基于T2加权磁共振成像的影像组学对儿童颈部淋巴结病变的分类
回顾性纳入146例患儿共419枚颈部淋巴结,从T2加权图像提取1218个影像组学特征,用LASSO筛选并以支持向量机构建两个模型:良恶性二分类及四类病因(菊池病、反应性增生、化脓性淋巴结炎、恶性肿瘤)鉴别。测试集良恶性分类AUC为0.80,四类病因各自AUC为0.96、0.80、0.82、0.82。
要点
- 儿童颈部淋巴结病变的良恶性及四类病因鉴别可用T2加权MRI影像组学模型辅助。
- 测试集良恶性分类AUC为0.80,对菊池病鉴别的AUC最高达0.96。
- 所选特征以高阶纹理特征为主,肉眼难以识别,提示可补充传统形态学阅片。
核心结论
- 基于常规轴位T2加权MRI的影像组学分析为鉴别儿童颈部淋巴结病变病因提供了有前景的无创方法。
研究设计与样本
- 回顾性研究,纳入146例患儿共419枚颈部淋巴结,来自新华医院(2015年1月至2022年8月,92例)和浙江大学医学院附属儿童医院(2017年1月至2022年12月,54例)。
- 采用三台3特斯拉MR扫描仪(西门子、飞利浦、GE)行轴位T2加权序列,使用64通道头颈线圈,层厚4–5 mm,矩阵≥175×260。
- 以病理组织学诊断为参考标准,按7:3随机分为训练集和测试集。
- 每枚淋巴结提取1218个影像组学特征,经LASSO筛选后以线性支持向量机构建两个模型。
关键影像表现/征象
- 恶性淋巴结的Rad-score在训练集为0.32±1.20,高于良性淋巴结的-2.80±2.46(P<0.001)。
- 恶性淋巴结的Rad-score在测试集为0.24±1.98,高于良性淋巴结的-2.36±2.54(P<0.001)。
- 对良恶性分类影响最大的特征为LoG-sigma-5.0mm_3-D_GLCM_IMC1,original shape sphericity也是重要特征。
诊断标准与关键数值
- 模型1(良恶性分类)训练集准确度0.81(95% CI 0.76–0.85),AUC 0.89(95% CI 0.86–0.93);测试集准确度0.70(95% CI 0.62–0.78),AUC 0.80(95% CI 0.71–0.89)。
- 模型2(四类病因鉴别)训练集AUC:菊池病0.97、反应性增生0.91、化脓性淋巴结炎0.88、恶性肿瘤0.87;测试集AUC分别为0.96、0.80、0.82、0.82。
- 阈值概率为50%时,模型1的净获益为0.41,高于全部治疗或全部不治疗策略。
- 影像组学特征重复性以组内相关系数≥0.75定义为一致性良好,所有特征的组内相关系数均大于0.75。
临床应用与阅片要点
- 作者认为该模型可能有助于儿童颈部淋巴结病变的早期评估,辅助活检决策,并可能避免不必要的检查或延迟治疗。
- 作者指出化脓性淋巴结炎的影像上弥散广泛导致分割困难,测试集准确度欠佳,但其发热等显著临床征象可弥补这一不足。
局限性
- 回顾性设计可能引入选择偏倚。
- VOI为手动勾画,可能引入一定不准确性。
- 缺乏独立测试队列,模型泛化性存疑,需大样本、多中心、前瞻性研究进一步验证。
全文中译12 节 · 点击展开
引言
儿童颈部淋巴结病是一种常见的临床发现,病因多样,从良性到恶性不等。淋巴系统在儿童期快速发育,并在青春期达到高峰。因此,淋巴结在生理条件下可能增大。据报道,约28%的健康学龄儿童可在颈部触及淋巴结[1]。此外,儿童期是呼吸道感染更易发生的阶段,颈部淋巴结会因细菌或病毒感染而增大[2, 3]。值得注意的是,头颈部恶性肿瘤占所有儿童恶性肿瘤的12%[4];常见类型包括淋巴瘤、甲状腺癌和转移性鼻咽癌,淋巴结持续增大是早期预警信号[5, 6]。菊池病,又称组织细胞坏死性淋巴结炎,在亚洲儿童中呈增长趋势,也以颈部淋巴结增大为特征,是一种良性、自限性过程,但在临床和组织学上易与淋巴瘤混淆[7]。
然而,儿童颈部淋巴结病的鉴别诊断相当具有挑战性,因为其非特异性表现相互重叠[2, 3],而通过活检进行病理确认被认为是金标准。目前,对于活检的指征和时机仍无共识;父母因手术的侵入性而犹豫不决,他们的担忧包括全身麻醉对儿童发育中大脑的影响、切口感染风险以及手术费用。
