| 杂志 | Journal of Magnetic Resonance Imaging |
| 分区 | 2区 |
| IF | 5.119 |
| 发表时间 | 2022.10.27 |
研究对象（P）：膀胱癌患者342例
预后模型（I/C）：从T2WI、DWI和DCE图像中提取影像组学特征。采用递归特征消除、Pearson相关系数、逻辑回归、最小绝对收缩和选择算子( Lasso )回归分析、5折交叉验证筛选特征并构建影像组学模型。收集临床数据，构建临床模型和影像组学-临床列线图。
结局指标（O）：膀胱癌的肌层浸润
研究类型（S）：回顾性队列研究，诊断预测类型
研究目的：探讨基于多序列、多区域的MR影像组学-临床列线图评估膀胱癌肌层侵犯的价值
协变量（Z）：性别、年龄、吸烟、血尿、血尿持续时间、尿频、尿频、尿急、尿痛、排尿困难、下腰背痛、膀胱排空不完全、尿失禁、BMI值、血清总胆固醇、甘油三脂、高密度脂蛋白、低密度脂蛋白、ADC最小值、肿瘤最大直径、存在肿瘤柄、基于MRI的TNM分期。ADC值可以反应肿瘤实质的恶性程度，且与细胞增殖标志物Ki-67相关，提示膀胱癌具有侵袭性和增殖潜力；ADC最小值的区域对应于决定肿瘤临床侵袭性的细胞高密度区域[1]
临床问题：膀胱癌是男性第四大常见肿瘤，通常分为非肌层浸润膀胱癌（NMIBC)和肌层浸润膀胱癌（MIBC）。MIBC患者，通常建议行根治性膀胱切除术( RC )，且术后5年总生存率低于50 %。膀胱镜检查或经尿道膀胱肿瘤电切术( TURBT )后的组织病理学活检被认为是诊断膀胱癌的金标准。然而，既往研究显示，34 % - 53 %的MIBC被误诊，这会影响手术方式的选择，进而导致疾病进展。目前方法不足：MRI提供了良好的软组织对比度，但T2WI评估膀胱癌肌层浸润的准确率仅为64.7 % ~ 83 %。本文解决方式：应用基于多序列、多区域的MRI影像组学列线图评估膀胱癌的肌层侵犯的。
➀ MRI图像获取（包括T2WI、DWI、ADC、增强动脉期、静脉期、延迟期）➂ 特征提取（包括形态特征、一阶特征、纹理特征、小波特征）➄ 模型构建与分析（影像组学联合临床影像学模型列线图、DCA曲线）◐经尿道膀胱癌切除术后或根治性膀胱切除术( RC )术后病理证实为膀胱癌◐MRI图像包括T2WI、DWI、表观扩散系数( ADC )及DCE年龄：不限制，本文病例年龄为23~89岁（66±11岁）
性别：男性303人，女性39人
疾病状态：膀胱癌
治疗方案：手术切除
诊断标准：病理诊断
影像设备：MRI
扫描序列：T2WI、DWI、DCE（动脉期、静脉期、延迟期）
靶区：膀胱癌瘤体及其临近肌层
影像检查时间点：术前20天内
层厚：4mm
对比剂：钆特酸葡胺（gadoteric acid meglumine (Heng Rui Company, China)），以0.2mmol/kg、2.5ml/s速率静脉注射
膀胱癌有无肌层浸润
最终，共纳入自2018年1月1日至2021年8月22日共342名患者，分为训练集239例，验证集68例、测试集35例。
感兴趣区域ROI的图像分割由两名分别具有5年和12年诊断经验的放射科医生在不知道病理结果的情况下，使用ITK-SNAP软件在T2WI、DWI、ADC、DCE（包括动脉期、静脉期和延迟期）轴位图像上逐层手动勾画膀胱肿瘤全瘤、瘤体、肌层。出现多个病灶时选择最大的一个。
具体勾画方法为：T2WI图像，在勾画全瘤时，沿着稍高信号肿瘤的边缘，包括邻近的肌层结构；瘤体部分为略高信号膀胱肿瘤(排除肿瘤柄（tumor stalk）、血管和坏死区域)的边界；肌层部分是与膀胱肿瘤密切相关的低信号区。
tumor stalk在MRI上被定义为从膀胱壁延伸到肿瘤中心的结构，其信号强度与肿瘤的信号强度不同[2]
工具：Pyradiomics包 （基于Python 3.6）特征类型：107个影像组学特征从原始图像中提取，包括18个一阶特征、24个灰度共生矩阵( GLCM )、14个灰度相关矩阵( GLDM )，16个灰度游程长度矩阵( GLRLM )，16个灰度大小区域矩阵( GLSZM )，5个相邻灰度差异矩阵( NGTDM )特征，14个形状特征(仅从原始图像中提取)；93个影像组学特征分别源于指数、对数、平方和平方根转换以及分别基于HHH、HHL、HLH、HLL、LHH、LHL、LLH和LLL提取（小波变换）；膀胱肿瘤在6个序列共提取7896个影像组学特征，3个不同区域共提取23688个影像组学特征。数据预处理：采用合成少数类过采样技术( SMOTE )方法进行正负样本平衡。对ICC>0.75的特征进行单因素分析，选择P < 0.05的特征，使用均值对不同特征进行标准化处理。
