0 前言

       卵巢上皮肿瘤占所有卵巢肿瘤的绝大多数，约占所有卵巢肿瘤的90%，已被公认为全球妇科癌症死亡的主要原因^{[1, 2, 3, 4]}。由于70%的病例在Ⅲ期或Ⅳ期才被诊断出来^{[5, 6, 7]}，导致预后不良，因此至关重要的是术前对卵巢上皮肿瘤的良性、交界性及恶性的鉴别。本研究使用了非侵入性诊断方法将良性、交界性、恶性卵巢上皮肿瘤患者区分开来。之前有研究使用电子计算机断层扫描（computer tomography, CT）对卵巢上皮肿瘤进行纹理分析^[8]，少有研究使用表观扩散系数（apparent diffusion coefficient, ADC）图进行分析，本研究填补了这个空白。既往有研究^[9]得出ADC图纹理分析的参数值与卵巢上皮肿瘤的病理分级有相关性是由于纹理分析用数值量化了肿瘤的异质性，能够提供放射科医生无法用肉眼完全量化的肿瘤特征，但多数研究是使用肿瘤最大横截面积来分析，与最大横截面积分析相比，全肿瘤纹理分析可以提供更具代表性的肿瘤异质性评估。到目前为止，还没有使用全肿瘤纹理分析来区分卵巢上皮肿瘤良性、交界性及恶性的研究。因此，本研究旨在探讨基于ADC图的全肿瘤纹理分析在鉴别良性、交界性及恶性卵巢上皮肿瘤中的价值，以期提高临床鉴别卵巢上皮肿瘤良性、交界性及恶性的准确率。

1 材料与方法

1.1 临床资料

       本研究遵守《赫尔辛基宣言》并经过甘肃省妇幼保健院医学伦理委员会批准，免除受试者知情同意，批准文号：GSWSKY2021-059。本研究为回顾性研究，收集了2019年1月至2022年9月经术后病理证实的71例卵巢上皮肿瘤患者（年龄范围20～78岁，中位年龄为50岁）病例，71个病灶被纳入研究（恶性病灶26个、交界性病灶23个、良性病灶22个）。以组织学分类为标准，其中有浆液性囊腺瘤17例、黏液性囊腺瘤5例、浆液性交界性肿瘤15例、交界性黏液性肿瘤8例、低级别浆液性癌8例、高级别浆液性癌12例、黏液性癌6例。

       纳入标准：（1）术前接受标准盆腔MRI扫描，图像质量良好可以用于纹理分析；（2）在MRI检查后2个月内经过手术切除后病理证实为良性或恶性肿瘤者；（3）无其他恶性肿瘤病史。排除标准：（1）MRI检查前已经接受过相关治疗的患者；（2）囊性肿块破裂患者。

1.2 MRI检查方法

       所有检查均采用Siemens Avanto 1.5 T MR扫描仪，患者取仰卧位，在平静呼吸的条件下，扫描范围包括耻骨联合下缘至下腹部。所有患者均行标准盆腔MRI平扫，由以下序列组成：使用自旋回波序列，包括横断面T1WI、T2WI及其抑脂序列、矢状位T2WI及横断位扩散加权成像（diffusion weighted imaging, DWI）序列（b值=0、400、800 s/mm²），并自动生成ADC图，具体序列参数见表1。

点击查看表格

表1  MRI序列参数
Tab. 1  MRI sequence parameters

1.3 图像分析方法

       由年资分别为3年和6年的住院医师和主治医师结合每位患者的病理结果及其多参数MRI图像，在ADC图上来选择感兴趣区（region of interest, ROI），如果遇到分歧，通过讨论最终达成共识。勾画全肿瘤体积，沿病灶的边缘开始勾画，避开脂肪，血管及周围器官组织，将坏死区域包括在ROI中，用来反映肿瘤的异质性；每个病灶测3次，取3次测量的平均值（图1）。将患者的MRI图像资料从PCAS工作站系统中以DICOM格式导出并存储，将DICOM格式的图像资料导入纽约大学医学院开发的Fire Voxel软件（版本号：392A），利用软件开始勾画病灶的三维ROI，得到全肿瘤直方图纹理参数，如熵、偏度、峰度、标准差、最大值、最小值、平均值等纹理参数值。

