0 前言

       目前，结直肠癌每年新发病例高居恶性肿瘤的第三位，死亡病例居癌症患者死亡数的第二位^{[1, 2]}。结直肠癌中又以直肠癌最为常见（30%～50%）。淋巴血管浸润（lymphovascular invasion, LVI）反映癌细胞的远处转移，癌细胞首先进入循环系统，通过淋巴或血管扩散到全身。直肠癌中的LVI根据其解剖位置分为壁内侵犯或壁外侵犯^{[3, 4]}，壁外LVI是肿瘤复发、转移和预后的预测因子^{[5, 6]}，壁内LVI是淋巴结转移的危险因素^{[3, 4]}，而一旦发生淋巴结转移便被归为Ⅲ期直肠癌，治疗方案也随之改变^[7]，因此，无淋巴结转移前的LVI的预测对于评估治疗方案和预后均具有重要意义。

       MRI比CT图像具有更高的软组织分辨率，是直肠癌患者无创性检查的首选，高分辨MRI可准确评估管径较大（血管≥3 mm）的壁外血管侵犯情况，然而对于诊断部分早期管径较小的壁内侵犯和壁外小血管侵犯敏感度较低^[5,8]。应用影像组学多模态MRI量化分析可以比CT及单纯的MRI图像挖掘更多的高维量化特征，可通过构建模型进行精准预测^{[9, 10]}。既往研究^{[11, 12, 13]}除了单纯地采用CT图像外，MRI多采用T2WI或者扩散加权成像（diffusion-weighted imaging, DWI）等序列，而直肠癌黏液性肿瘤及周围盆腔脂肪在非压脂T2WI上均呈高信号，增加了误诊和漏诊的风险，脂肪抑制技术可以区分两者并且对渗出性病变的显示较为敏感，在直肠癌影像组学的应用上也有较大的价值，分期上甚至优于常规T2WI序列^{[14, 15]}。另外，肿瘤生长依靠丰富的血供，T1加权对比增强（T1-weighted contrast-enhanced, T1CE）成像不仅可以提供肿瘤的形态学信息，还可反映病灶的微循环状态^[16]。所以本文旨在评估基于MRI脂肪抑制T2加权成像（fat suppression-T2 weighted imaging, FS-T2WI）、T1CE序列以及联合临床危险因素构建组学模型进行术前预测无淋巴结转移的直肠癌患者LVI的价值，以期更好地辅助临床治疗决策以及作为随访计划管理的重要参考。

1 材料与方法

1.1 研究对象

       回顾性分析河南省人民医院2016年12月至2021年12月直肠癌患者的病例及影像资料共673例。纳入标准：（1）经术后病理确诊为直肠癌患者；（2）经1名副主任影像诊断医师审阅MRI图像有明确的是否淋巴结转移者；（3）术前有完整的MRI扫描图像者。排除标准：（1）检查前行新辅助治疗（放疗、化疗或者靶向治疗）；（2）MRI中有淋巴结转移，病理不能确定是否存在LVI者；（3）合并其他盆腔恶性肿瘤或者图像扫描质量差无法评估；（4）合并远处转移的患者。最终221例纳入研究（图1）。本研究遵守《赫尔辛基宣言》，经河南省人民医院医学伦理委员会批准，并免除患者知情同意，批准文号：2019伦审第68号。

点击查看大图

图1  患者选择流程图。
Fig. 1  Flow chart of patient selection.

