文献速递腹部介入US

机器学习增强超声影像分析量化组织摧毁术剂量的研究

Quantification of Histotripsy Dosage Using Machine Learning-Enhanced Ultrasound Imaging Analysis: Correlation with Histological Outcomes.
PubMed 文献 · Acad Radiol · 2026-06-10

本研究在20只原位肝癌大鼠模型中,于组织摧毁术前后获取B型超声图像,提取纹理特征并与组织学细胞损伤对照。结果显示一阶峰度(R2=0.9)和GLCM自相关(R2=0.8)与组织学核碎片面积强相关,随机森林模型对剂量的预测R2=0.9(p<0.05)。提示超声纹理分析结合机器学习可作为组织摧毁术剂量个体化调控的定量影像反馈手段。

要点

  • 超声纹理特征峰度随剂量增加而升高、自相关随剂量增加而降低,呈剂量依赖性变化。
  • 20 ppl低剂量组峰度与自相关均无治疗前后显著差异,提示低剂量充分消融判断仍不可靠。
  • 随机森林模型对组织摧毁术剂量预测R2=0.9(p<0.05),高剂量区预测一致性优于低剂量区。

核心结论

  • 超声纹理分析结合机器学习可定量评估组织摧毁术在肝肿瘤中诱导的组织变化,并与组织学结果显著相关。
  • 峰度(R2=0.9)与自相关(R2=0.8)对核碎片面积呈强相关,随机森林模型剂量预测R2=0.9(p<0.05)。

研究设计与样本

  • 动物实验研究,20只Sprague Dawley大鼠原位肝肿瘤模型(McA-RH7777细胞),单中心。
  • 实验分组为20 ppl、50 ppl、100 ppl、200 ppl每组5只,治疗用1 MHz组织摧毁术换能器,峰负压估计>30 MPa。
  • 采用GE LOGIQ E10超声仪L6-24线阵探头采集治疗前后B-mode DICOM图像;组织学分析8只(每组2只),行H&E染色并量化核碎片面积、完整核面积、完整核计数及坏死评分(0–5分)。
  • 纹理分析用开源radiomics包3×3滑动核,提取93个一阶及高阶纹理特征;Pearson相关阈值0.8去冗余后保留11个,再以组织学核碎片非线性幂回归R2>0.8筛选出2个特征。
  • 随机森林模型以剂量为预测目标,数据集按70%训练/30%测试划分;参考标准为组织学核碎片量化结果。

关键影像表现/征象

  • 峰度在50 ppl至200 ppl随剂量增大而升高,组间比较20与100 ppl、20与200 ppl差异有统计学意义(p<0.05)。
  • 自相关随剂量增加呈反向剂量依赖性下降,仅20与200 ppl组间差异有统计学意义。
  • 组织学表现为剂量增加时核碎片面积百分比降低、完整核面积百分比降低、完整核计数减少,坏死评分20 ppl组均为4分,高于20 ppl组基本为5分。

诊断标准与关键数值

  • 核碎片面积与一阶峰度R2=0.9,与GLCM自相关R2=0.8。
  • 随机森林模型对组织摧毁术剂量预测R2=0.9,p<0.05。
  • 峰度与基线的显著差异出现在100 ppl和200 ppl;自相关与基线的显著差异仅出现在200 ppl。
  • 坏死评分标准:0=0%,1=1–25%,2=26–50%,3=51–75%,4=76–95%,5=>95%。

临床应用与阅片要点

  • 常规B-mode超声肉眼难以区分不全消融、完全消融与过度消融,定量纹理参数可提供客观评估依据。
  • 峰度与自相关两特征在治疗前后变化可作为组织摧毁术疗效监测的生物标志物。
  • 临床当前使用固定剂量,不同肿瘤力学特性需要不同剂量,治疗前后纹理比较有助于个体化剂量校准。
  • 低剂量(20 ppl)时影像特征变化小且变异大,解读需谨慎,不能仅凭视觉或单一阈值判断完全消融。

