基于临床变量与MRI影像组学的儿童胰胆管合流异常慢性胆管炎术前诊断简化模型及列线图
本研究纳入两家机构144例经手术病理 confirmed 的胰胆管合流异常(PBM)患儿,基于T2WI提取影像组学特征并构建Rad-score,结合黄疸、蛋白栓、腹水三个临床变量建立联合模型并可视化列线图。联合模型在验证队列的AUC为0.858(95%CI 0.745–0.972),优于临床模型(AUC 0.731),敏感度0.882、特异度0.741,校准曲线与DCA显示良好临床效用。
要点
- 儿童PBM术前诊断慢性胆管炎可联合T2WI影像组学Rad-score与临床变量(黄疸、蛋白栓、腹水)提高准确性。
- 联合模型验证队列AUC 0.858,敏感度0.882、特异度0.741,优于仅用临床变量的模型(AUC 0.731)。
- 列线图可用于个体化术前风险评估,辅助手术方案选择及术后随访策略制定。
核心结论
- 联合关键临床变量与T2WI影像组学特征构建的模型有助于儿童PBM慢性胆管炎的术前诊断,并可将复杂组学特征简化为单一Rad-score用于日常实践。
研究设计与样本
- 回顾性研究,纳入两家机构2015年1月1日至2021年12月31日共144例经术中胆道造影确诊PBM的患儿,按7:3随机分为训练队列(n=100)和验证队列(n=44)。
- 参考标准为手术病理诊断慢性胆管炎(胆管壁慢性炎症,包括充血、水肿、炎性浸润、黏膜上皮脱落及纤维组织增生)。
- 基于T2加权成像手动勾画感兴趣区,使用3D Slicer软件提取影像组学特征,经ICC、ANOVA、LASSO及Spearman相关筛选后构建Rad-score。
- 临床变量经单因素及多因素logistic回归筛选,联合Rad-score构建联合模型并绘制列线图;采用ROC曲线、DeLong检验、Hosmer-Lemeshow检验及决策曲线分析(DCA)评估模型。
关键影像表现/征象
- MRI可见蛋白栓(present or not)和腹水(present or not)与慢性胆管炎独立相关。
- PBM根据Todani分型(I、IVa)和Komi分型(I、II、III)评估,但原文未报告各型与慢性胆管炎的详细影像鉴别特征。
诊断标准与关键数值
- PBM诊断标准:MRCP或CT显示胰管与胆管在十二指肠壁外汇合且共同通道异常延长(>5 mm),并经术中胆道造影确认。
- 慢性胆管炎病理诊断标准:胆管壁慢性炎症,包括充血、水肿、炎性浸润、黏膜上皮脱落及纤维组织增生。
- 联合模型验证队列AUC 0.858(95%CI 0.745–0.972),准确度0.814,敏感度0.882,特异度0.741;临床模型验证队列AUC 0.731(95%CI 0.577–0.885)。
- Rad-score在训练队列慢性胆管炎组与非慢性胆管炎组分别为1.752±0.583 vs 0.832±0.731(p<0.001),验证队列为1.885±0.743 vs 0.897±0.573(p<0.001)。
- 多因素logistic回归:黄疸OR=3.007(95%CI 1.362–6.638,p=0.006),蛋白栓OR=3.527(95%CI 1.593–7.808,p=0.002),腹水OR=3.793(95%CI 1.690–8.513,p=0.001)。
临床应用与阅片要点
- 日常阅片时可关注T2WI上蛋白栓及腹水征象,并结合黄疸临床信息评估慢性胆管炎风险。
- 列线图可用于术前个体化风险分层,帮助外科选择合理手术方式并加强术后随访。
- 需注意MRCP在婴幼儿中易受运动伪影影响,且可能遗漏小结石和胆管扩张,影像判读需结合临床。
局限性
- 回顾性研究,存在多种偏倚。
- 影像组学特征仅基于T2加权MRI,未评估多参数MRI(包括增强扫描)的价值。
- 胆管囊肿的正式病理分级尚未建立,无法分析慢性胆管炎严重程度与治疗及预后的关系。
- 手动勾画ROI耗时且可能因部分容积效应引入显著偏倚。
全文中译17 节 · 点击展开
引言
胰胆管合流异常(PBM)是一种罕见的先天性异常,据报道在亚洲人群中的发病率为1:1000,是世界其他地区的100至1000倍[1, 2]。PBM的特征是胰管和胆管在十二指肠壁外汇合[1, 3]。这种异常允许胰胆管之间发生反流。胰管内较高的压力导致胰液反流入胆管[4]。因此,PBM常伴有反复发作的急性胆管炎、慢性胆管炎,甚至胆管癌[1, 5]。慢性胆管炎增加胆管的脆性及与周围组织的粘连,从而增加胰管手术中医源性损伤的风险[6]并延长完整囊肿切除的手术时间[7]。因此,对计划手术的PBM患儿术前诊断慢性胆管炎至关重要。
