0 前言

       约85%的肺癌患者属于非小细胞肺癌（non-small cell lung cancer, NSCLC），手术切除是其首选治疗方法^{[1, 2]}。在临床实践中，对于出现淋巴结转移的NSCLC患者，除常规切除病变外，还需要进行系统淋巴结清扫，而对于没有淋巴结转移的NSCLC患者而言，系统淋巴结清扫不仅不能提供更高的生存率，而且还可能导致各类并发症的发生^{[3, 4]}。因此，在治疗前准确评估NSCLC患者的淋巴结转移情况对制订合理的治疗方案至关重要。电子计算机断层扫描（computed tomography, CT）是目前临床上常用的NSCLC淋巴结转移评估手段，且随着影像组学的发展，其评估方式也逐渐由传统的定性评估向精准定量评估转变^{[5, 6]}。然而，CT尚难以清晰准确地发现所有的病变淋巴结，且多次扫描可能对人体造成较大的辐射负担。三维超短回波时间（three-dimensional ultrashort echo time, 3D-UTE）是一种新型的MRI成像技术，越来越多的研究显示，在肺部病变的评估领域，3D-UTE可以产生与CT相似的诊断结果，不仅有望为相关患者的淋巴结情况评估提供一种新的方法，而且可以使检查者无须担心多次扫描所带来的辐射负担。据我们所知，目前3D-UTE在肺部疾病的应用多集中在形态学评估领域^{[7, 8, 9, 10]}，几乎没有相关研究利用影像组学方法探索其在肺部病变评估中的价值。本研究旨在采用影像组学方法建立一种基于3D-UTE的预测模型，用以评估NSCLC患者淋巴结转移情况，以期为临床提供一种能够规避辐射风险的新型评估手段。

1 材料与方法

1.1 研究对象

       回顾性分析河南省人民医院2022年4月至2022年10月因临床或CT检查疑似为肺癌患者的3D-UTE检查资料。纳入标准：（1）术后病理确诊为NSCLC；（2）临床和影像资料完整。排除标准：（1）MRI扫描前接受过放、化疗或手术治疗；（2）图像质量太差或病变太小（最大径＜1 cm），无法进行特征提取。最终，本研究共纳入48例NSCLC患者，男22例，女26例，年龄42～73岁。本研究严格遵循《赫尔辛基宣言》，并经河南省人民医院伦理委员会批准，免除被试知情同意，批准文号：2018067。

1.2 图像采集

       采用联影3.0 T MRI系统（uPMR790，上海，中国）进行扫描，配置12通道相控阵体线圈。患者取仰卧位，扫描范围为上至胸腔入口，下至肺下缘，并在患者腹部连接呼吸带以监测呼吸。3D-UTE扫描参数如下：TR 2.60 ms，TE 0.16 ms，翻转角3°，层厚2.00 mm，矩阵456×456，体素大小0.77 mm×0.77 mm×2.00 mm，视野500 mm×350 mm，扫描时间为5 min 26 s。

1.3 图像分割与特征提取

       采用联影智能uAI软件（v2.2.0，上海，中国）进行图像分割和特征提取。首先，一名具有5年工作经验的放射科主治医师在轴位3D-UTE图像上逐层沿原发病灶边缘手动进行全层面感兴趣区（region of interest, ROI）的勾画（直径范围11.00～35.00 mm），然后由一名具有10年工作经验的放射科副主任医师对已勾画的ROI进行检查。ROI划定完成后，该软件自动生成基于整个病变的感兴趣体积（voxel of interest, VOI）并提取出包括一阶、形状、纹理以及高阶特征在内的2349个组学特征。特征提取结束后，首先，对所有组学特征进行Z分数归一化^{[11, 12]}，然后使用最小绝对值收缩和选择（least absolute shrinkage and selection operator, LASSO）算法回归对特征进行降维^{[13, 14]}，最后使用SelectKBest来选择最相关的特征^{[15, 16]}（图1、2）。

点击查看大图

图1  模型建立流程图。UTE：超短回波时间；ROI：感兴趣区。
Fig. 1  Model building flow chart. UTE: ultrashort echo time; ROI: region of interest.

