前列腺癌的多参数动态对比增强超声成像
本研究从19例拟行根治性前列腺切除术患者的前列腺癌(PCa)动态对比增强超声(DCE-US)记录中提取灌注与弥散参数,用高斯混合模型回顾性构建多参数图。时空相关(r)、平均通过时间(μ)、曲线偏度(κ)与达峰时间(PT)组合的准确率为81%±11%,高于最佳单参数r(73%)、μ(72%)和流入时间(72%);阴性预测值由70%、69%和67%升至83%±16%。作者认为多参数DCE-US分析可能成为PCa定位的有用诊断工具。
要点
- 多参数DCE-US(r、μ、κ、PT组合)像素级分类准确率81%±11%,阴性预测值83%±16%。
- 最佳单参数为时空相关r(准确率73%)、平均通过时间μ(72%)和流入时间(72%)。
- 基于置信水平剔除像素后准确率升至90%±10%、阴性预测值91%±13%,保留51%±17%像素。
核心结论
- 多参数DCE-US分析可能成为前列腺癌的有用诊断工具,可能有助于未来活检或治疗的靶向定位。
- 多参数DCE-US在检测前列腺癌方面优于单参数DCE-US。
- 多参数DCE-US可能成为前列腺癌定位的有用工具。
研究设计与样本
- 回顾性分析19例拟行根治性前列腺切除术的前列腺癌患者,术前接受经直肠DCE-US扫描。
- 从45次DCE-US记录中提取约174,000个像素,来自85个感兴趣区(43个良性、42个恶性),经组织病理学确认。
- 使用高斯混合模型(GMM)算法生成多参数图,采用以前列腺为单位的留一法评估像素级分类性能。
- DCE-US使用SonoVue®超声造影剂2.4 mL静脉注射,iU22超声扫描仪,一般采用3–10 MHz腔内探头(C10-3v),1例因设备可用性问题使用4–8 MHz腔内探头(C8-4v)。
- 造影特异性模式基于功率调制脉冲方案,频率3.5 MHz,机械指数0.06。
关键影像表现/征象
- 恶性区域在DCE-US记录中表现为与类似良性区域相比快速且增强的流入。
- 分类图中红色区域分类为恶性(即可疑),绿色区域分类为良性(即不可疑)。
- 分类图与组织学高度对应,但像素剔除后仍有小区域被误分类。
诊断标准与关键数值
- r、μ、κ、PT组合的像素级分类准确率81%±11%,阴性预测值83%±16%。
- 最佳单参数:r准确率73%、μ准确率72%、流入时间(WIT)准确率72%;阴性预测值分别为70%、69%和67%。
- var、μ、r、int组合的阴性预测值最高(87%±15%),但其他两项性能指标低于第一组参数。
- 基于置信水平P剔除像素后,第一组参数准确率由81%±11%升至90%±10%,阴性预测值由83%±16%升至91%±13%,保留51%±17%的像素。
- 第二组参数剔除像素后准确率由72%±10%升至90%±7%,阴性预测值由87%±15%升至89%±15%,保留51%±14%的像素。
临床应用与阅片要点
- 作者认为多参数DCE-US分析可能有助于未来活检或治疗的靶向定位。
- 置信阈值0.5导致每个前列腺平均剔除36%±15%的像素(范围8%至67%)。
- 像素剔除在良性与恶性像素之间、患者与区域之间分布均匀,因此不会导致额外前列腺癌灶被遗漏。
- 44个主要(大于50%像素)分类为阴性的区域中9个(20%)被误分类,其中大多数为Gleason评分3+3。
- 作者认为,对其它算法的广泛回顾有助于获得性能概览。
局限性
- 当前分析在超声成像平面与组织学切片的配准方面存在局限性,因此使用了组织学证实的感兴趣区。
- 感兴趣区大小约0.5 cm²,与临床相关病灶的临界大小相似。
- 当前性能受本研究训练集较小的限制,无法按Gleason评分定义亚组。
- 本研究未评估肿瘤分级之间的分类差异,扩展数据集将允许未来进行此类验证。
- 研究的另一局限性涉及小病灶的分析,考虑到指定感兴趣区时的误差范围,小病灶未能纳入研究。
全文中译8 节 · 点击展开
引言
