文献速递头颈神经MR

机器学习利用表观扩散系数值区分鼻腔及鼻旁窦小圆细胞恶性肿瘤与非小圆细胞恶性肿瘤

Machine learning to differentiate small round cell malignant tumors and non-small round cell malignant tumors of the nasal and paranasal sinuses using apparent diffusion coefficient values.
PubMed 文献 · Eur Radiol · 2022-01-14

回顾性研究纳入152例鼻腔及鼻旁窦恶性肿瘤患者,从ADC图提取267个纹理特征,比较三种特征选择方法与十种机器学习分类器区分小圆细胞恶性肿瘤(SRCMTs)与非小圆细胞恶性肿瘤(non-SRCMTs)的性能。递归特征消除结合高斯过程分类器获得最高验证集AUC 0.902,但测试集AUC降至0.710;方差分析特征选择下各算法验证集AUC均高于0.800且更稳定。

要点

  • 区分SRCMTs与non-SRCMTs诊断性能最佳的参数为ADC直方图Perc.10%。
  • 方差分析特征选择下所有算法验证集AUC均高于0.800,较RFE和relief更稳定。
  • RFE结合高斯过程分类器获得最高验证集AUC 0.902,但测试集AUC为0.710。

核心结论

  • 将人工智能与ADC图纹理分析结合用于鉴别SRCMTs与non-SRCMTs具有可行性,这种无创方法在临床应用中具有潜力。

研究设计与样本

  • 回顾性研究,纳入2018年1月1日至2020年11月1日经手术病理确诊的152例鼻腔及鼻旁窦恶性肿瘤患者(SRCMT 66例,non-SRCMT 86例),使用3-T MR扫描仪(Siemens Skyra)标准头线圈采集轴位T2WI和DWI(b=0和1000 s/mm²),在ADC图上勾画ROI并提取267个纹理特征。

诊断标准与关键数值

  • RFE特征选择联合高斯过程分类器(10个特征,one-standard error规则下8个特征)训练集/验证集/测试集AUC分别为0.995/0.902/0.710;ANOVA特征选择联合自编码器分类器(1个特征Perc.10%,F=84.24,p<0.001)AUC分别为0.886/0.895/0.809;relief特征选择联合LRLasso分类器(5个特征)AUC分别为0.892/0.886/0.787;RFE联合高斯过程分类器在LOOCV循环中准确率0.830、敏感度0.867、特异度0.783、AUC 0.902。

临床应用与阅片要点

  • 作者认为结合人工智能与ADC值纹理特征的无创方法在临床医学中具有未来应用潜力。

局限性

  • 研究的SRCMTs包含多种组织学类型,未来需在获得更大样本量并仔细考虑研究分组后进行更详细的亚组分析。
  • 纹理分析软件仅分析二维图像,能更好反映整个肿瘤纹理特征的三维分析是未来研究方向之一。
  • 仅选用ADC图,进一步研究将提出包括ADC、T2加权MRI及包含早期和延迟期的动态对比增强MRI的多参数MRI研究,在更大样本中精确分割三维肿瘤区域以生成稳健模型。
全文中译10 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. 2022 Jan 14;32(6):3819–29. doi: 10.1007/s00330-021-08465-w

引言

鼻腔及鼻旁窦恶性肿瘤罕见,占所有恶性肿瘤不足1%,约占头颈部恶性肿瘤的3% [1, 2]。该肿瘤群包括小圆细胞恶性肿瘤(SRCMTs)和非小圆细胞恶性肿瘤(non-SRCMTs)。SRCMTs基于神经外胚层分化、软组织分化和造血分化,构成鼻腔及鼻旁窦中一组特定的恶性肿瘤。横纹肌肉瘤(RMS)、恶性黑色素瘤(MM)、嗅神经母细胞瘤(ONB)、神经内分泌癌(NEC)和淋巴瘤归于该组。非小圆细胞恶性肿瘤(non-SRCMTs)基于上皮分化,构成鼻腔及鼻旁窦中另一组常见的恶性肿瘤,包括鳞状细胞癌(SCC)和腺样囊性癌(ACC)[3]。区分这两组至关重要,因为某些肿瘤主要以放疗为主,而另一些则仅以化疗为主。还有一些则采用保守药物治疗、局部手术、眶内容物剜除术及多模式治疗,表明不同肿瘤类型和治疗策略的治疗决策、手术规划和预后各不相同[4]。

