0 引言

       宫颈癌是国内第七大常见肿瘤，发病率6.67%，死亡率2.39%^[1]。宫颈癌患者的死亡多与肿瘤转移相关，临床中其转移主要通过直接蔓延、淋巴结转移两种方式进行，血行转移的情况较为罕见^[2]。淋巴脉管间隙浸润（lymph-vascular space invasion, LVSI）是淋巴结转移的重要环节，LVSI也被认为是宫颈癌预后的中度危险因素之一^{[3, 4, 5]}。早期宫颈癌（包括FIGO IA、ⅠB1、ⅠB2和ⅡA1期）治疗方式包括手术切除或者放疗，两者疗效相仿^{[6, 7]}。欧洲肿瘤学会（European Society for Medical Oncology, ESMO）建议早期宫颈癌的治疗原则应是避免多模式治疗，对于术前已经明确诊断有病理危险因素，即存在中、高危复发风险的早期宫颈癌患者应直接转入放（化）疗^[6]。因此治疗前准确评估宫颈癌LVSI状态，有助于指导制订治疗方案，避免由于多模式治疗导致的毒副作用，提高患者生存质量。由于术前活检缺乏宫颈基质，活检标本评估宫颈癌的LVSI状态非常困难^[8]，而术后病理检查具有滞后性。因此术前准确评估LVSI是目前临床面临的困境。

       MRI因其具有较高的图像分辨率，被广泛应用于宫颈癌诊断中。研究表明基于不同序列功能成像，如酰胺质子转移（amide proton transfer, APT）、表观扩散系数（apparent diffusion coefficient, ADC）、弥散加权成像（diffusion-weighted imaging, DWI）、体素内不相干运动（intravoxel incoherent motion, IVIM）、动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI）参数对于LVSI状态评估具有一定价值，其受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）值范围为0.65~0.88^{[9, 10, 11, 12]}。MRI功能成像能够预测LVSI状态可能是因为其可以表征肿瘤内部微环境特征，例如血管通透性、细胞密度、组织间隙体积、蛋白质含量等^{[13, 14, 15]}，在LVSI不同状态下肿瘤内部微环境特征存在差异。然而目前研究多是以肿瘤整体或最大层面作为感兴趣区（region of interest, ROI），得到平均量化指标，忽略了肿瘤内部结构复杂的空间异质性^[16]。利用高通量提取医学图像特征的影像组学通过机器学习方法构建模型也能够预测术前LVSI状态，AUC值范围为0.77~0.94^{[17, 18, 19, 20]}。虽然影像组学特征一定程度上反映了肿瘤空间异质性^[21]，但是其图像特征是通过规定的体素为单位来表征肿瘤整体的特点，由于肿瘤内存在不同病理生理特点的区域，这些区域具有不同的生物学功能^[22]，基于表征肿瘤整体的传统影像组学不能反映肿瘤内不同区域的特性。生境成像技术可以将肿瘤分割为多个包含相似特征体素的空间子区域^[23]，并以子区域为ROI提取影像组学特征，量化生境亚区内微观体素尺度的异质性特征。但是，目前基于DCE-MRI定量参数图生境成像技术在术前评估宫颈癌LVSI状态方面的作用尚不清楚，因此本研究旨在利用DCE-MRI定量参数图像和生境分析从宫颈癌病灶亚区域提取影像组学特征建立机器学习模型预测术前宫颈癌患者LVSI状态，从而促进个性化治疗决策。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》，经甘肃省人民医院伦理委员会批准，免除受试者知情同意，批准文号2024-619。本研究回顾性收集了2015年5月至2024年10月在甘肃省人民医院432名行子宫根治性切除术的宫颈癌患者影像及临床资料。纳入标准：（1）根治性手术宫颈癌患者；（2）经病理学确诊为宫颈癌鳞癌/腺癌患者；（3）术前两周内行DCE-MRI扫描。排除标准：（1）术前实施放化疗治疗患者；（2）病理确诊淋巴结转移患者；（3）图像缺失、质量不佳等无法进行分析的影像图像；（4）临床、病理资料不完整；（5）合并其他恶性肿瘤。

