谢玉海,马培旗,王小雷,韩剑剑,马文俊,曹雪花,张宁宁,杨杨,胡东

乳腺癌(breast cancer,BC)是最常见的癌症之一,也是全世界女性死亡的主要原因[1],我国女性乳腺癌的发病率和死亡率均居世界首位[2]。腋窝淋巴结转移(axillary lymph node metastasis,ALNM)在乳腺癌患者中很常见,与疾病的临床分期、治疗方案、手术方式和患者预后密切相关[3]。目前,乳腺癌患者的腋窝淋巴结转移状况是通过前哨淋巴结活检(sentinel lymph node biopsy,SLNB)或腋窝淋巴结清扫(axillary lymph node dissection,ALND)来证实的,但这些手术有一定风险,可能会导致肿瘤植入性转移、邻近血管神经损伤以及上肢淋巴水肿等[4]。数字化乳腺X线摄影(digital mammography,DM)是乳腺癌体检筛查的常用检查方法,但评估腋窝淋巴结是否存在转移的准确性较低[5]。影像组学通过提取肉眼无法观察的高通量图像特征来预测恶性肿瘤的生物学行为[6]。基于数字乳腺X线影像中包含的影像组学特征组合或单一影像组学特征的分析能可靠、准确、非侵入性和经济有效地评估乳腺癌的特征,在预测组织学分级、ALNM、侵袭性、受体状态、Ki-67增殖状态、分子亚型以及复发和生存方面具有很大潜力[7-11]。虽然已有研究基于多参数MRI影像组学特征预测乳腺癌腋窝淋巴结转移[12],但基于DM影像组学预测浸润性乳腺癌腋窝淋巴结转移的报道较少,且多为单中心研究[13-14]。因此,本研究旨在探讨基于多中心DM影像组学预测浸润性乳腺癌腋窝淋巴结转移的临床应用价值。

材料与方法

1.病例资料

回顾性分析2016年12月至2021年12月间皖南医学院第一附属医院弋矶山医院(机构1)、2018年1月至2021年6月间阜阳市人民医院(机构2)、2016年7月至2022年3月间太和县人民医院(机构3)经病理证实的女性乳腺癌患者728例,其中皖南医学院第一附属医院弋矶山医院413例、阜阳市人民医院和太和县人民医院共计315例。病例纳入标准:①经病理证实为浸润性癌;②X线检查前无穿刺、手术或新辅助化疗史等;③乳腺X线检查后2周内行穿刺或手术切除。病例排除标准:①病变显示不清或瘤体显示不全,无法行感兴趣区(region of interest,ROI)勾画;②有其他恶性肿瘤病史。将机构1乳腺癌患者随机拆分为训练组(n=289)和验证组(n=124),将机构2和机构3乳腺癌患者视作外部测试组(n=315)。本研究为回顾性研究,经医院伦理委员会审批通过免除患者知情同意。

2.检查方法

机构1采用美国HOLOGIC数字化乳腺X线机,型号为selenia dimensions,图像尺寸为24 cm×30 cm。机构2采用GE数字化乳腺X线机,型号为Senographe Ess entail,图像尺寸为24 cm×31 cm。机构3采用联影数字化乳腺X线机,型号为uMammo 590i,图像尺寸为24 cm×30 cm。拍摄体位均包括双侧乳腺头尾位(cranial caudal,CC)和内外侧斜位(mediolateral oblique,MLO),曝光条件采用全自动曝光模式。本研究在特征提取前对所有图像均进行分辨率重采样以避免因扫描机器参数不同导致的误差,重采样像素间距设为(1.0,1.0,1.0)。

3.病灶分割与特征提取

将所有患者X线图像从PACS工作站以DICOM格式导出后导入深睿医疗多模态科研平台(https://keyan.deepwise.com)进行图像分割及特征提取、降维。图像分割由2位具有5年诊断经验的放射科医师A和B完成。在进行分割时,2位放射科医生在被告知肿瘤的确切位置后手动勾画分割病灶,结合CC位和MLO位选择病灶显示最清晰且面积最大的体位进行ROI勾画(图1),医师A于2周后再次对DM图像进行ROI勾画。图像通过均一化处理后自动提取1562个组学特征,包括一阶特征324个、形状特征14个、灰度共生矩阵(gray level co-occurrence matrix,GLCM)特征396个、灰度区域矩阵(gray level co-occurrence matrix,GLCM)特征288个、灰度游程矩阵(gray level run length matrix,GLRLM)特征288个、灰度相依矩阵(gray level dependence matrix,GLDM)特征252个。