局限性

  • 样本量有限且每只动物图像数量有限,属探索性可行性研究,限制了结论的普适性。
  • 超声图像与组织学切片的空间逐点配准困难,影响影像特征与组织学的直接对比。
  • 核碎片定量依赖标准化染色流程与成像参数,分辨率极限附近的小核结构可能被误判为完全破坏。
  • 特征在不同超声成像参数(增益、频率)下的稳定性未经评估。
  • 人工勾画ROI可能引入主观性,且约50–75%肿瘤体积被消融而非全瘤覆盖。
全文中译12 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:Acad Radiol. Author manuscript; Available in PMC 2026 Jul 6.

引言

肝癌在全球范围内是肿瘤学领域的一项重大临床挑战(1)。目前的局部区域疗法(2–7)往往受到解剖位置、基础合并症及其他风险因素的限制。组织摧毁术是一种有前景的非侵入性、非电离、非热能的局部区域超声消融技术。它利用高振幅、微秒级超声脉冲,在靶组织内由内源性纳米级气穴产生可控的声空化微泡,从而破坏其细胞结构(8,9)。临床前研究和临床试验已证实组织摧毁术治疗肝癌的安全性和有效性(10–14),这促使美国食品药品监督管理局(FDA)批准组织摧毁术用于原发性和转移性肝脏肿瘤的非侵入性治疗(17,18)。目前,临床组织摧毁术操作对所有肝脏肿瘤类型均使用单一预定义剂量(定义为超声脉冲数),旨在最大限度地破坏肿瘤。最近的离体证据表明,完全消融不同人类肝脏肿瘤所需的组织摧毁术剂量可能取决于组织刚度等力学特性,胆管癌肿瘤所需的脉冲数高于结直肠转移瘤或肝细胞癌(15,16)。这反过来又影响新抗原的释放和免疫应答的级联反应(17,18)。这些观察结果凸显了根据每种肿瘤的力学和生物学特性个体化组织摧毁术剂量的重要性。一个主要障碍是缺乏一种直接的、非侵入性的方法来测量肿瘤碎裂的程度。临床上,B型超声用于引导组织摧毁术。然而,仅凭目视检查B型超声图像不足以可靠地区分不完全消融、完全消融和过度消融,因为细微差异很容易被忽略。虽然切除组织的组织学评估是目前临床前研究的金标准,但在人类患者中对消融后的肿瘤进行此类分析并不实际。

为弥补这一不足,我们开发了一种先进的纹理分析方法,用于从超声中识别与组织学肿瘤损伤相关的静态影像学生物标志物,后者可作为组织摧毁术所致细胞破坏水平的明确指标。未来,该方法可能支持根据个体肿瘤特征定制个体化组织摧毁术方案,从而改善治疗结局。

方法

动物模型与伦理

所有程序均经密歇根大学实验动物管理与使用委员会(IACUC)批准,并按照相关指南和法规执行。雄性Sprague Dawley大鼠(n = 20)在开腹手术后,将106个McA-RH7777细胞(ATCC® CRL-1601™)悬浮于100 μL无血清培养基和Matrigel(1:1)中,注射入肝叶,方法如前所述(19)。肝脏肿瘤在2周内形成,根据超声测量直径约达6至8 mm。随后将大鼠随机分为治疗组(每组n = 5)。

