文献速递骨肌神经技术与安全MR

脊柱骨肿瘤的弥散加权MRI影像组学:特征稳定性与基于机器学习的分类性能

Diffusion-weighted MRI radiomics of spine bone tumors: feature stability and machine learning-based classification performance.
PubMed 文献 · Radiol Med · 2022-03-23

这项回顾性研究纳入101例经组织学证实的脊柱骨肿瘤患者(22例良性、38例原发恶性、41例转移),在T2加权序列上手动分割肿瘤并在ADC图上用同一ROI提取1702个影像组学特征。76.4%的特征经几何变换后稳定(ICC>0.75),基于8个特征的支持向量机模型在十折交叉验证中区分良恶性的敏感度78%、特异度68%、准确率76%、AUC 0.78。平均ADC在良性 vs 原发恶性间差异有统计学意义(p=0.01),良性 vs 转移无统计学差异(p=0.38),平均ADC区分良恶性的AUC为0.66。

要点

  • T2加权与ADC图提取的影像组学特征中76.4%对ROI几何变换稳定,可作为特征筛选前提。
  • 8特征SVM模型区分脊柱骨肿瘤良恶性:敏感度0.78、特异度0.68、准确率0.76、AUC 0.78。
  • 平均ADC良性1.30±0.35×10⁻³ mm²/s vs 原发恶性1.08±0.36×10⁻³ mm²/s(p=0.01),良性 vs 转移1.17±0.24×10⁻³ mm²/s(p=0.38)。

核心结论

  • 基于T2加权与弥散加权成像ADC图提取的影像组学特征构建的SVM模型对脊柱骨肿瘤分类有前景,影像组学特征总体重复性良好。

研究设计与样本

  • 回顾性研究,纳入101例经组织学证实的脊柱骨肿瘤患者(22例良性、38例原发恶性、41例转移),来自一家三级骨肿瘤中心近10年行DW MRI的病例。
  • 所有图像使用1.5 T MRI扫描仪采集,T2加权采用涡轮自旋回波序列,DW采用回波平面成像,b值为0和1000 s/mm²。
  • 由一名经验丰富的放射科住院医师使用ITK-SNAP 3.6在轴位T2加权序列上手动逐层勾画肿瘤边界,同一分割作为掩膜在ADC图上提取特征。
  • 共提取1702个影像组学特征(每个序列851个),使用PyRadiomics 3.0,包含形状大小、一阶统计及五类纹理矩阵特征,并在原始及8个小波分解体积上提取。
  • 特征稳定性通过ROI在x、y方向正负平移(平移量为肿瘤边界框对应方向长度的10%)评估,共5个ROI,以ICC>0.75判定稳定;采用SMOTE过采样少数类(良性),以恶性为阳性类训练线性核SVM,十折交叉验证。

关键影像表现/征象

  • 平均ADC值:良性肿瘤1.30±0.35×10⁻³ mm²/s,转移瘤1.17±0.24×10⁻³ mm²/s,原发恶性肿瘤1.08±0.36×10⁻³ mm²/s。
  • Kruskal-Wallis检验p=0.02,事后比较显示良性 vs 原发恶性差异有统计学意义(p=0.01),良性 vs 转移无统计学差异(p=0.38)。
  • 平均ADC区分良性 vs 恶性的AUC为0.66。

诊断标准与关键数值

  • 特征稳定性标准:ICC>0.75判定为稳定,ICC≤0.75视为不稳定并排除。
  • 特征筛选:先按稳定性(ICC>0.75)筛选,再以Mann-Whitney检验p值由低到高排序,选取前n个特征(n从1到10)。
  • 最佳模型含8个特征,以恶性为阳性类:敏感度0.78、特异度0.68、准确率0.76、AUC 0.78。
  • 平均ADC区分良性 vs 恶性的AUC为0.66。

临床应用与阅片要点

  • 原文结论认为基于T2加权和DW MRI ADC图的SVM模型对脊柱骨肿瘤分类有前景,影像组学特征总体重复性良好。
  • 原文指出既往研究报道骨巨细胞瘤组织学良性但平均ADC值低,良恶性平均ADC值存在重叠,影像组学与机器学习对肿瘤异质性的客观评估可能有助于诊断。

局限性

  • 研究为回顾性设计,原文称影像组学研究并非必须进行前瞻性分析。
  • 经组织学证实的良性病变数量少,约占研究人群的五分之一,因为具有典型影像表现而未活检的良性病变无组织学结果。
  • 原文称该局限通过SMOTE技术进行类别平衡得以克服。
  • 无独立患者队列用于影像组学分类器的外部验证,需在进一步研究中纳入。
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:Radiol Med. 2022 Mar 23;127(5):518–25. doi: 10.1007/s11547-022-01468-7

