文献速递泌尿生殖腹部US

基于超声多模态影像组学预测慢性肾脏病肾纤维化的诊断准确性

Diagnostic accuracy of ultrasound-based multimodal radiomics modeling for fibrosis detection in chronic kidney disease.
PubMed 文献 · Eur Radiol · 2022-12-01

该研究纳入150例CKD肾活检患者,利用二维超声和STE图像提取影像组学特征并结合临床特征构建列线图,用于区分轻度与中重度IFTA及轻中度与重度IFTA。联合模型在训练集AUC为0.91和0.93,验证集为0.85和0.83,提示基于超声影像组学列线图可作为无创评估肾纤维化分级的工具。

要点

  • STE影像组学联合白蛋白和eGFR可区分轻度与中重度IFTA。
  • B-mode联合STE影像组学及年龄、eGFR可区分轻中度与重度IFTA。
  • 联合模型预测能力优于单一临床或影像组学模型。

核心结论

  • 基于二维超声和STE影像组学及临床特征的列线图可无创区分不同严重程度的肾纤维化。

研究设计与样本

  • 单中心回顾性研究纳入150例CKD肾活检患者,按7:3随机分为训练集105例和验证集45例。
  • 使用Mindray Resona 7超声仪SC5-1U凸阵探头(1-5 MHz)行二维超声和STE检查。
  • 以肾活检病理Banff评分系统IFTA分级为参考标准,由两名病理医师共识评分。

关键影像表现/征象

  • 二维超声测量肾长径和皮质厚度在轻度与中重度IFTA组间无差异(p=0.487和p=0.927)。

诊断标准与关键数值

  • IFTA分级标准:轻度纤维化面积<25%,中度26-50%,重度>50%。
  • 轻度 vs 中重度IFTA:联合STE影像组学、白蛋白和eGFR的列线图训练集AUC 0.91(95%CI 0.85-0.97),验证集0.85(95%CI 0.77-0.98)。
  • 轻中度 vs 重度IFTA:联合B-mode和STE影像组学、年龄和eGFR的列线图训练集AUC 0.93(95%CI 0.89-0.98),验证集0.83(95%CI 0.70-0.95)。
  • 轻中度 vs 重度IFTA:B-mode影像组学模型训练集AUC 0.80(95%CI 0.71-0.90),验证集0.78(95%CI 0.65-0.92)。
  • 轻中度 vs 重度IFTA:STE影像组学模型训练集AUC 0.81(95%CI 0.73-0.89),验证集0.73(95%CI 0.58-0.88)。

临床应用与阅片要点

  • 联合模型决策曲线在20-80%阈值概率区间显示比单一临床或STE模型更高净收益。
  • STE测量需重复5次并控制标准差<2.0以保证图像质量。
  • 二维超声影像组学未纳入轻度vs中重度模型,因早期CKD肾脏形态改变轻微。

局限性

  • 单中心研究,样本量有限(150例),验证集仅45例。
  • STE测量受各向异性和纤维化异质性影响,年龄和BMI为混杂因素。
  • 肾脏硬度与IFTA严重度可能呈非线性关系,纤维化加重时灌注下降可致硬度减低。
全文中译16 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 Dec 1;33(4):2386–98. doi: 10.1007/s00330-022-09268-3

引言

慢性肾脏病(CKD)是指肾脏结构和功能进行性恶化的一种状态,表现为估算肾小球滤过率(eGFR)降低。CKD可导致终末期肾病(ESKD),分别占非传染性疾病相关发病率和死亡率的9.1%和4.6% [1]。预计到2040年,CKD将成为全球第五大死亡原因 [2]。因此,对CKD患者及时诊断并尽早开始治疗对于优化其结局至关重要。

