0 引言

       肝内胆管癌（intrahepatic cholangiocarcinoma, ICC）是起源于肝内胆管上皮细胞的恶性肿瘤，占原发性肝癌的15%，其发病率在全球范围内逐渐上升^[1]。肝内肿块型胆管癌（intrahepatic mass-forming cholangiocarcinoma, IMCC）是ICC中最常见的亚型，约占60%~80%，具有侵袭性和隐匿性，预后较差，术后5年生存率为41.2%^[2]。

       肿瘤分级是肿瘤最重要、最充分的Ⅰ类预后因素，可以提供关于肿瘤恶性程度的信息^[3]。早期准确诊断肿瘤分级可以指导治疗决策，提高患者生存率^[4]。临床中常通过术后病理获取分级信息，然而手术具有创伤性，部分高龄、身体素质差、确诊时已属中晚期或手术意愿不强烈的患者无法接受手术，对这类患者而言，术前精准预测病理分级变得极为迫切。MRI是一种常见的成像检查方法，但仅通过宏观MRI图像，很难在术前无创性评估IMCC分级。影像组学是一种利用医学影像数据进行特征提取和关联分析的方法，可以为疾病诊断、治疗和预后评估提供辅助信息^[5]，其已在肝脏病变研究中得到广泛应用^[6]。但以往研究^{[7, 8]}大多基于单中心/单模态，并且仅针对IMCC内部提取影像组学特征。IMCC为高度异质性肿瘤，肿瘤周围区域富含丰富的肿瘤异质性信息^{[9, 10]}。目前尚未发现有研究基于MRI平扫不同瘤周区域预测IMCC的病理分级。

       本研究旨在开发一种基于瘤内和瘤周MRI影像组学特征及临床影像学特征的联合预测模型，该模型有望实现术前无创性预测IMCC病理分级，为患者个体化治疗提供理论指导。

1 材料与方法

1.1 研究对象

       本研究为多中心研究，回顾性收集了自2017年1月至2024年2月在河北大学附属医院、首都医科大学附属北京佑安医院及中国人民解放军总医院第五医学中心，经手术和病理证实的197例IMCC患者临床及术前MRI资料。一般临床资料通过临床病历系统收集，IMCC组织学分级遵循世界卫生组织病理分级标准，将病变分为高分化（G1）、中分化（G2）和低分化（G3）。纳入标准：（1）术前3个月内进行磁共振扫描；（2）无肝癌治疗史；（3）图像质量满意，无明显伪影；（4）无其他肿瘤疾病；（5）病灶在MRI上清晰可见，并可成功扩展至肿瘤周围区域。本研究遵守《赫尔辛基宣言》，且经河北大学附属医院、首都医科大学附属北京佑安医院及中国人民解放军总医院第五医学中心伦理委员会批准，免除受试者知情同意，批准文号：HDFYLL-KY-2024-021、LL-2021-019-K及KY-2024-12-196-1。

1.2 检查方法

       三个研究中心MRI检查使用不同的MR扫描仪完成，包括德国Siemens Amira 1.5 T MR扫描仪、荷兰Philips Achieva 1.5 T MR扫描仪以及GE Discovery 750 3.0 T MR扫描仪，行上腹部MRI轴位扫描。Siemens设备扫描参数：（1）T2WI序列，TR 2100 ms，TE 102 ms，NEX 2，层厚5.0 mm，层间距6 mm，矩阵128×83，FOV 38 cm×38 cm；（2）弥散加权成像（diffusion weighted imaging, DWI）序列，TR 3900 ms，TE 66 ms，NEX 2，层厚5.0 mm，层间距6 mm，矩阵128×83，FOV 38 cm×38 cm。Philips设备扫描参数：（1）T2WI序列，TR 334 ms，TE 65 ms，NEX 2，层厚5.0 mm，层间距6 mm，矩阵220×252，FOV 40.2 cm×40.2 cm；（2）DWI序列，TR 1574 ms，TE 64 ms，NEX 6，层厚7.0 mm，层间距8.0 mm，矩阵124×124，FOV 37.5 cm×37.5 cm。GE设备扫描参数：（1）T2WI序列，TR 8000 ms，TE 68.90 ms，NEX 2，层厚5.0 mm，层间距6 mm，矩阵320×320，FOV 40 cm×40 cm；（2）DWI序列，TR 7500 ms，TE 80 ms，NEX 6，层厚5.0 mm，层间距6 mm，矩阵128×130，FOV 40 cm×40 cm。