引言

脊柱骨肿瘤包括良性和恶性病变。良性病变(如血管瘤)的发病率难以确定,因为它们通常无症状,未被发现或为偶然发现。在脊柱恶性骨肿瘤中,转移性病变远比原发性病变常见[1]。影像学,特别是磁共振成像(MRI),在鉴别这些病变中起着关键作用[2]。尽管采用常规脉冲序列进行的MRI具有较好的可靠性,但良性和恶性脊柱病变的某些特征存在重叠,使鉴别诊断具有挑战性[3]。弥散加权(DW)成像提供关于肿瘤细胞密度的信息。具体而言,表观弥散系数(ADC)图是组织内弥散幅度的定量测量。既往涉及脊柱骨肿瘤的研究已强调DW成像的作用[4],平均ADC值已被证明可区分良性和恶性病变,包括原发恶性肿瘤和转移性病变[5]。

影像组学包括从医学影像中提取、分析和解释大量定量数据,即影像组学特征[6, 7]。影像组学在肿瘤影像学中受到关注,迄今为止大多数研究集中在治疗前区分肿瘤分级和类型、监测治疗反应和预测预后[8]。然而,影像组学特征的巨大变异性已成为这些研究中的一个主要问题,特别是在分割过程方面,从而强调了对特征稳定性进行初步评估的必要性[9]。机器学习有助于分析影像组学数据,因为它从大量影像组学特征中进行推断,并创建用于目标诊断的分类模型[10, 11]。

本研究的目标是评估从DW和T2加权磁共振成像(MRI)中提取的脊柱骨肿瘤影像组学特征的稳定性和基于机器学习的分类性能。同时还评估了脊柱良性、原发恶性和转移性肿瘤之间ADC值的差异。

材料与方法

数据集描述

获得了机构审查委员会批准及知情同意豁免。这项回顾性研究纳入了101例经组织学证实的脊柱骨肿瘤患者,均在一家三级骨肿瘤中心于过去10年内接受了DW MRI检查。研究使用的101例患者中,22例为良性,79例为恶性(38例原发性和41例转移性)。临床和人口学特征总结于表1。

所有图像均使用1.5 T MRI扫描仪采集,采用不同的图像采集参数(像素间距、层厚、重复时间和回波时间)。所有纳入患者均有T2加权和DW图像。T2加权图像采用快速自旋回波脉冲序列采集,DW图像采用回波平面成像采集,b值为0和1000 s/mm2。MRI采集的更多细节见表2。DW图像用于拟合ADC图。

表1 本项目涉及的主要人口学和临床数据 查看原表 ↗
表2 本研究使用的磁共振图像的采集信息。对于数值变量,显示了完整的数值范围 查看原表 ↗

图像分割

3D图像分割由一名在肌肉骨骼和肿瘤影像方面具有经验的高年资放射科住院医师使用开源软件ITK-SNAP(版本3.6)手动完成[12]。读者在轴位T2加权序列上沿每个层面的肿瘤边界绘制感兴趣区(ROI),与DW图像相比,该序列提供了更多的形态学细节。由于患者从一个序列到另一个序列没有过度移动,同一分割被用作掩膜,以从ADC和T2加权图像中提取影像组学特征。图1显示了叠加在T2加权和ADC图像上的分割示例。

图1 放射科医师分割肿瘤的示例。肿瘤在T2加权图像上进行分割(a),但同一分割也被用作掩膜,以从表观扩散系数图(b)中提取影像组学特征 查看原图 ↗

图像预处理

在提取影像组学特征之前,对MRI图像应用了不同的预处理步骤。首先,使用3×3×3体素核和σ=0.5的3D高斯滤波器对图像进行去噪。对于T2加权图像,使用N4ITK算法[13]进行偏场校正,以校正磁场不均匀性可能造成的影响。此外,进行Z分数标准化以确保T2加权图像的强度范围相同。最后,使用B样条插值将图像重采样至2 mm的常见各向同性分辨率(如[14]中所述)。偏场校正和强度标准化未应用于ADC图,因为这类图像 already 具有标准化的强度范围(扩散系数在0–4 10–3 mm2/s的最大范围内),且不受磁场不均匀性的影响。