间质纤维化和肾小管萎缩(IFTA)与CKD严重程度密切相关,并影响患者的长期预后。与轻度IFTA相比,中度和重度IFTA以及全球性肾小球硬化分别与肾功能丧失风险增加两倍以上和三倍以上相关 [3]。然而,目前监测肾脏纤维化的方法仍不令人满意。在临床实践中,eGFR并不总是与肾纤维化程度一致。eGFR对亚临床肾功能损害可能相当不敏感。肾活检被认为是确诊CKD和纤维化分级的金标准 [4–6]。然而,肾活检存在并发症风险,且空间采样偏倚降低了病理诊断的准确性;因此,肾活检未被视作CKD患者首选的随访方法 [7, 8]。

肾皮质和体积的形态学改变主要发生在ESKD期间。在病理检查下,CKD的特征是肾纤维化,即与成纤维细胞数量增加相关的大量细胞外基质的病理性沉积 [9, 10]。这些改变与随后的肾脏组织瘢痕形成和硬化相关,导致肾脏形态学改变 [11]。超声检查可以评估斑点模式和信号散射的变化,两者均与肾脏形态学改变和实质硬度升高存在不同程度的相关性。然而,使用二维(2D)超声区分病变肾脏与健康肾脏对超声医师而言可能较为困难。这些局限性导致影像组学的应用日益增多。影像组学是使用统计算法对医学图像进行量化。机器学习部分用于后续步骤中的结局预测。影像组学旨在通过区分不同组织类型来支持诊断决策 [12, 13]。在影像组学中,纹理分析是量化肾脏疾病严重程度的新兴工具。影像组学已被应用于不同成像模式,用于肾脏疾病的识别和鉴别,包括肾脏肿瘤、癌 [14–17]、恶性和良性临床T1期肾脏肿块的鉴别 [18]以及肾肿瘤组织学亚型的鉴别 [19]、糖尿病患者早期肾损害 [20]、肾结石的检测 [21],以及CKD患者中正常肾脏与病变肾脏的鉴别 [22]。

基于上述原因,我们结合了二维超声和声触诊弹性成像(STE)图像的影像组学数据以及临床因素来构建应用模型,随后进行模型验证。我们尝试使用列线图来预测无组织病理学数据的CKD患者中IFTA的程度。我们旨在为CKD提供一种无创诊断方法,并使用该方法监测这些患者的治疗反应和疾病进程。

材料与方法

伦理声明

本研究遵循《赫尔辛基宣言》,并获得当地伦理审查委员会批准(KY2021146)。我们获得了每位参与者的书面知情同意书。

研究参与者的选择

CKD的定义基于eGFR < 60 mL/min/1.73 m2持续至少3个月[23]。纳入标准为具有肾活检临床指征的CKD患者。排除标准如下:存在肾活检任何禁忌证的患者、不对称性双侧肾萎缩、肾脏结构异常、或二维超声上肾皮质和髓质分辨率不佳。在患者接受肾活检前2天内收集每位患者的临床和实验室检查资料。

超声检查流程

我们使用Mindary Resona 7超声系统和SC5-1U凸阵探头(带宽频率1–5 MHz)(深圳迈瑞生物医疗电子股份有限公司)进行二维超声和STE软件检查。STE测量在均匀色彩填充下进行5次,最终STE值的标准差(SD)设定为小于2.0作为质量控制。所有检查由一名具有8年经验的超声医师完成,该医师对血清学、影像学和肾活检病理结果均设盲。

肾活检与病理检查

在肾脏超声检查3天内从CKD患者获取肾活检标本。在超声(US)引导下对目标肾脏下极实质进行肾穿刺活检。为确保所选US图像与US活检位置匹配,肾脏穿刺操作、二维超声和STE检查由同一名超声医师完成。两名经验丰富的病理学家根据Banff评分系统和Farris等人[24, 25]的经验对肾小球硬化、肾小管间质损伤和血管硬化的严重程度进行评分。病理学家之间的任何分歧通过共识解决。我们使用Image-Pro Plus 6.0软件评估肾小管间质纤维化区域的比例。CKD患者根据Banff评分系统对肾皮质纤维化进行分类[26]。在该评分系统中,肾皮质肾小管间质纤维化的严重程度分为三级:轻度IFTA,纤维化面积< 25%;中度IFTA,纤维化面积26–50%;重度IFTA,纤维化面积> 50%。

