甲状腺乳头状癌（papillary thyroid carcinoma, PTC）占甲状腺癌的绝大部分（＞90%）,虽然PTC生长缓慢、预后良好，但是仍会有一定概率的颈部淋巴结转移：即使原发肿瘤很小或局限在甲状腺内也会发生这种情况，从而使甲状腺癌局部复发和远处转移的风险提高^{[1, 2, 3]}。淋巴结转移已被认为是PTC手术治疗的适应证^{[4, 5]}，而且淋巴结转移的判断不仅影响PTC的分期，也影响其治疗和切除的程度^[1,6]。目前，超声检查广泛应用于颈部转移淋巴结的诊断，但应用过程中主观影响因素大且缺乏特异性，术前的超声诊断也只能分辨出半数在术中发现的异常淋巴结，尤其是在中央区^{[7, 8]}。即使与计算机断层扫描（computed tomography, CT）结合使用时，其敏感度和准确率均低于80％^{[9, 10]}。目前，超声引导下的细针穿刺活检（fine needle aspiration biopsy, FNAB）和颈淋巴结清扫术后的组织病理学检查是诊断转移淋巴结的“金标准”。然而，这是一种侵入性且昂贵的手术，可能会增加并发症的风险并降低患者的生活质量^{[1,11, 12]}。因此，迫切需要更准确且非侵入性的检测方法在术前通过对转移淋巴结提供有价值的信息，从而帮助临床医生确定最佳治疗方案。

       近年来，影像组学通过从医学影像图像（超声、CT、MRI或PET）中高通量提取并定量分析一些肉眼不可识别的特征信息，不仅可以对肿瘤的定性诊断、分期、预后及治疗疗效进行评估^[13]，还对预测淋巴结转移具有较高的价值^{[14, 15, 16]}。目前对甲状腺癌颈部淋巴结的影像组学研究^{[17, 18]}多采用超声图像，虽然可以有效识别PTC患者的颈部转移淋巴结，曲线下面积（area under curve, AUC）最高可达0.858。然而，超声成像技术记录的大多是离散图像，只有一个或几个二维图像进行影像组学分析，这可能不能捕捉最有代表性的肿瘤部分^[19]。

       MRI的空间分辨率高，并且具有良好的组织分辨率，因此能更好地确定甲状腺癌肿块对周围结构的侵犯和发现转移淋巴结，尤其是在纵隔、气管旁、咽后间隙这些超声难以清楚显示的区域^[20]。张衡等^[14]的研究发现基于T2WI单一序列的纹理分析对预测PTC患者颈部淋巴结转移有一定的价值，AUC值达0.884。由于MRI为多参数成像，结合多种序列可提供更多的信息，目前还没有研究评估哪种成像序列更适合于影像组学分析来进行PTC的颈部淋巴结的术前评估。本研究的目的是评估基于影像组学的机器学习方法在多参数MRI[常规序列、薄层增强、弥散加权成像（diffusion weighted imaging, DWI）]中的性能，以预测术前患者的颈部淋巴结状态,为PTC的个体化治疗决策提供新的依据。

1 材料与方法

1.1 一般资料

       通过查阅电子病历，对2014年1月至2021年06月在惠州市中心人民医院经病理确诊淋巴结状态的182名患者资料进行回顾性分析。本研究遵守《赫尔辛基宣言》，并通过惠州市中心人民医院临床科研伦理委员会批准，免除受试者的知情同意（批准文号：HZZX-20181005）；在进行评估之前，对患者信息匿名化和去识别处理。

       本研究的纳入标准如下：（1）行甲状腺全切、次全切除或偏侧甲状腺切除术后预防性中央区淋巴结清扫的患者；（2）术前超声FNA证实颈侧区淋巴结转移或进行颈侧区淋巴结清扫的患者；（3）病理组织学证实的PTC以及术后淋巴结的状况；（4）术前2周内在我院行多参数MRI扫描（常规序列、薄层增强、DWI）,MRI图像无影响进一步图像分析的明显伪影；（5）术后病理明确淋巴结的具体分布区域。

