泡型包虫病(alveolar echinococcosis，AE)是一种由多房棘球蚴幼虫引起的寄生虫病。在我国，AE多发于新疆、青海等畜牧业较为发达的西北地区，具有明显的地域特征。肝脏是最易受AE侵犯的器官，肺、脑等器官转移率相对较低^{[1, 2]}。发生在脑内时，脑泡型包虫病(cerebral alveolar echinococcosis，CAE)病变常与脑转移瘤(brain metastases，BMT)具有相似影像学特征的病灶混淆，CAE和BMT信号的多样性和相似性使其难以进行鉴别诊断。虽然CAE有“虫癌”之称，但其生物学特性与BMT截然不同，两者治疗和预后存在显著差异，故正确地鉴别诊断至关重要。因CAE病灶破裂可导致播散性和/或化学性脑膜炎，并可发生致命的过敏性休克，穿刺活组织检查是CAE绝对禁忌证^[2]。因此，术前借助影像学手段鉴别两者具有较大的临床意义。以往的研究表明，磁共振新技术，如灌注加权成像(perfusion weighted imaging，PWI)、弥散加权成像、波谱成像(magnetic resonance spectroscopy，MRS)和磁敏感成像等，有助于鉴别转移性肿瘤与颅内其他占位性病变^{[3, 4, 5]}。

       PWI通过分析对比剂在特定血流区域引起的局部信号变化，反映病灶局部脑组织血容量、局部脑组织血流量、毛细血管通透性等血流动力学信息。该技术可以通过测量相对脑血容量(relative cerebral blood volume，rCBV)、相对脑血流量(relative cerebral blood flow，rCBF)来反映病变的毛细血管微循环和评估组织的微血管密度，其测定与病灶血管分布有关，故PWI各参数也通常用作肿瘤诊断及分级^{[6, 7]}、肿瘤治疗反应评估^{[7, 8, 9]}和基因型预测的指标^{[10, 11]}。除此之外，PWI已被用于颅内多种占位性病灶的鉴别，且表现出了较好的鉴别性能^{[3, 4,12]}。准确、可靠的机器学习方法根据训练集提供的信息，建立准确识别新输入项的模型，提升参数鉴别效能，因此已广泛应用于多类病灶鉴别研究中^{[13, 14]}。本研究旨在借助PWI定量指标与病灶血管生成之间的相关性，评估PWI定量指标诊断CAE与BMT的性能，且探讨基于PWI定量指标的机器学习方法在鉴别两种疾病中的价值。

1 材料和方法

1.1 一般资料

       回顾性分析新疆医科大学第一附属医院2018年7月至2020年3月间经病理(12例)或临床确诊(18例)且符合纳入标准的CAE及BMT病例各15例(男18例，女12例，有效病灶各40个)。其中，CAE患者平均年龄为36岁(年龄范围：3～56岁)，男10例，女5例；BMT患者平均年龄为58岁(年龄范围：40～73岁)，男8例，女7例。纳入标准：(1)颅脑术后病理确诊为CAE或BMT；(2)病理确诊肝泡型包虫病、临床综合诊断为CAE；(3)病理确诊其他部位原发肿瘤、临床综合诊断为BMT；(4) MRI扫描前颅内病灶未接受治疗。排除标准：(1)图像质量不合格、伪影大、图像或资料缺失不全；(2)伴诊断不明的其他部位占位或肿瘤样病变。本回顾性研究通过了新疆医科大学临床伦理委员会批准(批准文号：20160406-02)，免除受试者知情同意。

1.2 核磁共振扫描方法

       本研究所有受试者均使用美国GE公司的3.0 T Signa Hdx System双梯度超导磁共振扫描仪，使用8通道相控阵线圈扫描。定位线位于患者鼻根部或眉心。检查序列包括三平面定位扫描、匀场扫描、T1加权成像(T1 weighted imaging，T1WI) (TR：2557 ms，TE：12 ms)、T2加权成像(T2 weighted imaging，T2WI) (TR：3680 ms，TE：118 ms)及T2液体衰减反转恢复(fluid-attenuated inversion recovery，FLAIR) (TR：8000 ms，TE：165 ms)、冠矢位T2WI、PWI及增强扫描，常规头颅MRI平扫，扫描参数：层厚5.0 mm，层间距1.0 mm，采集激励次数1，扫描视野(field of view，FOV)为24 cm×24 cm；灌注扫描定位线复制横轴位T1WI定位线，Phase FOV=1，TR时间为1500 ms，确保所有层数能一次采集。对比剂使用钆喷酸葡胺注射液(广州康臣药业生产，20 mL/9.38 g)，注射剂量0.2 mL/kg，通过高压注射器经肘前静脉以4 mL/s的速率注入，后用20 mL生理盐水冲洗，每层面采集50幅图像。

