文献速递腹部技术与安全US

显著肝纤维化的多参数超声组学:基于机器学习的分析

Multiparametric ultrasomics of significant liver fibrosis: A machine learning-based analysis.
PubMed 文献 · Eur Radiol · 2018-09-03

这项前瞻性研究纳入144例慢性乙型肝炎患者,利用常规超声影像组学、原始射频及对比增强微血流特征构建多参数超声组学模型,以病理METAVIR分级为参考标准。结果显示多参数模型判别显著纤维化(≥F2)的平均AUC为0.78–0.85,优于单模态特征,AdaBoost、随机森林与支持向量机为最优算法(平均AUC均为0.85)。

要点

  • 多参数超声组学模型判别显著纤维化(≥F2)的平均AUC为0.78–0.85,优于单模态特征。
  • AdaBoost、随机森林、支持向量机为最优算法,平均AUC均为0.85,变异系数0.01–0.02。
  • 原始射频与对比增强微血流特征的预测能力优于常规影像组学(均P<0.01)。

核心结论

  • 基于机器学习的多参数超声组学分析较单模态或双模态能更好地判别显著肝纤维化。

研究设计与样本

  • 前瞻性研究,纳入144例慢性乙型肝炎患者,采用Aplio 500超声仪(Canon Medical System)与375BT凸阵探头(频率3.5 MHz)。
  • 参考标准为病理METAVIR评分,显著纤维化定义为F2及以上;61例接受部分肝切除,83例接受超声引导下18G针穿刺活检。
  • 共提取472个特征,包括396个常规影像组学、54个原始射频和22个对比增强微血流特征。
  • 全队列随机分为训练集100例与验证集44例,采用十折交叉验证,比较6种机器学习算法。

关键影像表现/征象

  • 原始射频与对比增强微血流特征对全部纤维化分期的预测能力优于常规影像组学特征(均P<0.01),二者间无显著差异。
  • 对比增强微血流特征对全部炎症活动度分期的诊断价值最高(均P<0.05),原始射频特征对全部脂肪变分期的诊断价值最高(均P<0.01)。
  • 原始射频与对比增强微血流特征间相关性低(Spearman rho -0.26至0.24),对比增强微血流与常规影像组学间亦低(-0.26至0.32),原始射频与常规影像组学间稍高(-0.34至0.47)。

诊断标准与关键数值

  • 显著纤维化定义为METAVIR评分F2及以上,F0无纤维化、F1门管区纤维化无间隔、F2门管区纤维化伴少量间隔、F3大量间隔无肝硬化、F4肝硬化。
  • 多参数(常规影像组学+原始射频+对比增强微血流)模型中,AdaBoost、随机森林、支持向量机的AUC均为0.85±0.01,敏感度分别为87.5%、87.5%、93.8%,特异度分别为76.9%、76.9%、69.2%。
  • 原始射频+对比增强微血流及常规影像组学+对比增强微血流双模态组合的平均AUC为0.82–0.85;常规影像组学+原始射频组合平均AUC为0.78–0.79。
  • 单模态模型平均AUC为0.68–0.77;AdaBoost、随机森林、支持向量机平均AUC均为0.85,优于其他分类器(平均AUC 0.61–0.72,均P<0.001)。

局限性

  • 本研究所纳入的可用于计算分析的超声图像受操作者与软件依赖性的限制,因此仅纳入144例。
  • 本研究样本量小,作者指出在样本量小的超声组学研究中确定最优机器学习模型具有重要价值。
全文中译14 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2018 Sep 3;29(3):1496–506. doi: 10.1007/s00330-018-5680-z

引言

肝显著纤维化的早期发现和准确分期对抗病毒治疗至关重要。剪切波弹性成像(SWE)是一种基于弹性的超声技术,在检测纤维化方面已显示出良好的准确性[1]。然而,SWE在肥胖、腹水或坏死炎症活动(高达15.8%)的情况下适用性受到很大限制[2, 3]。因此,单一影像学方法的评估仅提供有限的信息,且始终可能受到脂肪变性和坏死炎症活动的影响[4, 5]。

