基于表观扩散系数图像影像组学模型对前列腺癌与前列腺增生的鉴别诊断价值

赵士玉，谢双双，郭瑜，刘晓斌，沈文*，孙建清

1.天津医科大学一中心临床学院，天津 300192；2.国家卫生健康委员会激素与发育重点实验室，天津市代谢性疾病重点实验室，天津医科大学朱宪彝纪念医院放射科，天津 300070；3.天津市第一中心医院放射科，天津 300192；4.飞利浦医疗，上海 200070； *通讯作者 沈文 shenwen66happy@163.com

前列腺癌（prostate cancer，PCa）是男性最常见的癌症之一[1]，随着PCa 患者的增多，其诊断、治疗及预后逐渐成为国内外研究的热点。目前，PCa 确诊方法为经直肠超声引导下穿刺活检，但其为有创检查。临床常用的无创诊断方法包括前列腺特异性抗原（prostate specific antigen，PSA）检测、直肠指检和MRI 等。其中PSA 检测特异性不强，在前列腺良性增生（benign prostatic hyperplasia，BPH）、前列腺炎、肉芽肿性炎症等病变中也有升高[2]。直肠指检仅能初步判定前列腺的大小、表面、质地情况，缺乏诊断准确性。功能MRI 不仅在PCa 的检测、定位、诊断、侵袭性评估等方面有显著优势，而且能从水分子扩散、循环灌注、代谢等微观层面无创地反映组织结构的功能变化[3]。

前列腺影像报告与数据系统（prostate imaging reporting and data system，PI-RADS）2.0 将扩散加权成像（DWI）和T2WI 作为诊断PCa 的主要方法[4]。PCa 在T2WI 上呈低信号，但在前纤维肌间质增生、炎症、活检相关性出血、萎缩、瘢痕和放射治疗后纤维化等某些非癌症异常情况下，T2WI 也呈低信号，故T2WI 对PCa 诊断敏感度高，但特异性低[5]。表观扩散系数（ADC）对水分子的微观位移很敏感，是量化DWI 的最常用模型[6]。前期研究显示，ADC 能有效提高前列腺良、恶性病变的鉴别效能，且稳定性优于拉伸指数、峰度和双指数模型[7-8]。Liu 等[9]提取ADC 图像的一阶图形特征对前列腺癌进行鉴别，取得了很好的鉴别效果。但肿瘤具有异质性，ADC 图像除一阶特征外，还有形态特征、二阶特征等许多其他特征。

从表2可以看出，尽管配方施肥与常规施肥对辣椒果实Vc含量、可溶性总糖含量和硝酸盐含量的影响无统计差异，仍可发现配方施肥对降低硝酸盐含量、增加Vc和可溶性糖含量有明显促进作用。两次品质分析结果显示，配方施肥处理的辣椒果实平均Vc含量和平均可溶性糖含量分别比常规施肥增加21.9%和10.3%，而平均硝酸盐含量下降13.7%。

影像组学的概念由肿瘤异质性启发而来，是通过高通量自动化提取大量医学图像表型特征，通过机器学习分类并建立模型[10]。影像组学方法可提取上百种、甚至上千种组织异质性特征，通过机器学习和建模分析，可辅助临床、指导临床工作。目前影像组学已应用于肺癌[11]、宫颈癌[12]、肝癌[13]、乳腺癌[14]、直肠癌[15]等领域，在前列腺方面的应用尚处于探索阶段。本研究通过建立ADC 图像影像组学模型，对PCa与BPH 进行鉴别诊断。

1 资料与方法

1.1 研究对象 回顾性分析2011年6月—2019年2月在天津市第一中心医院应用3.0T MR 行前列腺成像患者的临床和影像资料。纳入标准：①MRI 检查诊断为PCa（包括外周区和过渡区内癌）和BPH后行超声引导下穿刺活检或手术病理检查明确诊断；②患者行多参数MRI：T1WI、T2WI、DWI（b=0、1000 s/mm2）检查。排除标准：①既往有其他恶性肿瘤及相关病史；②MRI 检查前有前列腺手术、放疗、化疗、内分泌治疗或粒子植入术等病史；③体内有金属物体、幽闭恐惧症、不能配合检查者；④图像质量差，伪影明显，影响诊断的图像。搜集的PCa 和BPH患者按7∶3 区组随机化分成训练组和验证组。本研究经医院伦理委员会批准，所有受试者均签署知情同意书。