因此,无创影像工具正变得越来越受重视。凭借优越的软组织对比度、多角度扫描和无辐射损伤的优势,磁共振成像(MRI)可能在一定程度上优于超声(US)和计算机断层扫描(CT)。T2加权成像是颈部MRI的重要组成部分之一,有助于检测炎症、脓肿和肿瘤等病变[8]。既往一些研究报道,良性和恶性淋巴结在T2序列上具有不同特征,但这些特征仍主要为形态学特征,对内部结构的表征仍然有限[9, 10]。影像组学提供了一种对病变特征进行量化的视角,这些特征人眼无法察觉,但可能与病理变化相关。近年来,基于MRI的影像组学模型已应用于头颈部影像学领域,在预测淋巴结转移、结外侵犯状态以及恶性肿瘤患者的结局预测方面表现出良好性能[11–15]。据我们所知,目前的基于MRI的影像组学模型未涵盖良性颈部淋巴结病,且缺乏对儿童患者的研究。
因此,本研究的目的是开发并验证基于常规轴位T2 MRI扫描的影像组学模型,用于对儿童颈部淋巴结病进行分类。
材料与方法
研究队列
本回顾性研究经机构伦理审查委员会批准,并豁免知情同意。所有患者均符合以下纳入标准:(1)年龄<18岁;(2)因颈部淋巴结肿大接受颈部MRI检查;(3)轴位图像上肿大淋巴结最短径>1.0 cm或最大径>1.5 cm;(4)经组织学确诊。排除标准如下:(1)因明显运动伪影导致图像质量差;(2)既往接受过治疗(如放疗、化疗、介入治疗或淋巴结活检手术)。通过连续入组,我们发现最常见的病因是反应性增生、化脓性淋巴结炎、菊池病和恶性肿瘤;随后,排除了患者数极少的疾病组(<10例)。2015年1月至2022年8月期间从新华医院(上海交通大学医学院附属)招募了92例患者,2017年1月至2022年12月期间从浙江大学医学院附属儿童医院招募了54例患者。患者的一般临床资料从病历中收集。
设备与后处理
MRI数据在3台3特斯拉MR扫描仪(Siemens,Erlangen,德国;Philips,Amsterdam,荷兰;GE Medical System,Milwaukee,WI)上采集,使用64通道头颈线圈,采用轴位T2加权序列。部分患者进行了扩散加权成像序列检查,但由于数量有限,这些图像未纳入分析。使用4~5 mm层厚和矩阵≥175×260。扫描参数见补充材料1。为减少不同MRI机器的成像参数和扫描条件变异性引起的偏倚,在放射组学特征提取前,将所有图像重采样为1×1×1 mm3,并使用z分数归一化消除批次效应。
分割与特征提取
感兴趣体积(VOIs)由两名放射科医师Y.S.(头颈部肿瘤亚专科医师,具有2年经验)和C.C.(儿童感染性疾病亚专科医师,具有8年经验)使用ITK-SNAP(版本3.8.0)独立手动分割,二人对病理诊断和临床信息设盲。若二人勾画的淋巴结不一致,则由第三位更资深的放射科医师Y.Z.(头颈部肿瘤亚专科医师,具有20余年经验)做出最终决定。在每个连续层面上沿淋巴结边界确定VOIs,然后以三维(D)方式重建(图1)。当淋巴结融合为边界不清的肿块时,将其视为单个VOI。随机选择20个VOIs以检验放射科医师间的可重复性。计算组内相关系数以评估放射组学特征的稳健性。优良一致性定义为组内相关系数大于或等于0.75。
对于每个VOI,使用Pyradiomics(https://pyradiomics.readthedocs.io/en/latest/)共提取了1,218个影像组学特征,该软件是一个开源Python软件包,遵循图像生物标志物标准化倡议指南,其目标是从采集的图像中衍生标准化图像生物标志物[16]。提取的特征可分为四组:(1)一阶统计量;(2)从二维感兴趣区域或三维VOI提取的形状特征;(3)纹理特征,包括灰度共生矩阵(GLCM)、灰度大小区域矩阵、灰度依赖矩阵和灰度游程长度矩阵;(4)高阶特征,使用高斯拉普拉斯(LoG)滤波器(sigma=2.0、3.0、4.0和5.0 mm)和小波变换滤波器,在三个维度上分别采用高通(H)或低通(L)滤波器的所有可能组合(HHH、HHL、HLH、LHH、LLL、LLH、LHL、HLL)。
特征选择与模型构建
VOI被随机分配到训练集(70%)或测试集(30%)。考虑到疾病类型的不平衡,使用合成少数类过采样技术合成新的少数类样本以获得平衡数据集。然后,排除Spearman相关系数大于0.75的特征以消除冗余特征。接下来,进行单因素方差分析以选择具有统计学意义的变量(P<0.05)。然后,使用最小绝对收缩和选择算子逻辑回归(LASSO)从剩余特征中选择最有用的预测特征。为避免潜在偏倚,通过十折交叉验证设置最优惩罚系数lambda(λ)。最终选择系数非零的影像组学特征构建影像组学标签(Rad-score),该标签使用所选特征及其系数的线性组合计算。