放射组学,这一术语包含后缀“-omics”,从医学图像中生成高通量数据[6, 7],这些数据包含关于预后、治疗反应和疾病状态监测的信息[8, 9]。作为医学影像的重要模态之一,超声不仅能提供形态学信息,还能提供硬度和灌注评估,这些可能是其他影像方法无法获取的[5, 10–12]。我们将“-omics”概念应用于计算定量超声成像,这一领域被称为“超声组学”。我们认为,在分析纤维化分期时,应考虑肝纤维化的大影像数据在异质性、组织纹理、硬度和血管灌注方面的信息。

除多模态数据外,机器学习是改善临床决策的另一强大工具[13]。目前,机器学习领域在数据分析方面的较新进展极大地扩展了研究人员做出有意义发现的能力。机器学习能够利用具有大量变量和小样本量的数据进行准确可靠的预测。因此,应确定适用于小样本量超声组学研究的最佳机器学习模型。据我们所知,关于基于机器学习的决策支持系统有效性的比较研究尚缺乏[14]。

在本研究中,我们提出了多参数超声组学的概念,这是一种基于机器学习的临床决策支持系统,使用超声成像大数据。我们提取了一组超声组学特征,捕捉与肝纤维化相关的形态学和血流动力学变化,以(1)开发一种稳健的无创技术,利用临床环境中易于获得的常规超声数据预测肝纤维化分期,以及(2)在小样本量研究中探讨最佳机器学习模型。

材料与方法

研究人群

本前瞻性研究经我院机构审查委员会批准,并获得了知情同意。2013年10月至2015年4月,共有144例符合入选标准的乙型肝炎病毒(HBV)患者纳入研究。纳入和排除标准详见补充材料。每位患者在手术或活检前不超过3天进行全面的血液检查(天冬氨酸转氨酶(AST)、丙氨酸转氨酶(ALT)、血清白蛋白、γ-谷氨酰转移酶、总胆红素和血小板计数)。计算了简单标志物的组合,如天冬氨酸转氨酶与血小板比值指数(APRI)和纤维化-4指数(FIB-4);公式见补充材料[15]。

肝脏组织学分析

纳入本研究的所有患者均接受了部分肝手术(n = 61)或活检(n = 83)。术中保留大小约10 mm × 10 mm的切除肝脏标本。在超声检查后3天内,使用18号针(Bard)进行超声引导下右叶经皮肝活检。所有标本均经福尔马林固定、石蜡包埋,并进行苏木精-伊红(H&E)和Masson染色。两名具有> 10年经验的肝脏病理学家对标本进行分析,他们对影像学结果设盲,但不对手患者的临床和生化数据设盲。肝纤维化根据METAVIR评分系统评估如下:F0,无纤维化;F1,门管区纤维化无间隔;F2,门管区纤维化伴少量间隔;F3,大量间隔无肝硬化;F4,肝硬化。显著纤维化定义为评分F2或更高。METAVIR系统用于评分坏死性炎症活动(主要为坏死)的强度如下:A0 = 无坏死性炎症活动,A1 = 轻度活动,A2 = 中度活动,A3 = 重度活动[4]。脂肪变性采用四级评分系统评分,从S0到S4:S0 = 无脂肪变性;S1 = 轻度(1–5%)(含可见大泡性脂肪变性的肝细胞百分比);S2 = 中度(6–32%);S3 = 显著(33–66%);S4 = 重度(67–100%)[4, 16, 17]。

多参数超声组学采集与特征提取

所有超声检查均使用Aplio 500扫描仪(Canon Medical System)配备375BT凸阵探头(频率,3.5 MHz)进行。超声检查由两名放射科医师(X.Y.X.和W.W.)之一进行,两人均具有至少10年常规超声经验。获取三类参数:医学数字成像和通信(DICOM)格式的B模式图像。图像通过肋间斜扫描获得,预期显示从右肋间至右肝叶6段区域的肝实质。显示深度和发射聚焦分别固定为6 cm和4 cm,接收增益等于80。避免定义为> 2.0 mm的大血管。包括时间增益补偿、动态范围、焦距和机械指数在内的设置针对每次检查进行优化。DICOM格式的常规图像存储在Canon Medical System平台上。DICOM图像用于使用A. K.软件(Ultrasomics Kit,版本1.0,ZhiXing-Tech)提取常规放射组学特征,包括一阶强度统计、纹理和小波特征。所有放射组学特征的数学定义此前已有描述,详见补充材料[18]。