       排除标准：（1）不完整的临床数据或统计分析无法进行；（2）术前化疗、放射治疗或介入治疗；（3）有恶性肿瘤或合并恶性肿瘤病史的患者；（4）MRI图像不符合要求。

1.2 图像采集

       采用荷兰飞利浦Multiva 1.5 T和德国西门子Prisma 3.0 T MRI扫描仪和颈部线圈。1.5 T MRI序列和扫描参数为：（1）横断面T2WI采用自旋回波序列，TR 2500.00 ms，TE 80.00 ms，矩阵 215×260，FOV 220.00 mm×242.00 mm，层厚 4.00 mm，层间距0.50 mm；（2）横断面T1WI采用自旋回波序列，TR 589 ms，TE 12 ms，矩阵 213×260，FOV 220.00 mm×240 mm，层厚4 mm，层间距0.5 mm；（3）横断面多b值DWI采用平面回波成像序列，TR 4609.00 ms，TE 67.00 ms，矩阵99×100，FOV 240.00 mm×240.00 mm，层厚4.00 mm，层间距0.00 mm，b=0、600 s/mm²。3.0 T MRI序列和扫描参数为：（1）横断面T2WI采用自旋回波序列，TR 4200.00 ms，TE 64.00 ms，矩阵 240×320，FOV 178.86 mm×220.00 mm，层厚3.00 mm，层间距0.30 mm；（2）横断面T1WI采用自旋回波序列，TR 681.0 ms，TE 9.3 ms，矩阵260×213，FOV 178.86 mm×220.00 mm，层厚3 mm，层间距0.7 mm；（3）横断面多b值DWI采用平面回波成像序列，TR 6750.00 ms，TE 66.00 ms，矩阵100.3×118.0，FOV 240.00 mm×240.00 mm，层厚6.00 mm，层间距0.2 mm，b=0、600 s/mm²。增强扫描参数同平扫T1WI，对比剂为钆贝葡胺（莫迪司，上海博莱科信谊药业），用量为0.1 mmol/kg，采用高压注射器自肘静脉快速注射，注射流率2 mL/s，注射对比剂后即行轴位、矢状位、冠状位T1WI扫描。

1.3 纹理参数的提取和计算

       本文中的所有纹理分析过程均在LIFEx（Local Image Features Extraction）平台上进行：将所有患者的MRI图像从工作站以DICOM格式导出并导入LIFEx,version 5.00（http://www.lifexsoft.org/）中进行分析。由2名分别具有8年和12年影像诊断经验的副主任和主任医师职称的医生共同选出每名患者最大淋巴结的图像（轴位T1、T2、T2压脂、T1增强、T1压脂增强及DWI）进行分析，当2名医师的意见出现分歧时，通过协商达成共识，考虑到横断面延时增强T1WI图像对比度最佳，以此为基准，手动追踪每个病灶的轴向图像外缘，获取了三维感兴趣体积（three dimensional volume of interest, 3D-VOI），提取纹理参数，其他序列与其同一层面（图1、图2）。

       然后，从每个VOI中计算出32个纹理特征，其中包括来自灰度共生矩阵（gray level concurrence matrix, GLCM）的7个纹理特征，来自灰度游程长度矩阵（gray level runlength matrix, GLRLM）的11个纹理特征，来自邻接灰度共生矩阵（neighbor gray level concurrence matrix, NGLDM）的3个纹理特征，以及来自灰度区域长度矩阵（gray level zone length matrix, GLZLM）的11个纹理特征。

       另外，本研究对每个MRI图像建立了一个直方图，并计算了5个直方图特征，这些特征与偏度，峰度，直方图的熵有关。

点击查看大图

图1  女，23岁，右侧PTC伴右侧颈Ⅴ区淋巴结转移（阳性组）。1A～1F图依次为：T1WI、T2WI、T1WI增强、弥散加权成像、T2压脂、T1压脂增强，于T1压脂增强图中勾画感兴趣区（紫色区域）。PTC：甲状腺乳头状癌。
Fig. 1  Female, 23 years old, papillary thyroid carcinoma (PTC) with metastatic lymph node in area Ⅴ on the right (positive group). 1A-1F: T1WI, T2WI, T1WI-enhancement, diffusion weighted imaging, fat-saturated T2WI, fat-saturated T1WI enhancement, and delineate the region of interest in the imaging of fat-saturated T1WI enhancement (purple area).