由于水分子扩散受限,表观扩散系数(ADC)值随组织病理学和细胞密度而变化,已被用于鉴别鼻腔及鼻旁窦肿瘤的良恶性,以及区分恶性鼻窦肿瘤的各种组织病理学类型[5–10]。然而,常规磁共振成像(MRI)在区分SRCMTs与非SRCMTs方面有其自身的局限性。在此情况下,纹理分析(TA)技术通过使用数学定义的 features[11],能够分析像素分布、强度和依赖性,可提供超越肉眼可见的丰富信息,从而能够定量地表征SRCMTs与非SRCMTs。

作为人工智能的一个分支,机器学习(ML)包含多种算法,可通过分析庞大的复杂数据集来增强神经肿瘤学医学中的诊断、治疗和随访结果[12, 13]。更重要的是,ML不依赖于用户经验,比其他常规分析更客观,且具有良好的可重复性。为达到最佳预测能力和临床实用性,在本研究中,我们比较了三种特征选择方法和一系列ML算法。据我们所知,尚无使用TA和ML鉴别鼻窦SRCMTs与非SRCMTs的研究报道。为弥补这一空白,本回顾性研究旨在通过使用多种先进的ML算法,评估基于ML的ADC纹理分析在区分SRCMTs与非SRCMTs中的潜在价值。

材料与方法

患者

我们使用了本院2018年1月1日至2020年11月1日的手术病理数据库。排除标准为:(1)术前接受过治疗的患者;(2)图像质量不合格。所有方法均按照相关指南和法规执行,豁免知情同意。本研究经本院机构伦理审查委员会批准。

图像采集

患者使用3-T MR扫描仪(Siemens Skyra)配合标准头部线圈进行检查。MRI扫描方案包括以下内容:轴位T2WI(TR/TE= 5000/117 ms,矩阵=256 x 256,视野=24 x 24cm,层厚=5 mm,层间距=1mm);轴位DWI(自旋回波-回波平面成像)(b = 0和1000 s/mm2,TR/TE = 3200/70 ms,矩阵 = 160 × 160,翻转角90°,视野 = 24 × 24 cm,层厚 = 5 mm,层间距 = 1 mm)。

纹理特征提取

使用MaZda v. 4.7软件(The Technical University of Lodz, Institute of Electronics, http://www.eletel.p.lodz.pl/mazda/)进行分析。我们采用动态范围限制至μ ± 3δ(μ:平均灰度值,δ:标准差)[14]以获得关于MRI纹理分类的可靠结果。在ADC图像上勾画感兴趣区(ROIs)。参考T2WI图像选择最大层面。两名具有10年以上经验的医师沿病灶边缘手动勾画ROIs,并用红色标记填充病灶,排除各种坏死和囊性区域(图1)。每个ROI共提取267个特征值及相应的直方图。基于特征类别的影像组学特征数量见表1,包括(i)9个基于图像中特定灰度值像素计数的直方图特征[15],(ii)220个基于提取的像素对分布统计信息的灰度级共生矩阵(GLCM)特征[16],(iii)20个通过在图像中搜索预定义方向上具有相同灰度值的游程获得的灰度级游程矩阵(GLRLM)特征[17],(iv)5个基于与四个相邻像素相关的权重及最小化预测误差方差的自回归模型(ARM)特征,(v)8个基于通道内计算能量提取的纹理频率成分的小波变换(WAV)特征[18],以及(vi)5个基于图像中灰度值空间变化的绝对梯度统计(AGS)特征[15]。多个GLCM按0°、45°、90°、135°和z轴方向及1、2、3、4个像素计算。多个GLRLM沿四个不同角度(水平、垂直、45°对角线和135°对角线)计算。

图1 a显示一名36岁男性鳞状细胞癌(SCC)患者的轴位ADC。b相应ROI,(c)267个特征值的部分展示,(d)直方图。(e)显示一名44岁男性嗅神经母细胞瘤(ONB)患者的轴位ADC。(f)相应ROI,(g)267个特征值中的部分展示,(h)直方图 查看原图 ↗
表1 纹理分析方法及相应的纹理特征 查看原表 ↗