1.2 组织病理学评价

       组织病理学切片用苏木精和伊红染色。切片由病理学家（具有10年经验）独立审查，重新评价LVSI、病理类型、分化程度、间质浸润深度和淋巴结转移。LVSI的定义为在侵袭性癌周围器官中，肿瘤细胞出现在明确的内皮衬里空间（淋巴管或血管）内。

1.3 图像采集及处理

1.3.1 图像采集

       图像扫描采用SIEMENS 3.0 T Skyra（德国西门子公司）、1.5 T Amira MRI（德国西门子公司）、3.0 T Elition（荷兰飞利浦公司），分别采用18、13、16通道体部相控阵线圈行DCE-MRI扫描，对比剂选用Gd-DTPA（佳迪显，钆特酸葡胺注射液，江苏恒瑞医药股份有限公司，中国），由高压注射器自手背静脉注射，速度3 mL/s，剂量0.1 mmol/kg。35个扫描时相不间断扫描，单个时相扫描时间8 s，第3个时相扫描开始注入对比剂，对比剂注射后即刻用20 mL生理盐水冲洗管道；扫描时间280 s，范围包括整个肿瘤。DCE扫描后行常规增强扫描。具体参数如表1所示。

点击查看表格

表1  MRI扫描序列详细参数
Tab. 1  Detailed parameters of MRI scan sequence

1.3.2 图像处理和肿瘤分割

       DCE-MRI数据处理采用Extended Tofts Linear双室模型，首先按顺序导入2°和15°翻转角数据，将DCE-MRI序列35期图像调入Syngo后处理工作站，应用Tissue4D由髂内动脉的时间-信号强度曲线（time-intensity curve, TIC）确定血流峰值期，获得转运常数（volume transport constant, K^trans）定量参数图以及分别测量全肿瘤最大层面的K^trans、速率常数（rate constant, Kep）、血管外细胞外间隙容积分数（extravascular extracellular volume fraction, Ve）的均值。由于成像技术的差异，来自不同机器的图像可能具有不同的像素值。为了减轻异常值的影响，我们对所有图像进行了标准化。使用空间标准化来减少体素间距的变化，在我们的实验中采用了固定分辨率重采样（1.0 mm×1.0 mm×3.5 mm）方法来解决这些问题，之后对图像标准化处理；在DCE-MRI根据TIC选取峰值期期相图像，将K^trans定量参数图像配准到35期时相峰值期图像中，在峰值期图像中进行人工分割，图像分割在ITK-SNAP软件（3.8.0,http://www.itksnap.org）进行。每例患者的ROI都是由一名有10年工作经验的影像科医生（主治医师）逐层勾画（图1）。采用组内相关系数（intra-class correlation coefficient, ICC）评估观察者内部和观察者间的重复性。随机选择21例患者，由具有15年经验的影像科医生（副主任医师）重新进行分割，以衡量观察者间的可变性。这2位影像科医生对于临床病史和术后病理不知情。对提取的放射组学特征进行一致性评估，ICC>0.75认为一致性较好。

点击查看大图

图1  基于DCE-MRI图像沿病灶边缘逐层勾画三维VOI示意图。1A：DCE-MRI图像及配准后的K^trans参数图；1B：肿瘤感兴趣区（红色）；1C：肿瘤生境区域感兴趣区；1D：肿瘤VOI；1E：肿瘤生境区域VOI。DCE-MRI：动态对比增强磁共振成像；VOI：容积感兴趣区；K^trans：转运常数。
Fig. 1  Schematic illustration of three-dimensional VOI delineation along lesion margins on DCE-MRI images. 1A: DCE-MRI and co-registered K^trans parametric maps; 1B: Tumor region of interest (red contour); 1C: Tumor habitat region of interest; 1D: Whole-tumor VOI; 1E: Habitat subregion VOI. DCE-MRI: dynamic contrast-enhanced magnetic resonance imaging; VOI: volume of interest; K^trans: volume transport constant.