点击查看大图

图2  女，49岁，右侧PTC伴右侧Ⅱ区淋巴结增生（阴性组）。2A～2F图依次为：T1WI、T2WI、T1WI增强、弥散加权成像、T2压脂、T1压脂增强，于T1压脂增强图中勾画感兴趣区（紫色区域）。PTC：甲状腺乳头状癌。
Fig. 2  Female, 49 years old, papillary thyroid carcinoma (PTC) with metastatic lymph node in area Ⅱ on the right (negative group). 2A-2F: T1WI, T2WI, T1WI-enhancement, diffusion weighted imaging, fat-saturated T2WI, fat-saturated T1WI enhancement, and delineate the region of interest in the imaging of fat-saturated T1WI enhancement (purple area).

1.4 机器学习分类器的训练和测试

       对于每个样本的MRI影像序列(轴位T1、T2、T2压脂、T1增强、T1压脂增强及DWI)，本研究分别计算出其纹理和直方图特征，从而每个序列均可获得一个特征矩阵（200×37）。使用单序列特征矩阵作为输入，构建了线性支持向量机（linear support vector machine, L-SVM）方法来训练机器学习模型，以对颈部转移和非转移淋巴结进行分类。此外，本研究结合不同序列的特征矩阵，获得多参数MRI特征作为模型输入，评估基于影像组学机器学习方法在多参数MRI图像中的性能，以预测PTC患者术前的颈部淋巴结状态。分类模型使用20次10折交叉验证方法进行模型的训练与测试，其20次10折交叉验证的平均测试结果（准确度、敏感度、特异度、AUC值）为评判SVM分类性能的最终指标。SVM所有训练和测试过程均在PyCharm（http://www.jetbrains.com/pycharm/,JetBrains PyCharm Community Edition 2018.2.4 x64）上执行。

1.5 诊断医师的定性评估

       为了测试机器学习分类是否能优于诊断医师的定性评估，本研究比较了两者对转移淋巴结的诊断性能。1名副主任医师职称的甲状腺外科医生（8年工作年限）和1名主任医师职称的放射科医生（12年工作年限）独立根据多参数MRI图像进行诊断，两个读者都对患者信息和病理结果不知情，然后计算敏感度和特异度，用于进一步分析。

1.6 统计学分析

       采用SPSS 21.0统计分析软件，计量资料采用x¯±s表示，计数资料则以频数表示。采用Shapiro-Wilk检验及Leven检验分别对计量资料进行正态性检验及方差齐性检验。计量资料符合正态分布的采用独立样本t检验，不符合正态分布的采用Mann-Whitney U检验，计数资料比较采用χ²检验，双侧P＜0.05为差异有统计学意义。绘制受试者工作特征（receiver operating characteristic, ROC）曲线，并计算AUC值，评价各参数的诊断效能，诊断阈值采用最大约登指数表示，并计算在该阈值下的敏感度和特异度。

2 结果

2.1 一般临床资料

       本研究共纳入样本182例（包括91例颈部淋巴结转移组和91例非转移组），甲状腺外科和影像医师诊断颈部淋巴结转移的敏感度为62.97%～65.27%，特异度为61.58%～63.53%，准确度为55.56%～59.26%，一般临床资料见表1。两组人群的年龄（P=0.954）、性别（P=0.756）和最大直径（P=0.065）差异均无统计学意义。