1.3 影像学分析

       影像学特征由两位放射科医师进行双盲独立评估，如果出现任何差异，经过讨论达成共识。成像特征包括：（1）病灶位置（左叶受累、右叶受累、左右叶均受累）；（2）肿瘤形态（规则、不规则）；（3）T2WI肿瘤边界（清晰、模糊）；（4）瘤周胆管扩张；（5）肝包膜皱缩；（6）肝内胆管结石；（7）血管受累（门静脉、肝静脉及肝动脉主干和分支）；（8）血管穿行征（病变内可见血管穿行，包括门静脉、肝静脉、肝动脉的分支）；（9）可疑淋巴结（直径≥1.0 cm）；（10）T2WI信号（均匀高信号、不均匀高信号、低信号、外周高信号内部低信号、外周低信号内部高信号、等信号）；（11）DWI信号（均匀高信号、不均匀高信号、外周高信号内部低信号）。

1.4 影像组学分析

1.4.1 肿瘤的分割与扩展

       所有图像数据均来自图像存储与传输系统（picture archiving and communication system, PACS），数据以DICOM格式存储，由两名放射科医师（分别为具有5年阅片经验的主治医师和具有10年阅片经验的副主任医师）在病理结果和临床资料均不知情的前提下，使用软件ITK-SNAP（版本3.8.0）在DWI和T2WI两个序列上逐层勾画IMCC病灶区域，得到肿瘤感兴趣区（region of interest, ROI），利用Python库中的opencv算法包cv2.getStructuringElement函数（Version 4.8.0，https://pypi.org/project/opencv-python/）将勾画好的ROI向外分别扩展3、5、10、15、20 mm得到瘤周及肿瘤+瘤周区域，ROI扩展时尽可能避开周围大血管及胆管，超出肝脏轮廓以外的体积由两名放射科医生手动移除。ROI勾画、瘤周及瘤内+瘤周外扩示意图见图1。

点击查看大图

图1  低分化肝内肿块型胆管癌患者T2WI 和DWI 感兴趣区（ROI）勾画。1A~1C 为T2WI 图像，1D~1F 为DWI 图像，1A、1D 为瘤内ROI，1B、1E 为瘤内+瘤周3 mm ROI，1C、1F 为瘤周3 mm ROI。
Fig. 1  T2WI and DWI region of interest (ROI) delineation of patients with poorly differentiated intrahepatic mass-forming cholangiocarcinoma. 1A-1C are T2WI images, 1D-1F are DWI images, 1A and 1D are the ROI within the tumor, 1B and 1E are the ROI of intratumoral + 3 mm peritumoral, 1C and 1F are ROI of 3 mm peritumoral.

1.4.2 影像组学特征提取及筛选

       使用基于Python的PyRadiomics（v.3.0.1）进行图像预处理和特征提取，从每个序列图像的ROI中各提取1625个特征。（1）一阶统计特征：45个，用于描述像素强度的分布，包括均值、中位数、标准差、偏度、峰度等；（2）形状特征：15个，量化了肿瘤ROI的几何形状，如体积、表面积、紧凑度、球形度等；（3）纹理特征：包括240个灰度共生矩阵（gray level co-occurrence matrix, GLCM）、160个灰度游程长度矩阵（gray level run length matrix, GLRLM）、160个灰度区域大小矩阵（gray level size zone matrix, GLSZM）特征、5个邻域灰度差矩阵（neighbouring gray tone difference matrix, NGTDM）及140个灰度依赖矩阵（gray level dependence matrix, GLDM），用于描述图像中灰度分布的空间关系和结构信息；（4）滤波特征：760个，通过应用高斯拉普拉斯和小波变换等滤波器提取，用于捕捉图像中的纹理和细节信息。

       特征筛选过程：首先通过方差齐性检验和独立样本t检验筛选出在不同病理分级间差异具有统计学意义的数值型特征。随后采用递归特征消除算法（recursive feature elimination, RFE），利用随机森林作为基模型，递归地移除对模型贡献较小的特征，进一步精炼特征子集。最终通过最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归及正则化参数α的调节（其取值范围从0.0001到10，以对数等间隔分布），自动筛选出对模型预测最为关键的特征。

