基于MRI纹理的机器学习模型在不同分割方式下评估肾功能
本研究回顾性纳入174例糖尿病患者的肾脏MRI数据,比较四种肾脏分割方式(All-K、LC-K、TLCO-K、PIZZA-K)构建的纹理机器学习模型对肾功能的分类性能。结果显示LC-K和All-K模型性能稳定,在验证队列中正常、轻中度及重度肾功能损伤的AUC分别为0.802、0.852、0.863;TLCO-K和PIZZA-K模型存在过拟合。结论认为基于全冠状面或最大冠状面分割的纹理模型可准确评估肾功能,尚需外部验证。
要点
- 基于T2WI纹理的机器学习模型可用于无创评估肾功能分级。
- LC-K和All-K分割模型性能稳定,优于亚区分割模型。
- 亚区分割(TLCO-K、PIZZA-K)在重度损伤分类中过拟合。
核心结论
- 基于T2WI纹理的机器学习模型可准确评估肾功能,LC-K和All-K分割模型在验证队列中表现稳定可靠。
研究设计与样本
- 回顾性分析174例糖尿病患者的肾脏MRI数据,随机分为训练队列123例和验证队列51例。
- 采用3.0 T MRI设备采集冠状位T2WI,由两名放射科医生手动分割肾脏,比较All-K、LC-K、TLCO-K和PIZZA-K四种分割方式。
- 使用SURF算法提取纹理特征,经BoW模型聚类降维,结合年龄和性别输入SVM构建模型,以ROC曲线评估性能。
- 参考标准为CKD-EPI 2009公式计算的eGFR,将患者分为正常(CKD1)、轻中度损伤(CKD2-3)和重度损伤(CKD4-5)三组。
关键影像表现/征象
- T2WI信号强度降低反映肾纤维化程度,纹理特征可捕捉肉眼不可见的细微纤维化改变。
- 正常肾功能模型在验证队列中AUC均≥0.800,提示正常肾脏结构改变较小,不同分割方式间差异不显著。
- 随着肾功能下降,肾脏细微结构改变,All-K和LC-K模型在评估轻中度和重度损伤时优于亚区分割模型。
- TLCO-K和PIZZA-K模型在重度损伤分类中训练与验证队列AUC差距大,提示过拟合,泛化能力差。
诊断标准与关键数值
- 正常肾功能定义为CKD1期:eGFR ≥ 90 mL/min/1.73 m²。
- 轻中度肾功能损伤定义为CKD2-3期:30 mL/min/1.73 m² ≤ eGFR < 90 mL/min/1.73 m²。
- 重度肾功能损伤定义为CKD4-5期:eGFR < 30 mL/min/1.73 m²。
- LC-K模型验证队列正常、轻中度、重度损伤的AUC分别为0.802(95%CI 0.800-0.807)、0.852(95%CI 0.846-0.857)、0.863(95%CI 0.857-0.887);All-K模型分别为0.866(95%CI 0.863-0.870)、0.820(95%CI 0.817-0.823)、0.938(95%CI 0.934-0.941)。
临床应用与阅片要点
- 阅片时可关注T2WI上肾脏信号减低及体积缩小等提示纤维化的征象,纹理模型可辅助定量评估。
- 推荐采用包含肾门最大冠状面(LC-K)或全部冠状面(All-K)的分割方式构建模型,避免亚区分割导致的过拟合。
- 模型输出可作为eGFR的补充信息,用于监测糖尿病合并高血压患者的肾功能变化,但需结合临床。
- 注意分割一致性,手动分割需由经验丰富的放射科医生完成,以保证特征可重复性(ICC>0.75)。
局限性
- 样本量相对较小,且MRI非常规检查,可能导致选择偏倚。
- 仅研究了冠状位T2WI的四种分割方式,未涉及轴位或其他MRI序列。
- 模型仅在内部验证,缺乏外部验证,泛化能力尚不确定。
全文中译13 节 · 点击展开
背景
