好,但未来仍需进一步扩大患者数据去探索影像组学模型和临床模型之间的差异。

       综上所述,影像组学模型有助于AP复发预测,且构建的影像组学模型可以较好地提供个体化治疗方案,为临床精准治疗提供较高的参考价值。

[1]
季钧淘, 张菂, 辛磊, 等. 复发性急性胰腺炎诊断与治疗研究进展[J]. 中华胰腺病杂志, 2016, 16(3): 203-205. DOI: .
Ji JT, Zhang D, Xin L, et al.Research progress in diagnosis and treatment of recurrent acute pancreatitis[J].Chin J Pancreatol, 2016, 16(3): 203-205. DOI: 10.3760/cma.j.issn.1674-1935.2016.03.016.
[2]
Lankisch PG, Apte M, Banks PA. Acute pancreatitis[J]. Lancet, 2015, 386(9988) :85-96. DOI: 10.1016/S0140-6736(14)60649-8.
[3]
Sankaran SJ, Xiao AY, Wu LM, et al. Frequency of progression from acute to chronic pancreatitis and risk factors: a meta-analysis[J]. Gastroenterology, 2015, 149(6) :1490-1500. DOI: 10.1053/j.gastro.2015.07.066.
[4]
Barkin JA, Freeman ML, Barkin JS. Is It Acute Pancreatitis or Recurrent Acute Pancreatitis Leading to Chronic Pancreatitis that Increases Pancreatic Cancer Risk?[J]. Gastroenterology, 2018, 155(4): 1279-1280. DOI: 10.1053/j.gastro.2018.09.023.
[5]
Nasief H, Zheng C, Schott D, et al. A machine learning based delta-radiomics process for early prediction of treatment response of pancreatic cancer[J]. NPJ Precis Oncol, 2019, 3(1): 25. DOI: 10.1038/s41698-019-0096-z.
[6]
Sadr-Azodi O, Oskarsson V, Discacciati A, et al. Pancreatic Cancer Following Acute Pancreatitis: A Population-based Matched Cohort Study[J]. Am J Gastroenterol, 2018, 113(11): 1711-1719. DOI: 10.1038/s41395-018-0255-9.
[7]
Xu Y, Lu L, E LN, et al. Application of Radiomics in Predicting the Malignancy of Pulmonary Nodules in Different Sizes[J]. AJR Am J Roentgenol, 2019, 213(6): 1213-1220. DOI: 10.2214/AJR.19.21490.
[8]
宋兰, 朱振宸, 姜蕾, 等. CT影像组学在预测肺腺癌ALK融合基因表达中的价值初探[J]. 中华放射学杂志, 2019, 53(11): 963-964. DOI: 10.3760/cma.j.issn.1005-1201.2019.11.007.
Song L, Zhu ZC, Jiang L, et al. Preliminary value of CT radiomics in predicting anaplastic lymphoma kinase fusion gene expression in lung adenocarcinoma[J]. Chin J Radiol, 2019, 53(11): 963-964. DOI: 10.3760/cma.j.issn.1005-1201.2019.11.007.
[9]
Hosny A, Parmar C, Quackenbush J, et al. Artificial intelligence in radiology[J]. Nat Rev Cancer, 2018, 18(8): 500-510. DOI: 10.1038/s41568-018-0016-5.
[10]
Banks PA, Bollen TL, Dervenis C, et al. Classification of acute pancreatitis--2012: revision of the Atlanta classification and definitions by international consensus[J]. Gut, 2013, 62(1): 102-111. DOI: 10.1136/gutjnl-2012-302779.
[11]
Guda NM, Trikudanathan G, Freeman ML. Idiopathic recurrent acute pancreatitis[J]. Lancet Gastroenterol Hepatol, 2018, 3(10): 720-728. DOI: 10.1016/S2468-1253(18)30211-5.
[12]
Lambin P, Leijenaar R, Deist TM, et al. Radiomics: the bridge between medical imaging and personalized medicine[J]. Nat Rev Clin Oncol, 2017, 14(12): 749-762. DOI: 10.1038/nrclinonc.2017.141.
[13]
Lin Q, Ji YF, Chen Y, et al. Radiomics model of contrast-enhanced MRI for early prediction of acute pancreatitis severity[J]. J Magn Reson Imaging, 2020, 51(2): 397-406. DOI: 10.1002/jmri.26798.
[14]
Chen Y, Chen TW, Wu CQ, et al. Radiomics model of contrast-enhanced computed tomography for predicting the recurrence of acute pancreatitis[J]. Eur Radiol, 2019, 29(8): 4408-4417. DOI: 10.1007/s00330-018-5824-1.
[15]
Yadav D, Pitchumoni CS. Issues in hyperlipidemic pancreatitis[J]. J Clin Gastroenterol, 2003, 36(1): 54-62. DOI: 10.1097/00004836-200301000-00016.
[16]
彭莉, 彭燕, 蒲垠全, 等. 671例复发性急性胰腺炎临床特点及危险因素分析[J]. 实用医学杂志, 2019, 35(18): 2924-2928. DOI: 10.3969/j.issn.1006-5725.2019.18.020.
Peng L, Peng Y, Pu YQ, et al. Analyses of clinical characteristics and risk factors of 671 cases of recurrent acute pancreatitis[J]. J Prac Med, 2019, 35(18): 2924-2928. DOI: 10.3969/j.issn.1006-5725.2019.18.020.
[17]
Fonseca SE, Guerrero-Lozano R. Acute pancreatitis and recurrent acute pancreatitis: an exploration of clinical and etiologic factors and outcomes[J]. J Pediatr (Rio J), 2019, 95(6): 713-719. DOI: 10.1016/j.jped.2018.06.011.
[18]
Heyn C, Sue-Chue-Lam D, Jhaveri K, et al. MRI of the pancreas: problem solving tool[J]. J Magn Reson Imaging, 2012, 36(5): 1037-1051. DOI: 10.1002/jmri.23708.
[19]
Tirkes T, Menias CO, Sandrasegaran K. MR imaging techniques for pancreas[J]. Radiol Clin North Am, 2012, 50(3): 379-393. DOI: 10.1016/j.rcl.2012.03.003.

上一篇 基于IDEAL-IQ序列MR纹理分析评价慢性腰痛患者椎旁脂肪浸润
下一篇 基于神经网络模型预测宫颈癌淋巴结转移
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2