1.2 临床信息采集与分析

       采集患者年龄、性别、术前癌胚抗原（carcinoembryonic antigen A, CEA）值、糖类抗原199（carbohydrate antigen 199, CA199）值、ki-67值、肿瘤最大直径、是否神经侵犯等临床资料。

1.3 MRI扫描

       扫描设备采用3.0 T西门子MRI仪，采用18通道盆腔阵列相控线圈。检查前患者禁食、禁水4 h并在扫描前排尿、排便行肠道准备；检查前准备好静脉通道，并训练患者的呼吸。所有患者均采取仰卧位、头先进的扫描体位，身体左右居中，腹部采用腹带减少呼吸伪影，中心线定位于耻骨联合中点。在矢状位图像上进行定位，垂直于人体长轴，范围包括整个盆腔。FS-T2WI序列参数：FOV 300 mm×300 mm，矩阵272×320，TR 4000 ms，TE 87 ms，层厚4 mm，层间距0.4 mm。T1CE序列参数：FOV 380 mm×380 mm，矩阵288×320，TR 5 ms，TE 7 ms，层厚2.5 mm，对比剂采用钆喷酸葡胺（Gd-DTPA，北京北陆药业股份有限公司），剂量0.1 mmol/kg，用高压注射器经肘部静脉注射，并以相同速率注射生理盐水冲管，采集动脉期、静脉期及延迟期三期时相，每期15～20 s。

1.4 MRI影像组学分析

1.4.1 图像感兴趣区勾画

       通过河南省人民医院图像存档和通信系统上获取MRI原始图像，基于轴位FS-T2WI、T1CE序列进行图像后处理，应用ITK-SNAP软件（Version 3.8.0,http://www.itksnap.org）在直肠癌病变区域勾画三维感兴趣区（region of interest, ROI）。由一位有5年工作经验的放射科医生进行手工勾画，另一位10年工作经验的放射科医生检验，共同确定最终的ROI。最后，将每个序列的ROI保存为掩码文件（图2）。

点击查看大图

图2  直肠癌病变区感兴趣区（ROI）勾画图。2A：轴位T1WI；2B：轴位脂肪抑制T2加权成像（FS-T2WI）；2C：轴位脂肪抑制T1加权对比增强（T1CE）成像；2D：轴位FS-T2WI图像ROI勾画图；2E：直肠癌病灶单层ROI；2F：基于单层ROI融合得到的直肠癌感兴趣体积。
Fig. 2  Region of interest (ROI) delineation of rectal cancer lesions. 2A: Axial T1WI; 2B: Axial fat suppression T2WI (FS-T2WI); 2C: Axial fat pressing T1-weighted contrast-enhanced (T1CE); 2D: Axial FS-T2WI ROI delineation; 2E: Single-layer ROI of rectal cancer lesions; 2F: Volume of interest in rectal cancer based on fusion of single-layer ROI.

1.4.2 影像组学特征提取

       针对本研究中不同的影像序列，分别计算影像组学特征并进行组合，创建多序列组学特征。本研究计算的影像组学特征包括FS-T2WI、T1CE以及二者联合。

       应用开源软件PyRadiomics（Version 3.0.1, http:github.com/Radiomics/pyradiomics）进行特征提取及分析。为了减少成像参数引起的图像差异，首先进行了图像归一化、图像重采样预处理，应用了14个滤波器（Original、BoxMean、AdditiveGaussianNoise、BinomiaIBIurlmage、CurvatureFlow、Boxsigmalmage、LoG、wavelet、Normalize、Laplacian Sharpening、DiscreteGaussian、ShotNoise、SpeckleNoise、Mean）进一步特征提取，从每个序列图像的ROI中生成一阶统计特征（Firstorder）、直方图灰度共生矩阵（GLCM）、形状特征（Shape）、灰度共生矩阵（GLDM）、邻域灰度差矩阵（NGTDM）、灰度游程长度矩阵（GLRLM）、灰度区域大小矩阵（GLSZM）特征，共提取2268个特征。

1.4.3 影像组学特征筛选及模型建立

       首先对提取的影像组学特征采用Z分数归一化，将数据转换为标准化强度范围，减小特征的量纲差异。然后对预处理的数据进行特征选择，采用方差阈值法删除低方差特征（＜0.1），然后基于K最佳方法（F-value法，P值＜0.05）去除与分类标签相关性低的特征，最后应用LASSO去除不相关或冗余的特征（图3），得到最终特征并计算影像组学分数（radiomics score, Rad-score）（图4）。最后基于3种分类器（Decision Tree、Bagging Decision Tree、logistic回归）训练得出不同的分类模型。