1.3 图像分析

       灌注图像在GE ADW4.4工作站使用GE FuncTool BrainStat GVF算法进行处理。感兴趣区(region of interest，ROI)由两名对病灶诊断不知情的具有10年诊断经验的医生绘制。将实性区域定义为增强扫描强化的病灶区域，外周水肿是指实性区周围的T2WI高信号区域，对照组为对侧相对正常脑实质区域。将3个ROI置于有效病灶相应区域内测量rCBV、rCBF、平均通过时间(mean transit time，MTT)和达峰时间(time to peak，TTP)值，ROI大小控制在5～10 mm²范围内，放置ROI时尽量避免脑室、血管、骨骼、钙化、顺磁性物质等。每个区域保留其最大值，最后计算两组病灶实性区、水肿区与对侧相对正常区域的参数比值(图1、图2)。

点击查看大图

图1  脑泡型包虫病病灶感兴趣区域的定量灌注分析。1A～1D分别为T1增强扫描、灌注加权成像、相对脑血流量、相对脑血容量图。
图2  脑转移瘤病灶感兴趣区域的定量灌注分析。2A～2D分别为T1增强扫描、灌注加权成像、相对脑血流量、相对脑血容量图。
Fig. 1  Quantitative perfusion analysis of region of interests in cerebral alveolar echinococcosis lesions. 1A-1D are images of T1 enhanced scan, perfusion weighted imaging, relative cerebral blood flow, relative cerebral blood volume, respectively.
Fig. 2  Quantitative perfusion analysis of region of interests in brain metastases lesions. 2A-2D are images of T1 enhanced scan, perfusion weighted imaging, relative cerebral blood flow, relative cerebral blood volume, respectively.

1.4 统计分析

       所有统计分析采用SPSS 25.0软件进行。经正态性、独立性和方差齐性检验，符合正态分布的数据用均数±标准差表示，不符合正态分布或方差不齐者则用中位数(第25百分位数，第75百分位数)表示。运用MedCalc数据分析软件，对病灶实性区各参数进行受试者操作特征(receiver operating characteristic，ROC)曲线分析，计算曲线下面积(area under the curve，AUC)。CAE与BMT病灶不同区域PWI参数两组间比较采用Mann-Whitney检验，本文所有检验均为双侧检验，结果以P＜0.05为差异有统计学意义。

1.5 机器学习

       采用PyCharm软件对数据进行统计分析，采用主成分分析(principle component analysis，PCA)对PWI各参数进行降维处理后，以病灶实性区PWI参数以及病灶实性区、病灶水肿区、对侧相对正常区域PWI参数两种方式选择特征值，运用SVM分类器鉴别CAE和BMT病灶，观察两种特征值选择方法鉴别效能及SVM分类器在此研究中的表现。随后再运用决策树(decision tree，DT)、K近邻(K-Nearest Neighbor，KNN)分类器及软投票集成学习方法对CAE和BMT病变进行分类鉴别，比较三种分类器及集成方法的鉴别效能。

2 结果

2.1 病灶实性区PWI各参数诊断两种疾病效能

       CAE、BMT病灶实性区灌注参数诊断AUC、标准差、95%置信区间(confidence interval，CI)如表1所示，各参数诊断ROC曲线如图3所示，可看出rCBF、rCBV诊断效能明显高于MTT与TTP。