点击查看表格

表1  甲状腺乳头状癌颈部淋巴结转移组和非转移组一般临床资料比较
Tab. 1  Comparison of papillary thyroid carcinoma patients' characteristics in lymph node metastasis group and no lymph node metastasis group

2.2 分类结果

       提取的纹理和直方图特征的数为37，基于单一MRI序列作为模型输入，T1、T2、T2压脂和T1增强的分类准确度均高于70％，AUC值均高于0.75，其中T1增强有较高的分类敏感度，T2、T2压脂则有较高的分类特异度（图3、表2）。而以T1压脂增强或DWI序列作为模型输入，其分类准确度分别为68.37%和67.05%，AUC值分别为0.740和0.727。此外，本研究结合不同序列，获得多参数MRI（轴面T1、T2、T2压脂、T1增强、T1压脂增强及DWI）特征作为模型输入。T1+T2+T2压脂+T1增强+T1压脂增强+DWI多参数模型具有较好的分类效能：准确度为79.61%，AUC值为0.911，敏感度为75.00%，特异度为83.00%（图4、表3）。

点击查看大图

图3  单一MRI序列模型预测颈部淋巴结状态的曲线下面积。图4　结合多参数MRI序列模型预测颈部淋巴结状态的AUC值。T2-FS：T2压脂；T1-FS：T1压脂；T1-C：T1增强；T1-FS-C：T1压脂增强；DWI：弥散加权成像；AUC：曲线下面积。
Fig. 3  The AUC value of single magnetic resonacer imagingsequence model in predicting cervical lymph node status.
Fig. 4  The AUC value of combined multi-sequence model in predicting cervical lymph node status. T2-FS: fat-saturated T2WI; T1-FS: fat-saturated T1WI; T1-C: T1 enhancement; T1-FS-C: fat-saturated T1WI enhancement; DWI: diffusion weighted imaging; AUC: area under the curve.

点击查看表格

表2  基于单MRI序列的SVM模型对颈部转移淋巴结与非转移组的分类性能
Tab. 2  The performance of support vector machine models in classifying cervical metastatic and non-metastatic lymph nodes which were based single sequence of MRI

点击查看表格

表3  基于多参数MRI序列的SVM模型对颈部转移淋巴结与非转移组的分类性能
Tab. 3  The performance of support vector machine models in classifying cervical metastatic and non-metastatic lymph nodes which were based multi-parameters of MRI

3 讨论

       本研究不但建立了基于MRI影像组学的机器学习方法的单一序列模型，还首次建立了多参数MRI模型来预测甲状腺癌患者术前的颈部淋巴结状态。结果表明与诊断医生的视觉分析的诊断性能相比，基于MRI影像组学特征的机器学习方法建立的模型显示出良好的区分转移和非转移淋巴结的能力，在训练组和验证组中AUC值都很高，并且多参数模型的分类效能要更优于基于单一序列模型。

3.1 传统MRI检查预测PTC颈部淋巴结的优势和局限性

       超声检查因为方便、经济成为颈部转移淋巴结评估的首选，但由于超声对颈部转移淋巴结诊断的标准并不明确，应用过程中过于依赖经验，主观性强，因此美国甲状腺协会最新指南明确建议：对于临床进展期疾病包括原发病灶侵犯广、有多发或大块淋巴结转移的患者，应该行增强CT或MRI检查来补充超声检查结果^[21]。尽管含碘对比剂应在2个月内逐渐消失，考虑到其会对碘摄取产生影响，并且CT的分辨率不如MRI^[9]，因此更倾向于采用MRI来明确甲状腺癌肿块对周围结构的侵犯和发现转移淋巴结。目前常规MRI检查对转移淋巴结的评估多侧重于形态学指标，包括大小、长径/横径比、淋巴结门、血供、均质性及边缘。一项通过术前MRI评估PTC颈侧转移淋巴结的研究^[20]显示MRI对颈侧Ⅴ区转移淋巴结的诊断具有较高的特异性，但在颈侧Ⅱ区，MRI虽然高度敏感，但在研究中包含许多假阳性。此外，由于PTC在中央区的转移淋巴结多以微小转移为主，淋巴结形态结构改变并不明显，在常规MRI检查中缺乏敏感又特异的征象，难以将其与小淋巴结炎性增生鉴别诊断^[22]。在本研究中甲状腺外科和影像科医师预测颈部淋巴结转移的敏感度和特异度都不超过70%，说明传统MRI检查视觉评估效果不佳。

