王姗 孟蒙 姜岐涛 孟宪平 沈钧康 段绍峰

前列腺癌（prostate cancer，PCa）是老年男性最常见的恶性肿瘤之一，在美国，其发病率高居男性肿瘤首位，死亡率居第2位［1］。近年来，随着血清前列腺特异性抗原筛查普及、人口老龄化加剧及生活方式改变等，中国男性前列腺癌发病率呈现明显上升趋势。PCa的确诊及病理分级大多数依赖于经直肠超声引导下前列腺穿刺活检术（transrectal ultrasoundguided biopsy，TRUS-Bx），但由于肿瘤的异质性及穿刺活检技术的取材偏倚性，获取的小部分肿瘤组织并不能代表肿瘤组织的全部特点。因此，寻找一种无创的全面而精确评价PCa分级的方法有重要临床意义。

纹理分析是近些年来新出现的一种图像后处理技术，通过应用大量的自动化数据特征化算法将感兴趣区（region of interest，ROI）的影像数据转化为具有高分辨率的可发掘的特征空间数据，可揭示肿瘤预测性的信号，能够捕获肿瘤内在的异质性，并利用这些定量信息对疾病的鉴别诊断、分级及疗效评价进行研究［2］。本研究旨在探讨基于弥散加权成像（diffusion weighted imaging，DWI）纹理分析在对前列腺癌Gleason评分高危组（Gleason评分≥4+3）与低危组（Gleason评分≤3+4）进行分类的价值。

方 法

1.研究对象

回顾性分析2018年5月至2019年12月江阴市人民医院收治的前列腺癌患者。纳入标准：①患者在我院进行前列腺MRI扫描，扫描序列包括常规MRI序列及DWI序列；②MRI检查后1～2个月内经手术病理或穿刺活检证实为前列腺癌，根据病理学标准进行Gleason评分；③患者行MRI检查前，无前列腺穿刺活检史、无内分泌治疗或放疗等相关治疗史。排除标准：①图像伪影较重，不能用于数据分析；②肿瘤体积过小，病灶在DWI图像显示不清，无法勾画或不能准确勾画病灶感兴趣区者；③病理诊断的穿刺取材部位与DWI图像对应位置不匹配。

2.检查方法

采用荷兰Philips 3.0 T Ingenia MR扫描仪，射频发射线圈为体线圈，接收线圈为腹部16通道相控阵线圈。扫描前患者适度充盈膀胱，仰卧位，扫描中心定位于耻骨联合上方2 cm。扫描序列包括轴位T2WI，轴位T1WI，冠状位和矢状位T2WI，轴位DWI序列。扫描参数如下：

（1）T2WI：重复时间（TR）3 000～5 000 ms，回波时间（TE）80 ms，层厚3 mm，无间距扫描，视野（FOV）220 mm×220 mm，矢状位矩阵248×239，冠状位和横轴位矩阵292×259。

（2）T1WI：TR 400～600 ms，TE 8 ms，层厚3 mm，无间距扫描，FOV 220 mm×220 mm，矩阵276×197。

（3）DWI序列：TR 2 000～2 500 ms，TE 90 ms，层厚3 mm，无间距扫描，FOV 220 mm×321 mm，矩阵96×141，b=0、1 000、1 500 s/mm2。

3.图像分析

将患者MRI图像以DICOM格式从PCAS工作站导出并存储。使用ITK-SNAP软件（www.itksnap.org），由1名医师（从事前列腺MRI研究6年）在不知晓Gleason评分的情况下，在DWI（b=1 000 s/mm2）序列上对病灶手动逐层绘制ROI，避开尿道、囊变、钙化、出血，横轴位T2WI及ADC图用于辅助DWI图像上靶病灶的解剖定位（图1、2）。

图1 前列腺癌（Gleason评分=3+4，病灶位于左侧外周带）ROI勾画过程

纹理分析采用AK软件（3.2.0版，GE医疗中国）提取定量影像特征，包括灰度直方图（histogram）特征42个，灰度共生矩阵（grey level co-occurrence matrix，GLCM）特征149个，灰度游程矩阵（grey level run-length matrix，RLM）特征178个，灰度区域大小矩阵（gray level size zone matrix，GLSZM）特征10个以及形态（shape）特征9个，共388个纹理特征。直方图特征反映ROI内灰度值的分布情况。纹理特征反映了ROI内灰度的空间分布情况。形态特征描述了ROI的几何形态。