组织摧毁术系统与治疗方案

研究使用了一个定制的、8阵元、1 MHz的组织摧毁术换能器,其焦距为32 mm(19)。组织摧毁术治疗换能器由单周期脉冲驱动,产生具有单一主导负压相的声波。组织内峰值负压值是基于自由场中光纤水听器的压力测量结果估算的,如先前报道所述(19)。组织摧毁术剂量由每个位置的超声脉冲数(ppl)定义。本研究考察了四种不同的组织摧毁术剂量:20 ppl、50 ppl、100 ppl和200 ppl,分别在20、50、100和200 Hz的脉冲重复频率下递送,网格位置间距为0.7 mm,估计峰值负压>30 MPa。此外,该装置还包括一个三轴电动定位系统(用于定位治疗和成像换能器)和一个水浴(具有过滤、加热和脱气功能)用于声耦合,如先前所述(19)。动物使用吸入异氟烷麻醉,并剃除毛发以确保良好的超声耦合。在组织摧毁术期间,动物俯卧放置在治疗床上,使胸部和腹部通过床上的开口浸没在脱气水中。在实时超声引导下,将组织摧毁术换能器焦点对准大鼠肝脏中的肿瘤区域,图1。进行超声成像以确定肿瘤范围,并通过设置靶区尺寸来选择待靶向的体积。接下来,生成由靶点位置组成的体积治疗网格,电动定位器移动治疗换能器及同轴对齐的20 MHz成像探头(UI-trasonix,不列颠哥伦比亚省里士满,加拿大)扫过整个靶体积以实现体积消融。由于整个肿瘤体积的安全治疗受到肿瘤大小、邻近器官的距离以及自由呼吸相关运动的限制,无法维持足够的治疗边界。因此,使用四种不同的组织摧毁术剂量靶向约50–75%的肿瘤体积。肿瘤最大径为7–10 mm,治疗时间根据所治疗的肿瘤体积为5–15 min。

组织摧毁术前和术后超声图像采集用于图像分析

使用配备线性L6–24换能器的GE LOGIQ® E10(GE Healthcare,沃瓦托萨,威斯康星州)超声系统,在治疗前和组织摧毁术后即刻采集肿瘤图像。B模式图像数据以DICOM格式导出,并附带相应的扫描仪采集设置,用于离线处理和纹理分析。然后,由一名训练有素的超声技师为每只动物选择两到三幅治疗后图像。此外,为每只动物选择一幅显示最大肿瘤面积的治疗前帧。随后在这些图像上标注肿瘤和消融区域,所得超声成像数据集用于特征提取和进一步分析。

组织学切片制备与分析

治疗结束后立即将动物安乐死并切取肿瘤用于组织学分析(n = 8;每组2只)。样本固定于10%中性缓冲福尔马林中,并送至分子病理组织核心设施(美国密歇根州安娜堡)进行石蜡包埋和处理。切取4微米切片并进行苏木精-伊红(H&E)染色。选取代表性H&E切片(每个样本一张中央切片)进行光学扫描并以20倍放大成像(Nikon Eclipse 50i)。每个样本在消融区内采集5个视野。首先,使用ImageJ软件中的颜色阈值法(20),将核碎片(定义为完整细胞核和核碎片)覆盖的面积百分比量化为视野总面积的分数。接下来,使用ImageJ中的开源插件StarDist(21)计算消融区内完整肿瘤细胞核计数及完整细胞核覆盖的面积百分比。此外,一位临床病理学家审阅了组织学切片(每个样本一张中央切片),并以0至5分的量表对坏死程度进行评分(0 = 0%,1 = 1–25%,2 = 26–50%,3 = 51–75%,4 = 76–95%,5 = >95%),以量化肿瘤细胞死亡面积。该评分通常以占肿瘤总体积的百分比报告,是评估治疗后效果和预后的关键指标。

纹理分析与机器学习用于静态成像生物标志物

在每张组织碎裂治疗前后的超声图像中,由一位经验丰富的观察者(MZ)勾画的感兴趣区(ROI)上进行纹理分析,以提取反映微尺度组织变化的纹理特征。基于我们之前的研究(22,23),使用开源影像组学软件包(24)并以3×3滑动核捕捉相邻像素间的局部灰度关系(图2)。该方法生成了反映与潜在纹理变化相关的空间模式的特征图。通过结合一阶灰度统计量、灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度尺寸区域矩阵(GLSZM)、灰度依赖矩阵(GLDM)和邻域灰度差分矩阵(NGTDM),共提取了93个特征。对于每只动物,选取治疗前后的超声图像,并标注肿瘤区和消融区。生成特征图,并将特征值计算为各特征图的平均值。需注意,当单只动物选取了多帧图像时,相应的特征值在各帧之间取平均。