基于射频的原始数据。使用与常规放射组学相同的扫描方法和平面,但数据存储为原始数据。使用具有完整频率信息的后波束形成原始射频数据(ORF特征)提取原始数据所获回声振幅的统计特征。

动态对比增强微血流(CEMF)图像。采用对比谐波成像,机械指数为0.08。对比谐波成像所用发射频率为3.5 MHz,帧率为每秒15–18帧。图像通过肋间斜行扫查获得,预期可在单屏上显示从右侧肋间至右肝叶6段区域及右肾的肝实质。聚焦深度设置为6至8 cm以显示肾脏。激活对比谐波成像模式后,经肘前静脉团注2.4 ml SonoVue(Bracco),随后立即以5 ml生理盐水冲管。嘱患者在注射后屏气7–8 s(在肾动脉显影前1–2 s),随后启动CEMF模式。图像采集持续至肝脏完全增强。SonoVue输注后即刻约15–20 s获得的剪辑以DICOM格式保存为剪辑数据。动态CEMF特征通过我们的内置模型经离线分析提取。该模型的建立基于肝脏接受肝动脉和门静脉双重血供的认识。肾脏的血供被设定为“肝动脉供血”,并用作比较指标以减少循环差异的影响。

根据我们的初步研究和已报道的研究[10, 11, 19–21],从三种类型图像中获取的三类参数(常规影像组学、ORF和CEMF特征)预期可为肝纤维化分期提供潜在信息,详见补充材料。总共有472个特征,包括396个常规影像组学特征、54个ORF特征和22个CEMF特征。选择这些计算得到的定量特征以构建超声组学——本研究中超声的“组学”数据(图1)。

图1 该图展示了构建基于超声组学的预测模型的四步流程。(I) 从不同的超声模态(常规图像、原始射频数据和动态CEMF图像)获取超声组学图像。(II) 提取超声大数据作为常规影像组学特征、原始射频特征和动态CEMF特征。(III) 进行大数据挖掘(相关性、聚类和预测性能)以选择最优预测因子,并通过机器学习检验超声组学模型的分类性能。(IV) 在本研究中,我们前瞻性纳入了144例肝纤维化患者,以建立用于预测纤维化分期的超声组学模型 查看原图 ↗

使用机器学习对肝纤维化进行基于多参数的超声组学分析

多参数超声组学的特征选择与分析

采用Spearman相关系数(R)评估所有参数中特征之间的相关性。|R| > 0.90的特征对被认定为高度相关,可能提供冗余而非互补信息。高度相关的特征被合并为一个代表性特征,通常为变异性最大或动态范围最高的特征。该流程为常规影像组学、ORF和CEMF特征产生了独立特征。

然后,我们通过建立三类参数两两关联的相关图来探索特征相关性。绘制了所有定量特征的层次聚类图,并标注纤维化、活动度和脂肪变性的不同分期。通过计算纤维化分期、活动度和脂肪变性的受试者工作特征曲线下面积(AUC),进一步量化了每个特征的表现。

基于机器学习的多参数超声组学模型用于显著纤维化

选取三类参数中评估所有纤维化分期的AUC>0.6的参数用于后续分析。为评估最优机器学习方法,选取三类参数中的所有参数用于模型构建。本研究共测试了六种机器学习算法——自适应提升(AdaBoost)、决策树(DT)、逻辑回归(LR)、神经网络(NN)、随机森林(RF)和支持向量机(SVM)。选择这些机器学习算法是因为它们在分类中具有良好的性能[13]。各分类器的简要说明见补充材料。

整个队列被随机分为训练数据集(100例)和验证数据集(44例)。训练数据集用于构建模型,并通过验证数据集进行评估。在训练数据集上构建了六种采用不同机器学习方法的模型,然后在验证数据集上评估每个模型的性能。为确保分类器对训练和测试数据的稳健性,我们采用十折交叉验证方法计算显著纤维化(≥ F2)的诊断价值。所有过程以随机种子重复十次,产生十个不同的训练和验证数据集。我们反复使用训练数据集构建模型并通过验证数据集进行评估,选择分类性能最佳的模型作为最佳模型。显著纤维化的分类性能通过验证数据集中的AUC进行评估。