基于线性支持向量机构建了两个MRI影像组学模型。模型1采用一对一方法对良性和恶性淋巴结进行分类。模型2采用一对多方法进一步区分菊池病、反应性增生、化脓性淋巴结炎和恶性肿瘤。图2展示了研究流程。
统计分析
采用R软件4.1.3版(http://www.R-project.org)进行统计分析。患者特征的常规比较中,连续变量采用单因素方差分析或Mann-Whitney U检验。分类变量采用Pearson卡方检验或Fisher精确检验。通过受试者工作特征曲线的曲线下面积(AUC)、准确率、灵敏度和特异度来量化模型性能。在多分类问题中计算AUC时,将每个类别作为阳性类,其他类别作为阴性类,然后取各类别AUC评分的平均值。构建决策曲线以评估潜在的临床净获益。所有统计显著性水平均为双侧,P值<0.05被认为具有统计学意义。
结果
人口学与临床特征
本回顾性研究共在146例患者(89例男孩;平均年龄8.2±3.8岁)中检出419枚肿大淋巴结。在所有淋巴结中,147枚经病理诊断为菊池病,131枚为反应性增生,44枚为化脓性淋巴结炎,97枚为恶性肿瘤。患者资料见表1。
良性与恶性淋巴结的鉴别
观察者间一致性良好,所有影像组学特征的组内相关系数均大于0.75。模型1基于322枚良性淋巴结和97枚恶性淋巴结构建。经过数据降维,最终通过LASSO筛选出20个特征构建模型(图3)。其中,2个为形状特征,2个为纹理特征,其余16个均为高阶特征。所选特征及其相应权重见图4。在这些特征中,LoG-sigma-5.0mm_3-D_GLCM_IMC1被列为最重要的特征。这些特征的详细解释及Rad-score计算公式见表2和补充材料2。
在训练集中,良性与恶性淋巴结之间的Rad-score存在显著差异(-2.80±2.46 vs 0.32±1.20,P<0.001),随后在测试集中得到证实(-2.36±2.54 vs 0.24±1.98,P<0.001)。恶性淋巴结通常具有更高的评分(图4)。训练集表现出优异的性能,准确率为0.81(95% CI 0.76–0.85),AUC为0.89(95% CI 0.86–0.93);测试集准确率为0.70(95% CI 0.62–0.78),AUC为0.80(95% CI 0.71–0.89)。表3总结了鉴别良性与恶性淋巴结的所有分类结果,包括灵敏度、特异度、阳性预测值和阴性预测值。
进行决策曲线分析以评估模型1的临床实用性,结果显示在大多数合理阈值概率范围内,使用模型1对良性与恶性淋巴结进行分类比全部治疗策略或全不治疗策略能带来更多获益(图5)。例如,如果阈值概率为50%(换言之,如果恶性概率高于50%,医生将选择活检),则净获益为0.41,高于全部治疗策略或全不治疗策略,提示一部分患者可从该模型中获益。
区分淋巴结的四种不同病因
模型2基于147个菊池病淋巴结、131个反应性淋巴结、44个化脓性淋巴结和97个恶性淋巴结建立。最终,LASSO保留了16个最有用的特征,包括一个一阶特征、一个形状特征、六个纹理特征和八个高阶特征。其系数显示于图6中,这些特征的详细解释见表2。对于区分每种病因(分别为菊池病、反应性增生、化脓性淋巴结炎和恶性肿瘤),训练集中分别达到AUC为0.97、0.91、0.88和0.87,测试集中分别达到AUC为0.96、0.80、0.82和0.82。放射组学特征在训练集和测试集中均对区分菊池病与其他三种病因产生了最高的AUC值(图7)。详细性能见表4。
讨论
在这项概念验证研究中,我们探索了基于MR图像区分儿童颈部淋巴结病的可行性。开发了两种影像组学模型。不仅在区分恶性与良性淋巴结方面表现出良好性能(测试集中AUC为0.80),而且在区分四种不同类型的淋巴结方面也表现出良好性能(测试集中AUC分别为0.96、0.80、0.82和0.82)。特别是,我们的模型在识别菊池病方面显示出显著优势。这可能是一种有前景的无创工具,可辅助评估颈部淋巴结病。
在常规临床实践中,放射科医生使用语义特征来区分病理性与良性淋巴结:大小、形状、边界、聚集性和内部异质性。所提供的信息仍然有限,且可能受到观察者肉眼的影响。影像组学是一种从图像中提取定量特征并将其转化为可挖掘数据的高通量方法[17],它独立于观察者的经验,能够提取更细微的特征。传统上,大小和形状是最常见的标准,较大且较圆的淋巴结往往提示异常;然而,这可能不适用于儿童,因为他们的淋巴结会经历生理性增生。在最近一项关于正常儿童的研究中,计算了头颈部可识别的淋巴结,并报道短轴平均值大于10 mm[18]。因此,通过形状来判断可能更可靠。然而,目前形状的测量是由短轴与长轴的比值决定的;结果可能随切面而变化。在我们的研究中,原始形状球形度特征是区分良恶性淋巴结的重要特征。通过以3-D方式测量淋巴结,我们能够从整体角度获得全面理解,而不是仅依赖单个最大截面。