1.3.3 生境亚区聚类

       利用K^trans定量参数图像的体素和特征值将VOI聚类成亚区域。利用OnekeyAI platform提取每个患者K^trans参数图VOI每个体素的19个组学特征值（具体特征如图-所示），采用K-means方法对患者群体水平的VOI区域的体素及组学特征值进行聚类，形成多个栖息地，并利用欧几里得距离（体素值和19个组学特征值）计算样本之间的距离相关性。生境区域聚类数值分别为设置为2、3、4、5、6、7进行测试，通过计算轮廓系数、戴维斯-博尔丁指数以确定最佳生境个数，其中轮廓系数值越大，戴维斯-博尔丁指数值越小，聚类性能越好。

1.4 特征选择和模型开发

       使用PyRadiomics软件（版本3.0.1，http://www.radiomics.io/pyradiomics.html）独立地从不同生境区域和整个肿瘤中提取特征，使用高斯拉普拉斯滤波器和小波滤波器进行特征的提取，包括一阶特征和形状、灰度共生矩阵，以及灰度大小区域矩阵、灰度行程长度矩阵、相邻灰度级差异矩阵、灰度级依赖矩阵、拓扑特征。完成影像组学特征提取后，将数据集按照7∶3比例随机划分为训练组和测试组，用于模型训练。首先，对于每个影像组学特征进行归一化，以消除特征之间的数值范围差异带来的影响，筛选ICC>0.75的影像组学特征，然后进行独立样本t检验（student t-test）或U检验（Man-Whitney U test）；其次，利用Pearson相关系数进行降维，以最小化共线性和噪声，舍弃平均绝对相关系数>0.9的特征；接着，采用5折交叉验证的最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）筛选具有非零系数的特征。该模型根据系数对保留的特征进行加权，并为每例患者计算1个影像组学分数。所有特征选择过程都是在训练组上进行，然后应用于测试组。技术路线图如图2所示。

点击查看大图

图2  研究技术流程图。图像采集和勾画部分展示了肿瘤最大层面及ROI区域和VOI示意图；生境区域划分部分分别展示了肿瘤19个组学特征可视化示意图，K-means聚类可视化示意图及肿瘤生境分割示意图；特征筛选展示了LASSO回归系数路径图及LASSO回归交叉验证曲线；模型评估展示了训练集、测试集ROC曲线及决策曲线。ROI：感兴趣区；VOI：感兴趣体积；LASSO：最小绝对收缩和选择算子；ROC：受试者工作特征。
Fig. 2  Technical flowchart of research. In the image acquisition and delineation segment, the maximum axial slice of the tumor is presented, accompanied by schematic illustrations of the ROI and VOI. For the habitat region partitioning segment, 19 radiomics feature visualization schematics of the tumor are displayed, along with a K-means clustering visualization plot and a tumor habitat segmentation diagram. The feature selection segment illustrates the coefficient path plot of LASSO regression and its corresponding cross-validation curve. Finally, the model evaluation segment presents the ROC curves and decision curves for both the training and test sets. ROI: region of interest; VOI: volume of interest; LASSO: least absolute shrinkage and selection operator; ROC: receiver operating characteristic.