1.4 统计学方法

       使用SPSS 26.0统计软件进行数据分析。首先使用Kolmogorv-Smirnov检验验证数据分布是否服从正态，同时采用方差齐性检验良性、交界性、恶性各组的参数值，如果符合正态分布并方差齐则使用单因素方差分析，方差不齐或不符合正态则用多样本比较的秩和检验（Kruskal-Wallis H检验）。绘制受试者工作特征（receiver operating characteristic, ROC）曲线，选取最大约登指数为临界值，计算各参数诊断敏感度和特异度，评价各纹理参数值在良性、交界性及恶性各组之间的阈值和诊断效能。P＜0.05认为差异有统计学意义。

2 结果

2.1 三组患者的ADC图纹理参数特征比较

       单因素方差分析结果见表2。统计结果显示三组不同危险度的卵巢上皮肿瘤（良性、交界性、恶性）标准差的差异无统计学意义（P＞0.05），而不同危险度之间的熵、偏度、峰度、最大值、最小值、平均值差异有统计学意义（P＜0.05）。进一步采用事后邦弗伦尼法检验对各组危险度差异有统计学意义的参数值进行多重比较，结果显示熵及最大值在良性、交界性及恶性组之间均有统计学意义（P＜0.001；P=0.007），偏度、峰度、最小值在良性与交界性组、良性与恶性组之间的差异有统计学意义（P值分别为0.003、＜0.001、0.005），平均值在良性与恶性组之间差异有统计学意义（P值为0.001）。卵巢上皮肿瘤恶性组的熵、偏度高于良性组，而恶性组的最大值、最小值、平均值低于良性组。

点击查看大图

图1  女，33岁，卵巢恶性上皮肿瘤。1A：表观扩散系数图，病灶呈边界清晰的以实性成分为主的混杂信号；1B：利用Fire Voxel软件手动逐层勾画病灶。
图2  表观扩散系数图纹理分析参数预测恶性组卵巢上皮肿瘤的受试者工作特征曲线。
Fig. 1  A 33-year-old patient presented with malignant epithelial tumor of the ovary. 1A: The apparent diffusion coefficient image. The lesion presents a clear boundary mixed signal dominated by solid components; 1B: The use of Fire Voxel software to manually delineate the lesions layer by layer.
Fig. 2  Receiver operating characteristic curves of apparent diffusion coefficient map texture analysis parameters predicting ovarian epithelial tumors in the malignant group.

点击查看表格

表2  卵巢上皮肿瘤良性、交界性及恶性各组表观扩散系数图纹理参数的比较
Tab. 2  Comparison of apparent diffusion coefficient map texture parameters in benign, borderline and malignant ovarian epithelial tumors

2.2 ADC图纹理参数的诊断效能

       ADC图纹理参数在预测恶性卵巢上皮肿瘤中的诊断能力见表3。ADC图纹理分析参数预测恶性组卵巢上皮肿瘤的ROC曲线见图2。ROC结果显示，纹理参数中的熵、偏度、峰度、最大值、最小值、平均值预测恶性组卵巢上皮肿瘤的曲线下面积（area under the curve, AUC）分别为0.75、0.70、0.49、0.40、0.45、0.36，其中熵的AUC值最大。

点击查看表格

表3  表观扩散系数图纹理分析参数在预测恶性卵巢上皮肿瘤中的能力
Tab. 3  The ability of apparent diffusion coefficient map texture analysis parameters to predict malignant ovarian epithelial tumors