影像组学特征提取

使用PyRadiomics库(版本3.0)[15]从MRI体积中提取了1702个影像组学特征的初始集合(每个序列851个特征)。特征属于不同类别,如形状和大小、一阶统计量(FOS)和纹理特征。纹理特征使用五种不同的纹理矩阵计算:灰度共生矩阵(GLCM);灰度游程长度矩阵(GLRLM);灰度大小区域矩阵(GLSZM);邻域灰度差矩阵(NGTDM);以及灰度依赖矩阵(GLDM)。FOS和纹理特征从原始体积和通过一级小波分解获得的8个体积中提取[16]。有关影像组学特征的完整列表,请参阅PyRadiomics文档(https://pyradiomics.readthedocs.io/en/latest/features.html)和补充材料“补充1 – 特征描述”。在提取影像组学特征之前,使用了32-bin灰度离散化。

稳定性分析

在训练任何影像组学模型之前,进行了一项侧面实验,以评估影像组学特征对感兴趣区(ROI)变化的稳定性。进行该稳定性分析是为了模拟潜在变异性来源的影响,例如手动分割带来的读者内和读者间变异性,或者当同一ROI用于从多个序列提取特征时ROI与 underlying 肿瘤之间可能的不匹配;如同本研究中所做的那样。稳定性分析按照[17]中所述进行,分别沿x和y方向的正方向和负方向对ROI施加不同的平移(图2)。平移量为肿瘤边界框在相应方向(x或y)上长度的10%。对于每位患者,从5个不同的ROI(原始ROI和4个平移版本)中提取影像组学特征。使用组内相关系数(ICC)量化每个影像组学特征的稳定性[18]。若ICC高于0.75,则认为该特征稳定[19]。

图2 用于稳定性分析的同一感兴趣区的平移版本。(a) 向上平移。(b) 向下平移。(c) 向右平移。(d) 向左平移 查看原图 ↗

影像组学分类器训练与验证流程

图3展示了包括基于影像组学的分类器训练和验证所有步骤的方案。首先,根据先前的稳定性分析,ICC为0.75或更低的影像组学特征被认为不稳定并被排除。特征选择的第二步与影像组学特征区分恶性和良性肿瘤的能力有关。使用Mann–Whitney检验识别在两组之间分布有统计学差异的特征。保留有统计学差异的特征,并按其p值排序(从低到高)。在这些排序后的特征中,仅选择前n个(n范围为1至10)。

在训练分类器之前,使用合成少数类过采样技术(SMOTE)[20]进行类别平衡,该技术用于人工过采样少数类(在本例中为良性肿瘤)。平衡后的数据集用于训练支持向量机(SVM)分类器以区分肿瘤类型。分类器训练的参考“阳性”组为恶性肿瘤组。训练在MATLAB中使用fitcsvm函数进行,采用默认超参数(见https://it.mathworks.com/help/stats/fitcsvm.html中的Name-Value Pair Arguments)和线性核。

图3 影像组学分类器训练的工作流程 查看原图 ↗

影像组学分类器验证

采用十折交叉验证在训练集上评估放射组学模型的诊断性能。在每次迭代中,将训练流程应用于数据集的9/10,并使用训练模型对剩余患者进行分类。对于每位患者,可计算出一个无偏评估的类别和一个分类评分。利用这两个要素,可计算出混淆矩阵和受试者工作特征(ROC)曲线。确定分类的灵敏度、特异度和准确度以及ROC曲线下面积(AUC),并用于评估分类器的质量。在这些指标的计算中,恶性肿瘤组被视为“阳性”类。用于训练不同模型的所选特征数量从1到10变化,以评估特征数量增加对模型性能的影响。

平均ADC的判别能力

由于既往研究[5]报道了平均ADC在区分不同类别肿瘤(良性、原发性恶性或转移性)方面的能力,我们尝试利用该数据集ROI获得的平均ADC来证实这一能力。进行Kruskal–Wallis检验和事后比较,以评估平均ADC在各组间的分布是否具有显著差异。此外,评估了平均ADC对良性 vs. 恶性分类的AUC。

结果

稳定性分析

共有1300个提取的放射组学特征(76.4%)对ROI的变换保持稳定。用于后续分析的放射组学特征的完整列表详见补充材料“Supplementary 2—Features stability.xlsx”。

放射组学分类器验证

SVM模型的质量指标如表3所示,以所选特征数量的函数表示。性能最佳且特征数量最少的模型是具有8个特征的模型,其灵敏度为0.78,特异度为0.68,准确度为0.76(图4a)。最佳模型的ROC曲线如图4b所示。其ROC曲线下面积(AUC)为0.78。

表3 不同分类器随特征数量变化的测试结果 查看原表 ↗
图4 最佳放射组学分类器的结果。(a) 用于计算灵敏度、特异度和准确度的混淆矩阵。(b) 受试者工作特征(ROC)曲线,黑点代表分类器的实际灵敏度和特异度 查看原图 ↗