前列腺癌(PCa)是美国男性中最常见的癌症类型,占新发病例的26%,约占癌症相关死亡的10% [1]。因此,一种可靠且微创的前列腺癌诊断工具至关重要。在20世纪最后十年中,前列腺特异性抗原(PSA)血液检测的引入导致前列腺癌诊断数量急剧增加,同时表现出低风险或惰性疾病患者数量也不断增加 [2]。由于PSA水平评估和直肠指检等筛查工具阳性预测值(PPV)有限,过度诊断和过度治疗被认为是重大问题 [3, 4]。因此,前列腺癌的 definitive 诊断仍依赖于≥10针系统性活检 [5]。活检相关并发症发生率较高 [6, 7],且相当一部分恶性肿瘤仅在重复活检中被发现 [8]。这强调了对一种能够定位或排除前列腺恶性肿瘤的成像方式的需求。这种技术最终可作为靶向活检的定位工具 [9, 10],或协助患者筛选和保留器官局灶治疗的治疗计划制定 [11]。
目前,多参数磁共振成像(mpMRI)似乎是前列腺癌定位最有前景的成像方法 [12]。最近的一项荟萃分析报告了可观的平均灵敏度74%和特异性88%,阴性预测值(NPV)范围为65%至94% [13]。鉴于经直肠超声(TRUS)在成本、时间、分辨率和床旁实用性方面优于MRI,本文提出一种TRUS的多参数方法。
遗憾的是,B型TRUS被认为对于独立肿瘤检测不够准确 [14, 15]。由于临床相关的前列腺恶性肿瘤以血管生成和新生血管化为特征 [16, 17],灌注增加已被提出作为前列腺癌的标志物。此外,观察到微血管密度与癌症侵袭性相关 [18]。然而,多普勒成像因其对微小血流的灵敏度有限,被发现不足以准确捕捉这些血管变化 [19, 20]。在TRUS过程中使用静脉注射超声造影剂(UCAs),即动态对比增强超声(DCE-US)成像,也允许可视化血管组分和灌注。造影特异性成像模式甚至能够在毛细血管尺度上成像微循环 [21]。同样,尽管有报道称肿瘤检测率有所提高 [22, 23],但仅基于对比增强超声视觉解读的靶向活检不被认为可替代系统性活检 [9, 24]。这可能是因为血管生成对血流的影响不一致且模糊 [25]。血管运动控制减弱和分流形成导致灌注升高,而高迂曲度和通透性伴随间质压力升高则导致相反的效果 [16, 17]。
因此,利用DCE-US进行组织表征需要对前列腺内超声造影剂(UCA)的动力学进行更详细的评估。UCA由封装的微米级气泡组成,这些气泡在血管系统中停留数分钟[26–28],其行为可通过观察时间-强度曲线(TIC)来评估,即在某一区域内回声强度随时间的演变。例如,研究发现,在DCE-US记录中,恶性区域相较于前列腺内相似的良性区域,表现为快速且增强的流入[29, 30]。为标记灌注的相关改变,已从TIC中提取了若干参数;这些参数包括,例如,流入速率[31, 32]、达峰时间(PT)[33, 34]、出现时间(AT)[33, 34]、峰值强度(PI)[32–35]以及曲线下面积[33, 36]。除这些灌注相关参数外,血管生成性微血管改变也可通过评估UCA的弥散来检测[37]。超声造影弥散成像(CUDI)是近期开发的,用于分析DCE-US记录中微泡造影剂团注的弥散动力学。弥散行为已通过曲线拟合[37]或相似性分析[38, 39]进行评估。在这些方法中,成像平面中每个像素的TIC分别通过对流弥散模型拟合或与其邻近TIC进行比较来评估。
尽管性质不同,通过这些方法获得的参数已被证明对PCa检测具有可观的灵敏度和特异度。因此,我们假设,将灌注和弥散相关的互补参数相结合,可使我们以更高的准确度定位前列腺癌。PCa是一种多灶性和异质性疾病,其表现取决于癌症类型、分级和部位[24]。多参数方法可降低遗漏对某一参数不可见肿瘤的风险,并可能能够区分模仿恶性特征的前列腺疾病,如前列腺炎[40]。
由于多参数方法的性能不依赖于单一阈值,因此不能使用传统的受试者工作特征(ROC)分析来评估[41, 42]。相反,多参数方法需要分类算法将各参数组合成单一参数图。许多算法已被用于生物医学分类;特别是高斯混合模型(GMM)、支持向量机和人工神经网络已被广泛采用[43–45]。我们选择GMM进行多参数评估,因为它们快速、完全基于数据(无需额外的物理建模)并便于定义分类置信度。此外,据报道,GMM在乳腺X线摄影肿瘤识别中的表现优于神经网络[45]。
在本文中,我们考虑了十三项灌注和弥散相关参数以及TRUS图像上的回声强度。回顾性地,利用组织病理学确定的感兴趣区(ROI)选择并组合最有用的参数,以提高DCE-US定位PCa的准确性。