图2 前列腺癌（Gleason评分=5+4，病灶位于右侧外周带）ROI勾画过程

4.统计学分析

采用SPSS软件（20.0版本）和R软件（3.6.1版本，http：//www.R-project.org）进行统计分析。采用Kolmogorov-Smirnov检验评价纹理特征是否符合正态分布，采用Levene检验进行方差齐性检验。正态分布且方差齐的纹理特征采用两独立样本t检验比较高、低级别PCa组间差异，方差不齐者或者不符合正态分布者采用非参数Mann-WhitneyU检验。采用单变量logistic回归分析，以确定纹理特征参数是否为鉴别高、低级别PCa的重要因素。采用受试者操作特征（receiver operating characteristic，ROC）曲线评估各参数的诊断效能。

为了减少建模的冗余和不必要的复杂性，采用最大相关最小冗余（minimum redundancy maximum relevance，MRMR）方法对纹理特征进行筛选。随后，保留的纹理特征被用于构建随机森林（random forest，RF）分类器，采用ROC评价模型的诊断效能，采用交叉验证的方法来验证模型的鲁棒性。所有检验的显著水平定义为P＜0.05。

结 果

1.患者资料

最终共有61例PCa患者纳入研究，年龄45～80岁，中位年龄65.5岁，其中高级别PCa（Gleason评分≥4+3）组30例、低级别PCa（Gleason评分≤3+4）组31例。

2.参数筛选及模型建立

所提取的388个纹理特征，经t检验或Mann-WhitneyU检验，有268个纹理特征在高、低级别PCa组间差异有统计学意义（P＜0.05），包含22个Histogram特 征、78个GLCM特 征、153个RLM特征、6个GLSZM特征、9个Shape特征（图3）。

图3 纹理特征鉴别高、低级别PCa的manthattan图

对所得到的在高、低级别PCa组间差异有统计学意义的268个纹理特征，采用单变量logistic回归分析及最大相关最小冗余法进行筛选后，最终保留了10个 纹 理 特 征。其 中 包 含1个Shape特 征（VolumeMM），1个Histogram特 征（Voxel Value Sum），2个RLM特征（Long Run High Grey Level Emphasis_AllDirection_offset1_SD、Run LengthNonuniformity_AllDirection_offset1_SD）、6个GLCM特征（GLCMEnergy_angle45_offset1、GLCMEnergy_angle0_offset4、 GLCMEnergy_angle45_offset4、GLCMEnergy_angle135_offset4、GLCMEnergy_angle 135_offset7、GLCMEnergy_angle0_offset7）。采 用ROC曲线法评估上述10个纹理特征鉴别高、低级别PCa的诊断效能，结果（图4）显示，各参数的AUC值均在0.82以上，其中最低者为0.828，最高者为0.882。

图4 筛选出的10个纹理特征的诊断效能AUC条形图

3.模型效能评估及验证

筛选出的纹理特征被用于构建RF预测模型，其鉴别高、低级别PCa的ROC曲线下面积为1.00（图5），准确度为0.99，灵敏度为1.00，特异度为0.98。模型最重要的纹理特征参数为GLCMEnergy_angle4 5_offset1（图6）。通过交叉验证，本研究模型的精确度为0.78，灵敏度为0.80，特异度为0.77，证明了该模型相对可靠和稳定。

