MRI术前预测肝细胞癌微血管侵犯风险:瘤周区域与肿瘤区域的对比
回顾性纳入147例肿瘤最大径≤5 cm的肝细胞癌患者,按手术日期分为训练集117例和测试集30例,用预训练AlexNet从DCE-MRI不同序列及肿瘤、瘤周5/10/20 mm区域提取深度学习特征并以XGBoost建模预测MVI分级。结果显示瘤周20 mm模型AUC优于肿瘤区域模型,动脉期与延迟期融合表现最佳(微平均AUC 0.78、宏平均AUC 0.74),联合临床特征后AUC升至0.83和0.80。
要点
- 预测MVI分级时,瘤周20 mm区域的深度学习特征优于肿瘤区域。
- 瘤周5、10、20 mm区域AUC依次升高,提示瘤周范围越大预测价值越高。
- 联合临床特征(AFP、中性粒细胞计数、最大肿瘤直径)后AUC升至0.83和0.80。
核心结论
- 与肿瘤区域相比,瘤周区域的深度学习特征为预测MVI分级提供了更重要的信息。
- 联合肿瘤区域与瘤周20 mm区域是预测MVI分级相对理想且准确的范围。
- 深度学习特征可通过提取肿瘤区域信息间接预测MVI,也可从瘤周区域直接捕获MVI信息。
研究设计与样本
- 回顾性研究,来自福建医科大学孟超肝胆医院,2015年4月至2022年1月,最终纳入147例(女28例、男119例,平均年龄55.71±11.67岁),按手术日期分为训练集117例和测试集30例。
- 采用3.0 T扫描仪(Magnetom Verio,Siemens Healthineers)行DCE-MRI,分析预对比期、动脉期(20–30 s)、门静脉期(约60 s)和延迟期(3 min)序列。
- 以术后病理MVI分级(M0、M1、M2)为参考标准,用预训练AlexNet提取深度学习特征,经主成分分析降维后用XGBoost构建三分类模型,以AUC评价。
关键影像表现/征象
- 对M0、M1、M2三分类MVI,动脉期数据构建的瘤周5、10、20 mm模型AUC持续升高,瘤周20 mm模型预测性能优于单纯肿瘤区域模型。
- 门静脉期数据中,瘤周20 mm模型预测性能优于单纯肿瘤区域模型。
- 双序列融合中,T1+D融合联合肿瘤与瘤周20 mm区域时预测性能最高,微平均AUC 0.78、宏平均AUC 0.74。
诊断标准与关键数值
- MVI病理分级标准:M0为无MVI;M1(低危)为≤5个MVI灶且均位于瘤周肝组织(≤1 cm);M2(高危)为>5个MVI灶或MVI位于远处瘤周肝组织(>1 cm)。
- 测试集中,融合T1+D的肿瘤+瘤周20 mm深度学习特征联合临床特征后,微平均AUC 0.83、宏平均AUC 0.80,为所有序列和区域中最高。
- 动脉期与延迟期数据联合时预测性能最高,微平均AUC 0.78、宏平均AUC 0.74。
临床应用与阅片要点
- 术前预测MVI分级时,勾画感兴趣区应包含瘤周20 mm区域,而非仅限肿瘤本身。
- MVI主要位于瘤周区域,瘤周20 mm范围与MVI诊断标准所定的范围相对应。
- 模型输出为M0、M1、M2三分类概率,结合血清AFP、中性粒细胞计数和最大肿瘤直径可进一步提高预测性能。
局限性
- 本研究为回顾性单中心研究。
- 虽然按手术时间划分训练集和测试集,但TRIPOD声明推荐时间验证而非随机分组,研究通过迁移学习、集成方法和10折交叉验证来降低过拟合风险并提升小样本数据集上的模型效能,因此仍需在更大队列中进行前瞻性多中心验证。
- 放射组学分析使用二维感兴趣区,三维分割信息可提供更多信息,将在未来研究中纳入。
- 仅对AlexNet提取的特征进行了初步可视化分析,结果无法建立MVI在肿瘤组织中的具体位置与瘤周区域放射组学特征位置之间的相关性。
全文中译16 节 · 点击展开
引言