2.3 影像组学特征统计学分析结果 最后所得到11 个影像组学特征中有 5 个特征（GLSZM-square-GraylevelVariance、wavelet-LLH-10Percentile、wavelet-LLL-Minimum、NGTDM-logarithm-Busynes、wavelet-LLL-10Percentile）鉴别PCa 与BHP 效果显著（AUC 0.824～0.926），其中wavelet-LLL-10Percentile 的鉴别性能最高，准确度、AUC 值、敏感度和特异度分别为0.927、0.958、0.922 和0.931（表2，图2）。

1.3 图像分析 感兴趣区（ROI）的选取，将患者ADC图像导入Philips Radiomics Tool-Version 1.9.2 软件，由1 名放射科副主任医师（具有8年以上前列腺MR诊断经验）与1 名放射科住院医师（具有1年前列腺MR 诊断经验）共同探讨达成一致意见，在副主任医师的监督下，由住院医师参考轴位T1WI、T2WI、DWI图像，在轴位前列腺ADC 图像上逐层勾画ROI，PCa勾画整个病灶区（包括外周区和过渡区内癌），BPH勾画整个增生区，避开前列腺周围包膜、周围血管、精囊根部、出血、钙化灶及尿道，生成三维体积病灶（图1）。

1.2 仪器与方法 采用Philips 3.0T 超导型MR 扫描仪，16 通道相控阵体部线圈。扫描参数：①轴位T1：TR 570 ms，TE 8 ms，层数24，层厚3 mm，间隔0 mm，视野（FOV）24 cm×24 cm，矩阵340×300，激励次数（NEX）2；②轴位T2：TR 5000 ms，TE 100 ms，层数24，层厚3 mm，间隔0 mm，FOV 24 cm×24 cm，矩阵280×300，NEX 2；③DWI：b=0、1000 s/mm2，TR 6563 ms，TE 57 ms，层数24，层厚3 mm，间隔0 mm，FOV 24 cm×24 cm，矩阵96×114，NEX 2；④ADC：由DWI 图像生成。

1.5 统计学方法 应用Pathon 生成受试者工作特征（ROC）曲线，通过ROC 曲线下面积（AUC）比较影像组学特征和Logistic 模型对PCa 和BHP 的鉴别效能。

表1 PCa 和BPH 的ADC 图像影像组学特征滤过方式

1.4 图像处理 应用 Philips Radiomics Tool-Version 1.9.2 软件从每个三维体积病灶中提取影像组学特征。除图形特征外，其余所有影像组学特征均经滤过处理，具体滤过方式见表1。对特征集进行标准化处理，进行Spearman 相关分析，删除相关系数<0.5 的特征。使用最小绝对收缩和选择算子法进行降维。训练组使用5 折交叉验证法对Logistic 模型进行训练学习，验证组使用3 折交叉验证法进行验证。

竖井掘进机的支撑系统如图4所示，主要由支撑油缸、支撑靴板、扶正杆和框架构成[8]，其运行姿态由分布在上、下横梁处的8个支撑油缸进行控制。8个支撑油缸在上、下两横梁处均匀、相向分布，两两正交。根据油缸的排列位置，以设计轴线为垂直坐标轴z轴，以竖井掘进机底部中心为原点，可建立空间直角坐标系，以便量化竖井掘进机在破岩掘进过程中的姿态。

2 结果

少年急忙点头应诺。惊忙的样子，惹得一旁少女发出“扑哧”一声娇笑。笑声很低，似在克制，却又偏偏让他能够听到。

2.4 Logistic 模型统计学分析结果 Logistic 模型较影像组学特征鉴别性能更加显著，训练组准确度、AUC 值、敏感度、特异度分别为0.951、0.979、0.985、0.914；验证组准确度、AUC 值、敏感度、特异度分别0.902、0.983、1.000、0.789（图3，表3）。

医院要以成本效益观为立足点，对各申请科室立项的资本性投入项目(特别是大型设备购置)做到事前充分进行科学调研，科学论证，对项目进行横向、纵向的对比，对其在国内、省内的先进性，普及率及分布情况，收集信息，运用保本分析法、投资回收期法、利润净现值等方法进行投资评价；事中，由各临床科室和职能科室通过对项目产生的收入、人员经费、折旧维修费、卫生耗材、变动成本等资料，获取成本与效益之间的量化关系，进行分析，为以后成本投入提供成本数据；最后，将项目的投入产出率、使用率与绩效考核挂钩，进行成本效益分析。

2.1 临床资料 最终纳入77 例PCa 患者，年龄54～88 岁，平均（71.4±8.6）岁。纳入87 例BPH 患者，年龄34～86 岁，平均（69.9±10.2）岁。训练组115 例，其中54 例PCa，61 例BPH；验证组49 例，其中23 例PCa，26 例BPH。

