基于術前超聲影像組學特征的粗梁-團塊型肝細胞癌區分模型的構建及其應用

古 今 張 瑜 周澤芬 張文芳

原發性肝細胞癌（hepatocellular carcinoma，HCC）是我國高發癌癥之一，總體預后較差。其中，HCC 新亞型即粗梁-團塊型肝細胞癌（macrotrabecular-massive hepatocellular carcinoma，MTM-HCC）已被證實預后更差，且存在獨特的臨床及遺傳學特點［1］，故盡早識別MTM-HCC 對其精準靶向治療及改善預后具有重要臨床意義。但目前常規病理學檢查并未納入MTM 亞型鑒定，因此相關的影像學診斷方法仍處于起步探索階段。既往研究［2］提示，術前MRI征象如腫瘤實質壞死、動脈期少血管成分等對MTM亞型具有一定預測價值，但存在特異性低、診斷效能不理想、需要人工參與等問題。近年來，基于量化影像組學特征如紋理特征等的臨床靶標預測已有一定發展，對現有臨床診斷技術有一定補充作用。Zhu 等［3］通過提取術前增強MRI 量化信息建立亞型預測模型，證實了應用量化信息如影像組學信息進行此類預測的可行性。本研究旨在構建基于術前超聲影像組學特征的MTM-HCC 區分模型，并對其性能進行評估，以提高MTM-HCC 臨床診斷準確率及改善患者預后。

資料與方法

一、研究對象

選取 2017 年10 月至 2020 年7 月我院經術后病理確診的HCC 患者79 例，按7∶3 比例隨機分為訓練集和驗證集，訓練集55例，男36例，女19例，年齡41~60歲，平均（50.20±9.27）歲；其中MTM-HCC 13 例，非MTMHCC 42 例；驗證集 24 例，男 15 例，女 9 例，年齡 40~62 歲，平均（49.35±10.80）歲；其中MTM-HCC 5 例，非MTM-HCC 19 例。納入標準：①患者有石蠟包埋切片且標本質量滿意；②可獲得患者術前超聲檢查原始資料；③乙型肝炎病毒（HBV）感染情況、術前甲胎蛋白（AFP）水平等臨床資料齊全。排除標準：①未成年病例；②病歷資料信息不完整；③術前超聲檢查前曾接受經動脈栓塞等治療；④急診入院病例。本研究均按照《赫爾辛基宣言》原則設計，已獲得我院醫學倫理委員會批準，所有患者均簽署知情同意書。

二、儀器與方法

1.超聲影像人工量化評估及影像組學靶區勾勒：使用GE Logiq E 9彩色多普勒超聲診斷儀，C1-5探頭，頻率3~5 MHz。成像清晰后取腫瘤最大徑切面保存圖像。使用癌癥影像學表征工具箱（Cancer Imaging Phenomics Toolkit，CaPTk.版本 1.8.1）轉換原始 Dicom文件為NIfTI 分析文件。由?？漆t師（具有16 年工作經驗）對研究隊列術前超聲影像進行人工量化評估，項目包括病灶解剖位置、數量、最大徑、回聲類型及是否均勻、邊界是否清晰、CDFI血流信號類型（血流不明顯、呈枝狀或呈籃狀）。感興趣區勾勒（圖1）由該醫師基于腫瘤最大徑切面超聲影像進行，勾勒過程中可參考其他模態影像如術前CT及MRI等，但不得參考術后信息如腫瘤切除范圍或病理類型。勾勒使用軟件為Slicer（版 本 4.11.20200930），模 塊 為 Segmentation Editor，平滑化方法采用Median，Kernel 大小設定為1 mm。以上量化評估及靶區勾勒結果均經另一高年資醫師（具有25 年工作經驗）復核。

圖1 利用軟件勾勒感興趣區（綠色部分示）

2.超聲影像組學特征自動提取及預處理：使用Pyradiomics 軟件包（版本3.0.1）對上述術前超聲影像及靶區進行量化特征提取，量化特征包括首序、形態及紋理特征，提取過程使用PyWavelet 軟件包（版本1.1.1）進行包含 LLH、LHL、LHH、HLL、HLH、HHL、HHH、LLL 8 種子帶的小波變換。所得量化特征經非零方差檢驗后用于后續建模。根據Pyradiomics 軟件包定義，首序特征為通過基本統計學方法（如平均值、中位數等）對圖像像素信號的分布進行描述獲得的特征；紋理特征為可反映圖像在整個感興趣區內紋理特性的特征；形態特征為肉眼無法直接解讀的圖像特征，即通過變換處理（如前述的小波變換）后的圖像特征。