材料与方法
数据采集
19例计划接受根治性前列腺切除术的前列腺癌(PCa)患者在手术前接受了经直肠DCE-US扫描。该操作流程经当地伦理委员会批准,并在学术医学中心(荷兰阿姆斯特丹)实施。所有患者均签署知情同意书。年龄低于18岁或存在欧洲药品管理局规定的造影剂给药禁忌证的患者被排除。选择Gleason评分≥ 3 + 3且肿瘤大小适合本分析的患者(见“组织病理学分析”部分)纳入本研究。患者及肿瘤特征总结于表1。
操作过程中,静脉给予2.4 mL SonoVue®超声造影剂(UCA)微泡混悬液(Bracco,米兰,意大利)。该混悬液由平均直径为2.5 μm的包裹式六氟化硫微泡组成[46]。随后使用iU22超声扫描仪(Philips Healthcare,博塞尔,华盛顿州,美国)进行2分钟记录,通常使用频率范围3 MHz至10 MHz的腔内超声探头(C10-3v)。由于设备可用性问题,1例患者使用了频率范围4 MHz至8 MHz的腔内探头(C8-4v)。测量在造影专用模式下进行,基于3.5 MHz频率的功率调制脉冲方案,机械指数为0.06,以尽量减少微泡破裂。
组织病理学分析
前列腺切除术后,前列腺以福尔马林溶液固定,去除精囊,切成约4 mm的切片,并由病理学家按Montironi等[47]所述方法进行检查。随后由病理学家勾画肿瘤范围。在参数分析之前,在B模式超声扫描图像上手动绘制约0.5 cm²大小的感兴趣区(ROI),以识别经组织学证实为恶性的区域。根据造影记录前进行的横断面扫查视频中成像平面的位置,将组织学图像与超声扫描图像进行匹配。仅在组织病理学信息在两个相邻切片中持续存在的区域绘制ROI。以前列腺边界辅助定位。以相同方式,我们在未被描述为恶性的区域放置大小相似的ROI。由此获得的数据集包含来自19例患者45次DCE-US记录的85个ROI中提取的约174,000个像素,标记为良性(43个ROI)或恶性(42个ROI)。最终,我们能够纳入每例患者1至4个DCE-US成像平面。
数据处理与参数提取
为评估超声造影剂(UCA)的弥散行为,通过时间-强度曲线(TIC)拟合以及相似性分析对DCE-US记录进行分析。参数图使用在Matlab®(2015b,Mathworks,纳蒂克,马萨诸塞州,美国)中运行的定制CUDI程序生成[48]。按照[37]中所述方法,对数据进行预处理,并用改良的局部密度随机游走(LDRW)模型对提取的TIC进行拟合。这使我们能够估计曲线下面积(α)、平均通过时间(μ)、偏度参数(κ)以及弥散时间与对流时间之比(λ = μκ)。此外,我们还考察了方差(var),即曲线的二阶矩[49],以及PT与UCA再循环出现的截断时间之间的拟合区间(int)[37]。
对于相似性分析,数据按照[39]中所述进行预处理。随后计算了频谱相干性(ρ)[38]和时空相关系数(r)[39]。对于这些参数,将单个像素的时间-强度曲线(TIC)与半径为1.0至2.5 mm的环形核内的TIC进行比较,因为该尺寸使我们能够在早期血管生成的尺度上可视化相似性[38]。
基于[37]中的处理方法,我们还提取了峰值强度(PI)、到达时间(AT,即TIC达到PI的5%的时间)和峰值时间(PT,即强度最高的时间)。此外,流入时间(WIT,即AT与TIC达到PI的95%的时间点之间的时间段)和半高全宽(FWHM)也被视为感兴趣参数。表2报告了所研究参数的完整列表。
分类流程
高斯混合模型是聚类分析[50, 51]和数据分类[52, 53]中广泛使用的方法。GMM通过正态分布的混合来描述(多)参数空间中的一组观测值(即像素)。使用两个预先确定的良性和恶性观测训练子集,可以计算类别特定的概率分布。随后,测试集中的每个像素根据这些分布进行分类。我们通过比较观测值为良性或恶性的概率p来定义分类置信度的度量。该置信水平P方便地取值范围为0到1,由以下公式描述:,其中A表示概率最高的类别。
GMM分类算法在Matlab®中使用统计分析工具箱实现。参数归一化至第90百分位数以确保等权重,训练使用迭代期望最大化算法[54]进行。由于GMM算法速度很快,评估一至四个不同参数的所有可能组合是可行的。我们未考虑超过四个参数以避免过拟合。