肝细胞癌(HCC)是一种常见的恶性肿瘤,在全球癌症相关死亡率中位居第三[1]。HCC患者的预后仍然不佳,主要归因于肿瘤的高复发率[2]。微血管侵犯(MVI)是指肿瘤细胞微观浸润至肝小血管,包括门静脉或肝动脉的微血管及小淋巴管[3],仅在显微镜下可观察到,主要位于瘤周或非肿瘤肝组织。MVI被认为是一项关键的病理因素,因其显著导致肝癌患者复发率增加和生存期缩短[4, 5],据报道在HCC患者中的发生率为15%至57.1%[6]。HCC中MVI的风险可分为三个等级[7]:M0指无MVI,M1(低危类别)指MVI位点≤5个,均位于瘤周肝组织(≤1 cm),M2(高危类别)指MVI位点>5个或MVI发生于远隔瘤周肝组织(>1 cm)。一般而言,M1和M0组的总生存(OS)率和无复发生存(RFS)率高于M2组。与非解剖性肝切除相比,M2组中解剖性肝切除与更好的OS和RFS率相关[8]。扩大肝切除术中的切除范围可通过清除微转移灶显著提高生存率[9]。M2组患者表现出更高的肿瘤侵袭性和更大的不良预后风险,因此手术切除可能不是这些患者的最佳选择;相反,应考虑涉及替代治疗方法的综合方案,包括肝移植、放疗、化疗、靶向治疗和免疫治疗。因此,在治疗前评估微转移范围并区分M1和M2人群将有助于指导个体化治疗和改善患者预后。然而,MVI只能通过耗时的术后病理检查来确认。活检受限于其在评估MVI方面缺乏敏感性、肿瘤异质性、采样误差及潜在并发症。某些影像学特征,如肿瘤大小[10–12]、肿瘤边缘不规则[13–16]、影像学包膜缺失或不完整[11, 17],以及动态对比增强磁共振成像(DCE-MRI)上观察到的瘤周强化[18],被视为MVI的预测因素,而基于“语义”特征的分类通常更容易被放射科医师解读和接受。然而,这种方法主观性强且可重复性差。近年来,利用数据挖掘技术在医学图像分析领域取得了实质性进展,催生了一个相对较新的领域——影像组学[19]。影像组学在HCC患者术前预测MVI中的逐步应用已显示出良好前景[14, 20, 21];然而,仍存在一些问题。首先,大多数预测MVI的模型主要关注肿瘤相关特征,未能纳入瘤周区域的信息,而MVI通常在该区域表现,且该区域可能提供关键信息[22, 23]。若干研究也探索了利用肿瘤和瘤周影像组学信号预测术前MVI[17, 20, 24, 25],然而,各瘤周区域与肿瘤区域之间缺乏明确对比,这使得瘤周信息在不同范围内相较于单纯肿瘤信息在预测MVI中的意义存疑。此外,大多数研究倾向于通过确定MVI是否存在来对其进行定性评估,而探索MVI存在时严重程度的研究明显匮乏[26, 27]。AlexNet以其开创性的基于卷积神经网络(CNN)的架构彻底改变了深度学习和计算机视觉。从各种预训练CNN中提取的深度学习特征可用于后续的相关性筛选并构建预测模型。该方法采用机器学习技术在术前预测MVI状态[23]。然而,关于HCC ≤ 5 cm不同瘤周区域的深度学习特征与MVI三个风险等级(M0、M1、M2)之间关系的研究甚少。
因此,我们应用预训练的AlexNet从不同区域(包括肿瘤及瘤周区域(5 mm、10 mm和20 mm)以及肿瘤与不同瘤周区域的组合)提取深度学习特征。我们的目标是确定用于术前预测风险分级MVI的最佳瘤周范围,并证明影像组学不仅可能间接预测病理,还可能直接捕捉HCC的病理变化。
材料与方法
研究设计与患者人群特征
这项回顾性研究(IRB 2021-048-01)在福建医科大学孟超肝胆医院进行,时间范围为2015年4月至2022年1月,纳入563例接受手术切除的HCC患者,均按世界卫生组织标准诊断。研究获得伦理批准,并豁免书面知情同意。纳入标准:术后单个HCC病灶≤ 5 cm,具有完整MVI信息,且术前15天内完成DCE-MRI检查。排除标准:(1)复发性或多灶性HCC,或合并肝内胆管癌;(2)增强MR扫描前接受过抗肿瘤治疗;(3)影像学上明显的大血管侵犯;(4)图像数据质量差,不适合勾画感兴趣区(ROIs)。排除416例患者后,最终分析纳入147例患者(女性28例,男性119例;平均年龄55.71 ± 11.67岁),根据手术日期分为训练集(n = 117)和测试集(n = 30)(图1)。
临床病理因素与MVI