3.MTM 特異性超聲影像組學特征分析及整合區分模型訓練：對訓練集人工評估的超聲影像組學特征及自動提取的影像組學特征使用χ2值排序MTM-HCC區分度。采用隨機森林法訓練MTM-HCC 術前區分模型，并通過驗證集驗證模型效能，建模參數為默認。模型性能評估指標包括曲線下面積（AUC）、準確率、精密度、敏感性、特異性。為解釋模型區分原理并了解模型性質，采用畢達哥拉斯森林可視化隨機森林學習器并選擇決策樹中分枝最短樹進行重點分析。以上模型訓練、評估、可視化采用Orange 軟件（版本3.27）；繪制決策樹采用Python（版本3.8.5軟件）。

4.病理切片閱片：由高年資病理醫師（具有20 年肝臟病理閱片經驗）對醫院存檔石蠟包埋切片進行再次閱片，所有再閱病例均保持匿名。閱片內容包括：①取樣及制片質量；②是否符合WHO 2019 版HCC 診斷標準；③Edmondson-Steiner 分級系統下的腫瘤分化水平；④是否符合MTM分型；⑤是否存在微血管侵犯；⑥是否存在衛星結節。MTM-HCC 判定標準［1］：粗梁狀結構至少占腫瘤面積50%以上、梁寬度大于6 個細胞。

三、統計學處理

應用R 軟件（版本4.0.3）及MedCalc 19.6.3 統計軟件，計數資料以頻數或率表示，組間比較采用χ2檢驗。符合正態分布的計量資料以表示，組間比較采用t檢驗；不符合正態分布的計量資料以M（QR）表示，組間比較采用非參數檢驗。P<0.05為差異有統計學意義。

結 果

一、MTM-HCC與非MTM-HCC臨床資料比較

MTM-HCC 與非MTM-HCC 患者在年齡、性別、HBV 感染者占比方面比較差異均無統計學意義；與非MTM-HCC 患者比較，MTM-HCC 患者術前 AFP 水平更高，Edmondson-Steiner 分級更差，衛星結節及微血管侵犯更常見，差異均有統計學意義（均P<0.05）。見表1。

表1 MTM-HCC與非MTM-HCC臨床資料比較

二、MTM-HCC 特異性人工評估及影像組學自動提取的超聲影像組學特征

經人工評估獲得6 個超聲影像組學特征，即病灶最大徑、回聲特征、形態特征、邊界特征、血流信號特征、病灶數量，經影像組學分析自動提取獲得836個超聲影像組學特征。經χ2值排序后的MTM-HCC 特異性超聲影像組學特征見表2（以降序排列僅列出前10 個特征）。

表2 MTM-HCC特異性超聲影像組學特征（以χ2值降序排列）

三、基于術前超聲影像組學特征的MTM-HCC 區分模型的建立及效能評估

通過畢達哥拉斯森林法（圖2）分析訓練集，按照參與模型投票的決策樹整體長度較短、判明簡潔，從中選出層數最少、判別效果最好決策樹，經機器分析后可見小波變換后LHL-firstorder-minimum、HLL-glszm-small area low gray level emphasis、HLH-glszmgray level non uniformity normalized、HHH-firstorder-mean 4 個量化特征是該模型最佳判別的依據。通過依次判斷驗證集超聲影像的影像組學結果與該4個量化特征的數值關系，即可獲得對應的MTM分型預測數值（圖3）；其在訓練集中預測MTM-HCC 的AUC、準確率、精準度、敏感性、特異性分別為0.995、0.982、0.982、92.3%、100%；在驗證集中預測MTM-HCC 的AUC、準確率、精準度、敏感性、特異性分別為 0.895、0.833、0.833、60.0%、89.5%。

圖2 應用畢達哥拉斯森林法建立區分MTM-HCC模型（內含決策樹）

圖3 模型內重點決策樹示意圖

討 論

根據組織學及遺傳學分型進行精準治療是改善肝癌患者預后的熱點路徑之一。Ziol 等［1］基于病理學角度總結了MTM-HCC 特征，在評估治療敏感性及患者預后分層方面具有重要價值。為探討術前MTMHCC 區分方法以輔助臨床決策、實現精準治療，本研究回顧性收集了79 例MTM-HCC 和非MTM-HCC 并建立進行基于術前超聲影像組學特征的區分模型，結果表明該模型在獨立驗證集上實現了高診斷效能（AUC=0.895）及高特異性（89.5%）。