1.5 模型的构建

1.5.1 影像组学模型构建

       完成影像组学特征筛选后，将最终特征应用于包括支持向量机（support vector machine, SVM）、自适应增强算法（adaptive boosting, AdaBoost）、多层感知机（multilayer perceptron, MLP）在内的机器学习算法，分别构建基于全肿瘤及生境亚区影像组学特征的预测模型，并进行5折交叉验证，其中最佳算法将筛选出的影像组学特征构建影像组学标签。最后建立了以下几个模型：（1）生境区域放射组学模型，包括不同子区域放射组学特征；（2）全肿瘤放射组学模型；（3）生境放射组学模型与传统放射组学联合模型，联合模型分别采取特征融合（前融合）和结果融合（后融合）的方法进行模型构建。

1.5.2 临床模型和联合模型的构建

       对年龄、肿瘤标志物等临床特征进行了单因素和多因素logistic回归分析，筛选出独立预测因子，据此开发出临床模型。构建1个综合影像组学标签与临床特征的联合模型。

1.6 模型的诊断效能评价

       使用AUC评估模型预测效能，DeLong检验比较各种预测模型的AUC差异，决策曲线分析（decision curve analysis, DCA）、净重分类改善指数（net reclassification improvement, NRI）指标评估模型的临床价值。

1.7 统计学分析

       所有数据统计学分析均使用Python软件（版本3.7.12，http://www.python.org）进行。连续变量采用独立样本t检验或U检验，离散变量采用χ²检验（Chi-squared test）进行统计学检验来比较两组患者的临床特征。单因素和多因素logistic回归分析（向前法），筛选LVSI相关独立预测因子。双侧P<0.05为差异有统计学意义。

2 结果

2.1 临床基线统计

       最终共纳入102例患者，训练集71例，测试集31例。LVSI（+）患者38例，LVSI（-）患者64例，其中训练集LVSI（+）患者26例，LVSI（-）患者45例，测试集LVSI（+）患者12例，LVSI（-）患者19例。训练集中，K^trans、Kep、糖类抗原153差异有统计学意义，测试集中，年龄差异有统计学意义（P<0.05；表2）。单因素逻辑回归分析结果表明年龄、身高、体质量、身体质量指数、K^trans、Kep是宫颈癌LVSI状态相关的影响因素，多因素逻辑回归分析，结果显示未有临床指标被纳入作为预测LVSI状态的独立危险因素（表3）。

点击查看表格

表2  临床基线统计
Tab. 2  Clinical baseline statistics

点击查看表格

表3  逻辑回归筛选预测宫颈癌LVSI状态因素
Tab. 3  Screening of predictive factors for predicting LVSI status in cervical cancer using logistic regression

2.2 肿瘤生境区域划分及放射组学特征选择

       基于轮廓系数、戴维斯-博尔丁指数确定生境数量的最佳聚类数为3类（图3）。基于3个生境区域和整个肿瘤，从成像数据中共提取了分别提取3592基于生境区域组学特征和1228个全肿瘤组学特征。基于全肿瘤区域特征使用ICC值>0.75筛选特征后，整个肿瘤的组学特征的剩余数量为1218。使用Pearson相关系数进行分别得到生境区域和整个肿瘤的228、34个特征。使用LASSO筛选训练队列的剩余组学特征进行模型构建，分别基于生境区域和整个肿瘤产生18和8个最佳影像组学特征。将生境区域及整个肿瘤区域筛选出的最佳特征用于特征融合进行联合模型建模，最终产生16个最佳影像组学特征。各影像组学建立模型相对权重见图4。

点击查看大图

图3  最佳聚类个数评价。3A：戴维斯-博尔丁指数；3B：轮廓系数，在聚类个数为3时最优。
Fig. 3  Evaluation of optimal number of clusters. 3A: Davies-Bouldin index; 3B: Silhouette coefficient. The optimal number of clusters is 3.

点击查看大图

图4  模型影像组学特征及相关系数。4A：瘤内模型影像组学特征；4B：生境影像组学特征；4C：前融合模型影像组学特征。
Fig. 4  Radiomic features of models and correlation coefficients. 4A: Intratumoral model radiomic features; 4B: Habitat radiomic features; 4C: Pre-fusion model radiomic features.