平均ADC的判别能力

图5a中的箱线图显示了平均ADC在不同肿瘤组(良性、原发性恶性和转移性)中的分布。平均ADC值在良性肿瘤中为1.30 ± 0.35 *10–3 mm2/s,在转移性肿瘤中为1.17 ± 0.24 *10–3 mm2/s,在原发性恶性肿瘤中为1.08 ± 0.36 *10–3 mm2/s。Kruskal–Wallis检验的p值为0.02,事后比较显示良性肿瘤与原发性恶性肿瘤之间的差异具有统计学意义(p = 0.01),但良性肿瘤与转移性肿瘤之间无统计学意义(p = 0.38)。平均ADC对良性 vs. 恶性肿瘤的AUC为0.66。

图5 箱线图显示平均表观扩散系数(ADC)值的分布。(a) 本研究的数值。(b) [5]中观察到的分布 查看原图 ↗

讨论

本研究的主要发现是,基于T2加权和扩散加权(DW)MRI联合ADC图提取的影像组学特征构建的SVM模型,可实现脊柱骨肿瘤的良恶性分类,准确率高达76%。此外,影像组学特征的可重复率高于76%,因为这些特征对ROI的几何变换具有稳定性。

既往研究涉及基于MRI影像组学的脊柱骨肿瘤分类。在伴有骨髓转移性疾病的癌症患者中,一项非常初步的研究表明,基于MRI的影像组学特征有助于区分转移性与非转移性椎体[21]。近期,Chianca等人测试了不同的提取软件用于基于T1加权和T2加权MRI的脊柱骨肿瘤影像组学分类,并报道PyRadiomics优于其他提取软件[22]。其原因可能是PyRadiomics直接实现了稳健的图像预处理,从而消除了对某些图像参数的依赖性,并使结果具有可推广性,正如本研究中所做的那样。Lang等人[23]聚焦于动态对比增强MRI,利用影像组学和深度学习区分起源于肺癌和其他癌症的脊柱转移性病变。在包含30例肺癌转移和31例其他癌症转移的数据集中,使用卷积神经网络进行分类的平均准确率为71%[23]。我们当前的研究通过强调基于DW MRI联合ADC图提取的影像组学特征并结合形态学T2加权序列对脊柱骨肿瘤进行机器学习分类的作用,对文献作出了补充。基于所选影像组学特征训练并测试了SVM,准确率高达76%。

稳定性分析可评估影像组学特征的稳健性,是特征选择过程中的初步步骤。稳定性评估可采用多种策略,如改变图像采集参数[24]以及由不同读者进行多次ROI勾画[25],然而这些方法耗时较长。在本研究中,特征稳定性通过一种省时的方法进行评估,该方法基于ROI的几何变换来模拟多次手动勾画[17]。超过76%的影像组学特征对这些变换具有稳定性,因而显示出良好的整体可重复性。

近期一项荟萃分析显示,ADC的定量评估对于鉴别脊柱良恶性骨髓病变效果极佳[4]。在该荟萃分析纳入的一项研究中,良性骨肿瘤的平均ADC值高于脊柱原发恶性肿瘤和转移性病变[5]。我们的结果与这些发现一致(图5B),因为良性肿瘤的ADC值高于原发恶性病变和转移灶,尽管在后一种情况下未达到统计学显著性。在我们的研究和既往研究[5]中,平均ADC值鉴别良恶性肿瘤的AUC分别为0.66和0.76。然而,既往研究强调了良性和恶性肿瘤平均ADC值之间存在重叠,例如骨巨细胞瘤在组织学上为良性,但平均ADC值较低[5]。在这方面,通过影像组学和机器学习对肿瘤异质性进行客观评估可能有助于诊断。

本研究的一些局限性需要考虑。首先,本研究为回顾性设计,因为前瞻性分析对于影像组学研究并非严格必要[8]。其次,经组织学证实的良性病变数量较少,即约占研究人群的五分之一,因为对于具有典型影像学表现且未行活检的良性病变无法获得组织学结果。然而,这一局限性通过使用SMOTE技术进行类别平衡得以克服[20]。最后,尚无独立患者队列可用于基于影像组学的分类器的外部验证,需要在进一步研究中纳入。

尽管存在局限性,我们得出结论:基于从T2加权和DW MRI及ADC图提取的影像组学特征构建的SVM模型对于脊柱骨肿瘤的分类具有前景,且影像组学特征显示出良好的整体可重复性。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 1161 kb)

补充文件2(XLSX 47 kb)

引用

  1. Gitto S, Bologna M, Corino VDA, et al. Diffusion-weighted MRI radiomics of spine bone tumors: feature stability and machine learning-based classification performance. Radiol Med. 2022. PMID: 35320464. doi:10.1007/s11547-022-01468-7
  2. 全文:PMC9098537(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9098537/

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。