此外,LoG-sigma-5.0mm_3-D_GLCM_IMC1特征对良恶性淋巴结分类的影响最大,而Original_GLCM_IMC1在将菊池病与其他三种颈部淋巴结病进行分类时影响最大。这是一个合理的发现,因为纹理特征已知可测量内部异质性,并解释相邻体素之间信息的空间相互依赖性或共现性[19]。GLCM用于描述两个具有空间位置关系的相邻像素灰度级的联合分布。相关信息测度(IMC)1是GLCM特征之一,用于量化纹理的复杂性。一般来说,异质性中更大的复杂性意味着更大的恶性可能性,但对于菊池病而言,其特征是副皮质区不同程度的坏死伴大量核碎裂碎片,这种淋巴结内坏死是微观的,通常不够明显,放射科医生难以识别。在一项CT特征分析中,仅16.7%的菊池病患者被报道存在淋巴结坏死[20];在另一项MRI发现中,以T2加权图像低信号方式显示的坏死在不到一半的菊池病患者中被发现[21]。
我们的结果部分证实了放射科医生对大多数属于高阶特征的所选特征进行视觉识别的困难。有证据表明,预处理滤波器可以进一步解耦纹理特征[22]。通过改变信号频率的比例,小波滤波器可以减少噪声并实现紧凑的特征表示[23];LoG滤波器作为一种边缘增强工具,用于强调灰度变化的区域,其中较高的sigma值代表较粗的纹理,换言之,即较大距离上的灰度变化[24]。我们的发现揭示了淋巴结之间只有通过去噪和增强滤波器才能区分的细微差异。我们的模型可能有助于弥补传统阅片的不足。
以往研究主要集中于超声(US)图像。Liu等人开发了一种基于US的多分类影像组学模型,用于对结核性、淋巴瘤性、反应性和转移性淋巴结进行分类,各疾病的曲线下面积(AUC)分别为0.673、0.623、0.655和0.708 [25];Zhu等人基于双模态US图像(B模式US和彩色多普勒血流成像)通过深度残差网络算法构建了分层诊断模型[26]。也有研究证明了基于CT的影像组学分类器的实用性[27–29]。然而,在大多数研究中,每位患者仅选择一张代表性图像并分割单层面的感兴趣区域,这类似于空心针活检,可能无法全面反映整个淋巴结的特征。本研究的优势在于,感兴趣体积(VOI)是沿整个淋巴结边界逐层手动勾画的,携带更多纹理信息。因此,我们在识别内部具有不同程度坏死的菊池病方面具有显著优势。
本研究存在若干局限性。第一,回顾性设计可能引入选择偏差。第二,VOI为手动获取,可能引入一定的不准确性。化脓性淋巴结炎所致的肿大淋巴结因图像上弥漫性扩散而难以分割,导致测试集准确性欠佳。然而,化脓性淋巴结炎的显著临床体征(如体温升高)可以弥补其不足。第三,缺乏独立测试队列引发了对所提出模型潜在泛化性的担忧;因此,需要大样本、多中心、前瞻性研究进一步验证。随着图像的积累,进一步研究有望开发出一种计算机辅助诊断软件工具,用于检测颈部小的影像学异常,具有增强基于组织检测的潜力。
结论
总之,我们构建并验证了两种新型基于MRI的影像组学模型。我们的研究结果表明,这些模型可能是有前景的无创工具,用于儿童颈部淋巴结病的早期评估,有助于活检决策,并可能避免不必要的检查或延迟治疗。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 17 KB)
引用
- Xu Y, Chu C, Wang Q, et al. Using T2-weighted magnetic resonance imaging-derived radiomics to classify cervical lymphadenopathy in children. Pediatr Radiol. 2024. PMID: 38937304. doi:10.1007/s00247-024-05954-0
- 全文:PMC11255022(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11255022/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。