图1 a) 乳腺癌肿块原始图像;b) 手动勾画ROI示意图(红色区域)。

4.特征筛选与建模

第一步将所有样本量的特征参数通过特征剔除(剔除缺失值≥10%的特征)和组间相关系数(intraclass correlation coefficient, ICC)筛选出一致性较好的非零组学特征(ICC>0.85)。第二步使用深睿医疗多模态科研平台,将机构1样本量按照7:3随机拆分为训练组和验证组,将机构2和机构3样本量作为外部测试组,在训练组中通过特征间线性相关性分析,相关系数(coefficient,C)=0.8与最小绝对收缩和选择算法(least absolute shrinkage and selection operator,LASSO)方法进行特征降维筛选出最优组学特征,使用支持向量机(support vector machine,SVM)分类器参与构建影像组学模型,验证组和外部测试组对模型的稳定性与可重复性进行验证。

5.统计学分析

采用R软件(Version3.6.0)进行统计学分析。采用ICC评估影像组学特征提取的观察者间和观察者内的一致性。使用MedCalc软件(Version19.0.2)绘制受试者工作特征(receiver operating characteristic,ROC)曲线,采用曲线下面积(area under curve,AUC)和决策曲线分析(decision curve analysis,DCA)评价模型性能。以P<0.05为差异有统计学意义。

结 果

1.病例资料

本研究纳入的皖南医学院第一附属医院弋矶山医院413例浸润性乳腺癌患者随机拆分为训练组289例(淋巴结转移阴性197例,淋巴结转移阳性92例)和验证组124例(淋巴结转移阴性85例,淋巴结转移阳性39例);阜阳市人民医院和太和县人民医院浸润性乳腺癌患者共计315例(淋巴结转移阴性221例,淋巴结转移阳性94例)作为外部测试组。训练组年龄30～84岁,平均(53.55±9.70)岁;验证组年龄33～78岁,平均(55.19±9.83)岁;外部测试组年龄23～84岁,平均(53.04±10.20)岁。

2.影像组学特征筛选及模型构建

第一步通过特征剔除(剔除缺失值≥10%的特征)和组间相关系数(ICC>0.85)分析剔除558个特征。剩余1004个组学特征通过特征间线性相关性分析(C=0.8)和LASSO回归进行特征降维后筛选出8个与浸润性乳腺癌腋窝淋巴结转移预测最相关的影像组学特征(表1),经支持向量机分类器构建预测模型。

表1 影像组学预测浸润性乳腺癌腋窝淋巴结转移的最优特征

3.影像组学预测模型的诊断效能

预测模型在训练组、验证组、外部测试组中预测乳腺癌腋窝淋巴结转移的AUC分别为0.807、0.790、0.753,敏感度、特异度分别为84.8%和61.4%、79.5%和69.4%、44.7%和92.8%(表2、图2)。决策曲线分析结果显示在概率值为15%～80%时,预测模型鉴别乳腺癌腋窝淋巴结转移具有较好的净收益(图3)。

图2 预测模型训练组、验证组及外部测试组ROC曲线。a) 训练组;b) 验证组;c) 外部测试组。

图3 预测模型的决策曲线。

表2 预测模型在三组间的诊断效能

讨 论

乳腺X线摄影是目前临床乳腺癌筛查最常用的影像学方法之一。本研究基于DM影像组学研究方法,通过多中心大样本构建影像组学模型用于预测浸润性乳腺癌发生腋窝淋巴结转移的可能性,从而进一步挖掘DM的潜能,使患者和临床受益。

腋窝淋巴结转移对于评估乳腺癌患者的预后和制定治疗方案具有重要意义[15],腋窝淋巴结清扫术是确定腋窝淋巴结状况的最可靠方法,但手术会引起术区感染、神经血管损伤、功能区障碍以及植入性转移等并发症[16]。因此,为了减少不必要的手术损伤及过度医疗给患者造成的负担,迫切需要一种新的术前预测方式,在提高诊断准确性的同时非侵入性地判断腋窝淋巴结是否存在转移。虽然影像学检查可以显示肿大的淋巴结形态学特征,但是无法与一些炎性淋巴结区分[5]。本研究通过乳腺X线摄影图像构建的影像组学模型在训练组、验证组及外部测试组中的AUC分别为0.807、0.790和0.753,诊断效能较传统影像学检查方法得到进一步提高。陈春发等[17]研究表明,乳腺X线摄影诊断乳腺癌ALNM与病理诊断的一致性检验Kappa值仅为0.354。