点击查看大图

图3  脑泡型包虫病(3A)与脑转移瘤(3B)四个灌注定量参数诊断效能ROC曲线，rCBF、rCBV值AUC高于MTT、TTP值。ROC：受试者操作特征曲线；rCBF：相对脑血流量；rCBV：相对脑血容量；MTT：平均通过时间；TTP：达峰时间；AUC：曲线下面积。
图4  病灶实性区灌注参数分类效果。基于CAE和BMT病灶实性区的rCBF、rCBV、MTT和TTP参数，首先运用PCA进行降维以获得二维特征点分布，然后使用SVM进行线性核函数分类以获得决策边界(图中的实线)，该边界上方为CAE(绿点)，下方为BMT(红点)。CAE：脑泡型包虫病；BMT：脑转移瘤；rCBF：相对脑血流量；rCBV：相对脑血容量；MTT：平均通过时间；TTP：达峰时间；PCA：主成分分析；SVM：支持向量机。
图5  病灶实性区、灶周水肿区、对侧相对正常区域灌注参数分类效果。基于CAE和BMT病灶实性区、灶周水肿区及对侧相对正常区域的rCBF、rCBV、MTT和TTP参数，首先运用PCA进行降维以获得二维特征点分布，然后使用SVM进行线性核函数分类以获得决策边界(图中的实线)，该边界上方为CAE(绿点)，下方为BMT(红点)。从图中可看出，红点和绿点重叠较多，表明当将三个病灶区数据作为输入项时，少量样本点是线性不可分的。CAE：脑泡型包虫病；BMT：脑转移瘤；rCBF：相对脑血流量；rCBV：相对脑血容量；MTT：平均通过时间；TTP：达峰时间；SVM：支持向量机。
Fig. 3  The ROC curve of four quantitative parameters in cerebral alveolar echinococcosis (3A) and brain metastases (3B) lesions. The AUCs of rCBF and rCBV were higher than MTT and TTP. ROC: receiver operating characteristic curve; rCBF: relative cerebral blood flow; rCBV: relative cerebral blood volume; MTT: mean transit time; TTP: time to peak; AUC: area under the curve.
Fig. 4  Classification efficiency of perfusion parameters in solid area. The rCBF, rCBV, MTT and TTP in CAE and BMT solid regions were used. PCA was used for dimensionality reduction to obtain 2-dimensional feature point distribution, and then SVM was used for linear kernel function classification to obtain a decision boundary (the solid line in the figure). Above this boundary is CAE (green points), and below that is BMT (red points). CAE: cerebral alveolar echinococcosis; BMT: brain metastases；rCBF: relative cerebral blood flow; rCBV: relative cerebral blood volume; MTT: mean transit time; TTP: time to peak; AUC: area under the curve; PCA: principle component analysis; SVM: support vector machine.
Fig. 5  Classification efficiency of perfusion parameters in solid, prelesion edema and contralateral relative normal area. The rCBF, rCBV, MTT and TTP value in CAE and BMT solid area, prelesion edema regions and contralateral relative normal area were used. PCA was used for dimensionality reduction to obtain 2-dimensional feature point distribution, and then SVM was used for linear kernel function classification to obtain a decision boundary (the solid line in the figure). Above this boundary is CAE (green points) , and below that is BMT (red points). It is obvious from the figure that the red points and the green points overlap a lot, which indicates that when we use all data as input data, a small number of sample points are linearly indivisible. CAE: cerebral alveolar echinococcosis; BMT: brain metastases；rCBF: relative cerebral blood flow; rCBV: relative cerebral blood volume; MTT: mean transit time; TTP: time to peak; AUC: area under the curve; SVM: support vector machine.

点击查看表格

表1  CAE与BMT病灶实性区灌注参数诊断AUC、标准差、95%置信区间
Tab. 1  Diagnostic AUC, standard deviation and 95% confidence interval of perfusion parameters in solid area of CAE and BMT lesion

2.2 CAE与BMT PWI各参数测量值及差异分析

       CAE与BMT各区PWI参数值比较主要结果显示：CAE实性区rCBF、rCBV、MTT值低于BMT实性区，CAE实性区TTP值高于BMT实性区，其中rCBF、rCBV、TTP值差异有统计学意义(P＜0.01)；CAE水肿区rCBF、rCBV、MTT值低于BMT水肿区，CAE水肿区TTP值高于BMT水肿区，其中rCBF、rCBV值差异有统计学意义(P＜0.01)，见表2、3。

点击查看表格

表2  CAE、BMT实性区和灶周水肿区与对侧相对正常区域参数比值
Tab. 2  The perfusion parameter values ratio of solid and perilesion edema to contralateral relative normal area in CAE and BMT lesions