       针对FS-T2WI、T1CE和二者联合的影像组学特征，以及加入或者不加入临床特征构建4个数据集，训练了4个预测模型。分别为FS-T2WI模型（仅有FS-T2WI的影像组学特征）、T1CE模型（仅有T1CE的影像组学特征）、FS-T2WI+T1CE模型（FS-T2WI及T1CE联合的影像组学特征）及FS-T2WI+T1CE联合临床预测因子模型（包括FS-T2WI、T1CE的影像组学特征以及临床危险因素）。以8∶2的比例将患者随机分为训练集（177例）和测试集（44例），使用测试集受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）、敏感度、特异度等来评估不同预测模型的性能，并用Delong检验及Hosmer-Lemeshow拟合优度检验进行验证。

点击查看大图

图3  最小绝对收缩与选择算子算法（LASSO）降维特征筛选，LASSO模型中调节参数（λ）的选择。
图4  训练集与测试集的Rad-score箱式图。轴坐标0代表预测标签为无淋巴结转移，1代表预测标签为有淋巴结转移。4A：训练集；4B：测试集。
Fig. 3  The minimum absolute contraction and selection operator algorithm (LASSO) is used for dimensionality reduction feature screening, and the adjustment parameter (λ) is selected in LASSO model.
Fig. 4  Rad-score box plot of the training and test set. The axis coordinate 0 represents the predictive label of no lymph node metastasis, and 1 represents the predictive label of lymph node metastasis.

1.5 统计学方法

       采用SPSS 26.0统计学软件进行统计分析。采用卡方检验比较训练集及测试集两组间性别及神经侵犯是否有显著性差异；采用Kolmogorov-Smirnov检验对训练集及验证集两组患者的年龄、CA199、CEA、ki-67值及肿瘤最大径进行正态性检验，满足正态分布的采用独立样本t检验，否则采用Mann-Whitney U检验比较两组之间的差异有无统计学意义。采用单因素及多因素logistic回归方法对直肠癌患者临床相关因素进行分析，筛选出LVI的独立预测因子。

2 结果

2.1 临床信息

       本研究经筛选后共纳入直肠癌患者221例，男140例，女81例，年龄（60.59±9.13）岁。以8∶2比例随机分为训练集（177例）及验证集（44例）。训练集与测试集之间的所有临床指标差异均无统计学意义（P＞0.05），详见表1，表明训练集和测试集之间的患者基线临床特征分布均衡。单因素及多因素logistic回归分析显示患者年龄、性别、肿瘤标志物CA199值均与LVI无关（P=0.681、0.220、0.499）。单因素logistic回归分析示肿瘤最大直径、肿瘤标志物CEA及影像组学预测标签是LVI的独立危险因素（P＜0.05），多因素logistic回归分析最终只纳入了肿瘤最大直径及影像组学预测标签，二者可作为LVI的独立预测因子（P＜0.05），详见表2。

点击查看表格

表1  训练集与测试集无淋巴结转移的直肠癌患者临床病理资料比较
Tab. 1  Comparison of clinicopathological data of rectal cancer patients without lymph node metastasis in the training set and the test set

点击查看表格

表2  单因素及多因素logistic回归分析筛选淋巴血管浸润临床危险因素
Tab. 2  Clinical risk factors of lymphovascular invasion were screened by univariate and multivariate logistic regression analysis

2.2 影像组学特征筛选及模型建立

       FS-T2WI+T1CE结合临床特征的临床影像组学模型建立过程：首先，对提取的2268维特征经过降维后筛选出16维特征并构建Rad-score；然后，结合不同的分类器建立预测模型，结果以logistic回归分类器效能最优，AUC值及模型的敏感度、特异度最高（表3）；最后，根据构建的影像组学预测数据联合临床预测因子得出最终的预测模型指标。