3 讨论

       本研究使用回顾性方法评估了全肿瘤ADC直方图纹理分析在鉴别良性、交界性及恶性卵巢上皮肿瘤中的价值。结果发现熵及最大值在良性、交界性及恶性组之间的差异有统计学意义，偏度、峰度、最小值在良性与交界性组、良性与恶性组之间的差异有统计学意义，平均值在良性与恶性组之间差异有统计学意义。此外，熵值能很好的预测恶性卵巢上皮肿瘤。研究表明，部分纹理参数在鉴别诊断卵巢上皮肿瘤良性、交界性、及恶性时具有显著差异，其中恶性组的ADC图纹理特征明显有别于交界性组，说明ADC图纹理分析对卵巢上皮交界性及恶性肿瘤的分类具有一定的提示意义，这与YE等^[10]的研究结果相似。由于卵巢交界性与恶性上皮肿瘤的治疗是截然不同的^{[11, 12, 13, 14, 15]}，因此，这一研究结果可以支持及帮助临床诊断及选择治疗方案。

3.1 ADC图纹理分析与卵巢上皮肿瘤分类的相关性分析

       纹理分析是一种新的成像方法，它可以从生物医学图像中提取大量的数据，并可以用纹理分析工具进行研究。通过分析图像体素之间的灰度变化，对ADC图进行纹理分析。这种方法捕捉空间和强度信息，识别肿瘤内的病理变化和细微结构的异质性。本研究中纹理分析检测出了良性、交界性及恶性卵巢上皮肿瘤的ADC图之间的细微差异，同时也间接支持了恶性卵巢上皮肿瘤中具有复杂的肿瘤异质性的观点。由于卵巢肿瘤的异质性，基于整个肿瘤的纹理特征包含了更多的空间信息，比基于预先选择的最大横截面ROI的传统方法具有更高的敏感度和特异度。在我们的研究中，从ADC图中提取的部分纹理特征在良性、交界性和恶性组之间存在显著差异。由于使用的采集条件相同，所以图像体素空间和强度特征的差异可能是不同肿瘤内的病理改变和微观结构的异质性所造成的。

3.2 ADC图纹理分析鉴别卵巢上皮肿瘤分类的临床价值

       卵巢上皮肿瘤在组织学上可分为良性（57%～60%）、交界性（4%～15%）和恶性（21%～33%）三组^{[16, 17, 18, 19]}。传统上，确定卵巢上皮肿瘤的组织学类型需要病理诊断，通常涉及侵入性检查。细胞学、冰冻切片活检和基于小组织样本的活检准确率分别为52%、81%和85%。因此，细胞学的低准确性对病理诊断提出了挑战。虽然结合免疫染色可以将诊断准确率提高到90%，但这需要额外的组织准备，如固定、脱水和包埋过程。此外，固定条件的选择可能会影响免疫反应，从而影响诊断的准确性^{[20, 21, 22]}。而在非侵入性检查中，与超声和CT相比，MRI是识别卵巢上皮性肿瘤形态特征比较有价值的工具。然而，先前的研究揭示了常规MRI在区分交界性和恶性卵巢上皮肿瘤方面的局限性，主要是因为这两种类型的肿瘤具有非常相似的形态特征。先进的MRI技术（如动态对比增强MRI、DWI和增强T2^*加权血管成像）也已被用于区分这两种类型的肿瘤^{[23, 24, 25, 26, 27, 28, 29, 30, 31]}。本研究所得出的结果中，交界性及恶性卵巢肿瘤在部分纹理参数中的差异是有统计学意义的，因此提供了一种非侵入检查手段来鉴别卵巢上皮肿瘤的组织学类型，指导临床诊断。

3.3 本研究的局限性

       首先，由于其回顾性设计和相对较小的样本量，不可能比较不同组织学类型的肿瘤；其次，我们的研究仍然需要进一步的多中心研究及更大的样本量来验证本研究结果的适用性；最后，虽然这项研究描述了ADC图纹理分析用于区分交界性和恶性卵巢上皮肿瘤的初步结果，但还需要进一步的研究来探讨我们发现的病理基础。

4 结论

       综上所述，基于ADC图的全肿瘤直方图纹理分析可能有助于鉴别良性、交界性、恶性卵巢上皮肿瘤之间的差异，尤其是交界性与恶性组的鉴别诊断。这些发现反过来可能会有助于指导患者未来的诊断方案。此外，熵值在预测恶性卵巢上皮肿瘤中的诊断性能最佳。我们还需要进一步研究评估多参数纹理分析在卵巢上皮肿瘤组织学分型中的预测能力。