林晓君，曹代荣，黄宏杰，高小建，严 川，郑婉静，郭 伟，邢 振

(福建医科大学附属第一医院医学影像科，福建 福州 350005)

直肠癌是临床常见恶性肿瘤之一，在我国发病率居恶性肿瘤第3位，并呈逐年上升趋势[1]。美国肿瘤联合会(American Joint Committee on Cancer, AJCC)第8版直肠癌分期为临床分期提供了参考依据[2]。MRI是术前诊断直肠癌的主要方法。弥散加权成像(diffusion weighted imaging, DWI)是MR功能成像技术，ADC值可反映组织水分子扩散运动状态。既往研究[3]认为ADC值有助于评估直肠癌分期，但常规ADC值无法反映肿瘤异质性。纹理分析可定量分析图像的像素灰度分布，并提供肉眼无法识别的图像信息，间接反映病变的病理特点[4]，有助于定性诊断肿瘤及分级[5-6]。本研究探讨基于ADC图像纹理分析预测直肠癌AJCC分期的价值。

1 资料与方法

1.1 一般资料 回顾性分析2016年8月—2019年8月福建医科大学附属第一医院经病理证实的102例直肠癌患者，男71例，女31例，年龄27～86岁，平均(62.4±10.3)岁；AJCC分期Ⅰ～Ⅱ期49例，Ⅲ～Ⅳ期53例；其中肝转移8例，肺转移5例，肝肺多处转移7例，盆腔转移3例；实验室检查显示糖类抗原199(carbohydrate antigen199，CA199)11.20(6.40, 20.72)U/ml，癌胚抗原(carcinoembryonicantigen，CEA)4.55(2.16,13.01)ng/ml。纳入标准：①无其他恶性肿瘤病史；②经手术或穿刺活检病理确诊直肠癌；③术前接受MR检查，此前未接受任何治疗。排除标准：①图像质量差；②病灶过小(少于3个层面)；③病灶实性成分少，囊变、坏死成分多。

1.2 仪器与方法 采用Siemens Skyra 3.0T超导MR扫描仪，18通道相控阵体部线圈。嘱受检者仰卧，头先进，采集矢状位T2WI、轴位DWI及T1WI，并行T1加权梯度回波容积内插屏气检查(T1-weighted gradient-echo imaging volume tricinterpolated breath-hold examination, T1WI-VIBE)+增强和高分辨率T2W扫描。DWI采用单次激发平面回波成像(single-shot echo planar imaging, SSEPI)序列，TR 6 100 ms，TE 59 ms，FOV 400 mm×302 mm，层厚5 mm，层间隔1 mm，矩阵180×153，激励次数2，b值为0、800 s/mm2，扫描结束后自动生成ADC图(图1)。

图1 ADC图，绿色为ROI区域

1.3 图像分析 从图像存储与传输系统(picture archiving and communications system, PACS)下载ADC图像，转换为DICOM格式，使之与MaZda纹理分析软件兼容。由1名有7年工作经验、不知晓病理结果的放射科主治医师手动沿肿瘤边界，尽量避开囊变、出血、坏死、水肿和肠腔内容物逐层勾画3D ROI，使之尽可能完整覆盖肿瘤区域(图1)。采用MaZda软件自动提取包括直方图、绝对梯度等纹理特征参数，以联合应用Fisher系数、分类错误概率联合平均相关系数(POE+ACC)及交互信息(MI)的FPM方法识别最佳纹理参数。分别采用B11模块提供的纹理分析方法原始数据分析(raw data analysis, RDA)、线性判别分析(linear discriminant analysis, LDA)、主成分分析(principal component analysis, PCA)及非线性判别分析(nonlinear discriminant analysis, NDA)进行数据降维，评价纹理分析评估AJCC分期的准确性，以最小错误率表示结果。随机选取90例患者数据，由1名具有10年工作经验的主治医师按照上述方法再次分析，评价2名医师(7年与10年工作经验)测量结果的一致性。