特征选择

使用计算机生成的随机数据集,将70%的数据集分配至训练集,其余(30%)数据集分配至独立测试集。FeAture Explorer软件(FAE;V 0.3.6)使用Python编程语言(3.7.6)开发(https://github.com/salan668/FAE)。首先,使用合成少数类过采样技术(SMOTE)平衡训练数据集。该方法的工作原理是取每个少数类样本,沿线段引入合成样本,并连接任何或所有最近的k个少数类近邻。根据所需的过采样量随机选择近邻点。使用Z分数归一化对数据集进行归一化,即对每个特征减去均值并除以标准差。其次,对每对特征使用皮尔逊相关系数(PCC)以降低特征矩阵行空间的维度[19]。如果PCC高于0.99,则随机移除其中一个特征。最后,采用方差分析(ANOVA)、Relief[20]和递归特征消除(RFE)进行特征选择。ANOVA是一种常用方法,用于探索与标签相对应的显著特征。Relief选择子数据集并根据递归标签找到相关特征。RFE旨在基于分类器通过递归考虑更小的特征集来选择特征。特征数量的范围设置为1至20。

分类

使用基于Python代码和scikit-learn库(https://scikit-learn.org/)的10种机器学习(ML)算法对分类性能进行了测试,包括支持向量机(SVM)、线性判别分析(LDA)、自编码器(AE)、随机森林(RF)、逻辑回归(LR)、通过Lasso的逻辑回归(LRLasso)、自适应提升(AB)、决策树(DT)、高斯过程(GP)和朴素贝叶斯(NB)(表2)。SVM寻找类别间的最优分离超平面,使间隔最大化。C代表正则化参数。正则化的强度与C成反比。AE分类基于神经网络(NN),神经网络是由高度互联的处理单元组成的网络,这些处理单元通过其对外部输入的动态状态响应来处理信息。具有线性决策边界的LDA通过将类条件密度拟合到数据并使用贝叶斯规则来生成。求解器使用奇异值分解,推荐用于具有大量特征的数据。RF由大量作为集成运作的个体决策树组成。每棵个体树输出一个类别预测,获得最多投票的类别代表模型的预测。森林中树的数量为100。在大多数情况下,数量越大,性能越好。LR解释了一个因二值变量与一个或多个自变量之间的关系,使用逻辑函数对分类结果的概率进行回归。Lasso-LR能够获得更好的模型,可以进行高维统计。Alpha等同于普通最小二乘,默认为1.0。AB通过学习算法的集成生成H个假设。学习算法的输出被纳入一个加权和,该加权和代表提升分类器的最终输出。DT支持的准则为“gini”(基尼不纯度)和“entropy”(信息增益)。GP基于拉普拉斯近似。核为none,指定GP的协方差函数。NB应用贝叶斯定理,并采用特征之间条件独立的朴素假设。设置alpha = 1.0称为拉普拉斯平滑。

表2 算法的参数 查看原表 ↗

评估

使用留一交叉验证(LOOCV)检验对结果进行了评估。使用LOOCV时,通过取除一个样本外的所有样本作为验证集来创建学习集。还在使约登指数值最大化的截断值处计算了准确度、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)。针对每个测试条件计算了分类结果的受试者工作特征曲线下面积(AUC)(图2)。

图2 整个影像组学和机器学习流程的示意图 查看原图 ↗

结果

在2018年1月至2020年11月为期2年的连续168例经病理诊断为SRCMT和非SRCMT的患者中,16例因MRI图像质量差被排除(7例因牙科修复产生的可见伪影被排除,2例因运动伪影被排除,7例因骨-空气界面产生的可见伪影被排除)。最终共选取152例患者纳入研究。其中SRCMT患者66例,非SRCMT患者86例,具体为横纹肌肉瘤(RMS)(n = 14)、淋巴瘤(n = 20)、多发性骨髓瘤(MM)(n = 10)、神经内分泌癌(NEC)(n = 14)、嗅神经母细胞瘤(ONB)(n = 8)、鳞状细胞癌(SCC)(n = 62)和腺样囊性癌(ACC)(n = 24)。整个队列中男性88例,女性64例。所有患者的平均年龄为54.28岁,范围为13至87岁。70%的数据集为训练集(106例患者;46例SRCMT和60例非SRCMT),30%为独立测试集(46例患者;20例SRCMT和26例非SRCMT)。