图5 RF模型鉴别高、低级别PCa的ROC曲线

图6 RF模型纹理特征参数的权重系数图

讨 论

1.前列腺癌Gleason评分分级的意义

PCa病理分级与治疗及预后密切相关。以往大多数研究将Gleason评分≤6作为低级别PCa，Gleason评分≥7作为高级别PCa。但近年来，越来越多的研究表明，Gleason评分=3+4类型PCa在确诊时发生转移的概率、10年内癌症特异性死亡率、根治术后生化复发的概率都更接近于Gleason评分=3+3类型PCa［3］。Reese等［4］研 究 证 实Gleason评 分=7的PCa中，Gleason评 分=3+4与Gleason评 分=4+3具有 不 同的 生物学侵袭性。美国癌症联合委员会（American Joint Commission on Cancer，AJCC）在最新第8版的前列腺肿瘤分期中将其分为ⅡB及ⅡC期［5］。指南建议，Gleason评分≤3+4的PCa建议动态监测，可避免根治性切除术后勃起功能障碍、术后尿失禁等并发症，提高患者的生活质量；而Gleason评分≥4+3的PCa应采取更加积极的治疗策略，如根治性切除、内分泌治疗或放化疗等，以延长患者生存时间［6］。因此，二者治疗前的准确诊断对临床优化诊疗方案及判断预后具有重要价值。本研究结合以往研究及最新指南，探讨DWI纹理特征鉴别高（Gleason评分≥4+3）、低级别（Gleason评分≤3+4）PCa的应用价值。

2.纹理分析在PCa病理分级及侵袭性的评估

纹理分析是近些年来新出现的一种图像后处理技术，它可对医学图像中像素的分布情况进行数学分析，获取一系列量化病灶异质性的相关参数。国内外学者纷纷将纹理分析为代表的影像组学应用到前列腺癌的诊断、分级、分期、复发预测及疗效评估等领域［7-9］。肖雅楠等［10］的研究表明，MRI纹理分析可以评估前列腺癌Gleason分级，尤其联合使用熵及能量可以产生更好的诊断效能。张沥等［11］通过多参数MRI纹理分析为鉴别诊断低危与中高危前列腺癌提供可靠的量化信息。但这些研究多基于直方图分析，或者简单的一阶灰度统计特征并且未能构建合适的预测模型，进一步的深度挖掘MRI纹理特征可能会提高PCa的病理分级及侵袭性的评估效能。

3.基于DWI纹理特征与模型鉴别高、低级别PCa的特点与优势

随着MRI和计算机技术的发展，更多的MR功能序列、新的ROI分割方法、参数特征筛选用于前列腺疾病。本研究基于DWI勾画3D ROI，从PCa灶中提取包括Histogram特征、GLCM特征、RLM特征、GLSZM特征、Shape特征，共268个有意义的纹理特征。经过单变量logistic回归分析及最大相关最小冗余法筛选后，去除噪声和不相关的特征，将最重要的10个特征信息保留，提高了模型的泛化能力同时减少过度拟合问题［12］，最终得到鉴别高、低级别PCa ROC曲线下面积为1.00、准确度为0.99的诊断模型。相比于单一纹理特征，模型联合多个特征因素，提供更加“鲁棒”和精确的诊断效能［13-14］，交叉验证结果证明该模型相对可靠和稳定。许晴等［13］通个过LASSO回归算法筛选降维得到7个纹理参数，预测模型在鉴别中低危和高危PCa的ROC曲线下面积为0.97，可能与ROI只选取ADC图肿瘤最大层面的二维特征相关。范婵媛等［14］基于ADC图勾画3D ROI，筛选出3个系数非零纹理特征，构建的模型鉴别高、低级别PCa的ROC曲线下面积为0.841，灵敏度为0.70，特异度为0.91。本研究是基于DWI的纹理特征，笔者认为ADC图是从DWI衍生的，虽然ADC真正反映水分子的弥散能力，但是DWI包含了ADC值等更多的定量信息特征，结果也表明基于DWI的预测模型AUC要高于ADC图，与董浩等［15］的研究结论相似。本研究仅从DWI序列提取纹理特征参数，无须额外增加MR检查序列、修改序列参数或延长检查时间，避免增加患者经济负担的同时，对临床优化诊疗方案及判断预后具有重要价值。

4.研究局限性及展望

第一，靶病灶是手动勾画，耗费时间，存在主观性差异，需要自动分割技术来提高效率及可重复性；第二，由于前列腺外周带与移行带组织结构存在差异，本研究未作分开讨论，今后需单独设立前列腺外周带癌组与移行带癌组分别研究；第三，入组研究病例部分为穿刺活检病理证实，在今后的研究中应全部以手术病理大切片为标准；第四，本研究为单中心回顾性研究，虽然一定程度上避免了图像数据的差异性，但不利于结果的推广使用，需要多中心、大数据的支持。

综上所述，DWI纹理分析能为鉴别高、低级别前列腺癌提供可靠的量化信息，为临床优化诊疗方案及判断预后提供客观依据。