点击查看大图

图2  LASSO回归系数图，其中横坐标指代模型中非零系数的个数，纵坐标代表系数值，每条曲线代表每一个自变量变化的轨迹。LASSO：最小绝对收缩和选择算子。
Fig. 2  Plot of LASSO regression coefficients, where the horizontal coordinates refer to the number of non-zero coefficients in the model, the vertical coordinates represent the coefficient values, and each curve represents the trajectory of change in each independent variable. LASSO: least absolute shrinkage and selection operator.

1.4 建立模型

       使用支持向量机（support vector machine, SVM）算法对筛选后的特征进行建模^{[17, 18]}。

1.5 病理结果

       所有患者均经外科手术获得相应淋巴结样本，并送至本院病理科确认其是否发生转移。

1.6 统计学分析

       采用SPSS 26.0进行统计学分析，P＜0.05代表差异具有统计学意义。计量资料以（均数±标准差）表示，组间对比采用独立样本t检验；分类资料的组间对比则采用卡方检验。受试者工作特征（receiver operating characteristic, ROC）曲线被用于评估预测性能。Bootstrap（1000次采样）和校准曲线被用于该模型的验证^{[19, 20]}。

2 结果

2.1 基本信息

       共48例NSCLC患者被纳入本研究，淋巴结转移组25例，未转移组23例，两组被试在年龄、病灶最大径、性别、吸烟史因素中均无显著性差异（P＞0.05）两组患者间临床信息对比见表1。

点击查看表格

表1  患者的临床及病理资料
Tab.1  Clinical and pathological data of patients

2.2 特征提取结果

       共6个3D-UTE组学特征被纳入，包括3个一阶（first order）特征、2个小波变换（wavelet）特征和1个灰度矩阵（gldm）特征（图3）。

点击查看大图

图3  基于3D-UTE的影像组学特征图，其中，纵坐标代表特征名称（自上而下，1为灰度矩阵特征、2/5/6为一阶特征、3/4是小波特征），横坐标代表特征权重。
Fig. 3  3D-UTE based radiomics feature map, where the vertical coordinates represent feature names (From top to bottom, 1 is a grey matrix feature, 2/5/6 are first order features, 3/4 are wavelet features) and the horizontal coordinates represent feature weights.

2.3 模型建立与验证

       SVM算法被用于建立预测模型，ROC显示该模型的诊断效能为0.89（95% CI：0.77～0.96），敏感度为88.00%，特异度为86.96%（图4）；该预测模型在基于Bootstrap的验证中仍具有较高的诊断性能，AUC为0.87（95% CI：0.85～0.89，方差：1.13×10^-4，图4）；校准曲线显示该模型的预测值与实际观测值之间有较好的一致性（图5）。

点击查看大图

图4  3D-UTE影像组学预测模型（4A）与由Bootstrap验证过的3D-UTE影像组学预测模型（4B）的ROC曲线。3D-UTE：三维超短回波时间；ROC：受试者工作特征。
图5  3D-UTE影像组学预测模型的校准曲线，其中红色曲线代表模型预测的理论曲线，绿色曲线代表实际曲线。3D-UTE：三维超短回波时间。
Fig. 4  ROC curve for the 3D-UTE radiomics prediction model (4A) and the 3D-UTE radiomics prediction model validated by Bootstrap (4B). 3D-UTE: three-dimensional ultrashort echo time; ROC: receiver operating characteristic.
Fig. 5  Calibration curves for the 3D-UTE radiomics prediction model, where the red curve represents the ideal curve predicted by the model and the green curve represents the bias-corrected curve. 3D-UTE: three-dimensional ultrashort echo time.