特征降维与筛选采用两步策略。首先,若变量间Pearson相关系数(PCC)的绝对值超过0.8,则标记为冗余。随后从每对相关特征中移除其中一个特征,并将剩余特征通过表示为其最大值的百分比进行归一化。其次,对降维后的特征集评估其与组织学所测核碎片百分比之间的非线性相关性,保留表现出最强关系(R² > 0.8)的特征用于进一步分析。

使用提取的特征和治疗剂量构建随机森林分类模型(25),以验证特征提取在捕捉微观结构变化方面的可行性。数据集被划分为训练集(70%)和测试集(30%)。这种基于集成的方法汇总了在数据自助抽样样本上训练的多个决策树的输出。

统计分析

数据以均值 ± 标准差(SD)表示。采用Pearson相关分析评估静态成像生物标志物与组织学之间的关系。组织学衍生的细胞损伤与所施加治疗剂量之间的关系,以及静态成像生物标志物与组织学测量值之间的关系,均使用非线性幂模型进行评估(26,27)。由于样本量有限,未进行正式假设检验以确认幂模型的函数形式或比较替代模型形式,这些分析用于描述潜在的关联,而非确认特定的函数关系。采用Brown–Forsythe检验评估样本方差,随后以剂量水平为因子进行方差分析(ANOVA)和事后多重比较,以检测组织学或成像数据中的显著差异。此外,在各剂量组内进行配对t检验,以评估组织碎裂术前后特征的变化。计算相关系数(R²)和p值以评估模型可靠性。p值小于0.05被认为具有显著性。曲线拟合分析使用Prism 10(GraphPad Software, San Diego, CA)进行。

结果

纹理分析

PCC比较过程消除了冗余特征以缩减特征集。使用0.8的绝对PCC阈值从每对高度相关的特征中移除一个特征,最终得到一个包含11个特征的缩减集,涵盖一阶、GLCM、GLRLM、GLSZM和NGTDM。这11个特征的PCC值如图3所示。随后,该缩减特征集根据与H&E组织学中核碎片定量的相关性(见下文组织学分析)进行进一步筛选。目标是根据非线性幂回归,选择与组织学发现强相关的特征,定义为R²大于0.8。最终,两个特征最为显著:一阶分析中的峰度(R² = 0.9)和GLCM组中的自相关(R² = 0.8)。最终选定的这两个特征在图3所示相关矩阵的对角线上以红色虚线框标出。

图4显示了不同大鼠接受递增组织碎裂术剂量(分别为20、50、100和200 ppl)治疗后的代表性超声图像,以及两个选定特征的相应纹理图。这些图揭示了感兴趣区(ROI)内不同区域之间多样的纹理模式。组织碎裂术前,这些特征呈现相似的外观。组织碎裂术后,这些纹理图中的颜色随治疗剂量的增加而逐渐变化。请注意,每只大鼠在前后对比中均作为自身对照。

随着组织摧毁术剂量增加,所有动物的变化总结于图5和表1,数值以治疗前与治疗后测量值的形式报告。治疗前,两个特征在不同剂量组之间均未显示出统计学显著差异。峰度在组织摧毁术后以剂量依赖性方式增加,在20 ppl时变化最小,从50 ppl到200 ppl的更高剂量下增加幅度逐渐增大。具体而言,两两比较显示峰度在20与100 ppl之间以及20与200 ppl之间存在显著差异(*表示p < 0.05)。自相关表现出相反的剂量依赖性响应模式。平均自相关值在治疗后随剂量增加而降低,从20 ppl到200 ppl。两两比较表明,仅在20与200 ppl组之间出现统计学显著性。配对t检验分析显示,在20 ppl时,两个特征(峰度或自相关)的治疗前后测量值之间均无统计学显著差异。峰度在100和200 ppl时与基线相比显示出统计学显著差异。相比之下,自相关仅在200 ppl时显示出与基线的统计学显著偏差。