慢性肾脏病(CKD)是全球健康和经济负担,也是全球死亡原因之一[1]。糖尿病和高血压是CKD及随后终末期肾病的两大主要原因[2]。早期发现肾功能损害对于及时采取有效治疗策略并最终防止肾功能恶化具有重要意义[3]。慢性缺氧和纤维化是导致肾功能和结构损害的恶性循环[4]。在临床环境中,开发准确可靠的生物标志物用于检测早期肾功能损害和监测疾病进展具有重要意义。
功能磁共振成像(fMRI)已用于评估肾脏氧合和纤维化[5–7]。血氧水平依赖(BOLD)和动脉自旋标记(ASL)MRI已用于评估肾功能下降时的肾脏氧合变化[8, 9]。弥散张量成像(DTI)和体素内不相干运动弥散加权成像(IVIM-DWI)是评估慢性肾功能不全期间纤维化过程的半定量方法[10, 11]。fMRI技术能够在图像上量化和可视化肾功能损害;然而,其存在观察者间可重复性低以及额外的时间和成本等问题。因此,fMRI仍未被常规用于评估肾功能。
近年来随着图像分析技术的进步,我们可以从MR图像中提取肉眼不可见的纹理特征,为反映组织异质性提供有意义的信息[12, 13]。纤维化程度与从肝硬化的计算机断层扫描和MRI中提取的成像纹理相关[14, 15]。同样,肾脏的成像纹理是反映纤维化和确定估算肾小球滤过率(eGFR)及CKD状态的潜在生物标志物[16]。在MRI上,丰富的特征可指示肾功能变化。T2加权图像(T2WI)是常用序列,可显示某些疾病的结构、细胞水肿、纤维及其他潜在病理生理机制[17, 18]。T2WI上的纹理分析已分别用于评估移植肾和糖尿病肾病的早期肾功能[18, 19]。因此,T2WI上的纹理分析能够反映肾脏的病理状态。然而,既往肾脏研究中ROI的选择存在差异,影响了模型构建过程和性能[16, 18–21]。因此,我们旨在探讨T2WI纹理分析在评估肾功能中的价值,并标准化肾脏ROI分割方法。
方法
受试者
本观察性队列研究经我院机构审查委员会批准。每位参与者在进行肾脏MRI前均获得书面知情同意。前瞻性连续纳入2013年10月至2019年11月期间患有高血压和糖尿病的患者进行肾脏MRI检查,随着图像处理方法技术的发展,我们对其图像进行了回顾性审查和二次分析。在MRI检查日期前后一周内获取血清肌酐,并通过CKD流行病学协作组(CKD-EPI)2009年公式计算eGFR(公式见附加文件1)。CKD1期(eGFR ≥ 90 mL/min/1.73 m2)患者被视为肾功能正常,CKD2期和CKD3期(30 mL/min/1.73 m2 ≥ eGFR < 90 mL/min/1.73 m2)为轻度或中度肾功能损害,CKD4期和CKD5期(eGFR < 30 mL/min/1.73 m2)为重度肾功能损害。排除标准如下:(1)冠状位T2WI存在严重伪影;(2)患有多囊肾病或急性肾损伤的患者;(3)正在使用可能影响肌酐水平的药物(如西咪替丁、甲氧苄啶或头孢噻肟)的患者;(4)高血压控制不佳的患者。最终共纳入174例患者进行分析。患者被随机分配至训练队列(n = 123)和验证队列(n = 51)。
MRI采集与预处理
所有患者均在3.0 T(Discovery MR 750,GE Healthcare,Milwaukee,WI,USA)下接受MR检查。采集参数如下:轴位T1WI:重复时间(TR)= 6.2(ms),回波时间(TE)= 2.8(ms),视野(FOV)= 100(mm2),矩阵 = 512 × 512,层厚 = 4 mm,翻转角 = 20°,带宽 = 162.773 Hz/pixel;冠状位T2WI:TR = 1984(ms),TE = 70(ms),FOV = 100(mm2),矩阵 = 512 × 512,层厚 = 4.0 mm,翻转角 = 90°,带宽 = 325.508 Hz/pixel。由于患者之间的差异,通过均值-方差归一化将T2WI的强度范围归一化至0–255,以减少对纹理分析的影响。