点击查看表格

表3  MRI组学模型及联合模型对淋巴脉管浸润的诊断效能
Tab. 3  Diagnostic efficacy of MRI omics model and combined model for lymphovascular invasion

2.3 术前预测直肠癌患者LVI的模型与效能评估

       Delong检验显示FS-T2WI+T1CE联合临床预测因子模型与FS-T2WI模型、T1CE模型相比差异有统计学意义（P=0.004、0.042），与FS-T2WI+T1CE模型相比差异无统计学意义（P=0.132），Hosmer-Lemeshow检验所有模型P值均＞0.05，表明了预测值和实际临床观察值之间的一致性良好。通过模型之间比较，FS-T2WI+T1CE联合临床预测因子模型诊断效能最佳，在测试集中，其AUC值、敏感度及特异度分别为0.898、85.71%及86.67%。图5所示为4种模型测试集相对应的ROC曲线。

点击查看大图

图5  4种预测模型在测试集中的ROC曲线。5A：压脂T2WI的影像组学模型（FS-T2WI）；5B：T1WI增强的影像组学模型（T1CE）；5C：FS-T2WI与T1CE联合的影像组学模型（FS-T2WI+T1CE）；5D：FS-T2WI与T1CE联合临床预测因子模型（FS-T2WI+T1CE+临床预测因子）。
Fig. 5  Receiver operating characteristic (ROC) curves of the four prediction models in the test set. 5A: fat suppression-T2 weighted imaging (FS-T2WI); 5B: T1-weighted contrast-enhanced (T1CE); 5C: FS-T2WI+T1CE; 5D: FS-T2WI+T1CE combined with clinical predictor.

3 讨论

       本研究通过FS-T2WI、T1CE两个MRI序列与临床危险因素相联合建立了4个预测模型，用于术前预测无淋巴结转移的直肠癌患者LVI状态。我们发现，结合MRI影像组学特征及最大肿瘤直径的临床影像组学模型预测效能最好（训练集及测试集AUC分别为0.946、0.898），敏感度及特异度均较高，被确定为最优模型。最大肿瘤直径为影像组学预测无淋巴结转移的直肠癌LVI增加了额外的价值，有望成为辅助直肠癌患者临床决策的生物标志物。

3.1 直肠癌患者LVI预测模型的应用价值及效能分析

       LVI是指肿瘤细胞存在于直肠固有肌层外的内皮腔隙里或者肿瘤细胞对淋巴血管壁的破坏。癌细胞通过淋巴管或小静脉的扩散可能是淋巴结转移早期的关键步骤^[6,17]，并且LVI阳性的直肠癌患者明显比LVI阴性的直肠癌患者预后及总体生存率要差^{[18, 19, 20, 21]}。因此，研究有无淋巴结转移前的脉管浸润问题具有重要的临床价值。然而，我们发现这部分研究鲜有报道。与传统成像方法中使用的肉眼识别不同，影像组学分析可以自动筛选图像特征，深入研究肿瘤的异质性。本研究采用手动逐层勾画三维ROI方式，与常规的单层图像勾画（二维ROI）相比，三维可能包含了更多重要的空间特征^[22]。我们基于FS-T2WI及T1CE两个MRI序列经过特征提取、特征降维及logistic回归分类器构建的组学预测模型训练集及测试集AUC分别为0.912、0.869。既往研究^[11,13,23]利用单纯的高分辨T2WI或者CT图像来预测直肠癌LVI，AUC值在0.710～0.85之间，低于本文研究，这可能是因为单纯的CT诊断效能低于MRI序列或者不同研究之间特征筛选、模型构建的组学算法不同所致。ZHANG等^[24]利用T2WI、DWI和增强CT图像构建的多模态影像组学模型AUC可达0.876。这说明多序列影像组学模型比单一序列模型在术前LVI预测中发挥更大的价值，与本文得出的结论相同。并且本研究模型的效能高于既往研究的原因也可能与我们纳入MRI增强序列有关，T1CE序列不仅可以提供肿瘤的形态学信息，还可反映病灶的微循环状态^[16]，因此能从瘤灶的微循环和血管表面积中提取更多重要的特征，增加模型的预测性能。