多参数超声组学模型的比较

将使用优化机器学习方法的多参数超声组学模型与以下模型进行比较:三类参数组合的模型:(1)传统影像组学、ORF和CEMF的组合;两类参数组合的模型:(2)传统影像组学和CEMF的组合,(3)ORF和CEMF的组合,(4)传统影像组学和ORF的组合;以及单参数模型:(5)传统影像组学,(6)ORF和(7)CEMF。通过计算准确率、敏感度、特异度和受试者工作特征(ROC)曲线评估分类器性能。验证数据集中显著纤维化的AUC采用十折交叉验证方法进行评估。

统计分析

统计分析使用开源统计计算环境R(版本3.3.1;R Foundation for Statistical Computing)进行。我们基于与其他特征的独立性(组内Pearson相关,|r| > 0.9)对三种模态的特征进行了筛选。使用R包“corrplot”计算并绘制了三类参数之间组间Pearson相关性的热图。应用了六种机器学习算法,分别使用R包“rpart”、“ada”、“randomForest”、“kernlab”、“rms”和“nnet”。使用R包“pROC”探索了三类特征用于纤维化、炎症活动和脂肪变性分期的AUC。通过使用R包“Deducer”的置换检验评估了不同机器学习和参数亚组之间模型性能的差异。计算变异系数(CV)以比较AUC的离散程度。所有统计检验均为双侧检验,p值 < 0.05被认为具有统计学意义。

结果

患者特征

共有144例患者纳入研究,其中114例为男性。平均BMI为20 kg/m2,平均年龄为48岁。METAVIR纤维化、炎症活动和脂肪变性分布总结于表1。

表1 患者的人口学和临床特征 查看原表 ↗

多参数超声组学的特征选择与分析

常规影像组学、ORF和CEMF的独立特征分别为110个、20个和26个。总体而言,这些特征在ORF与CEMF之间(Spearman rho,-0.26至0.24)以及CEMF与常规影像组学之间(Spearman rho,-0.26至0.32)几乎无相关性;然而,ORF与常规影像组学特征的相关系数呈轻度相关,且高于上述两组(Spearman rho,-0.34至0.47)(图2)。

绘制了所有定量特征在不同纤维化、炎症活动和脂肪变性分期下的层次聚类图(图S1)。我们使用AUC检验了所选参数对纤维化、炎症活动和脂肪变性分期的诊断价值。箱线图显示,ORF和CEMF特征是最强的预测因子,两者之间无显著差异,且在所有纤维化分期中均远强于常规影像组学特征(图3a,两者p < 0.01)。此外,CEMF特征在所有炎症活动分期中表现出最高的诊断价值(图3b),而ORF在所有脂肪变性分期中表现最佳(图3c)。

图2 相关性热图显示常规影像组学、ORF和CEMF特征之间的关联。仅少数参数高度相关(蓝色)或高度负相关(红色)。总体而言,我们发现这些特征在ORF与CEMF特征之间(a,Spearman rho,-0.26至0.24)以及CEMF与常规影像组学特征之间(b,Spearman rho,-0.26至0.32)仅呈轻度或中度相关。然而,ORF与常规影像组学特征之间的变量相关性更高(c,Spearman rho,-0.34至0.47)。 查看原图 ↗
图3 参数在诊断纤维化、活动度和脂肪变性分期中的诊断价值。箱线图显示,ORF和CEMF参数之间无显著差异,是最强的预测因子,在肝纤维化分期方面远高于常规影像组学特征(a,两者p < 0.01,ANOVA检验)。CEMF对活动度分期表现出最高的诊断价值(b,两者p < 0.05,ANOVA检验),ORF对脂肪变性分期表现最佳(c,两者p < 0.01,ANOVA检验) 查看原图 ↗

基于机器学习的多参数超声组学模型用于显著性纤维化

在分析的156个特征中,93个常规影像组学特征变量、11个ORF特征变量和11个CEMF特征变量因诊断价值较低(AUC < 0.6)在最终模型中被剔除。机器学习模型纳入41个特征:17个常规影像组学特征、15个ORF特征和9个CEMF特征。这些特征的详细名称和定义列于补充材料中。