MR肾脏图像分割
由一名具有5年诊断经验的放射科医师(Z.C.,读者1)使用ITK-SNAP软件(版本3.6.0,https://itk.org/)在冠状位T2WI上手动分割双侧肾脏。随后随机选取30例患者,由一名具有8年诊断经验的放射科医师(X.M.,读者2)和读者1再次进行分割。2名读者之间的分歧通过与腹部放射学专家讨论达成共识。为评估分割方法对肾功能评估模型结果的影响,我们比较了四种不同的肾脏分割方法:(1)All-K:在两个肾脏上勾画肾实质的所有冠状位层面;(2)LC-K:勾画双侧肾实质经过肾门的最大冠状位层面;(3)TLCO-K:将最大冠状位层面从外层到内层同心分割为12个等层;(4)PIZZA-K:将最大冠状位层面像披萨一样分割,以肾门为圆心,以上下极为边缘,等角度分为6份。四种分割类型见图1。
纹理提取与模型构建
采用加速稳健特征(SURF)算法检测和描述局部影像特征。识别角点并生成64个描述符向量以描述每个兴趣点。由于SURF从每个ROI中提取的角点不同,因此描述符向量的数量也不同。SURF的过程见附加文件1。为了在四种分割方法中获得相同数量的影像特征,采用词袋(BoW)模型对相似特征进行聚类并描述其频率。经BoW降维后的影像特征用于特征选择和模型构建。特征的可重复性通过组间/组内相关系数(ICC)评估。当ICC大于0.75时,特征具有良好的可重复性。此外,年龄和性别因其对计算eGFR的贡献而被纳入。影像特征和临床特征均输入支持向量机(SVM)以构建基于T2WI的肾功能评估模型。采用受试者工作特征(ROC)曲线分析评估SVM模型的性能,包括曲线下面积(AUC)、灵敏度、特异度和准确度。我们在训练队列中开发模型并在验证队列中进行验证。
统计学
酌情采用独立样本t检验和χ2检验比较训练队列和验证队列的临床特征。采用灵敏度、特异度、准确度和AUC评估模型性能。采用Delong检验比较AUC值。双侧p < 0.05被认为具有统计学意义。所有统计分析均在2018 Python 3.6.5(https://www.python.org/)中实现。使用“NumPy”包标准化T2WI的强度范围。使用“OpenCV”进行图像掩膜、肾脏分割和特征提取。使用“random”包对训练队列和验证队列进行随机分配。使用“pengouin”包计算ICC。使用“scikit-learn”包进行SVM分析。使用“matplotlib”包绘制ROC曲线。
结果
188例患者中共分析174例,其中9例因T2WI运动伪影被排除,5例因多发性肾囊肿(占据肾实质三分之一)被排除。174例患者中,71例归入肾功能正常组,69例归入轻中度肾功能损害组,34例归入重度肾功能损害组。他们被随机分配到训练队列和验证队列(表1)。训练队列与验证队列之间无显著差异(p > 0.05)。
四种分割方法间特征的可重复性
由读者1和读者2勾画双侧肾脏并分析ICC。All-K、LC-K、TLCO-K和PIZZA-K分割中超过83%的特征具有可重复性(ICC > 0.75)。
四种模型识别肾功能正常的性能
基于不同分割方法的四种模型在识别肾功能正常患者方面表现出良好性能(表2和图2a)。在训练队列中,基于All-K、LC-K、TLCO-K和PIZZA-K的模型分别得出的AUC为0.877(95%CI 0.870–0.884)、0.938(95%CI 0.935–0.940)、0.922(95%CI 0.912–0.928)和0.922(95%CI 0.914–0.929),而在验证队列中,四种模型分别得出的AUC为0.866(95%CI 0.863–0.870)、0.802(95%CI 0.800–0.807)、0.800(95%CI 0.785–0.816)和0.800(95%CI 0.784–0.958)。四种模型在识别肾功能正常方面未发现显著差异(所有p值> 0.05)。