使用SMOTE自动生成14个合成SRCMT样本,以克服数据集不平衡对分类器拟合的影响。我们在验证数据集上比较了所有流程与FAE的AUC。使用RFE特征选择和GP分类器的流程在使用十个特征时产生了最高的AUC。当使用“一倍标准误”规则时,FAE也产生了一个仅含八个特征的更简单模型[21]。ROC曲线见图3。训练集、验证集和测试集的AUC分别达到0.995、0.902和0.710。FAE选择的特征为直方图中的Perc.01%、Perc.10%、Perc.90%和Perc.99%;灰度GLCM中的S(1,0) SumAverg、S(5,5) AngScMom和S(5,5) Correlat;以及小波变换(WAV)中的WavEnLH_s-2。

对于ANOVA,使用AE分类器的流程在使用一个特征和“一倍标准误”规则时产生了最高的AUC,如图4所示。训练集、验证集和测试集的AUC分别达到0.886、0.895和0.809。FAE选择的特征为直方图中的Perc.10%(F = 84.24,p < 0.001)。

对于relief,使用LRLasso分类器的流程在使用五个特征时产生了最高的AUC。FAE选择的特征为直方图中的Perc.10%和Perc.01%,以及GLCM中的S(4,4) Correlat、S(5,0) SumAverg和S(5,0) Contrast;权重分别为1.09、1.07、0.86、0.82和0.76。当使用“一倍标准误”规则时,FAE也产生了一个仅含一个特征的更简单模型;ROC曲线见图5。训练集、验证集和测试集的AUC分别达到0.892、0.886和0.787。FAE从直方图中选择的特征为Perc.10%。

使用RFE特征选择,10种机器学习算法的训练集、验证集和测试集的AUC均大于0.640(图6A)。验证数据集中最优算法为GP,其AUC为0.902。在所有算法中,训练集的AUC均优于验证集的AUC,而验证集的AUC又优于测试集的AUC。

使用ANOVA特征选择,十种机器学习算法的训练集、验证集和测试集的AUC均大于约0.800(图6B)。验证数据集中最优算法为AE,其AUC为0.895。与RFE和relief相比,ANOVA特征选择的所有算法结果更为稳定。

使用Relief特征选择,九种机器学习算法的训练集、验证集和测试集AUC除AE外均大于约0.700(图6C)。验证集中最优算法为LRLasso,其AUC为0.886。在除AE外的九种算法中,训练集的AUC优于验证集,验证集的AUC优于测试集。

除三种特征选择方法外,我们还比较并列出了验证数据集中不同机器学习分类的最优AUC(表3)。

图3 使用递归特征消除生成的模型性能。a 该模型在不同数据集上的受试者工作特征(ROC)曲线。b FeAture Explorer(FAE)软件根据“一倍标准误”规则建议了一个候选的八特征模型。c 最终模型中特征的贡献 查看原图 ↗
图4 使用方差分析(ANOVA)生成的模型性能。a 该模型在不同数据集上的受试者工作特征(ROC)曲线。b FeAture Explorer(FAE)软件根据“一倍标准误”规则建议了一个候选的单特征模型。c 最终模型中特征的贡献 查看原图 ↗
图5 Relief生成的模型性能。a 该模型在不同数据集上的受试者工作特征(ROC)曲线。b FeAture Explorer(FAE)软件根据“一倍标准误”规则建议了一个候选的单特征模型。c 最终模型中特征的贡献 查看原图 ↗
图6 不同数据集的曲线下面积(AUC)。使用(a)递归特征消除(RFE)、(b)方差分析(ANOVA)和(c)Relief进行特征选择 查看原图 ↗
表3 所有算法分类在留一交叉验证下的最优受试者工作特征曲线下面积(AUC)、95%置信区间(CI)、标准误、准确率、约登指数、敏感度、特异度、准确率、阳性预测值(PPV)和阴性预测值(NPV) 查看原表 ↗