MTM-HCC 定義為手術標本中粗梁狀結構至少占腫瘤面積50%以上、梁寬度大于6個細胞；活檢標本中存在 1 處或更多粗梁團塊灶［1］。研究［4］結果顯示，MTM-HCC 與術前高 AFP 水平、高 HBV 感染率、更大腫瘤體積、更差Edmondson-Steiner 分級、多發衛星結節、多發微血管侵犯、早期型復發、高復發率、較差總體生存期相關。因此及時識別MTM-HCC 對肝癌精準分層治療具有重要意義。本研究也發現，與非MTMHCC 患者比較，MTM-HCC 患者術前AFP 水平更高、Edmondson-Steiner 分級更差，且多發衛星結節及微血管侵犯，差異均有統計學意義（均P<0.05）；但二者HBV感染者占比比較差異無統計學意義，可能與我國HBV感染率普遍較高有關［5］。

在腫瘤生物學方面，MTM-HCC 的主要特點為血管新生相關遺傳學變異。Calderaro 等［6］曾報道MTMHCC 高表達血管生成素2 及血管內皮生長因子A。但需要注意的是MTM-HCC 中新生血管并未完整發揮其生理學功能，MTM-HCC 中常見可包裹腫瘤卒群的血管及內部壞死，并可致腫瘤密度較低［7］。此外，TP53突變及FGF19擴增、ESM1高表達也常見于MTM-HCC并有望在未來作為治療靶點［6，8］。由于 MTM-HCC 存在血管新生等影像學方法可能捕捉的腫瘤生理學變化，近年來也有研究探索MTM-HCC 的影像學術前區分方法。Mulé 等［9］基于 152 例 MTM-HCC 及非 MTMHCC 病例使用LASSO 回歸及多因素分析發現，術前多相增強MRI影像特征（腫瘤實質壞死征）及術前高AFP水平、更差BCLC分期與MTM-HCC相關；其中，MRI影像中腫瘤實質壞死征（壞死面積需占腫瘤區域20%以上）是具有高特異性（93%）、相對滿意敏感性（65%）的MTM-HCC 征象，也與其早期復發、總復發率相關。但在2018 版肝臟影像報告及數據系統（liver imaging reporting and data system，LI-RADS）標準中，腫瘤實質壞死征僅被列為LR-M 分級影像特征，即可能或必然為惡性征象但非肝癌特征［10］。因此該征象對MTMHCC 的識別作用仍有待臨床進一步驗證。Rhee 等［11］也報道了基于多中心HCC 隊列（共476 例患者，包括1個訓練集及2個獨立驗證集）的兩種MTM-HCC 磁共振診斷標準（MRI criteria for MTM-HCC，MRIC），其中MRIC-1（標準為腫瘤區域≥20%的動脈期少血管成分）具有高敏感性、高陰性預測值；MRIC-2［標準為腫瘤區域≥50%的動脈期少血管成分且伴隨兩項或更多指定偶然發現（瘤內動脈、動脈期瘤周增強、腫瘤邊緣不規則）］具有高特異性，并與預后相關?？梢奙RIC-1的特異性具有一定局限，MRIC-2 的敏感性不佳，且在較小腫瘤（最大徑<3 cm）中進一步下降，限制了上述標準的進一步應用?？傊?，既往研究［12-13］對MTMHCC 術前影像組學特征探索局限于人工評估且所得標準仍不理想?？紤]到近年來影像組學特征分析在肝癌中的應用逐漸增多，如Hu 等［14］使用術前超聲影像組學特征預測微血管侵犯等預后相關指標，本研究也嘗試應用影像組學方法構建MTM-HCC 區分模型，結果顯示該模型特異性較高，有望與上述方法結合使用提高綜合預測效果，且自動提取的影像組學量化特征也較人工評估更為簡易。但該模型敏感性較低（驗證集中為60.0%），提示納入的超聲影像組學特征可能在MTM-HCC 病例中并非普遍存在，需進一步研究以提高臨床檢出率。

本研究的局限性：①由于受MTM-HCC 發病率及納入標準為手術治療病例的影響，研究隊列規模有限，生成的預測模型在更大規模隊列上的效能仍需驗證；②目前關于MTM-HCC 分型的組織學定義仍存在一定爭議，本研究采用的小梁寬度定義可能較為寬泛；③盡管本研究已通過手術前后影像對比、切片取材及質量評估進行了篩選，但超聲儀器間的差異及病理醫師再閱的主觀性仍可能影響復現效果。待今后前瞻性、多中心設計的隨機試驗對該模型普適性進行考察及完善。

綜上所述，本研究基于術前超聲影像組學特征構建了MTM-HCC 區分模型，該模型具有影像資料獲取簡便、分析過程自動、模型特異性高等優點。