消融区的组织学分析

组织学证实,剂量增加导致消融区内细胞损伤更严重(图6a–d)。具体而言,定量分析显示,随着组织摧毁术剂量从20 ppl增加到200 ppl,核碎片覆盖的平均面积百分比下降(图6e;表2)。此外,完整细胞核覆盖的面积百分比也下降(图6f,表2)。所有20 ppl组大鼠的坏死评分为4,所有高于20 ppl组的大鼠坏死评分为5,仅50 ppl组中一只大鼠仍为4(图6g)。一致地,完整细胞核数量随剂量增加而减少(图6h,表2)。随后,功效相关分析显示,核碎片覆盖面积与计算的峰度(R² = 0.9)和自相关(R² = 0.8)之间均存在强相关性(图6i、j)。这些结果表明,组织摧毁术诱导的细胞损伤具有剂量依赖性,并凸显了这些静态成像生物标志物作为治疗监测指标的潜力。

机器学习

最后,使用这两个选定的特征训练随机森林分类模型,以治疗剂量作为预测目标,得到的测试R²值为0.9,p < 0.05(图7a)。此外,使用Bland–Altman图评估了预测剂量与实际剂量之间的一致性(图7b)。这表明纹理特征可以在细胞水平上为组织摧毁术后肿瘤内的剂量依赖性变化提供定量见解。

讨论

组织摧毁术脉冲在焦点处产生受控的声空化,以无创方式破坏靶肿瘤细胞。目前肝脏肿瘤组织摧毁术消融的临床实践对所有类型的肝脏肿瘤均采用单一、预先确定的高剂量超声脉冲,旨在最大限度地破坏肿瘤。然而,肿瘤对组织摧毁术的敏感性因组织学和力学特性而异(15,28,29),这表明统一的给药方案可能无法在不同肿瘤类型中取得最佳效果。近期研究表明,组织摧毁术诱导的细胞损伤具有剂量依赖性(30–32),这可影响免疫应答(17)和生存结局(18)。这些发现强调了在定量影像反馈指导下制定个体化给药策略的潜在必要性,而非采用一刀切的方法。

在本研究中,我们开发了一个定量影像框架,将基于超声的纹理分析与机器学习分类模型相结合。采用每部位20 ppl至200 ppl的一系列组织摧毁术剂量,以涵盖从稀疏治疗到过度治疗的范围,并确定基于机器学习的超声图像纹理分析能否准确反映组织学上所见的组织破坏程度。我们的结果显示,组织摧毁术后与术前相比,超声纹理特征呈明确的剂量依赖性变化,且变化幅度随治疗剂量增加而增大。这些纹理变化与进行性细胞破坏和组织崩解的组织学证据一致。此外,影像特征与组织摧毁术剂量之间的非线性关系凸显了需要定量生物标志物进行剂量校准,而非依赖定性阈值或临床判断。该结果也与既往研究一致,那些研究表明当声学剂量变化时坏死评分发生改变(29)。虽然较高剂量下预测值与实际给药值之间的一致性更接近(图7),但在较低剂量(如20 ppl)下观察到更大的变异性。较低剂量下观察到的变异性可能反映了治疗组织内的早期生物学应答,包括治疗后即刻阶段细胞破坏的异质性模式、局部炎症以及不断演变的细胞活动。组织摧毁术后生物组织重塑固有的潜在复杂性需要更深入的研究才能充分理解。未来研究可探讨组织摧毁术后24小时内免疫细胞浸润、炎症和血管变化是否以及如何影响组织纹理结果,并促成较低剂量下观察到的变异性,从而帮助完善剂量预测。