1.4 筛选特征及建立模型 自MaZda软件提取的全部纹理参数中筛选2名医师测量结果组内相关系数(intra-class correlation coefficient，ICC)>0.80者，并从中选取AJCC分期Ⅰ～Ⅱ期与Ⅲ～Ⅳ期患者间差异有统计学意义的参数，纳入LASSO-Logistic回归分析，通过10 folds交叉验证计算获得基于模型的误差λ(lambda.1se)及预测概率公式SCORE，建立模型Model 2；以公式SCORE联合Ⅰ～Ⅱ期与Ⅲ～Ⅳ期患者间差异有统计学意义的临床指标建立模型Model 1。

1.5 统计学分析 采用SPSS 20.0统计分析软件。以±s表示符合正态分布的计量资料，2组间比较采用独立样本t检验；以中位数(上下四分位数)表示不符合正态分布者，组间比较采用Mann-WhitneyU检验。对计数资料采用χ2检验进行比较。采用Spearman等级相关分析，|rs|<0.40为低度相关，0.40≤|rs|<0.70为中度相关，|rs|≥0.70为高度相关。以ICC评估2名医师测量结果的一致性，ICC>0.80为一致性良好。采用ROC曲线观察2种模型诊断直肠癌AJCC分期Ⅰ～Ⅱ期与Ⅲ～Ⅳ期的效能。P<0.05为差异有统计学意义。

2 结果

AJCC分期Ⅰ～Ⅱ期与Ⅲ～Ⅳ期直肠癌患者间性别、年龄差异均无统计学意义(P均>0.05)，AJCC分期Ⅰ～Ⅱ期直肠癌患者CA199、CEA均低于Ⅲ～Ⅳ期(P均<0.01)，见表1。

表1 AJCC分期Ⅰ～Ⅱ期与Ⅲ～Ⅳ期直肠癌患者间一般资料比较

2.1 纹理特征参数 MaZda软件共自动提取94个纹理特征参数(表2)，通过FPM方法识别出30个最佳者。RDA、PCA、LDA和NDA分析结果显示，30个最佳纹理特征参数鉴别AJCC分期的最小错误率分别为16.67%(17/102)、18.63%(19/102)、3.92%(4/102)和8.82%(9/102)，见图2。2名医师间ICC为0.86(0.79,0.92)。

表2 MaZda纹理分析相关纹理特征参数

图2 B11中4种不同分析方法数据分类鉴别能力直观图 A.RDA；B.LDA；C.PCA；D.NDA；图中1、2、3、4分别代表AJCC分期Ⅰ、Ⅱ、Ⅲ、Ⅳ期

30个最佳纹理特征参数中，19个参数的ICC>0.80，与AJCC分期进行Spearman相关性分析结果显示Mean3D(rs=-0.96、P<0.01)，Perc.10%3D(rs=-0.56、P<0.01)，Perc.50%3D(rs=-0.92、P<0.01)，Perc.90%3D(rs=-0.88、P<0.01)，S(1.0.0)SumAverg(rs=-0.96、P<0.01)，S(1.0.0)SumEntrp(rs=-0.59、P<0.01)，S(0.1.0)Correlat(rs=-0.81、P=0.42)，S(0.1.0)SumAverg(rs=-0.91、P<0.01)，S(0.1.0)SumEntrp(rs=-0.60、P<0.01)，S(1.1.0)Correlat(rs=-0.21、P=0.03)，S(1.1.0)SumAverg(rs=-0.91、P<0.01)，S(1.1.0)SumVarnc(rs=-0.56、P<0.01)，S(1.1.0)SumEntrp(rs=-0.60、P<0.01)，S(1.-1.0)SumAverg(rs=-0.90、P<0.01)，S(0.0.1)Correlat(rs=-0.10、P=0.29)，S(0.0.1)SumAverg(rs=-0.90、P<0.01)，S(0.0.1)SumEntrp(rs=-0.54、P<0.01)，S(0.0.1)Entropy(rs=-0.52、P<0.01)，Z GLevNonU(rs=-0.03、P=0.98)。