3 讨论

       本研究率先应用SVM算法建立了一种基于3D-UTE影像组学特征的预测模型，用以评估NSCLC患者淋巴结转移情况。结果显示该模型对于淋巴结转移与非转移NSCLC的诊断效能可达0.89，敏感度为88.00%，特异度为86.96%；该模型在Bootstrap验证中亦显示出较高的诊断性能，AUC为0.87，且校准曲线表明该模型的预测值与实际观测值之间有较好的一致性。

3.1 3D-UTE组学模型预测NSCLC患者淋巴结状态

       影像组学可以从医学图像中高通量地提取大量影像特征，从而将视觉图像转变为可以计算的定量数据^{[21, 22]}，为NSCLC患者淋巴结转移情况的评估提供了一种新的手段。CONG等^[23]的一项研究表明，基于CT特征的影像组学模型在预测肺癌淋巴结是否转移方面优于传统的CT检查和形态学模型，训练集和验证集的AUC值分别为0.79和0.73。YANG等^[24]研究了159例原发性肺癌患者的CT特征，并构建了列线图预测模型，结果表明该模型可为临床决策提供更多有价值的参考信息。本研究率先使用影像组学方法提取NSCLC患者原发性病变的3D-UTE图像特征，并基于SVM算法建立了用以评估NSCLC中淋巴结是否转移的预测模型，且结果显示该预测模型对于NSCLC患者淋巴结转移情况的预测性能可达0.89。这与上述研究结果类似，表明基于3D-UTE影像组学特征预测模型在评估NSCLC患者的淋巴结是否转移方面能达到与CT组学模型类似的效果。我们推测3D-UTE对于肺部病变优秀的显示效果可能是造成这一结果的主要原因。与传统的MRI序列相比，3D-UTE可以通过利用较短的数据采集时间和径向中心外K空间轨迹，在射频脉冲结束时尽可能快地获得自由感应衰减，从而获得更高的各向同性空间分辨率和更少的运动伪影，因此能够对肺部病变进行更为清晰地显示^{[25, 26]}。以往的研究已显示，在肺部病变的形态学评估中，3D-UTE有着与CT类似的效果^{[9, 10]}，本研究进一步从影像组学角度证实了3D-UTE在肺部病变评估中的价值，有望为相关患者提供一种无需担心电离辐射的新选择。

3.2 机器学习算法对组学建模的影响

       近年来，随着各种人工智能算法的不断进步，机器学习在影像组学领域引起了越来越多的关注^{[27, 28, 29]}。SVM是众多机器学习算法的一种，它以广义线性方法为特点，能够以监督学习的方式对数据进行二元分类^{[17, 30]}。缪寿亮等^[31]提取了568例腰背痛患者的临床和CT影像组学特征并以SVM算法构建了相关预测模型，结果显示该模型对中轴性脊柱关节病具有较高价值。李笛等^[32]的研究也显示基于SVM的影像组学可以在肝脏结节分类中发挥重要作用。考虑到在影像组学分析领域的简单性、有效性和普及性，本研究亦选择了SVM开发基于3D-UTE的独立模型，结果显示基于SVM的3D-UTE影像组学模型可以有效预测NSCLC患者的淋巴结转移情况，这与上述研究结果一致，进一步证明了SVM在影像组学建模中的可靠性。然而，也有一些研究显示SVM并不能在某些疾病的评估中发挥作用。例如ZHOU等^[33]的研究就显示，与SVM相比，决策树分类器可以更好地区分原发性肺肿瘤和转移瘤。我们推测导致上述不一致的原因可能是因为不同的算法有自己的优缺点，且不同的疾病也拥有相对特定的病理生理学特征，因此单一一种算法很难满足不同疾病及影像成像技术的需求^{[34, 35]}。因此，在条件允许的情况下，尽可能使用更多的算法来建立模型可能是一种更好的选择。

3.3 局限性

       本研究的不足之处：（1）本研究患者量相对较少，仅采用了Bootstrap进行模型验证，而未能设置验证集，这可能导致模型预测性能被高估；（2）目前已有各种用于机器学习的预处理器和分类器，而本研究只使用了SVM的方法，这可能会在一定程度上影响模型的性能；（3）为了保证图像和影像组学特征的质量，我们排除了一些体积较小的病变，可能会对模型的实用性产生影响。今后我们将进一步增加样本量，同时尝试更多类型的算法策略，并尽量纳入多种类型病变，以期获得更加稳定可靠的结果。

4 结论

       综上所述，基于SVM算法的3D-UTE影像组学模型可以用于评估NSCLC患者淋巴结是否发生转移，有望为相关临床诊疗提供新的参考。