       此外，我们与先前诸多研究结果一致：结合临床危险因素能提高模型性能^{[11,13,25-26]}。梁翠珊等^[25]利用CT影像组学特征联合血清CEA术前预测结直肠癌LVI的研究中，C指数为0.751，但敏感度及特异度均不高。GE等^[26]利用直肠癌不同的感兴趣体积的CT影像组学特征联合临床危险因素预测术前LVI中，发现基于肿瘤周围体积的影像临床联合模型在识别LVI方面的性能最好，AUC可达0.90。本研究构建的FS-T2WI+T1CE影像组学特征结合临床预测因子（肿瘤最大直径）的临床影像组学模型的AUC为0.898。虽然仍低于部分脉管侵犯的研究^[26]，但本研究是基于无淋巴结转移的直肠癌患者基础上进行的，这可能是造成结果不同的原因。

3.2 直肠癌患者LVI的临床指标分析

       除了影像组学特征标签，本研究经单因素logistic回归发现肿瘤最大直径及血清CEA水平为直肠癌LVI的独立危险因素。肿瘤的最大直径反映着癌灶浸润的深度，这印证了张景等^[27]和CHEN等^[28]的研究成果，即癌灶越大和浸润深度越深，侵犯周围的淋巴及脉管组织的可能性越大，因此对于术中发现肿瘤体积较大、浸润程度较深的患者，应仔细考虑手术方案，必要时扩大切除。血清CEA和CA199作为肿瘤细胞中的大分子物质，可参与细胞的免疫、黏附及凋亡过程，对直肠癌的鉴别诊断、病情监测、疗效评价等具有重要临床价值。诸多研究已表明CEA对神经、脉管浸润的结直肠癌患者的预后评估具有重要意义^{[29, 30]}。这与本研究结果一致，但CEA在临床影像组学模型中所占权重较轻，经过多因素logistic回归分析后未被纳入最终模型。关于CA199水平对直肠癌的LVI的影响结论并不一致，在本研究中，血清CA199的水平并不是LVI的独立预测因子，这与LI等^[13]研究结论一致：CA199值与脉管浸润或直肠癌的预后无关。而部分研究^{[31, 32, 33]}则表明CA199是直肠癌患者的诊断、淋巴结转移以及临床预后的危险因素。这可能是由于研究方法或样本量大小、纳入排除标准不同有关。本研究中年龄、性别等其他临床因素与LVI差异均无统计学意义，这与LI等^[13]、AKTEKIN等^[34]研究结论一致。

3.3 局限性分析

       本研究还存在一些局限性：首先，本研究为单中心研究，缺乏独立的外部验证，我们计划在未来的研究中将纳入多中心样本进一步验证；其次，本研究采用MRI进行筛选术前无淋巴结转移的直肠癌患者，并不能达到病理诊断状态，我们今后将利用正电子发射断层显像（positron emission tomography, PET）/CT或PET/MRI进一步研究，增加术前诊断淋巴结转移的敏感性、特异性及模型预测的准确性；最后，本研究为回顾性研究，可能存在不可避免的选择性偏倚。

4 结论

       综上，基于多模态MRI影像组学联合临床危险因素构建的影像-临床组学模型在预测LVI状态方面具有良好的诊断效能，能够作为评估直肠癌患者术前无淋巴结转移的LVI状态个体化决策支持工具，更好地辅助临床医生对患者进行术前决策、术后评价、预后评估，制订个体化临床治疗方案。