表2 鉴别PCa 与BHP 效果显著的5 个ADC 图像影像组学特征统计学参数

图2 鉴别PCa 与BHP 效果显著的5 个ADC 图像影像组学特征的ROC 曲线

2.2 影像组学特征构成 本研究提取PCa 和BPH ADC 图像影像组学特征，最终提取出7 类影像组学特征：一阶统计特征325 个、图形特征17 个、灰度 共生矩阵特征432 个、灰度游程矩阵特征288 个、灰度区域矩阵特征288 个、灰度依赖矩阵特征252 个、相邻灰度差矩阵特征90 个，经滤过处理后获得共1692 个特征。经过降维后Spearman 相关分析，最后得到11 个影像组学特征用于构建预测模型。

5)技术规范类：例如厨房电气化、电动汽车等领域存在相关设备品质与相关技术标准参差不齐，因此需要相关技术部门或者业界知名企业制定与规划相关标准，从而引导电能替代及相关行业的长足发展。

图3 ADC 图像提取所得11 个影像组学特征Logistic 模型ROC 曲线

表3 ADC 图像提取所得11 个影像组学特征Logistic 模型统计学参数

3 讨论

前列腺腺体组织70%～80%分布于外周区，20%分布于中央区，而5%分布于过渡区，前纤维肌间质不含腺体组织[16]。约70%～75%的PCa 起源于外周区， 20%～30%起源于过渡区，起源于中央区的癌症并不常见，而发生于中央区的癌症通常继发于外周区肿瘤的侵袭。BPH 好发于过渡区，但往往掺杂着前纤维肌间质区增生[16]。在MRI 上很难区分前列腺各解剖区分界，日常工作中PCa 与BPH 的MRI 鉴别诊断常会出现误诊。本研究勾画的癌灶组织包括外周区和过渡区内的癌灶。BPH 内包括过渡区和基质区增生。影像组学方法可以提取图像大量表型特征，而这些特征难以通过视觉进行研究评估，通过机器学习可以实现影像图像的多种分类，通过建模分析可以指导临床诊疗工作。本研究提取了PCa 和BPH 的ADC 图像影像组学特征，建立Logistic 模型鉴别PCa 与BHP，结果有5 个特征能鉴别两者，wavelet-LLL-10Percentile 鉴别性能最佳（AUC=0.959）。Logistic 模型较特征参数鉴别能力更好。既往研究显示ADC 10%位数特征在鉴别过渡区 PCa 与间质 BHP 具有很好的性能（AUC=0.87）[9]。但既往研究均未对特征进一步滤过处理，本研究对提取的一阶特征进行多种滤过处理，派生出新的图像参数，wavelet-LLL-10Percentile 是对原始10%位数的特征进行小波滤过处理，对特征进行了多重矫正，使特征稳定性更强。另外，本研究通过标准化及降维处理，保证了所选特征的相关性最大，冗余性最小。并且纳入的对象均经过病理学验证。基于此，最终得到基于ADC 影像组学特征的鉴别性能达到较高水平。

本研究得到Logistic 模型在鉴别PCa 与BHP 的高性能鉴别性，Chen 等[17]也得到了相同的结果，该研究建立了T2WI 和ADC 的Logistic 模型，验证了影像组学模型在PCa 诊断及高低级别PCa 鉴别方面有较高的效能。Xu 等[18]通过提取双参数MRI（T2WI、DWI）特征建立Logistic 模型鉴别PCa（包括外周区和过渡区内癌）与非PCa，结果得到6 个影像组学特征在验证组中鉴别效能最好（AUC=0.92），并且比独立临床危险因素建立的临床模型鉴别诊断效能更高。本研究建立的Logistic 模型在PCa 的鉴别诊断方面具有很好的鉴别效能，并通过常规序列扫描进行信息采集，具有很大的易实现性。

本研究尚存在一些局限性：本研究样本量有限；并且ROI 分割未与组织学匹配；病理结果大部分为超声引导下穿刺活检证实，缺乏根治性前列腺切除术标本的进一步验证；本研究未区分外周区和过渡区内癌灶，因为有些情况PCa 同时发生在两个区域，很难具体区分开；PI-RADS 2.0 中建议ADC b 值的最小值应该在50～100 s/mm2之间，最大值应该在800～1000 s/mm2区间内[16]。本研究b 值为0、1000 s/mm2，b 值最小值不在推荐范围内，图像可能受微血管微灌影响。在以后的研究中，将进一步扩大样本量，采用不同b 值，对前列腺分区进一步研究，增加与病理科的合作，提高病变获取的精确度。

本研究基于ADC 图像的Logistic 模型鉴别PCa和BPH，鉴别效果达到了很高的水平。未来影像组学在医学领域中的应用会越来越广，将会为现代医学提供更加丰富的检查和监测方法。