影像组学处理流程

图像分割

将B模式和STE检查期间获取的医学数字成像和通信(DICOM)格式图像导入ITK-snap软件进行手动图像分割。我们在图像处理中评估包含肾皮质但去除肾髓质和肾周脂肪组织的感兴趣区域(ROI)。两名解读者之间的任何差异通过小组讨论解决。

特征提取与影像组学标签的建立

从ITK-SNAP软件获得的DICOM图像和感兴趣区(ROI)被导入AK软件(Artificial Intelligence Kit,GE Healthcare)以提取影像组学特征。提取的特征包括一阶特征(直方图特征和形态学特征)以及二阶参数。二阶参数主要涉及灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRLM)、灰度尺寸区域矩阵(GLZSM)、邻域灰度差矩阵(NGTDM)和灰度依赖矩阵(GLDM)。所有图像的ROI由两名超声医师勾画。采用组内相关系数(ICC)分析评估观察者间一致性,ICC值在0.75至1之间定义为一致性良好,在0.4至0.75之间定义为一致性中等,低于0.4定义为一致性差。ICC值高于0.75的特征被选入进一步分析。患者按7:3的比例随机分为训练队列和验证队列。我们计划进行两种类型的比较:轻度与中重度IFTA比较,以及轻中度与重度IFTA比较。

特征选择

采用最小冗余最大相关(mRMR)算法消除冗余和不相关特征,保留最优特征,通过最小绝对收缩和选择算子(LASSO)算法筛选出最优特征子集,并构建最终模型。在确定最优特征数量后,我们选择了最具预测性的特征子集并计算了相应的系数[27]。

模型构建与结果验证

基于B模式和STE图像的特征提取产生了影像组学质量评分(Rad-Score),即通过所选特征按其系数加权求和计算得到的影像组学标签。我们使用受试者工作特征曲线(ROC)分析评估每个构建模型的性能。应用临床模型的赤池信息准则确定最合适的临床模型。将临床特征与Rad-Score结合进行多因素logistic回归,建立预测模型并生成临床列线图。列线图的实用性在于其能够将预测概率映射到图中0至100刻度的点上。根据不同类别特征累积的总分与索引患者的预测概率相对应[28, 29]。

各模型的预测准确性通过训练队列和验证队列的ROC曲线下面积(AUC)值进行评估。我们在验证队列中测试了Knott图的性能。使用在训练队列中建立的logistic回归模型,我们计算了验证队列中每位患者的总分,并获得AUC和校准曲线。为估计各模型的预测误差,我们进一步对训练队列和验证队列使用1000次迭代的bootstrap分析检验所提出的模型。我们从训练队列或验证队列中随机选取70%的患者并计算相应的AUC值。

AUC之间的比较采用DeLong检验。使用校准曲线和Hosmer–Lemeshow检验来探究列线图的性能。最后,为了通过量化列线图模型在训练队列和验证队列中的净获益来评估临床实用性,基于B模型、STE模型、B加STE模型以及联合模型的临床特征和影像组学标签进行了决策曲线分析(DCA)。DCA通过在验证集中量化不同阈值概率下的净获益来确定影像组学列线图的临床实用性。

统计分析

使用SPSS(26.0版;IBM)、GraphPad Prism 8.0(GraphPad Software)和R统计软件(4.0.2版)进行统计检验。p < 0.05被认为具有统计学意义。

结果

参与者的基本临床信息

患者筛选流程图见图1。表1列出了共150例慢性肾脏病(CKD)患者及其病理诊断(补充表1)。影像组学处理流程见图2。我们还展示了ITK-SNAP软件如何勾画穿刺肾皮质的感兴趣区(ROI)(图3)。表2显示了训练队列和验证队列的临床特征。