1.4.3 模型建立与验证

       使用逻辑回归（logistic regression, LR）分类器建立模型，采用分层抽样的5折交叉验证法验证，确保训练集和验证集的划分比例为80%和20%。将每一折的结果拼接起来作为最终进行评价分析的数据，并在交叉验证的训练集部分嵌入3折的网格搜索法，以选择最佳参数。数据集分布不均匀时，采用lr=LogisticRegression（class_weight='balanced'）以缓解样本不平衡问题。此外，我们使用StandardScaler对特征进行了规范化处理，使其满足零均值和单位方差的分布要求，这有助于加快模型的收敛速度并优化性能。建立的模型包括单序列瘤内组学模型、单序列瘤周组学模型、单序列瘤内+瘤周组学模型、双序列融合模型及多模态联合模型，筛选出其中效能最佳的模型。

1.5 统计学分析

       统计学分析采用SPSS 24.0及Python（v.3.8.5）统计分析软件，基线统计时连续变量采用独立样本t检验，分类变量采用卡方检验或Fisher精确检验，筛选特征时应用Levene检验评估不同病理分级间特征的方差一致性。在确认方差齐性后，对每个特征执行独立样本t检验，以评估特征之间的均值差异是否具有统计学意义。绘制受试者工作特征（receiver operating characteristic, ROC）曲线，分析评估模型性能，并测量ROC曲线下面积（area under the curve, AUC）以及准确度、敏感度和特异度。DeLong检验用于判断不同模型间AUC差异是否有统计学意义。校准曲线和决策曲线（decision curve analysis, DCA）评估模型一致性及临床价值。

2 结果

2.1 临床病理资料

       根据纳入标准，该研究最终纳入了三个研究中心的197名IMCC患者，包括130名男性和67名女性。其中，134例患者被归类为中至高分化组，平均年龄（57.82±9.32）岁；63例患者被归类为低分化组，平均年龄（60.52±10.51）岁。患者临床基线信息详见表1。

       经过LASSO算法筛选出性别、年龄、病灶位置及血管受累是IMCC病理分级的独立预测因子，纳入临床影像学模型中。该模型在训练集和验证集中的AUC分别为0.658（95% CI：0.623~0.691）和0.614（95% CI：0.542~0.682）（表3）。

点击查看表格

表1  患者一般临床资料及参数特征信息
Tab. 1  General clinical data and parameter characteristics of all patients

点击查看表格

表2  瘤内模型、瘤周模型、瘤内+瘤周模型预测效能
Tab. 2  Predictive performance of intratumoral model, peritumoral model and intratumoral + peritumoral model

点击查看表格

表3  临床影像学模型、双序列融合模型、多模态联合模型预测效能
Tab. 3  Predictive performance of clinical imaging model, dual sequence fusion model and multi-modal combination model

2.2 影像组学特征

       在两个序列中各提取了1625个影像组学特征，最终筛选得到瘤内特征DWI及T2WI各17个，DWI瘤周3 mm特征20个，T2WI瘤周3 mm特征8个，其中大多为小波变换后的组学特征，各特征详细信息见图2。

点击查看大图

图2  经LASSO筛选后保留的瘤内和瘤周3 mm影像组学特征。2A：DWI瘤内；2B：T2WI瘤内；2C：DWI瘤周3 mm；2D：T2WI瘤周3 mm。LASSO：最小绝对收缩和选择算子；DWI：弥散加权成像。
Fig. 2  Intratumoral and peritumoral 3 mm radiometric features retained after LASSO screening. 2A: Intratumoral DWI; 2B: Intratumoral T2WI; 2C: DWI peritumoral 3 mm; 2D: T2WI peritumoral 3 mm. LASSO: least absolute shrinkage and selection operator; DWI: diffusion weighted imaging;

2.3 单序列瘤内、瘤周、瘤内+瘤周影像组学模型的性能

       两个单序列模型中6个ROI的AUC、敏感度、准确度及特异度结果显示（表2），各影像组学模型均对IMCC病理分级有一定的预测价值，DWI序列各模型整体效能较T2WI序列更佳。其中瘤周模型中DWI序列3 mm模型取得了最佳性能，训练集及验证集中AUC分别为0.836（95% CI：0.808~0.861）和0.777（95% CI：0.708~0.846）。DeLong检验结果显示瘤周模型中除DWI序列3 mm模型与DWI序列5 mm模型外，其他模型之间AUC差异均具有统计学意义（P<0.05）；但瘤内与瘤周3 mm模型之间AUC差异不具有统计学意义（DWI：P=0.111；T2WI：P=0.176）。基于3 mm建立瘤内+瘤周模型，DWI序列瘤内+瘤周3 mm模型显示出最佳预测效能，训练集和验证集中的AUC分别为0.892（95% CI：0.868~0.912）和0.814（95% CI：0.753~0.866），DeLong检验显示与各模型之间差异具有统计学意义（P<0.05）。