2.2 模型及诊断效能 94个纹理特征参数中，70个参数的ICC>0.80；将其中Ⅰ～Ⅱ期与Ⅲ～Ⅳ期患者间差异有统计学意义的38个纳入LASSO-Logistic回归分析，λ=0.006 3(-5.073)lambda.1se，预测概率公式为：SCORE=0.026 99×Mean3D-104.046 7×S(1.0.0)AngScmom+0.394 69×S(0.0.1)SumAverg+6.000 75×S(0.0.1)SumEntrp+4.208 92×S(0.0.1)Entropy+9e-05×Horzl_Rlnonuni。Model 2预测模型公式为：logit(Model 2)=-2.018 06+0.004 438×SCORE。Model 1预测模型公式为：logit(Model 1)=-1.116 84+0.004 29×SCORE-0.027 94×CEA-0.031 53×CA199。ROC曲线结果显示，Model 1诊断AJCC Ⅰ～Ⅱ期与Ⅲ～Ⅳ期的AUC=0.80，Model 2为0.72，前者大于后者(P=0.04)。见表3及图3。

图3 2种模型诊断AJCC分期的ROC曲线

表3 2种模型诊断效能比较

3 讨论

本研究对30个最优纹理特征参数分别通过B11模块中的RDA、PCA、LDA和NDA方法降低特征向量维数，以提高其辨别能力。真实数据集常利用LDA和NDA进行性能比较[7]。本研究中RDA提示Mean3D、S(1.0.0)SumAverg、S(1.-1.0)SumAverg等特征参数与AJCC分期相关；PCA显示AJCC分期的4期数据分布偏向一侧，提示分类错误率大；NDA数据以人工神经网络(artificial neural network, ANN)分类器进行分类，4期数据交叉重叠越多分类错误率越高；数据分布均匀的LDA以K-最近邻分类器(1-NN)进行分类，获得最具辨别力的特征，即LDA分类鉴别AJCC分期的错误率最低，准确率较高，提示B11筛选的最优特征参数可用于评估直肠癌AJCC分期。

均值是图像灰度分布均匀性的度量指标，肿瘤图像混杂程度越高，均值越小。本研究结果显示AJCC分期与Mean3D呈高度负相关，即分期越高，肿瘤恶性程度越大，均值越低。Perc.50%是一阶统计参数，主要反映灰度直方图的分布特征，ADC不同百分位数有助于肿瘤诊断及分级[8]。本研究结果提示Mean3D、S(1.0.0)SumAverg和Perc.50%可反映肿瘤内部的异质性信息，并可作为预测肿瘤分期的指标。

AJCC分期中的Ⅰ～Ⅱ期即TNM分期pN0期，Ⅲ期为pN1～2期。第8版AJCC建议应对Ⅲ期直肠癌患者进行辅助治疗[2]。相比根治性手术，对局部晚期pN1～2期患者行新辅助治疗后再进行手术，可降低50%～61%的局部复发风险[9]。AJCC分期ⅢA期为是否给予新辅助治疗的分水岭，此时术前影像学诊断尤为重要。本研究应用LASSO-Logistic回归分析筛选出6个联合纹理参数，得到基于纹理特征的SCORE，并建立Model 2。Model 1是SCORE联合CA199及CEA建立的模型，即对于术前患者，可将CA199、CEA及SCORE对应的各自评分相加而得到的总评分，通过总评分预测AJCC分期。ROC曲线结果显示，Model 1评估AJCC分期Ⅰ～Ⅱ期与Ⅲ～Ⅳ期的AUC为0.80，敏感度和特异度分别为0.84和0.72；特异度相对低的原因可能为AJCC分期Ⅰ～Ⅱ期肿瘤细胞增殖能力较弱，细胞密度较稀疏；而Ⅲ～Ⅳ期肿瘤内可能存在肉眼不可见的坏死，ADC变化与Ⅰ～Ⅱ期ADC变化存在一定重叠，导致特异度降低。潘艳霞等[10]报道，常规ADC图像无法预测直肠癌淋巴结是否发生转移，而基于ADC图像纹理分析可反映肿瘤异质性，对预测分期有一定价值。

本研究的局限性：①为回顾性研究，样本量相对少，可能存在选择偏移；②AJCC 0期原位癌过小，故未纳入研究，Ⅰ、Ⅱ、Ⅲ、Ⅳ期未再细分A、B、C期；③仅纳入部分常用纹理参数，未行全面影像组学分析。

综上，基于ADC图像纹理分析可用于评估直肠癌AJCC分期，为制定治疗方案和评估预后提供参考。