图1 患者筛选过程流程图 查看原图 ↗
表1 患者基线特征 查看原表 ↗
图2 本研究的影像组学流程图。我们将采集的图像以DICOM格式导出,使用ITK软件勾画ROI并进行图像分割。我们使用AK软件提取超声影像组学特征,并基于CKD患者的临床特征构建模型。随后,我们进行了模型校准和验证。 查看原图 ↗
图3 使用Masson染色的肾活检病理检查与不同IFTA严重程度患者的B模式图像及ITK-SNAP ROI的对比图像。A–C 一名38岁女性系统性红斑狼疮患者。肾活检显示局灶增生性狼疮性肾炎,III-(A),Masson染色评估肾小管间质萎缩为5%,轻度IFTA。D–F 一名36岁女性慢性肾脏病患者,Masson染色评估肾小管间质萎缩为40%,中度IFTA;G–I 一名28岁男性慢性肾脏病患者。Masson染色评估肾小管间质萎缩为70%,重度IFTA 查看原图 ↗
表2 训练队列和验证队列的临床特征 查看原表 ↗

特征选择、模型构建和结果验证

基于两名超声医师的可重复性分析结果,我们从每位参与者的B模式和STE图像中提取了1156个影像组学特征,其中739个影像组学特征具有良好的一致性(ICC > 0.75),经mRMR方法筛选后保留了120个特征。我们还基于LASSO逻辑回归进行了纹理特征选择(补充图1),经该过程后选择了36个影像组学特征。这些特征被用于构建影像组学标签(图4)。计算Rad-Scores的最终公式见补充材料。我们比较了训练组和测试组之间的Rad-Scores,如补充图2所示。

我们进一步比较了不同IFTA分级组间B模型、STE模型、临床模型和联合模型的结果,并进行了模型验证,预测参数采用Youden指数计算(表3)。我们还在补充图3中展示了采用决策曲线评价模型的结果。基于临床特征构建的用于鉴别轻度与中重度IFTA以及轻度至中度与重度IFTA的预测模型见补充图4。

图4 B模式和STE图像的影像组学特征。A 轻度与中重度IFTA比较中来自B模式图像的四个特征;B 轻度与中重度IFTA比较中来自STE图像的十一个特征;C 轻度至中度与重度IFTA比较中来自B模式图像的九个特征;D 轻度至中度与重度IFTA比较中来自STE图像的十二个特征 查看原图 ↗
表3 不同模型预测在两个训练组和验证组中评估IFTA的诊断性能 查看原表 ↗

在不同IFTA组间比较分析中临床特征联合超声影像组学模型的性能及列线图验证

在比较轻度IFTA与中重度IFTA的模型验证中,使用血清白蛋白和eGFR建立的临床模型达到了中等预测能力。STE影像组学模型也达到了中等预测能力(表3)。将STE影像组学模型的结果加入临床模型后,联合模型的预测性能显著提高,其列线图见图5A,训练队列和测试队列的AUC分别为0.91(95% CI:0.85–0.97)和0.85(95% CI:0.77–0.98)(DeLong检验,p < 0.05)(图5B、C)。列线图校准曲线显示两组中预测值与观察值之间具有良好的一致性(图5D、E)。列线图的DCA见图5F。基于联合模型(临床和STE)的DCA显示,在20–80%阈值概率范围内,与临床模型和STE模型相比,在预测IFTA严重程度方面具有更大的获益。

在比较轻至中度IFTA与重度IFTA的模型验证过程中,基于年龄和eGFR建立的临床模型获得了中等预测能力,训练队列和测试队列的AUC分别为0.67(95% CI:0.55–0.79)和0.55(95% CI:0.34–0.76)。使用B型超声影像组学模型也获得了中等预测能力,训练队列和测试队列的AUC分别为0.80(95% CI:0.71–0.90)和0.78(95% CI:0.65–0.92)。使用STE影像组学模型同样获得了中等预测能力,训练队列和测试队列的AUC分别为0.81(95% CI:0.73–0.89)和0.73(95% CI:0.58–0.88)。使用B型超声联合STE影像组学模型获得了更高的预测能力,训练队列和测试队列的AUC分别为0.93(95% CI:0.88–0.98)和0.86(95% CI:0.75–0.97)。最后,使用年龄和eGFR、B型超声及STE影像组学数据建立的模型显示,联合模型的预测能力较高,其列线图见图6A。训练队列和测试队列的AUC分别为0.93(95% CI:0.89–0.98)和0.83(95% CI:0.70–0.95)(图6B、C)。联合模型的AUC与临床模型、B模型或STE模型显著不同(DeLong检验,训练队列和验证队列p < 0.005)。列线图校准曲线显示两组中预测值与观察值之间具有良好一致性(图6D、E)。列线图的DCA见图6F。与其他模型相比,曲线下面积最高的联合列线图模型是在对IFTA严重程度进行分类时实现最大净获益的最优决策。