六种机器学习分类方法各自的分类性能见图4。结果显示,AdaBoost、RF和SVM分类器(三者平均AUC = 0.85)优于其他分类器(平均AUC = 0.61–0.72,均p < 0.001)。此外,这三种分类器变异较小,CV为0.01–0.02,远低于其他模型(CV = 0.07–0.08)。基于这些发现,AdaBoost、RF和SVM分类器因其稳定性、有效性和高分期的性能被选用于后续计算。

图4 箱线图展示六种机器学习方法使用全部参数时的分类性能。p值来自置换检验。AdaBoost、RF和SVM分类器优于其他分类器(均p < 0.001)。这三种分类器变异较小,四分位值和离散程度更小 查看原图 ↗

多参数超声组学模型的比较

各参数组的机器学习预测模型性能总结于图5及表2和表3。从该分布可以看出,多参数特征组合的性能(平均AUC为0.78–0.85)远优于单一模态特征(平均AUC为0.68–0.77)。对于整合多参数常规影像组学、ORF和CEMF的模型,AdaBoost、RF和SVM分类器表现出良好性能,AUC均为0.85 ± 0.01(灵敏度分别为87.5%、87.5%和93.8%,特异度分别为76.9%、76.9%和69.2%)。对于结合两种模态的模型,ORF与CEMF的组合以及常规影像组学与CEMF的组合表现出良好性能,平均AUC为0.82–0.85;然而,常规影像组学与ORF组合的模型性能较差,平均AUC为0.78–0.79。单一模态的模型仅表现出一般性能,平均AUC为0.68–0.77。

图5 三种机器学习方法分析各超声组学特征组合分类的结果。三种机器学习方法——自适应提升(a)、随机森林(b)和支持向量机(c)——均显示超声组学模型的性能远优于单一模态模型以及常规影像组学和ORF特征模型(均p < 0.001) 查看原图 ↗
表2 基于机器学习的超声组学特征分类的训练与验证结果 查看原表 ↗
表3 基于机器学习的超声组学特征分类的性能指标 查看原表 ↗

讨论

在本研究中,我们提出使用多参数超声组学作为肝纤维化分期的决策支持工具。除了来自数字图像的传统影像组学特征外,我们还采集了射频信号和动态灌注信息以构建超声组学,这些是独特但便于获取的超声参数 [10, 11, 20]。这些可用于评估纤维化分期的可挖掘数据通过不同的机器学习算法进行了测试和比较。在本研究中,使用AdaBoost、RF和SVM的多参数超声组学在小样本量下提供了最高的性能。

在超声组学的构建中,我们使用无监督机器学习来探索参数的数据特征。发现ORF与传统影像组学特征之间具有较高的相关性。ORF信号是来自换能器的波束形成后数据,无需信号处理即可提供完整信息 [22]。影像组学参数是基于数字变换图像通过数学方法提取的定量描述符的传统特征 [23]。尽管数字图像是经数字扫描转换器后处理的信号,但两种信号均模拟了肝组织的形态学均匀性。值得注意的是,包含原始和更优信息的ORF数据在评估纤维化和脂肪变性方面表现更好。一些论文报道了通过定量超声检查使用B型超声和射频回波信号的统计数据对肝纤维化或脂肪变性进行组织表征的结果 [24–26]。然而,动态灌注参数与两种形态学参数的相关性较低,对活动期表现出最高的诊断价值,这与肝脏微循环相关 [27]。因此,我们的结果表明这三种信号可分为两类:形态学和血流动力学,分别反映纤维化和脂肪变性分期以及活动期。

对于使用超声组学进行肝纤维化分期,尽管已选择优化的机器学习算法,但使用单模态参数的临床模型在分期方面仍提供不令人满意的AUC值(AUC < 0.8)。此外,使用重复形态学参数(ORF与传统影像组学中相关性较高的特征)的模型在验证组中显示出最低的AUC,这可能是由于两种形态学参数之间的冗余信息所致。此外,使用形态学和血流动力学组合特征的模型表现出更好的性能。对于纤维化分期的评估,肝组织的伴随活动不应被忽视 [28, 29]。我们的结果也符合以下原则:尽管使用了机器学习算法,由两个类别构建的模型应获得更高的AUC。这一发现表明,使用来自不同病理生理过程的多参数超声组学将增强我们临床决策支持系统的性能 [30]。