人口学数据(包括性别和年龄)、血液生化结果(如中性粒细胞计数(NC)和甲胎蛋白(AFP)水平)以及病理结果(例如最大肿瘤直径(MTD))均从电子健康记录系统获取;表1显示了所获取的患者全部临床参数。缺失值采用连续变量以均值、分类变量以中位数进行插补。HCC中的MVI按照标准化病理框架分为M0、M1或M2 [7]。
DCE-MRI采集
MRI在3.0 T扫描仪(Magnetom Verio,Siemens Healthineers)上进行。动态T1加权图像采用三维容积内插屏气检查脂肪抑制序列采集(t1_vibe_fs_tra_caipi3_bh_pre,FS:3,TR:4.5 ms,TE:2 ms,矩阵:256 × 256,层厚:3 mm)。钆喷酸以2 mL/s的速率经静脉给药,剂量为0.1 mmol/kg。采用四个常规腹部DCE-MRI序列,包括平扫期、动脉期(20–30 s)、门静脉期(约60 s)和延迟期序列(3 min)。
影像组学分析
影像组学工作流程包括五个步骤,包括手动肿瘤分割、特征提取与选择、多序列与ROIs的融合,以及模型开发与评估(图2)。
数据标准化与ROI勾画
图像预处理包括以下步骤:(1)对所有MR成像数据应用N4偏场校正算法以标准化灰度水平,(2)采用最近邻插值将图像重采样至1 × 1 × 1 mm³的体素大小。在图像分割过程中,一位具有10年专业经验的放射科医师(P.F.)使用ITK-SNAP(版本3.8)在平扫期、动脉期、门静脉期和延迟期图像上逐层手动勾画完整肿瘤轮廓。勾画的肿瘤边界由另一位具有15年专业经验的放射科医师(T.M.W.)独立验证。在意见不一致的情况下,两位专家协作达成共识。然后将所得的肿瘤掩膜沿肿瘤边界分别向外扩展5 mm、10 mm和20 mm,注意避免或手动去除非肝脏区域(图2a)。本研究采用2D ROI,精确选择显示肿瘤最大横径的横断面。该特定层面通常代表肿瘤生长最快和侵袭性最强的区域,最能反映肿瘤特征。随后,将图像裁剪至肿瘤最大横径及周围瘤周区域的掩膜(图2b)。
影像组学特征提取
将裁剪后的图像导入在ImageNet(https://www.image-net.org)上预训练的AlexNet模型版本。特征提取过程聚焦于AlexNet模型中的classifier.6(图2b),最终提取了999个深度学习特征。随后,使用主成分分析将这些特征降维至147个。最后,使用这147个特征进行独立建模和融合建模(图2c)。
多序列与多ROI的融合
不同序列的“融合”概念涉及整合从不同MRI序列中提取的影像组学特征。我们分析了四个MRI序列,即平扫期(T1)、动脉期(A)、门静脉期(P)和延迟期(D)序列。每个序列涵盖七个不同的ROI:肿瘤区域(Tumor)、5 mm(Peri5 mm)、10 mm(Peri10 mm)和20 mm瘤周区域(Peri20 mm),以及肿瘤区域与三个瘤周区域的组合(Tumor + Peri5 mm、Tumor + Peri10 mm和Tumor + Peri20 mm)(图2b)。
我们还研究了两个序列融合(T1 + A;T1 + P;T1 + D;A + P;A + D;P + D)、三个序列融合(T1 + A + P;T1 + A + D;T1 + P + D;A + P + D)以及四个序列同时融合(T1 + A + P + D)的效果(图2c)。
影像组学模型开发与验证
最初,我们根据患者手术操作的时间顺序创建了训练集和测试集。我们进行z分数归一化以标准化影像特征;对于每个特征,我们减去平均值并将差值除以标准差。接下来,我们评估了所有特征的皮尔逊相关系数。对于相关系数高于0.90的特征对,我们随机移除其中一个特征。剩余特征随后使用最小绝对收缩和选择算子(LASSO)进行特征选择,并根据其在预测结果中的重要性进行排序。最终,根据LASSO回归系数较高的特征被用作训练数据(图2d)。在进行10折交叉验证后,获得了稳定且稳健的模型。最后,我们在测试集中使用10折交叉验证评估了极端梯度提升(XGBoost)影像组学模型,并使用受试者工作特征(ROC)曲线下面积(AUC)评估了三级别MVI分类器的预测性能(图2e)。