图5 A 轻度与中度至重度IFTA临床特征(白蛋白和eGFR)联合STE Rad-Scores的列线图。B、C 轻度与中度至重度IFTA的临床特征联合STE模型在训练集和验证集中的ROC曲线。D、E 轻度与中度至重度IFTA临床模型联合STE模型的列线图在训练队列和验证队列中的校准曲线。F 单独临床模型、单独STE模型和联合模型比较轻度与中度至重度IFTA的直方图截断曲线分析。Y轴为净收益。蓝线代表STE模型的决策曲线。绿线代表临床模型曲线,而红线代表STE模型联合临床模型对CKD患者的决策曲线。 查看原图 ↗
图6 A 轻至中度IFTA与重度IFTA临床特征(年龄和eGFR)结合B型超声Rad评分和STE Rad评分的列线图。B、C 训练集和验证集中轻至中度与重度IFTA临床特征模型结合B模型和STE模型的ROC曲线。D、E 该列线图临床特征模型在训练队列和验证队列中轻至中度与重度IFTA结合B模型和STE模型的校准曲线。F 单独临床模型、单独B模型、单独STE模型、B+STE联合模型及临床+B+STE联合模型比较轻至中度与重度IFTA的列线图切割曲线分析。Y轴为净收益。灰色、绿色、蓝色、紫色和红色线分别代表临床模型曲线、B模型曲线、STE模型决策曲线、B+STE模型曲线和临床+B+STE模型决策曲线 查看原图 ↗

讨论

准确且无创地对肾纤维化严重程度进行分类对临床实践至关重要。近年来,研究人员利用基于弹性成像超声图像的机器学习来评估肾纤维化的严重程度,取得了有前景的结果[30]。二分类模型的构建主要用于比较肝和肾纤维化的严重程度[30–33]。在本研究中,我们通过将一个IFTA级别与其他级别进行比较的方式进行了二分类。构建并验证了一个结合二维超声影像组学、STE影像组学和临床特征用于预测IFTA严重程度的联合模型。

在本研究分析的临床特征中,eGFR在不同IFTA预测模型中均为独立参数(图5和图6),与Zhu等[30]的结果一致。eGFR是估算肾功能和评估CKD患者IFTA严重程度的重要指标[34]。eGFR基于标准化公式使用Scr计算,Scr是广泛用于这些患者临床随访的实验室指标[35]。在轻度和中至重度IFTA的比较模型中,基于临床特征(血清白蛋白和eGFR)和STE影像组学的联合模型进一步提高了诊断性能。eGFR作为肾纤维化指标存在局限性,因为eGFR水平常与肾纤维化程度不一致。此外,eGFR对亚临床肾损伤不敏感[36]。在我们的训练和测试队列中,比较轻至中度IFTA与重度IFTA时,临床特征(eGFR和年龄)模型的判别AUC在训练队列和测试队列中分别为0.67(95% CI:0.55–0.79)和0.55(95% CI:0.34–0.76),提示仅临床特征模型的表现劣于仅B模型、仅STE模型或联合模型(图6B、C)。根据上述论证,我们选择IFTA严重程度而非eGFR作为分组变量和预测模型构建的基础。因此,由eGFR临床因素和超声影像组学特征组成的联合模型有助于实现肾纤维化的无创监测。