借助这些大数据,机器学习正在推动以模式识别为基础的医学学科(如放射学和病理学)发生巨大变革[31, 32]。一般来说,样本量越大的机器学习产生的分类越准确[32–34]。然而,本研究中符合计算分析条件的超声图像因依赖操作者和软件而受到限制,因此我们的研究仅纳入了144例病例。因此,确定适用于小样本量的最优机器学习算法具有重要价值。近期少数研究探讨了不同机器学习分类方法对基于单模态影像组学的临床预测的影响[35, 36]。我们的研究表明,AdaBoost、RF和SVM三种机器学习方法在任何类别的参数下均表现较好。SVM的原理是通过预先选定的非线性映射将输入参数映射到高维特征空间[33, 37]。在该空间中构建最优分类超平面,并对其进行优化以最大化两类的分类效果。利用超平面与两个类别之间的间隔降低了对数据规模和分布的要求。RF结合多个弱分类器的预测来生成更准确、更稳定的预测。随机样本和特征保证了数据对噪声的鲁棒性,且调节参数少、样本量小[32, 38, 39]。AdaBoost具有自适应性,即后续的弱学习器会针对先前分类器误分类的实例进行调整[13, 36]。因此,AdaBoost对噪声数据和离群值敏感;这种敏感性使AdaBoost较少受到过拟合问题的影响。

本研究首要且最重要的局限性在于多参数超声组学无法纳入肝脏硬度参数。许多单中心研究已表明,剪切波弹性成像在F2期纤维化患者分期中取得了良好的AUC值0.89[17]。然而,考虑到患者依从性,本前瞻性研究仅使用一台超声仪器采集超声数据。此外,本研究的主要目的是利用机器学习优化基于多参数超声组学的纤维化分期模型。我们目前的工作已证明:(1)与病理生理学相关的数据探索和(2)利用机器学习构建模型可以改善纤维化分期模型的鲁棒性。然而,已报道的剪切波弹性成像在显著纤维化分期中的性能(AUC = 0.69–0.92,灵敏度 = 0.77–0.90,特异度 = 0.70–0.87)与我们的多参数模型相似。这一发现提醒我们,尽管数据挖掘过程可以增强临床决策系统的性能,但模型的最优性能已由数据本身决定。在后续研究中,我们将收集剪切波弹性成像数据以构建更好的模型。

我们的研究还存在其他局限性。其次,我们的研究仅纳入了我院的一组患者。有必要建立一个独立的验证队列来检验我们的超声组学模型的泛化能力。第三个局限性是,本研究中入组的部分患者存在局灶性肝脏病变。这也可能影响超声参数与病理学之间的关联。为消除肿瘤对邻近肝实质的潜在影响,我们制定了严格的排除标准。第四,研究人群为中国慢性HBV患者,导致BMI较低(20.2 kg/m2)且肝脏脂肪变性比例较低。第五,由于图像采集的要求,CEMF图像仅覆盖了较短时间(15–20秒的片段)。这可能无法显示肝脏的整个灌注过程。然而,我们尝试基于时间-强度曲线分析血液到达肝脏和肾脏的时间,且流入曲线包含更多关于到达时间的信息。第六,对肝脏的分析(常规影像组学和ORF)是基于放置在6段的一个2 cm的小ROI完成的,这与活检具有相同的局限性,即不能反映肝脏疾病的潜在异质性。

总之,我们已经证明,关于数据采集和分析的专家知识可以优化临床决策支持系统的稳健性。此外,AdaBoost、RF和SVM三种机器学习方法是小样本量研究的最佳算法。该框架在未来研究中的应用将促进超声组学时代的数据挖掘。

电子补充材料

ESM 1(DOCX 3527 kb)

引用

  1. Li W, Huang Y, Zhuang BW, et al. Multiparametric ultrasomics of significant liver fibrosis: A machine learning-based analysis. Eur Radiol. 2018. PMID: 30178143. doi:10.1007/s00330-018-5680-z
  2. 全文:PMC6510867(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6510867/

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。