从技术角度看,基于纹理的指标能够提供常规B型超声成像技术可能无法实现的组织微结构定量评估(33–35)。此外,目前大多数临床超声成像评估依赖于阅片者,这可能引入变异性和不一致性。综合而言,这些问题凸显了建立客观、可重复的成像指标以一致地量化组织碎裂相关组织效应的重要性。我们的研究展示了对剂量依赖性肿瘤破坏的敏感性,并突出了使用无创成像生物标志物监测治疗效应的可行性。本研究建立的方法可能使临床医生能够根据个体肿瘤特征调整组织碎裂剂量,从而提高消融效率和整体治疗结局。此外,随着组织碎裂越来越多地应用于其他器官的肿瘤,该方法也可能有助于指导在不同类型癌症中选择最佳治疗剂量。最终,将实时、定量成像反馈整合到临床实践中,有望提升无创组织碎裂治疗的精准性、安全性和有效性。

我们的研究存在若干局限性。首先,核碎片的定量在很大程度上依赖于标准化的组织学染色流程和成像参数,这可能引入变异性。此外,核碎片与影像特征之间的关系可以通过数学方式定义,从而为预测提供理论基础。由于核碎片主要用于判断治疗结局,从影像特征预测核碎片是未来研究的一个有前景的方向。然而,本研究中有限的样本量使机器学习模型难以准确估计核碎片。其次,超声图像与组织学切片之间精确的空间配准仍然具有挑战性,使特征与组织学的直接对比变得复杂。第三,接近组织学分辨率检测极限的较小核结构可能被误分类为完全破坏,这凸显了进一步验证以提高研究可靠性的必要性。此外,本可行性研究的探索性质,以及每只动物有限的样本量和图像数量,限制了其普适性。将分析扩展到整个肿瘤体积可能为肿瘤内和肿瘤间的异质性提供更全面的认识,并增强对这些结果的信心。另外,超声图像是使用标准化方案采集的,未评估提取特征在不同成像设置(如增益或频率)下的可靠性。我们的特征降维方法从每个高度相关的特征对中保留一个代表性特征。虽然这种方法不一定总能选出最能代表组织微结构变化的单一特征,但这一局限性得到缓解,因为每个相关对中保留的特征包含相似的信息,可视为等价。未来的工作将研究不同类型的肝脏肿瘤和弥漫性肝细胞疾病(如肝硬化和脂肪性肝病),并结合更大的数据集以及免疫和分子读数来补充组织学,进一步评估所提出的方法。还计划进一步开发机器学习模型(包括卷积神经网络),以增强特征提取,并研究组织碎裂剂量、组织损伤与超声特征变化之间的关系,从而提高预测能力。当前分析依赖人工标注的感兴趣区(ROI),未来研究将纳入运动跟踪方法,以在临床数据处理中考虑呼吸运动的影响。

所提出的方法能够在主观评价之外评估治疗效果,并可通过影像生物标志物检测局部变化。这些生物标志物可能有助于为不同肿瘤类型或患者亚组提供剂量调整的参考信息。影像纹理特征通过同时考虑完整细胞核和核碎片与组织学结果建立相关性。特征选择来源于组织学切片的一个子集,并应用于完整数据集进行剂量预测,同时通过重复分析来减少偏倚。未来的工作将侧重于通过纳入免疫相关数据并在更大的组织学数据集上验证该方法来改进结局评估。

结论

本研究表明,将超声纹理分析与机器学习相结合,为定量评估组织摧毁术诱导的肝脏肿瘤组织变化提供了一种潜在方法。通过将影像特征与组织学联系起来,我们的方法为无创评估与组织结构变化相关的影像生物标志物提供了一个定量框架。重要的是,结果证明了治疗剂量与组织反应之间的明确关系,提示这些超声指标可能有助于指导和精细调整组织摧毁术的剂量。虽然还需要更多研究来证实这些发现,但这一方法代表了朝着为肝癌患者提供更个体化和更有效的组织摧毁术治疗迈出的有希望的一步。

引用

  1. Tai, Worlikar, Xu, et al. Quantification of Histotripsy Dosage Using Machine Learning-Enhanced Ultrasound Imaging Analysis: Correlation with Histological Outcomes. Acad Radiol. 2026. PMID: 42270524. doi:10.1016/j.acra.2026.05.010
  2. 全文:PMC13333141(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13333141/

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。