2.4 双序列融合模型、多模态联合模型的性能

       双序列融合模型及各多模态联合模型的AUC、敏感度、准确度及特异度结果显示（表3），基于双序列瘤内+瘤周3 mm的融合模型训练集和验证集中的AUC分别为0.883（95% CI：0.859~0.905）和0.753（95% CI：0.687~0.812），其效能较DWI单序列瘤内+瘤周3 mm影像组学模型无显著提高。另外，加入临床影像学因素的各联合模型AUC数值上减低0.1~0.4，但DeLong检验显示差异无统计学意义，提示临床影像学因素不能够提高组学模型的性能（图3）。

点击查看大图

图3  训练集（3A）和验证集（3B）中各模型受试者工作特征曲线（ROC）。DWI：弥散加权成像。
Fig. 3  Receiver operating characteristic curve (ROC) for each model in the training set (3A) and validation set (3B). DWI: clinical imaging model.

2.5 模型评估

       训练集和验证集的校准曲线（图4）显示DWI序列瘤内+瘤周3 mm模型的预测结果与真实结果吻合度最好，比临床影像学模型、双序列融合模型和多模态联合模型有更佳的校准性能，表明在训练集和验证集中，DWI序列瘤内+瘤周3 mm模型的预测能力最佳。DCA曲线结果显示（图5），DWI序列瘤内+瘤周3 mm模型在训练集和验证集的曲线下面积均高于临床模型、双序列融合模型和多模态联合模型，表明DWI序列瘤内+瘤周3 mm模型在预测IMCC病理分级方面比其他模型具有更高的临床净收益。

点击查看大图

图4  训练集（4A）和验证集（4B）中各模型校准曲线。DWI：弥散加权成像。
Fig.4  The calibration curves for each model in the training set (4A) and validation set (4B). DWI: diffusion weighted imaging.

点击查看大图

图5  训练集（5A）和验证集（5B）中各模型决策曲线（DCA）。DWI：弥散加权成像。
Fig. 5  Decision curve analysis (DCA) for each model in the training set (5A) and validation set (5B). DWI: diffusion weighted imaging.

3 讨论

       本研究通过径向扩展距离肿瘤边界3、5、10、15和20 mm的距离来研究不同区域对肿瘤分级预测结果的影响。我们在T2WI和DWI序列上勾画了肿瘤、5个不同区域的瘤周组织以及1个最佳瘤周+肿瘤组织，共7个ROI，并提取了影像组学特征，充分捕捉与IMCC病理分级相关的影像信息。随后，通过比较确定最佳ROI和序列，以选择最佳组合来构建影像组学模型，将此模型的影像组学特征与临床影像学特征联合，建立多模态联合模型。结果显示，在组学模型中，瘤周模型具有一定预测效能优势，瘤周3 mm模型优于瘤内组学模型，DWI序列瘤内+瘤周3 mm模型被证实为最佳模型，训练组及验证组AUC分别为0.892（95% CI：0.868~0.912）和0.814（95% CI：0.753~0.866）。

3.1 单序列影像组学模型及临床影像学模型分析

       已有研究表明基于影像组学模型可用于预测原发性肝癌的病理分级^{[11, 12, 13, 14, 15]}，但以上仅针对肿瘤本身提取特征。本文除研究肿瘤内组学特征外，还分别探究了瘤周3、5、10、15、20 mm的组学特征，结果发现各瘤周模型对病理分级均有一定预测性能，这表明瘤周区域可提供有关肿瘤侵袭性的信息^[16]。

       赵华飞等^[17]基于CT影像组学探讨不同范围ROI对预测肝细胞癌微血管侵犯的影响，认为向瘤周扩展3 mm为最佳范围。在本研究中发现瘤周3 mm模型取得了最高的预测效能，较瘤内模型效果更佳，这可能是因为分化越差的IMCC对周围组织侵犯更严重，可提供更多的肿瘤周围微环境信息。本研究结果还发现随着瘤周范围增大，模型预测效果下降，这一现象与WANG等^[18]研究一致，造成这一现象的原因是较大范围的瘤周包含了过多的正常组织，对肿瘤微环境信息造成干扰。