讨论

本研究通过使用多种先进的机器学习算法,探讨了ADC纹理分析在区分SRCMT与非SRCMT中的潜在价值。主要发现如下:(1)使用RFE特征选择和高斯过程分类器的流程获得了最高的AUC。(2)在区分SRCMT与非SRCMT中诊断性能最佳的参数是Perc.10% ADC值。(3)与RFE和Relief相比,ANOVA特征选择的所有算法结果更稳定,AUC均高于0.800。(4)TA和机器学习似乎在区分常规采集的最大实性肿瘤成分标准ADC图像方面最为有用,准确率高达0.793至0.859。

既往研究表明,恶性鼻窦病变的ADC值显著低于良性病变[10, 22–25],这是因为恶性肿瘤的主要部分由高细胞密度构成,而ADC与组织细胞密度呈负相关。与这一观点一致,Sumi等人报道淋巴瘤的ADC值小于颈部高分化鳞状细胞癌(SCC)淋巴结[26]。Maeda等人发现头颈部SCC与淋巴瘤之间的ADC值存在统计学显著差异,因为淋巴瘤细胞具有相对较高的核质比且排列密集[27]。其他一些研究报道,咽部及鼻腔鼻窦低分化和未分化癌的ADC值显著低于中分化和高分化癌[9, 28]。此外,SRCMTs的ADC水平低于非SRCMTs,反映了其细胞特征(未分化细胞伴高细胞密度、相对较小的细胞核和稀少的细胞质)[8, 29]。在本研究中,三种特征选择方法中用于鉴别SRCMTs与非SRCMTs的共同参数为Perc.10%。GLCM和小波是使用RFE特征选择进行鉴别的另外两个参数。这些参数分别是一阶、二阶和高阶统计量,分别描述为单个体素值的分布、具有相似或不同对比度值的体素之间的统计相互关系,以及从通道内计算的能量中提取的纹理频率分量数据。这表明基于直方图的ADC参数对鼻窦恶性肿瘤的组织病理学特征更为敏感。我们推测Perc.10% ADC有效的原因在于它反映了整个肿瘤内复杂的微结构和异质性,例如微小坏死组织周围的缺氧病变。

在样本集上总会有一些不太重要的特征。最不重要的特征从当前特征集中被剪除。RFE特征选择通过自动移除这些特征来解决该问题。该过程在剪枝后的集合上递归重复,直到最终达到所需选择的特征数量。GP分类是一种基于拉普拉斯近似的非参数方法,用于使用高斯方法近似非高斯后验。它可以轻松处理各种问题,例如经典线性方法容量不足、复杂数据类型和维度灾难[30]。在本研究中,我们在LOOCV循环中使用RFE特征选择和GP分类器,以提升其在超高维数据集上的性能,实现了0.830的准确率、0.867的灵敏度、0.783的特异度和0.902的AUC。

我们的研究存在局限性。首先,由于所研究的SRCMTs具有不同的组织学类型,未来研究应在获得更大样本量并仔细考虑研究分组后,进行更详细的亚组分析。其次,由于纹理分析软件仅分析二维图像,能够更好反映整个肿瘤纹理特征的三维分析将是我们未来研究方向之一。最后,由于仅选择了ADC图,在我们进一步的研究中,我们将提出一种多参数MRI研究方案,包括ADC、T2加权MRI以及涉及早期和延迟期的动态对比增强MRI,通过在更大样本中精确分割三维肿瘤区域来生成一个稳健模型,以鉴别诊断SRCMTs和非SRCMTs。

结论

在本研究中,我们探讨了结合人工智能与ADC值的影像组学特征来鉴别诊断SRCMTs和非SRCMTs的可行性。由于该方法无创,其在未来临床医学应用中具有广阔的前景。

引用

  1. Chen C, Qin Y, Chen H, et al. Machine learning to differentiate small round cell malignant tumors and non-small round cell malignant tumors of the nasal and paranasal sinuses using apparent diffusion coefficient values. Eur Radiol. 2022. PMID: 35029732. doi:10.1007/s00330-021-08465-w
  2. 全文:PMC9123077(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9123077/

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。