2.3 基于生境成像和全肿瘤的放射组学性能评价

       将瘤内影像组学及生境影像组学特征进行建模，之后建立联合模型，各模型的预测效率总结如表4和表5所示。结果显示基于AdaBoost分类器的前融合联合模型表现出优异的预测效能，训练集AUC值为0.916，验证集AUC值为0.831。DeLong检验显示训练集中Pre_AdaBoost模型与Pre_SVM、Pre_MLP、Post_AdaBoost差异均有统计学意义（P<0.05），详见图6A；NRI显示在训练集和测试集中Pre_AdaBoost模型优于其他模型。Pre_AdaBoost联合模型在测试集中表现出良好的净收益。联合模型ROC曲线分析、DCA曲线、DeLong检验、NRI结果如图5、图6所示。

点击查看大图

图5  模型效能评估。不同分类器融合模型在训练集（5A）、测试集（5B）的ROC曲线；不同分类器融合模型在训练集（5C）、测试集（5D）校准曲线，对角虚线表示参考线，实线表示模型的性能，对角虚线参考线与实线越接近表示性能越好；不同分类器融合模型在训练集（5E）、测试集（5F）决策曲线，基于AdaBoost分类器的前融合联合模型测试集中净收益最大。
Fig. 5  Performance evaluation of models. The ROC curves of fusion models with different classifiers for the training set (5A) and the test set (5B). The calibration curves of fusion models with different classifiers for the training set (5C) and the test set (5D), in which the diagonal dashed line represents the reference line, the solid line indicates the model's performance, and the closer the solid line is to the diagonal dashed reference line, the better the performance. The depict decision curves of fusion models with different classifiers for the training set (5E) and the test set (5F), the pre-fusion joint model based on the AdaBoost classifier achieved the highest net benefit in the test set.

点击查看大图

图6  训练集（6A、6B）、测试集（6C、6D）DeLong检验、净重分类改善指数（NRI）结果。
Fig. 6  DeLong's test and Net reclassification improvement (NRI) results for the training set (6A, 6B) and the test set (6C, 6D).

点击查看表格

表4  基于不同分类器宫颈癌瘤内影像组学和生境影像组学模型预测性能
Tab. 4  Prediction performance of intratumoral and habitat radiomics models for cervical cancer based on different classifiers

点击查看表格

表5  基于不同融合方法宫颈癌各类融合模型预测性能
Tab. 5  Prediction performance of various fusion models for cervical cancer based on different combination methods

3 讨论

       本研究通过K-means聚类算法分析宫颈癌DCE-MRI数据，构建了表征血流灌注空间异质性的生境图像，基于生境区域影像组学联合瘤内影像组学前融合联合模型在训练集和测试集中表现出优异的预测效能。我们的研究表明基于生境放射组学联合瘤内影像组学模型可以作为治疗前评估宫颈癌LVSI状态的方法。

3.1 Ktrans在宫颈癌预测LVSI状态方面的价值

       在一定程度上K^trans可以反映肿瘤血流灌注状态，图像灰度本身代表不同的血流灌注状态，图像更具有生物可解释性，因此本研究选择基于DCE-MRI的K^trans药代动力学参数图进行生境区域的划分。为了更好地区分生境区域之间的差异性，除了基于K^trans图像体素水平外我们还提取了19个基于图像灰度差异的影像组学特征用于K-means聚类划分不同的生境区域。生境最佳聚类个数的选择我们选取2个不同指标进行评估，均显示划分3个亚区效果最好。尽管本研究仅采用了基于K^trans参数单模态图像，但也避免了由于配准过程中扭曲体素值而导致的图像空间差异^[24]。

       本研究中临床指标并未纳入相关独立危险因素，我们猜测可能与本研究样本量有限及存在选择偏移具有一定的相关性。其次，在DCE-MRI功能参数中，既往研究表明K^trans值与LVSI状态相关，LVSI阳性的肿瘤内K^trans较高，提示新生血管增多和血管壁通透性更大^[25]。本研究中基于全肿瘤测量的K^trans值经多因素分析显示在不同LVSI状态下差异不存在统计学意义。我们猜测虽然LVSI会影响肿瘤新生血管，但是这种影响可能是发生在肿瘤更小的局部区域，而全肿瘤或较大区域肿瘤组织平均K^trans不能反映更小的局部区域的差异性，因此，利用K^trans预测LVSI状态会存在主观选择局部ROI的偏倚。