点击查看表格

表3  Mann-whitney检验比较CAE和BMT病灶实性区及灶周水肿区指标
Tab. 3  Mann Whitney test to compare the indexes of CAE and BMT lesion solid and perilesion edema area

2.3 基于PWI各参数的机器学习方法鉴别CAE与BMT效能

       运用SVM分类器，基于病灶实性区PWI参数进行分类，结果如图4所示，横轴和纵轴分别代表PCA降维后得到的两个特征，训练的分类边界为ω^TXi+b=0 (ω=2.05，b=-0.44)，分类准确率达到94%；基于病灶实性区、水肿区及对侧相对正常区域PWI参数进行分类，结果如图5所示，分类准确率为93%；运用DT、KNN分类器及软投票集成方法鉴别两种疾病的结果如图6所示，其中软投票集成方法的结果是其他三种分类结果的平均值。可看出这四种方式都能将大部分CAE与BMT样本分类成功，但是对于边界点附近重叠部分的样本还存在错分现象。

点击查看大图

图6  四种分类器分类结果图。KNN: K-近邻；SVM：支持向量机。
Fig. 6  Classification results of four classifiers. KNN: K-nearest neighbor; SVM: support vector machine.

3 讨论

       脑感染性疾病与肿瘤性疾病在治疗、预后及生存期评估等方面存在较大差异，故治疗前鉴别诊断具有重要临床意义。本研究探索PWI技术在CAE与BMT诊断及鉴别诊断的性能的同时，运用分类器提高了PWI鉴别效能。结果表明两种疾病病灶实性区rCBF值诊断效能最高，两种疾病病灶实性区rCBV、rCBF、TTP参数及灶周水肿区rCBV、rCBF参数可鉴别两者，基于病灶实性区PWI参数的SVM分类器可以94%的准确率鉴别CAE与BMT，表明两者病灶实性区差异显著，灶周水肿区可辅助诊断。

3.1 PWI技术及参数意义

       本研究采用的PWI方法是动态磁化率对比，其主要机制是外源性顺磁性或超顺磁性非扩散对比剂注射入毛细血管床后，加速氢质子由激发态向平衡态的恢复，缩短纵向弛豫时间(T1)的同时，产生附加磁场，增加血管周围局部场的不均匀性，增加质子的散相，从而缩短组织的横向弛豫时间(T2)和准横向弛豫时间(T2^*)。根据对比剂团注过程中出现的弛豫时间变化可推算出组织内对比剂浓度，反映对比剂首次进入毛细血管时的微血管灌注及分布特征，即微血管密度越高，病灶灌注越丰富^[10]。

       新血管生成和增生发生于感染性和肿瘤性病变，而血管活性内皮生长因子(vascular endothelial growth factor，VEGF)是肿瘤和感染性疾病中促进血管生成和增加毛细血管通透性的关键因素^{[15, 16, 17]}。VEGF在良、恶性疾病中的分泌强度和作用持续时间的不同可能导致良、恶性疾病血管结构的差异^[16]，而此差异正体现在病灶灌注表现中，因此PWI技术在脑内感染性肉芽肿和BMT诊断及鉴别诊断中可发挥较大作用。rCBV与颅脑疾病血管化程度的相关性已被大量研究证实^{[18, 19]}。先前研究用rCBV检测肿瘤VEGF表达，结果得出rCBV与VEGF表达呈正相关，且rCBV、VEGF及肿瘤分级之间存在较强的相关性，即低度恶性肿瘤VEGF阳性表达率与rCBV均低于高度恶性肿瘤^[20]。rCBF反映的是感兴趣区内脑组织血管内血流量，一般与rCBV呈正相关，两者一同反映组织微循环状况，组织血管结构形态异常时，两者可出现差异。MTT值反映对比剂在血管内平均通过时间，对脑缺血及血脑屏障破坏引起的对比剂漏敏感。TTP反映对比剂团注后到达峰值的时间，与rCBF和血管结构有关，病灶血供越丰富，达峰时间越短。本研究四个PWI定量参数中，rCBV、rCBF值诊断效率高于MTT和TTP值，提示CAE及BMT血管密度差异大，但血管结构差异不明显。