影像组学可以提取高通量的组学特征,并通过分析获取一些肉眼无法识别的纹理特征及高阶特征[18-19]。本研究最终筛选出8个与腋窝淋巴结转移相关的影像组学特征用于构建预测模型,其中1个灰度依赖矩阵特征(exponential_gldm_SmallDependenceLowGrayLevelEmphasis)、2个灰度游程矩阵特征(lbp-2D_glrlm_RunLengthNonUniformity、exponential_glrlm_ShortRunLowGrayLevelEmphasis)、4个灰度共生矩阵特征(exponential_glcm_ClusterShade、wavelet-LLL_glcm_Contrast、 gradient_glcm_Imc1、logarithm_glcm_Imc2)。灰度共生矩阵(glcm)中的Cluster Shade是衡量偏度和均匀度的纹理特征。李翠平等[20]研究表明宫颈癌Ki-67低表达组的Cluster Shade值低于高表达组,而本研究结果也表明浸润性乳腺癌腋窝淋巴结转移组的Cluster Shade值高于非转移组。glcm中的Contrast、Imc1和Imc2主要反映纹理的粗糙性和复杂性,其绝对值越高,说明图像越粗糙、纹理越复杂,肿瘤的异质性越高。本研究腋窝淋巴结转移组的glcm_Contrast、glcm_Imc1和glcm_Imc2的绝对值均高于非转移组,说明腋窝淋巴结转移组的肿瘤异质性较高。朱海涛等[21]的研究结果也证实glcm_Contrast值越高,肿瘤的恶性程度越高。灰度依赖矩阵(GLDM)参数是描述图像中的灰度相关性,是基于中心像素或体素与其邻近区域之间的灰度关系,其中Small Dependence Low Gray Level Emphasis是计算ROI中小相关性与图像中较暗部分的分散情况。本研究发现腋窝淋巴结转移组的Small Dependence Low Gray Level Emphasis值高于非转移组,说明ALNM组的图像均匀性差,笔者认为这可能是由于ALNM组的恶性程度高、瘤内易发生坏死所致。灰度游程矩阵(glrlm)中的Run Length Non Uniformity和Short Run Low Gray Level Emphasis主要描述像素值的分布情况,前者描述整个图像中游程长度的相似性,后者测量图像中较短游程长度与较低灰度值的联合分布,两者的值越大,像素分布越不均匀,纹理越粗糙。本研究发现ALNM组的Run Length Non Uniformity和Short Run Low Gray Level Emphasis值高于非转移组,说明ALNM组的DM图像纹理较非转移组更粗糙。此外,本研究最终采用支持向量机分类器(SVM),因为它是一种常用而有效的算法,该算法具有精度高、计算能力小等优点,SVM在识别复杂数据集中的微妙模式方面非常强大[22]。刘畅等[23]使用支持向量机分类器构建预测模型,能够在术前无创评估和预测肝细胞癌微血管浸润,可作为指导临床后续个性化治疗的有效工具。

本研究存在以下局限性:①影像组学特征是在二维图像上进行手动勾画后提取,存在一定的人为误差;②在选择病灶方面仅从MLO位和CC位两者之一选择病灶最大层面进行ROI勾画,缺乏一定的对比,可能遗漏部分特征,影响最终预测效能;③未将基于DM影像组学标签与MRI影像组学特征预测腋窝淋巴结转移的效能进行比较。本研究结果与Han等[24]和Mao等[25]基于磁共振动态增强图像的影像组学预测乳腺癌ALNM的效能一致,而Yu等[26]联合磁共振增强T1WI、T2WI和扩散加权成像ADC图构建的影像组学模型预测乳腺癌ALNM的效能在训练集和验证集分别为0.88和0.85,高于本研究结果。因此,今后将通过前瞻性设计,开展比较DM影像组学标签与MRI影像组学标签预测乳腺癌ALNM效能的后续研究。

综上所述,基于乳腺X线摄影的影像组学预测模型可作为一种非侵入性工具,对浸润性乳腺癌腋窝淋巴结转移具有较高的诊断效能,对乳腺癌患者制定个性化的治疗方案和预后评估有着重要的临床应用价值。