3.2 生境影像组学在宫颈癌预测LVSI状态方面的价值

       本研究采用不同融合方法进行联合模型构建，基于前融合方法构建基于AdaBoost分类器的联合模型效能明显提高，训练集和验证集AUC分别为0.916和0.831，显著优于基于后融合方法构建的联合模型，这可能是由于基于前融合机制在模型早期阶段将不同特征进行融合，使得模型能够从底层特征中捕获特征之间的交互信息，而后融合仅在输出层进行融合，该策略可能会丢失各模态间的细粒度交互信息^{[26, 27, 28]}。由于不同模态影像图像可以彰显不同的影像学信息。为了更多地挖掘图像信息，既往研究显示通过提取多序列医学图像特征构建的影像组学模型预测宫颈癌术前LVSI状态表现出优越的诊断效能，AUC值范围为0.77~0.94，并且多序列MRI基础模型诊断效能优于单序列MRI基础模型^{[17, 18, 19, 20]}。本研究仅通过整合K^trans单序列图像中全肿瘤图像信息及生境亚区图像信息构建影像组学模型即可表现出优异的诊断效能（验证集AUC为0.831），可以显示出利用生境分析可以挖掘更多的图像信息，为影像组学研究提供新的思路。在用于构建特征前融合模型中的影像组学特征包含4个生境亚区1特征、4个亚区2特征、3个亚区3特征以及5个瘤内特征。肿瘤生境是肿瘤细胞为适应不同压力而形成的微环境，不同的生境区域有着不同的环境选择及细胞进化策略^[29]，不同的生境区域构成生态系统。多数研究者认为癌症是一个复杂的细胞生态系统，各种环境选择压力可以重塑肿瘤细胞特性，有利于肿瘤细胞侵袭性生长^{[30, 31]}。本研究中基于不同亚区提取的特征均对表征LVSI状态模型的构建有一定的贡献度，LVSI作为肿瘤侵袭性的一种表现，我们猜测肿瘤细胞的进化是各个生境亚区之间相互作用共同促进的结果。在5个瘤内特征中包含2个拓扑学特征。拓扑数据分析是一种用于医学影像分析的新方法，它利用拓扑学中的工具，可以观察数据中的全局结构^[32]，这是首次将拓扑学特征纳入宫颈癌相关图像分析中，并体现出一定的价值。本研究基于瘤内影像组学模型中效能表现不佳，训练集AUC较高者仅为0.623，基于生境亚区影像组学模型训练集AUC可达0.746，优于传统瘤内影像组学模型。这可能是由于肿瘤内部存在不同病理生理区域，亚区特征能捕捉局部微环境差异（如血管通透性、细胞密度），而全肿瘤平均指标会掩盖关键异质性信息。

3.3 本研究的局限性及展望

       本研究存在一定的局限性：第一，本研究为单中心研究无外部验证集并且样本量有限，未来研究在扩充样本量的同时增加为多中心研究；第二，由于是回顾性研究，可能会有一定的选择偏差；第三，本研究仅探索了基于K-means聚类算法的子区域影像组学特征，未评估基于Otsu算法等其他方法的生境区域影像组学特征的预测值，未来我们会进一步探索基于不同分割方法及不同算法进行分析开发新的模型。

4 结论

       综上所述，基于DCE-MRI定量参数图生境影像组学和瘤内影像组学联合模型在预测宫颈癌LVSI方面具有一定价值，可以帮助促进个性化治疗决策。利用生境分析可以挖掘更多的图像信息，可以为影像组学研究提供新的思路。