为评估分类器的性能,该流程在每个前列腺上分别进行测试,同时使用其他前列腺的观测值作为训练集。该留一法分析的结果在所有前列腺上取平均值。我们通过计算准确率、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)来量化分类性能[41, 42]。灵敏度和特异度分别表示正确分类的恶性和良性像素的百分比,而PPV和NPV反映分别分类为恶性和良性的像素中正确的百分比。此外,准确率代表总体正确分类百分比。由于NPV对于避免遗漏临床相关的前列腺癌(PCa)病灶至关重要,我们基于该指标以及准确率对分类器进行了优化。
像素排除
TIC测量质量通常因像素而异。为确保分类质量,识别可能被误分类的像素十分重要。如前所述,分类算法通过水平P指示分类的置信度。此外,我们考虑决定系数R²,描述TIC能被改进的LDRW模型拟合的程度,以及观测值属于其类别的绝对概率。较大的健康血管更可能显示团注的早期到达,这使灌注参数用于标记恶性的应用变得复杂。因此,我们还评估了在排除每个平面中PT最低的像素后分类器的性能。
结果
基于准确率,r、μ、κ和PT的组合产生了最佳准确率(均值±标准差=81±11%)。最高NPV见于参数var、μ、r和int(87±15%),但其他性能指标中有两项与第一组相比逊色。高NPV和高灵敏度可由低假阴性数量解释。我们发现各变量的参数分布最适合用单个高斯函数描述。结果与单个参数的性能进行了比较。所有三项分析中表现最佳的参数——曲线拟合的μ、相似性分析的r和常规灌注分析的WIT——通过基于ROC的阈值优化以及一维参数空间中的GMM分类进行了评估。如表3所示,无论使用何种指标,多参数分类的性能均高于ROC分析的单个参数。由于并非所有单个参数都能被单个高斯分布很好地描述,对单个参数采用非定制的GMM方法在灵敏度和特异性之间的平衡方面产生了较不稳定的结果。尽管准确率和NPV被认为是最重要的性能指标,但可靠的技术还要求其他指标也足够高。
在“材料与方法”部分,我们提到了基于特征的像素排除,以减少多参数图中的误分类数量。图1展示了基于分类置信度P、绝对概率、R²和PT进行像素排除后准确率的变化。它揭示了P正确反映了置信度,并且它是识别高误分类风险像素的最合适指标。基于该指标进行像素排除后的多参数分类结果分别在图2a和b中展示,对应包含r、μ、κ和PT的参数集以及包含var、μ、r和int的参数集。像素的排除在良性和恶性像素之间以及患者和区域之间均匀分布;因此,排除不会导致额外的PCa病灶被遗漏。
为说明全前列腺分类的结果及像素排除的效果,图3展示了两位患者的超声图像、分类图以及组织学图像。对于图2中的第一组,在剩余51 ± 17%像素的情况下,准确率和NPV分别从81 ± 11%增至90 ± 10%,从83 ± 16%增至91 ± 13%。第二组的这些值分别为72 ± 10%至90 ± 7%和87 ± 15%至89 ± 15%,同样包含51 ± 14%的像素。这些排除百分比包括无法由LDRW模型拟合的4.5 ± 3.2%像素。作为参考,图4描绘了构成多参数图像的各个归一化参数图。
讨论
根据现行指南[5],可靠的PCa诊断需要在超声引导和局部麻醉下进行≥10针系统性活检。近年来,鉴于所报道的并发症数量[6]、因高估病理学上无显著意义的病灶而导致的过度诊断[3],以及因遗漏小的 高危PCa病灶而导致的诊断不足[8],影像学和靶向活检[9]日益受到重视。超声造影允许提取多个参数,这些参数有潜力作为恶性肿瘤的诊断标志物。本文提出的多参数方法通过GMM分类器将常规DCE-US的灌注相关参数与CUDI的离散相关参数相结合。
最优参数子集包括r、μ、κ和PT,因此涵盖了所有分析方法的特征参数。在这些参数中,r对结果的贡献最大,这与先前关于CUDI的文献[39]一致。由于μ和κ共同描述LDRW模型化TIC的形状[55],这两个参数的组合对r具有最大的附加价值并不令人意外。最后,加入PT使准确率略有提高(80%至81%)。尽管早期强化是恶性肿瘤的强标志物,但PT的定量使用通常因其对操作者和循环时间的强依赖性而复杂化[34]。然而,与其他参数联合使用时,PT能够进一步区分恶性和良性区域。尽管WIT作为单一参数表现良好,但未被纳入多参数集。我们预计这是WIT与μ之间高度相关(Pearson r:0.88)的结果,使得该参数在纳入μ后变得冗余。