四种模型在识别轻或中度肾功能损害方面的性能
基于不同分割方法的四种模型在识别轻或中度肾功能损害患者方面表现出良好性能(表3和图2b)。在训练队列中,基于All-K、LC-K、TLCO-K和PIZZA-K的模型分别达到AUC为0.888(95%CI 0.881–0.895)、0.919(95%CI 0.916–0.922)、0.926(95%CI 0.919–0.932)和0.867(95%CI 0.860–0.874),而在验证队列中,四种模型分别达到AUC为0.820(95%CI 0.817–0.823)、0.852(95%CI 0.846–0.857)、0.705(95%CI 0.691–0.720)和0.705(95%CI 0.690–0.721)。四种模型在识别轻或中度肾功能损害方面未观察到显著差异(所有p值> 0.05)。
四种模型在识别重度肾功能损害方面的性能
基于All-K和LC-K的模型在识别重度肾功能损害方面表现出优异性能(表4和图2c)。基于All-K的模型在训练队列和验证队列中分别获得AUC为0.974(95%CI 0.967–0.982)和0.938(95%CI 0.934–0.941)。基于LC-K的模型在训练队列和验证队列中分别显示AUC为0.959(95%CI 0.956–0.962)和0.863(95%CI 0.857–0.887)。然而,基于TLCO-K和PIZZA-K的模型的性能在两个队列之间显示出巨大差距,提示潜在的模型过拟合。基于TLCO-K的模型在训练队列中获得AUC为0.970(95%CI 0.964–0.977),而在验证队列中为0.314(95%CI 0.201–0. 426)。基于PIZZA-K的模型在训练队列中获得AUC为0.994(95%CI 0.986–1.00),在验证队列中为0.688(95%CI 0.673–0.704)。基于All-K的模型在验证队列中显示出显著优于基于TLCO-K和PIZZA-K的模型的性能(分别为p = 0.009和0.009)。
讨论
本研究表明,基于纹理的MRI模型在评估肾功能损伤方面表现良好。四种机器学习模型在识别正常肾功能方面表现相似(验证队列中AUC ≥ 0.800)。有趣的是,在评估肾功能损伤时,基于All-K和LC-K的模型比基于TLCO-K和PIZZA-K的模型更稳定、更可靠。
T2WI是一种常规且稳定的序列,信号强度降低代表组织内纤维胶原基质增多。由于纤维化是肾缺血和炎症的结果,纤维化程度反映了肾功能状态[22]。基于T2WI,肉眼无法识别细微的肾纤维化,但肾脏长度随肾功能恶化而缩短[23]。这些细微变化被转化为大量纹理特征的变化。T2WI纹理分析已被研究用于肝硬化的分期分类[24]。但就肝硬化中的含铁血黄素沉着和纤维化而言,T2WI上低信号的含铁血黄素掩盖了纤维化改变,导致进一步研究中的表现不佳[25]。然而,肾纤维化主要以肾小球硬化、肾小管间质纤维化和肾小管萎缩为特征,仅有一定程度的含铁血黄素沉积。因此,肾纤维化在T2WI上引起的信号强度变化比含铁血黄素沉积更为显著。另一方面,DWI、DTI和IVIM是通过在T2WI基础上改变扫描参数生成的,这使得潜在的纤维化变得可见且可测量。因此,基于T2WI的肾脏纹理分析为评估肾纤维化程度和检测早期肾功能损伤提供了一种替代方法。