统计分析
连续变量通常以均值±标准差表示,组间比较采用Z检验。分类变量以数值及相应百分比表示,两组间显著差异采用卡方检验评估。我们采用AUC评估影像组学和临床病理特征的预测性能。统计分析使用Python(Anaconda3.exe)进行。若双侧p值<0.05,则定义为差异具有统计学意义。
结果
单一序列深度学习特征的性能
表2和图3呈现了单序列分析中每个ROI的AUC。值得注意的是,由动脉期数据构建的Peri5 mm、Peri10 mm和Peri20 mm XGBoost分类器AUC持续增加;具体而言,Peri20 mm模型比仅基于肿瘤区域数据构建的模型获得了更好的预测性能。此外,在由门静脉期数据构建的模型中,Peri20 mm模型的预测性能优于仅基于肿瘤区域的模型。
多序列融合的深度学习特征性能
表3呈现了序列融合中每个ROI的AUC。
在由两个序列融合构建的模型中,P + D 模型预测 MVI 分级的 AUC 随着纳入更大范围的瘤周区域而增大;也就是说,使用 Tumor + Peri5mm 特征构建的模型 AUC 最低,其次是使用 Tumor + Peri10 mm 特征构建的模型,以及使用 Tumor + Peri20 mm 特征构建的模型。此外,对于 A + P、A + D 和 P + D 融合序列,Peri20 mm 模型的 AUC 超过仅肿瘤区域(Tumor)模型。
在由三个序列融合构建的模型中,A + P + D 模型在预测 MVI 分级时,按照 Peri5 mm、Peri10 mm 和 Peri20 mm 特征依次构建,其 AUC 逐渐增大。对于融合模型 A + P + D、T1 + A + D、T1 + A + P 和 T1 + P + D,基于 Peri20 mm 的模型 AUC 超过仅肿瘤区域(Tumor)模型。
在由全部四个序列融合(T1 + A + P + D)构建的模型中,预测 MVI 分级的 AUC 随着模型纳入更大范围瘤周区域的特征而增大(即 Tumor + Peri5 mm 的 AUC 最低,其次是 Tumor + Peri10 mm 和 Tumor + Peri20 mm)。此外,Peri20 mm 模型的 AUC 超过仅肿瘤区域(Tumor)模型。
表 4 展示了由单个序列及其融合对应模型构建的模型的最佳预测性能。值得注意的是,由两个序列融合(T1 + D)构建的模型在纳入肿瘤和 Peri20 mm 区域时表现出最高的预测性能,微平均 AUC 为 0.78,宏平均 AUC 为 0.74。
深度学习特征可视化
为进一步阐明本研究的显著且有前景的发现,我们使用预训练的 AlexNet 模型对标记为 MVI M0、M1 和 M2 级的图像提取的深度学习特征进行了可视化(图 4)。在使用 Grad-CAM 生成的热图中,不同颜色通常表示不同的激活强度:较暖的颜色表示相应区域对模型预测的重要性更大,而较冷的色调表示激活强度较低,提示模型对这些区域的关注相对较少。
影像组学和临床病理特征的表现
在各亚组之间未观察到基线特征的统计学显著差异。该队列中M1 MVI的总体患病率为49.7%,而M2 MVI的总体患病率为17.7%。为进一步提高模型的预测性能,我们将临床信息与深度学习特征相结合。使用LASSO回归选择最终的深度学习及临床病理特征集,包括血清AFP水平、NC和TMD。有趣的是,T1 + D_Tumor+Peri20影像组学特征与临床特征的融合在所有序列和区域中获得了混淆矩阵(图5a)和最高的AUC(0.83,0.80)(图5b)。
讨论