3.2 CAE、BMT灌注差异及病理基础

       本研究结果表明CAE病灶实性区rCBV、rCBF值低于BMT实性区，TTP值则高于BMT。CAE病灶是由中心实质和边缘炎性反应带组成的感染性肉芽肿。中心实质为成簇或散在分布的微小囊泡，其内含胶样物和原头节，囊泡间存在纤维分隔。因CAE病灶生长速度快，中心囊泡易发生凝固性坏死，继而出现大量巨噬细胞、钙盐、类脂质沉积，且其内部血流由大小不等的囊泡限制，导致病灶实质区灌注低，增强扫描不强化。而其边缘炎性反应带是微小囊泡以生发层外殖芽生的方式向外浸润形成的^{[21, 22, 23]}。前期研究通过MRS、PWI、体素内不相干运动磁共振成像(Introvoxelincoherent motion MRI,IVIM)及¹⁸F-FDG PET证实了边缘炎性反应带生物学活性，即存在侵袭性^{[21,24, 25, 26]}。边缘带主要为巨噬细胞、淋巴细胞等免疫细胞和微小囊泡聚集而成的炎性浸润带，为CAE病灶实性部分，其毛细血管形成及增生较病灶实质明显，灌注也较实质高，增强扫描呈环形强化^[24]。然而炎症等良性疾病中VEGF表达是短暂的，仅在活动期出现血管生成和微血管重构，而肿瘤细胞会持续不断分泌VEGF，从而促进肿瘤的增殖和扩散^[27]。因此CAE病变边缘带血管生成明显少于BMT，血流量和血容量低于BMT，对比剂填充速度较BMT慢，达峰时间较BMT长。Floriano等^[12]利用PWI技术鉴别脑感染性病灶及肿瘤性病灶的研究中，包括弓形虫病、化脓性脓肿、隐球菌肉芽肿、囊虫病及结核瘤在内的脑感染性病灶组病灶实性区rCBV平均值明显低于包括不同级别胶质瘤及BMT的脑肿瘤性病灶组；Chatterjee等^[28]研究结果也表明脑结核瘤实性区rCBV明显低于BMT，均与本研究结果一致。除此之外，本研究中两病灶水肿区域参数也存在差异。CAE水肿区的形成与小囊泡不断向外延伸、囊液渗漏引起的炎症和免疫反应有关，水肿区可见炎细胞浸润，与因病灶压迫脑实质引起的血管源性水肿并存，但无新生血管形成。BMT新生血管不存在血脑屏障，其瘤周水肿是因血管通透性增加，血液中富含蛋白质的血浆及电解质大量渗入并异常聚集在细胞外间隙内引起，不存在肿瘤细胞浸润，血管形态无明显改变^[19]。本研究中CAE水肿区域rCBV、rCBF低于BMT水肿区域，与Floriano等^[12]的研究结果一致，这可能是因为CAE水肿区间质压力因炎细胞浸润增大，继而引起血管收缩，灌注降低。然而，本课题组前期研究中^[29]，CAE水肿区与BMT水肿区灌注参数无明显差异。出现此差异可能是因为灌注参数可受样本固有因素(病灶数量、大小、可变性等)、受试者因素(年龄、免疫状态)、扫描方案、灌注技术及对比剂注射等多因素影响。

3.3 机器学习方法

       机器学习方法在脑肿瘤及肿瘤样病变诊断、鉴别、分级及预后评估和预测中效能显著^{[14,30, 31]}。本研究为了提高PWI各参数在CAE与BMT鉴别诊断中的效能，运用了SVM、DT、KNN、软投票四类分类器，其中SVM达到了94%的AUC，效能最佳。SVM是一种广义线性分类器，它基于监督学习对非线性数据进行线性分类，在小样本中分类效果较佳^[32]。本研究以两种特征选择方式测试SVM鉴别效能，结果显示SVM在两种方式中效能均良好，性能稳定，其中基于病灶实性区PWI参数鉴别两种疾病时效能最佳，与Mann-Whitney检验结果一致。

       本研究存在一定的局限性：因本研究为回顾性研究且CAE发生率低，具有PWI检查数据的CAE患者数量有限，导致本研究样本量少，且CAE病灶未能进行分型研究。但本研究选取病例增殖活性均较强、代表性较好，可较好地为未来多中心、前瞻性研究奠定坚实的基础。

       综上所述，PWI技术能提供CAE及BMT微循环状况信息，rCBV、rCBF值可用于诊断及鉴别CAE与BMT，SVM分类器可提高PWI参数鉴别两者的性能。