在常规临床实践中,超声检查(US)、计算机断层扫描(CT)和磁共振胰胆管成像(MRCP)是诊断胆管炎最常用的无创影像学方法[8]。MRI-MRCP提供优越的对比分辨率,无需使用对比剂即可清晰描绘胆管,因而是儿科人群的首选诊断方法[8]。然而,影像解读高度复杂,需要在评估胆管狭窄和扩张、胆管壁增厚、壁不均匀强化、蛋白栓、管周炎症征象及肝实质组织异常方面具有丰富经验[9–11],因此在准确性和敏感性方面存在局限[9, 10]。
影像组学结合快速机器学习(ML)范式近年来作为多种疾病的诊断工具日益得到应用[12]。影像组学是一种高通量计算方法,可挖掘隐藏在常规图像中的微观定量数据,并提供对肉眼不可观察的病变异质性的洞察[13, 14]。我们研究组先前的研究确立了利用影像组学和深度学习界定PBM患儿胆管壁慢性炎症的可行性[15]。在本研究中,我们开发了一个模型和一个列线图,将临床相关特征与基于T2加权MR图像的影像组学标签相结合,用于诊断PBM患儿的慢性胆管炎。
材料与方法
本研究经两家参与医院的机构审查委员会批准。由于研究的回顾性性质,免除了知情同意的要求。
PBM和慢性胆管炎的诊断标准
PBM术前基于MRCP或CT诊断,显示胰管和胆管在十二指肠壁外汇合且共同通道异常延长(> 5 mm),所有病例均经术中胆管造影(IOC)确认[5, 16]。
慢性胆管炎基于局部方案下病理检查显示的胆管壁慢性炎症进行诊断。考虑的 features 包括充血、水肿、炎性浸润、黏膜上皮脱落和纤维组织增生[17]。
患者
初步筛查在2015年1月1日至2021年12月31日期间共识别出213例胰胆管合流异常(PBM)患儿。纳入标准如下:(1)具备手术标本的病理结果;(2)在MR检查后1个月内完成手术;(3)具备完整的临床资料。排除标准如下:(1)临床或病理信息不完整;(2)仅通过CT扫描诊断、未行MR扫描的患者;或(3)无法从MR图像中成功提取影像组学特征的患者。最终共纳入144例进行分析(图1)。
由于徐州儿童医院的病例数较少(n = 26),我们未采用将某一中心的病例作为训练队列、另一中心的病例用于外部验证的常规方法。相反,144例病例按7:3的比例随机分为训练队列和验证队列。作为模型候选变量的临床特征包括性别、年龄(岁)、腹痛、黄疸、发热、呕吐、肝功能障碍、胰腺炎以及白细胞(WBC)计数升高。肝功能障碍定义为血清天冬氨酸氨基转移酶(AST)和血清丙氨酸氨基转移酶(ALT)水平升高,胰腺炎定义为术前血清淀粉酶或脂肪酶水平超过正常上限的三倍。
图像采集、分割和特征提取
所有MR图像均从图像归档与通信系统(PACS)中调取以供进一步分析。使用3D Slicer软件(版本4.10.2,https://www.slicer.org)进行T2W图像感兴趣区(ROI)的勾画和影像组学特征提取。MR图像采集、图像分割和特征提取的流程见附加文件1。影像组学分析工作流程见图2。
影像学分析
两名儿科放射科医师(L.ZH.,具有3年儿科放射学经验;Y.Y.,具有9年儿科放射学经验)对所有图像进行了初步分析。他们对胆管炎的病理诊断结果设盲。分析了PBM的以下MR影像学特征:蛋白栓(有或无)、腹水(有或无)、先天性胆管扩张症(CBD)的Todani分型(I、IVa)以及PBM的Komi分型(I、II、III)。分歧通过讨论和协商一致解决。
临床变量的选择
采用单因素logistic回归筛选人口学和临床变量。单因素回归中p < 0.1的变量纳入多因素回归分析。结果以比值比(OR)和95%置信区间(CI)表示。
影像组学特征的选择与Rad-score的构建
在特征提取之前,所有成像特征均采用z分数归一化进行标准化。为尽量减少维度的影响,使用训练队列分3步进行特征选择。首先,采用观察者间和观察者内分析评估特征的可靠性和可重复性[18];将ICC<0.75的特征排除在进一步考虑之外。其次,对ICC>0.75的特征采用单因素方差分析(ANOVA)进行检验,以筛选潜在重要的特征。最后,采用LASSO回归消除冗余和不相关特征[19]。此外,对LASSO所选特征计算Spearman相关系数,以避免潜在的严重线性依赖。当该值小于0.9时,我们认为所选特征之间不存在相关性[20]。