据我们所知,本研究是首次尝试使用预训练的AlexNet从描绘肿瘤及相应5、10和20 mm瘤周区域及其组合的各种DCE-MRI序列中提取深度学习特征,用于预测≤ 5 cm的HCC患者的MVI分级。此外,本研究还包括对不同MRI序列获取Peri5 mm、Peri10 mm和Peri20 mm区域的比较分析。结果表明,随着瘤周区域的扩大,AUC增加;值得注意的是,基于Peri20 mm数据区域构建的模型的AUC大于基于肿瘤区域数据构建的模型。这些结果以及相应的热图表明,深度学习特征从瘤周区域捕获了更多与MVI相关的注意力信息。Peri20 mm区域在预测MVI分级方面比肿瘤区域更重要,据我们所知,这是首次在此展示。本研究进一步提供证据表明,基于影像组学的深度学习特征不仅能够通过从肿瘤区域提取相关信息来间接预测MVI,还能直接从瘤周区域捕获MVI信息。对这一现象有几种可能的解释:(1)MVI主要发生在瘤周区域,如Kai-Qian Zhou开展的一项研究[28]所证明,该研究显示在MVI患者中,68.0%的MVI位于肿瘤边缘0.5 mm以内,83.3%位于10 mm以内,91.7%位于肿瘤边缘20 mm以内。(2)深度神经网络可以揭示层次化特征表示,使其能够从低层次特征中导出更高层次的特征[29]。(3)CNN能够适应医学图像的内在结构,使其非常适合形状识别[30]。
以往关于构建MVI预测模型的研究主要集中在肿瘤本身,忽略了对瘤周区域的探讨[31, 32]。虽然一些早期研究考虑了瘤周信息,但并未按照MVI诊断标准中规定的范围探索至20 mm[24, 25, 33–36];此外,这些研究主要集中于MVI的定性预测。Hu, F.等报道他们探索了20 mm瘤周区域,主要利用传统影像组学特征,但未比较不同瘤周区域[37]。与这些研究不同,我们证明在单序列模型中,基于平扫期的模型比分别基于动脉期、门静脉期和延迟期数据的模型具有更优的预测性能。结果差异可能归因于既往研究使用传统影像组学特征和逻辑回归作为分类器,而我们的研究采用深度学习特征和XGBoost作为分类器。我们的多序列融合分析显示,当基于肿瘤+瘤周20 mm特征构建时,基于A+D期的模型对MVI风险分级取得了最佳的预测性能。MVI的存在与否及其严重程度均为重要的预后因素。术前准确识别MVI的严重程度有助于确保患者接受更合适的治疗。一项在不同大小瘤周区域中研究MVI三个级别的研究揭示,深度学习特征能够间接预测临床病理指标并直接观察特定病理现象。我们的研究及相关工作与其他团队既往研究的不同之处在于,它揭示了HCC瘤周区域深度学习特征与其可观察的组织病理学特征之间的潜在映射关系。所获得的结果产生了令人惊讶且具有启发性的见解。
这项回顾性单中心研究存在若干局限性。第一,虽然数据集根据手术时间分为训练集和测试集,但TRIPOD声明推荐时间验证而非随机分组[38]。为解决这一限制,本研究努力利用迁移学习、集成方法和10折交叉验证来降低过拟合风险并增强模型在小样本数据集上的效能。因此,需要在更大队列中进行进一步的前瞻性多中心验证。我们影像组学研究的另一个可能局限性是使用了二维(2D)ROI。三维(3D)分割信息可提供更多信息量丰富的数据,我们将在未来研究中寻求纳入。最后,我们仅对AlexNet提取的特征进行了初步可视化分析,我们的结果尚不能建立MVI在肿瘤组织中的具体位置与瘤周区域影像组学特征位置之间的相关性。我们旨在未来研究中探索这一方面。
结论
总之,我们的研究在利用20 mm瘤周区域的DCE-MRI术前预测MVI分级方面取得了有希望的结果。重要的是,瘤周区域可能为预测MVI分级提供更直接和重要的信息。
引用
- Wei G, Fang G, Guo P, et al. Preoperative prediction of microvascular invasion risk in hepatocellular carcinoma with MRI: peritumoral versus tumor region. Insights Imaging. 2024. PMID: 39090456. doi:10.1186/s13244-024-01760-2
- 全文:PMC11294513(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11294513/
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。