感兴趣区(ROI)分割是纹理分析和后续模型构建中的关键步骤。基于4种分割方式的模型在识别正常肾功能时,在训练队列和验证队列中均取得了良好表现。这表明正常肾脏结构变化太小,在全肾、最大冠状面切片或最大冠状面切片的亚区域分割之间的纹理分析中未能产生差异。然而,随着肾功能下降,细微结构发生了改变。基于All-K和LC-K的模型在评估轻中度及重度肾功能损伤方面优于基于TLCO-K和PIZZA-K的模型。这或许可以推断,冠状面切片的完整性对于反映肾功能不全慢性过程中的肾脏纹理变化具有重要意义。同时,All-K由LC-K和其他冠状面切片组成,但基于All-K的模型并未显著优于基于LC-K的模型。这可能是由于All-K中过多冠状面ROI切片的特征冗余所致。特征冗余是指切片间纹理特征之间的强相关性。因此,来自LC-K的影像纹理可以代表相应的肾脏。我们的发现与既往测量冠状面切片值的fMRI研究一致[26, 27]。All-K和LC-K均是建立稳健有效模型以评估肾功能的可行分割方法。
肾功能主要由皮质的肾小球和髓质的肾小管决定。晚期肾功能不全的显著病理改变模糊了肾皮质与髓质之间的边界。皮质-髓质区域与肾脏氧合、eGFR及慢性肾脏病的进展相关[28, 29],然而在TLCO-K和PIZZA-K分割中其纹理特征研究不足。基于PIZZA-K的模型在识别严重肾功能损害方面优于基于TLCO-K的模型。这可能揭示皮质-髓质区域在纹理分析上的完整性对于评估肾功能具有重要意义。同时,在识别严重肾功能损害时,来自分层或分块的丰富纹理特征导致训练队列中出现过拟合。过拟合提示基于TLCO-K和PIZZA-K的模型过于复杂且泛化能力较差。这些无差异的结果表明,在评估肾功能损害时,对肾皮质或髓质或肾分区区域分别进行纹理分析是不合适的。尽管在肿瘤研究中,由于丰富的异质性[30–32],基于病灶内亚区域ROI分析构建的影像模型优于基于原发全病灶的模型,但亚区域ROI纹理分析在非肿瘤性疾病中可能表现不佳。我们的研究已证明,基于完整最大冠状切片或全器官的纹理分析模型在慢性肾脏病中表现出令人满意的性能。
本研究存在一些局限性。第一,样本量相对较小。MRI检查并非慢性肾功能不全患者的常规检查。由于eGFR分布不均,我们在评估基于MRI纹理的模型时将患者分为3个肾功能组。第二,我们仅研究了T2WI冠状切片上的四种ROI分割。各种分割在轴位切片上的预测价值尚不清楚,需要进一步研究。然而,最大冠状切片比最大轴位切片包含更多信息,且前者已常用于fMRI研究。第三,我们的研究仅基于T2WI,未讨论其他MRI或fMRI序列的预测价值。T2WI作为常规序列使其更易于获取。此外,与其他额外的fMRI相比,基于T2WI构建的模型在其他机构中易于使用。
总之,我们开发并验证了一种基于纹理的MRI模型来评估肾功能,为检测肾功能损害提供了一种替代工具。此外,MRI纹理分析应基于肾脏的完整冠状切片或全冠状切片,与基于亚区域分割的模型相比,这将为评估不同肾功能状态开发更稳健的模型。肾脏MRI纹理分析中稳定的分割将促进未来对其他肾病的研究,并预测CKD肾功能下降的风险。
补充信息
附加文件1. 补充材料。
引用
- Mo, Chen, Chen, et al. MRI texture-based machine learning models for the evaluation of renal function on different segmentations: a proof-of-concept study. Insights Imaging. 2023. PMID: 36746892. doi:10.1186/s13244-023-01370-4
- 全文:PMC9902579(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9902579/
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。