为了实现高且稳健的分类性能,实施了三种机器学习分类器:逻辑回归(LR)、支持向量机(SVM)和决策树(DT)。随后根据受试者工作特征(ROC)曲线下面积,在训练队列和验证队列中对我们开发的影像组学标签的性能进行了验证。采用Delong检验比较三种不同机器学习分类器的性能。
为简化模型,采用Rad-score(所选特征与其相应系数乘积之和)进行后续分析。
模型开发
分别基于仅临床特征、仅Rad-score以及临床特征加Rad-score建立诊断模型。采用受试者工作特征(ROC)曲线下面积比较各模型(仅基于临床特征、仅Rad-score以及联合模型)的性能。采用Delong检验比较三种不同模型的性能。采用Hosmer–Lemeshow检验评估模型的拟合优度。通过计算不同阈值概率下的净获益,进行决策曲线分析(DCA)以评估临床模型和联合模型。
影像组学列线图构建
为临床医生提供一种个体化且易于使用的工具,用于术前诊断PBM患者慢性胆管炎的发生,将联合模型可视化为影像组学列线图。基于显著的临床特征和Rad-score计算影像组学列线图评分(Nomo-score)。
统计分析
统计分析使用SPSS 26.0软件(IBM)和R编程语言(版本4.1.2,http://www.r-project.org)进行。根据变量类型测量临床特征。采用Shapiro–Wilk检验评估分布的 normality,采用Bartlett检验评估方差齐性(homoscedasticity)。连续变量的差异采用t检验或Mann–Whitney U检验评估。分类变量采用卡方检验或Fisher精确概率检验分析。单因素分析中p<0.1的临床特征纳入多因素模型。最终模型中的统计学显著性水平设定为p<0.05。
使用“glmnet”包进行LASSO回归。使用“pROC”包绘制ROC曲线。使用“corrplot”包进行Spearman相关分析。使用“rms”包构建结合临床变量和影像组学特征的模型。使用“Resource Selection”包进行Hosmer–Lemeshow检验。使用“rmda”包进行决策曲线分析。
结果
患者特征及临床特征筛选
最终分析共纳入144例儿童。术后病理检查显示56例儿童患有慢性胆管炎。患者按7:3的比例随机分配至训练队列(n = 100)和验证队列(n = 44)。其特征详见表1。训练队列与验证队列之间胆管炎发生率无显著差异(分别为0.390和0.386)。
在单因素分析中,慢性胆管炎与黄疸、蛋白栓和腹水相关。在随后的多因素LR分析中,慢性胆管炎与黄疸(OR = 3.007;95% CI,1.362–6.638;p = 0.006)、蛋白栓(OR = 3.527;95% CI,1.593–7.808;p = 0.002)和腹水(OR = 3.793;95% CI,1.690–8.513;p = 0.001)独立相关(表2)。
影像组学特征筛选与Rad-score构建
在提取的1223个影像组学特征中,1060个最稳定的特征(观察者间/观察者内分析ICC值均大于0.75)被考虑用于后续分析。附加文件1:图S1展示了影像组学特征的组内和组间相关系数(ICC)图。经单因素方差分析后,保留1056个特征(p < 0.05)。随后对这些特征进行LASSO分析以获得最有价值的特征。通过十折交叉验证,我们在最小准则下找到了最佳调优正则化参数λ为0.064。最终,八个影像组学特征被提名用于构建影像组学标签,包括四个小波特征、三个高斯拉普拉斯(LoG)特征和一个形状特征(图3a、b)。影像组学标签的贡献如图3c所示。此外,8个特征之间的Spearman相关系数范围为− 0.38至0.84,表明不存在共线性。
三种机器学习分类器的分类性能见表3。在训练队列中,LR、SVM和DT分类器的AUC分别为0.896、0.937和0.817;验证队列的相应AUC分别为0.878、0.847和0.719。在DeLong检验中,LR和SVM分类器优于DT分类器,但SVM分类器存在明显的过拟合。因此,选择LR分类器用于后续使用。以下Rad-score基于LASSO-逻辑回归加权系数得出:
0.337 × original_shape_Maximum2DDiameterSlice
+ 0.115 × log-sigma-1–0-mm-3D_gldm_LowGrayLevelEmphasis.