我们已经表明,可能被错误分类的观测可以通过其低置信水平来识别。从多参数图中排除低置信像素可提高分类的可靠性。置信阈值0.5导致每个前列腺平均排除36 ± 15%的像素(范围8%至67%)。总体而言,像素排除方法导致忽略良性区域与恶性区域交界处的像素,而非特定前列腺中的像素。如图2所示,排除并不特别偏向恶性或良性像素。图3显示了分类图的典型示例。尽管像素排除后仍有小区域被错误分类,但分类图与组织学之间高度对应。由于正确分类的恶性区域得以保留,这些结果具有临床相关性,例如用于靶向活检。由于当前分析在超声成像平面与组织学切片的配准方面存在局限性,我们使用了组织学证实的ROI。这些ROI大小约为0.5 cm²,与临床相关病灶的临界大小相似[47]。未来,三维超声模型将使我们能够应用更准确的配准。
在当前分析中,44个主要(>50%的像素)分类为阴性的区域中有9个(20%)被错误分类。在表1中,Gleason评分3 + 3代表大多数这些假阴性区域。Gleason评分由染色前列腺组织切片中最常见的两种组织学模式的等级组成,是前列腺癌分期和侵袭性的指标[56, 57]。根据近期前列腺分级共识,Gleason评分3 + 3被评定为分级组1,表明极低风险疾病,生存率高且几乎无转移可能[58, 59]。我们认为,使用多样化训练集(即由不同侵袭性恶性肿瘤组成的集合)会导致在包含极低级别或极高级别PCa的前列腺中错误分类风险更高,因为这些与训练集平均值差异最大。
目前的性能受到本研究中训练集较小的限制,阻碍了根据Gleason评分定义亚组的可能性。由于微血管密度是前列腺癌(PCa)分期中的一个可行标志物[18],这可能使我们能够区分低风险和高风险PCa。对比增强MRI研究表明,基于灌注的区分PCa分级甚至前列腺炎是可能的[60]。在本研究中,我们没有评估肿瘤分级分类的差异;扩展的数据集将允许未来进行此类验证。该研究的另一个局限性涉及小病灶的分析,考虑到指定ROI时的误差范围,这些病灶未能纳入研究。
DCE-US不仅是诊断PCa的有价值方法;其作为监测局灶治疗治疗效果的工具越来越多地被提及。例如,研究发现DCE-US在间质激光治疗后描绘组织血运丧失的能力与DCE-MRI相当[61, 62]。因此,DCE-US已被用于间质激光治疗[63]和高强度聚焦超声治疗中以可视化存活和血运丧失区域[64, 65]。除了分类器对肿瘤定位和监测的辅助作用外,此类分类器区分低风险和高风险疾病的能力将特别改善局灶治疗和主动监测策略的应用。
总之,我们看到对比增强超声参数的联合评估在肿瘤定位方面相比单个参数图具有更优越的准确性和阴性预测值(NPV)。基于GMM的多参数分析快速、通用,并允许对其分类进行可靠的置信度估计。研究表明,像素排除可以在不忽略前列腺相关区域的情况下进一步提升性能。如同乳腺病变的计算机辅助诊断[66, 67],建议对其他算法进行广泛审查,以了解其他分类方法在前列腺癌检测中的性能、优势和不足。未来,来自其他超声模态(如多普勒和弹性成像)的参数图也可以纳入[68],以及其他诊断工具的结果(如PSA评估),但这超出了当前研究的范围。此外,本分析基于较小的患者群体,我们认识到需要更广泛的验证来推导分类的全局指标。我们期望该方法也可用于其他类型癌症的成像。
引用
- Wildeboer RR, Postema AW, Demi L, et al. Multiparametric dynamic contrast-enhanced ultrasound imaging of prostate cancer. Eur Radiol. 2016. PMID: 28004162. doi:10.1007/s00330-016-4693-8
- 全文:PMC5491563(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC5491563/
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。