3.2 单一序列MRI模型对PTC中转移淋巴结的预测价值

       影像组学可通过量化图像中像素或体素的灰度变化来揭示人眼无法识别的数字化图像信息，通过将其与传统MRI技术相结合预测淋巴结转移，可弥补传统MRI技术的不足，提高预测准确性^[23]。张衡等^[14]的研究发现基于T2WI单一序列获取的纹理特征对预测PTC患者颈部淋巴结转移要优于诊断医生的定性评估，AUC值达0.884。而Xu等^[24]的研究中建立了基于T1增强、T2WI序列影像组学特征模型来预测鼻咽癌患者放化疗前颈部淋巴结转移的反应，两个模型均有较好的分类性能（AUC值为0.746和0.774），分别有较好的分类敏感度和特异度。本研究与既往研究相符合，基于单一MRI序列作为模型输入时发现分类准确度均高于人类阅读器，其中T2压脂有较高的分类特异度（94.62%），而T1增强则有较高的分类敏感度（83.62%），AUC值分别为0.830和0.859。考虑是T2序列回波时间相对较长，结合压脂技术，可提高转移与非转移淋巴结两组之间的对比度和分辨率，因此蕴含了更多可鉴别的纹理特征^{[25, 26]}；而T1增强可通过血供来区分不同的血管化区域，在此基础上提取的纹理特征更能反映病灶内部结构的复杂性和异质性^[27]，从而更客观地评估病灶的生长情况和生物学特性。

3.3 多参数MRI模型对PTC中转移淋巴结的预测价值

       本研究的另一个重要发现是基于多个序列纹理参数组合的模型要优于基于单一序列模型。先前的一些可行性研究表明来自单个MRI序列的放射组学特征可以获得良好的诊断和预后价值；大多数是单独从T2WI、T1WI增强或DWI序列获得纹理参数，以评估病灶良恶性、病灶微环境、分期及预后^{[24,28, 29, 30]}。我们发现无论是既往的研究还是我们研究中基于单一序列建立的分类模型并不能同时兼具良好的敏感度、特异度和分类准确性。由于多参数MRI成像在PTC中应用广泛，因此我们的研究通过结合不同序列（T1、T2、T2压脂、T1增强、T1压脂增强及DWI）特征首次建立了多参数MRI模型，发现具有更好的分类效能：敏感度为75%，特异度为83%，AUC值为0.911。说明此多参数模型可有效结合不同序列图像参数之间的优势，提供更多的信息，有效地预测PTC患者的颈部淋巴结状态，宜加以推广。

3.4 局限性

       本研究存在一些需要解决的局限性和缺陷：（1）本研究是一项回顾性研究，所有患者都是从一个机构招募，选择偏差不能被排除；（2）由医师手动勾画ROI，耗时且具有主观性；（3）由于本研究中心使用不同的MRI扫描仪，成像参数、对比度、纹理特征可能会相应改变。因此，本研究中基于机器学习的模型在外部数据集上的有效性无法得到保证。尽管如此，我们使用开源包来执行图像处理和纹理分析，这允许其他人用其他数据集再现纹理分析。

       综上所述，基于多参数MRI影像组学的机器学习方法能够有效地预测PTC患者术前的颈部淋巴结状态。这种方法的性能优于诊断医生的视觉分析和基于单序列的机器学习方法，可能是常规临床实践中一个有价值的补充，从而为PTC的个体化治疗决策提供更加准确客观的依据。