+ 0.131 × log-sigma-1–0-mm-3D_glcm_ClusterShade.
– 0.652 × log-sigma-2–5-mm-3D_glcm_Imc1.
+ 0.177 × wavelet-HLL_firstorder_Kurtosis.
+ 0.772 × wavelet-LHL_firstorder_Skewness.
+ 0.058 × wavelet-LLH_gldm_DependenceNonUniformity.
+ 0.206 × wavelet-LLH_glszm_GrayLevelNonUniformity – 1.636.
在训练队列(1.752 ± 0.583 vs. 0.832 ± 0.731)和验证队列(1.885 ± 0.743 vs. 0.897 ± 0.573)中,伴有与不伴有慢性胆管炎的儿童的Rad-score均显著更高(两者p < 0.001)。附加文件1:图S2展示了两个队列中Rad-score的图形。
模型性能
仅基于临床特征、仅基于Rad-score以及基于两者的模型性能见表4和图4。在验证队列中,仅基于临床变量的模型AUC为0.731(95% CI = 0.577–0.885),仅基于Rad-score的模型AUC为0.834(95% CI = 0.716–0.953),基于联合模型的AUC为0.858(95% CI,0.745–0.972)。在Delong检验中,联合模型在验证队列中优于临床模型(p = 0.028)。
联合模型的准确度为0.814,灵敏度为0.882,特异度为0.741。校准曲线分析显示,在训练队列和验证队列中诊断慢性胆管炎的预测概率与实际概率之间具有良好的一致性(Hosmer–Lemeshow检验中p = 0.977和0.370;图5a、b)。DCA显示联合模型比临床模型具有更高的总体净获益(图5c、d)。
讨论
本研究结果表明,将影像组学特征与临床变量相结合可提高诊断PBM患儿慢性胆管炎的准确性。本研究的一个优势是开发了单一Rad-score,其汇总了多种相关影像组学特征,从而便于临床实践使用。联合模型ROC曲线下AUC为0.858,敏感性为0.882,特异性为0.741。此外,校准曲线和DCA说明了该列线图的临床实用性。
PBM患者的胆管壁通常长期受到慢性炎症刺激[21]。慢性胆管炎不仅增加PBM患者术中并发症(如切除部位出血),还与长期恶性肿瘤相关[1, 11, 22]。对PBM患者胆管炎的早期干预可对短期和长期结局产生重大影响。因此,建立一种能够准确识别PBM患者胆管炎的方法至关重要。
目前,临床实践中用于诊断胆管炎的主要工具有五种:US、CT、MRCP、内镜逆行胆管造影(ERCP)和超声内镜(EUS)[8]。每种方式各有优点和局限性。例如,尽管经腹US可通过观察胆管壁厚度(> 0.8 mm)来诊断胆管炎,但胆管扩张会导致US诊断性能下降[8]。MRCP是诊断胆道疾病的首选方法,但容易受到运动伪影的影响。在儿童患者中,MRCP难以描绘胰胆管解剖等精细结构,尤其是婴幼儿[2]。MRCP还可能遗漏小结石和胆管扩张[9]。ERCP是诊断胆管炎的金标准[9]。然而,它是一种有创手术,可能引起多种并发症,如胰腺炎、胆管炎、出血、感染,因此未在儿科病例中广泛应用[2]。因此,使用这些传统工具通常在胆道疾病诊断中构成显著的技术挑战。
与传统成像方式相比,影像组学能够检测许多肉眼视觉评估无法检测到的细微变化,并有助于从图像中高通量提取定量数据。此类数据比肉眼评估的数据更能反映从图像中获得的定量信息。因此,影像组学可以阐明潜在的生物学状况,并显示出强大的预测能力[23, 24]。影像组学已越来越多地应用于非肿瘤性疾病的研究。例如,在最近一项关于肠道炎性病变的研究中,Zhu等[25]通过创建结合临床因素与影像组学特征的预测模型,提高了区分克罗恩病与肠结核的预测性能;我们将该模型作为本研究的参考。