影响STE弹性测量的主要因素是各向异性和肾纤维化的异质性。STE测量的其他混杂因素包括年龄和BMI [30]。在本研究中,年龄被用于构建列线图,以预测轻度和中重度IFTA之间的比较。由年龄和eGFR建立的临床模型以及联合模型均取得了较好的预测性能。在现实中,ESKD期间胶原沉积会导致肾脏变硬,STE测量结果会升高。然而,随着肾功能进一步下降,肾脏可能因血流灌注不良而变软,STE测量结果可能降低,而在二维超声检查中肾脏长度会变小 [37–39]。这些因素可能导致二维超声测量、STE测量与IFTA严重程度之间出现复杂的非线性关系。在我们的研究中,基于B型和STE结果构建的联合模型显著提高了传统超声单独诊断的性能。对这一发现的可能解释包括STE能够捕捉患者肾脏的硬度特征,这适合在机器学习中应用,而机器学习的优势包括结合具有非线性关系和交互作用的变量 [40]。因此,我们使用这些CKD患者的全部变量,包括二维超声、STE影像组学和临床因素,来对IFTA进行建模。

在区分轻度和中重度IFTA模型的列线图中,纳入了STE影像组学和临床因素,而未纳入二维超声影像组学。原因是二维超声影像组学包含的数据包括肾脏长轴直径及其皮质厚度。然而,在轻度和中度IFTA患者中,由于其处于早期CKD阶段,肾脏形态变化仍然很小 [41]。在本研究中,不同IFTA组之间的肾脏长度和皮质厚度没有差异(轻度IFTA组和中度IFTA组的p值分别为p = 0.487和p = 0.927)。在我们构建轻度与中重度IFTA组之间的比较模型时,我们从那些中重度IFTA患者中提取了二维超声图像特征。由于纳入了中度IFTA的影像组学,因此提取的是轻度和中度IFTA患者之间无显著差异的肾脏形态特征。冗余信息的存在可能增加模型过拟合的概率,从而在构建联合模型后降低模型性能。然而,当我们比较轻中度与重度IFTA患者时,ESKD合并重度IFTA的患者更可能出现肾脏形态萎缩和皮质变薄。当我们比较重度与轻中度IFTA组之间的肾长轴直径和皮质厚度时,组间存在差异(p < 0.01)。因此,加入包含二维超声中肾脏形态差异的影像组学大大提高了联合模型的诊断性能。

结合B超、STE和临床特征的综合模型可适用于我们训练队列之外患者的IFTA检测,特别是在无法接受肾活检患者的随访期间。超声影像组学模型的建立可为临床超声实践提供有力支持,影像组学发现未来可能有助于IFTA预测。

本研究存在一些局限性。所选患者为有肾活检指征的CKD患者。ESKD患者的肾皮质组织可能较薄,妨碍基于肾活检获得组织病理学结果。严重IFTA患者的样本量较小,需要进一步扩大以减少模型构建过程中的数据冗余,从而促进多分类模型的建立。此外,本研究基于单中心数据,使用单一模式超声诊断仪采集超声影像组学。可能需要多中心和不同超声模式来提取更多二维和超声弹性影像组学以构建联合模型,并检验我们所建立联合模型的泛化性。最后,这些患者二维超声和STE特征的变化及CKD病程需要在未来进一步监测和验证。

结论

STE联合二维超声检查可提高传统超声对CKD患者肾小管间质纤维化的诊断性能。基于二维超声和STE成像特征并结合临床特征构建的影像组学列线图是无创工具,在检测不同IFTA严重程度的肾纤维化方面具有高准确性。该方法有助于肾纤维化的无创监测。

补充信息

(DOCX 1.35 mb)

引用

  1. Ge, Lan, Lan, et al. Diagnostic accuracy of ultrasound-based multimodal radiomics modeling for fibrosis detection in chronic kidney disease. Eur Radiol. 2022. PMID: 36454259. doi:10.1007/s00330-022-09268-3
  2. 全文:PMC10017610(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10017610/

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。