       本研究发现来自DWI序列瘤周3 mm影像组学特征具有最佳预测价值，包括一阶统计特征6个和纹理特征14个，均基于滤波处理，并发现经过小波变换后的一阶统计特征wavelet-LLH_firstorder_Skewness与病理分级呈正相关，而wavelet-HHH_firstorder_Skewness呈负相关。LI等^[19]利用影像组学预测胰腺导管腺癌Ki-67水平时发现，超过1/2的特征为小波变换特征。张舒妮等^[20]选择14个特征预测乳腺浸润性导管癌腋窝淋巴结转移，所有特征均经滤波处理，其中7个为小波相关特征。以上研究均证实经过滤波处理后的组学特征能够提取多尺度和多方向的图像信息，更好地反映肿瘤异质性。

       在T2WI序列中，瘤周模型较瘤内+瘤周模型性能优，这可能是由于T2WI序列对水分子较为敏感，进而对瘤周水肿显示较清晰。同时病理分级主要依赖肿瘤细胞形态、生长方式及增殖活性^[21]，瘤内水分子对病理分级影响有限，导致瘤周模型预测病理分级的效果较瘤内+瘤周模型好。

       在所有影像组学模型中，DWI序列瘤内+瘤周3 mm模型显示出最佳效能，优于瘤内、瘤周3 mm及T2WI瘤内+瘤周3 mm模型，这与以往研究结果一致^{[22, 23, 24]}，瘤周联合瘤内影像组学可进一步提高模型性能。DWI可根据不同程度的水分子扩散观察组织的微观结构，肿瘤分化越差细胞增殖越旺盛，组织中细胞密度的增加，导致水分子扩散受阻，从而在DWI上显现出异常信号^{[25, 26]}，这或许是DWI模型较T2WI模型预测病理分级效能高的原因之一。

       在我们的研究中，影像组学模型整体性能较临床影像学模型佳，其原因可能是性别、年龄、病灶位置对IMCC病理分级的影响较局限，而血管受累虽有一定影响，如低分化的IMCC对血管侵袭性更强^{[27, 28]}，但或许因为数据量太小，并没有显示出统计学意义。

3.2 双序列融合模型、多模态联合模型分析

       TONG等^[29]基于T2WI与DWI影像组学特征预测直肠癌淋巴管血管浸润，发现DWI模型的AUC高于T2WI模型，与融合模型相当，这在一定程度上与本研究结果一致。本研究基于瘤内+瘤周3 mm范围提取T2WI与DWI的组学特征建立融合模型，发现T2WI影像组学特征的加入并不能提高DWI序列瘤内+瘤周3 mm模型的效能，造成这一结果的原因可能由于T2WI序列所提供的某些信息与DWI存在一定程度的重叠。另外肿瘤的异质性是影响病理分级的重要因素。DWI能够通过不同区域水分子扩散的差异，更好地揭示肿瘤异质性^{[30, 31]}。

       本研究中，DWI序列瘤内+瘤周3 mm模型预测病理分级效能最高，优于多模态联合模型，原因可能是临床影像学因素预测病理分级能力不足，以至加入临床影像学因素后并未提高影像组学模型性能。XU等^[32]基于瘤内、瘤周组学特征及临床影像学特征预测ICC术后复发，发现基于瘤内+瘤周5 mm的影像组学联合临床模型具有最佳预测效果，但在不同瘤周区域的影像组学联合临床模型中，预测性能低于相应的影像组学模型，这与本研究结果相符。

3.3 局限性

       （1）本研究为多中心回顾性研究，可能存在选择偏倚，且数据来源不同设备及参数，图像存在一定异质性。（2）本研究缺乏对数据的外部验证，未来计划收集更多数据进一步验证模型的泛化性。（3）本研究中大多数病例MRI检查在活检前4周甚至1周内，但存在少数超过4周，后续研究应严格控制间隔时间。（4）本研究中瘤内ROI由两名医师勾画，未进行一致性分析，在后续的研究中需开展一致性分析，以期能够提供更为精确的数据。

4 结论

       综上所述，基于T2WI及DWI瘤内及瘤周影像组学特征可以在术前有效预测IMCC病理分级，单模态DWI序列瘤内+瘤周3 mm为最佳预测模型，有望助力临床医生制订个性化的治疗方案以及随访计划，对患者预后评估具有重要意义。