本研究建立的影像组学特征由四个小波特征、三个高斯拉普拉斯(LoG)特征和一个形状特征组成,表现出良好的性能。8个所选特征中有7个是深层特征。这与深层特征反映高阶成像模式、比低阶形状、强度和纹理特征能捕捉更多成像异质性的事实一致。近期针对肝脏和肠道等其他器官的研究已显示组织纤维化与影像组学特征之间可能存在相关性[26, 27],因此有理由假设本研究所构建的影像组学特征可能反映胆管上皮的纤维化[28]。然而,生成一幅涵盖影像组学异质性和胆管慢性炎症病理特征(如充血、水肿、炎性浸润)的图谱仍具有挑战性,需要进一步研究。
高维特征可能增加过拟合的可能性[29]。尽管从T2WI中提取了1223个影像组学特征,但仅提取了1060个用于进一步的特征选择,因为它们被证明具有良好的组内和组间相关系数。首先,采用方差分析(ANOVA)检验优化特征集。然后,我们使用LASSO回归进行特征选择和建模。最后,计算Spearman相关性以排除所选特征的多重共线性。此外,我们还比较了三种常用机器学习分类器所构建的影像组学模型的性能。通过实施优秀的特征选择方法和机器学习分类器,最终影像组学模型在训练队列和验证队列中表现出相当的诊断性能,表明本研究的策略有效缓解了过拟合问题。
影像组学列线图中纳入了三项临床特征:黄疸、蛋白栓和腹水。黄疸和蛋白栓是胆管炎的公认标志物[8, 30, 31]。与既往关于急性胆管炎的研究[9, 32]不同,腹水与慢性胆管炎相关,因此被纳入诊断模型。这种差异反映了本研究关注慢性胆管炎而既往研究关注急性胆管炎的不同侧重点。然而,腹水与慢性胆管炎相关的原因有待未来进一步研究。
联合模型的敏感度和准确率(分别为0.882和0.814)高于临床模型。验证队列中ROC曲线下AUC为0.858。校准曲线显示预测值与实际结局之间具有良好的一致性。此外,DCA结果显示,在不同阈值概率下,联合模型比临床模型具有更多的净获益。
所提出的列线图可辅助个体化术前风险评估,这可能有助于外科医生为疑似慢性胆管炎风险较高的患者选择合理的手术方式。此外,对这些患者术后应进行更积极的随访以预防术后并发症。因此,使用基于MRI的影像组学列线图可被视为一种有前景的辅助工具,用于术前预测PBM患儿的慢性胆管炎风险。
本研究存在若干关键局限性。首先,由于研究的回顾性性质,结果易受多种偏倚影响。其次,影像组学特征仅限于T2加权MRI图像。多参数MRI(包括增强MR图像)是否更有用尚不清楚。第三,胆总管囊肿的正式病理分类尚未很好建立;因此,我们无法详细检查慢性胆管炎严重程度与PBM患者治疗及预后之间的关系[33]。最后,ROI的手动分割耗时,且可能因部分容积效应而引入显著偏倚。
总之,结合关键临床变量和影像组学特征的模型有助于PBM儿童慢性胆管炎的诊断。本研究结果还表明,有可能将复杂的影像组学特征简化为单一的Rad-score以用于日常实践。
补充信息
附加文件1。关于图像采集、图像分割、特征提取的补充材料及附加图。
引用
- Yang, Zhang, Zhao, et al. Development of a simplified model and nomogram in preoperative diagnosis of pediatric chronic cholangitis with pancreaticobiliary maljunction using clinical variables and MRI radiomics. Insights Imaging. 2023. PMID: 36882647. doi:10.1186/s13244-023-01383-z
- 全文:PMC9992494(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9992494/
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。