在第一次勾画的30天后，由放射科医师( Y.L. ,具有6年体部MR诊断经验)对随机选取的30例患者的膀胱肿瘤VOI进行重新分割，评估观察者内及观察者间勾画图像特征的组内相关系数( ICC )。✪ 对剩下的特征进行单变量分析，选择P < 0.05的特征，后使用均值对不同特征进行标准化处理。✪ 计算特征间的Pearson相关系数( PCC )：当系数> 0.99时，随机剔除其中一个特征。✪ 使用递归特征消除( RFE )方法筛选剩余特征。✪ 采用最小绝对收缩和选择算子( Lasso )算法结合5折交叉验，从膀胱癌全瘤、瘤体和肌层三个区域分别选出最佳影像组学特征构成影像组学评分模型的特征子集。最终，来自三个区域的43个最优影像组学特征构成了影像组学模型的最优特征子集。影像组学模型：使用多因素logistic回归后，取赤池信息量( Akaike information content，AIC )值最低时的最优特征子集，并建立影像组学评分模型。当该模型训练集中Youden指数达到最高点时，影像组学评分的阈值表明膀胱是否已经扩散到肌层。将训练好的模型应用于验证集，最终选择受试者工作曲线( ROC )曲线下面积( AUC )最佳的模型进行测试。根据AIC准则，当AIC = 164.4时取得最低值，9个最优特征构成影像组学评分模型（表2）。
临床模型：对收集的临床数据进单因素加多因素分析，选择MIBC组与NMIBC组之间比较具有统计学差异的变量（p<0.05），作为临床独立危险因素，建立临床模型。最终筛选出术前排尿困难、高密度脂蛋白、最小ADC值、最大肿瘤体积、MRI图像判断有无肿瘤蒂作为临床独立危险因素（表3）。影像组学-临床列线图：取影像组学评分和临床独立危险因素进行Logistic回归，形成影像组学临床列线图，并使用校准曲线Hosmer - Lemeshow检验对影像组学-临床列线图进行校准。根据AIC准则，当AIC = 135.4时取得最小值，该模型包括4个临床独立危险因素(术前排尿困难、高密度脂蛋白、最小ADC值、MRI图像判断有无肿瘤柄)。
图4中展示了在影像组学模型、临床模型和影像组学-临床列线图分别在训练集、验证集和测试集中预测膀胱癌肌层浸润的 ROC曲线。结果显示：在训练集中（a），影像组学评分模型、临床模型和影像组学-临床列线图的AUC值分别为0.933、0.876和0.955；在验证集中（b），影像组学评分模型、临床模型、影像组学-临床列线图的AUC值分别为0.913、0.859、0.922；在测试集中（c），影像组学评分模型、临床模型、影像组学-临床列线图的AUC值分别为0.931、0.824、0.935。 图5a为影像组学-临床列线图；图5b-d为列线图在训练集、验证集和测试集的校准曲线。结果显示：（a）列线图包含影像组学评分、MRI图像判断有无肿瘤柄、最小ADC值、术前排尿困难、高密度脂蛋白5个变量；（b）经过Hosmer - Lemeshow检验，列线图在训练集、验证集和测试集的校准曲线的P值分别为0.447、0.965和0.798。
图6展示了影像组学模型、临床模型、影像组学-临床列线图3种模型的决策曲线。结果显示：与临床模型相比，影像组学-临床列线图和影像组学模型可以更好地评估术前膀胱癌肌层侵犯。本研究探讨了不同肿瘤区域与MRI序列之间的影像组学特征对术前预测膀胱癌肌层浸润的影响。
影像组学评分模型由9个影像组学特征组成，其中5个特征来自全瘤，3个来自瘤体，1个来自肌层：从全瘤影像组学特征中可以同时获得膀胱肿瘤及周围软组织的影像信息，这提示我们应该关注膀胱肿瘤周围软组织以及微环境的变化；瘤体影像组学特征可以显示膀胱肿瘤本身的影像信息，反映其异质性；同时包含肌层影像组学特征，表明其对预测膀胱癌肌层浸润也具有重要意义，但其在勾画过程中对研究者经验和设备要求较高，在最终模型中所占比例较小。
在之前的一项研究中，将肿瘤边缘扩大5mm作为膀胱肿瘤的基底部分，最终得出肿瘤基底部分的特征对预测肌层侵犯有重要作用，与本研究结论一致[3]。
本文基于多序列-多区域MRI图像，构建影像组学模型，以及联合临床独立危险因素构建列线图，在术前预测膀胱癌有无肌层侵犯展现了优秀的预测能力。这是一篇于2022年10月发表于Journal of Magnetic Resonance Imaging上的文章。JMR作为影像学领域的经典期刊，其刊载的文章质量都是有相当保证的。这篇文章研究思路清晰，流程完整，其中不乏有可借鉴学习的亮点：本研究对膀胱肿瘤进行了多区域，即全瘤、瘤体以及临近肌层进行图像分割。先前研究更多进行单区域研究；即便有多区域研究，其取自动外扩5mm作为膀胱肿瘤基底层[2],本研究手动勾画肌层能够更精准地定位，模型的预测效能更佳；
本研究提取的影像组学特征还包括指数、对数、平方、平方根以及小波变换后的特征，这可能提供更多的潜在信息； 运用了多个步骤筛选海量影像组学特征构建模型，每个步骤逐层递进，兼具科学性、可解释性和合理性，最终筛选出最优特征子集； 本研究纳入的临床变量完整、详细，且最后得到的独立危险因素包含临床症状、MRI影像学征象和血清学指标，信息多维全面，且均有文献论证其科学性，提高了列线图的预测效能，具有临床实用性；
本研究为单中心、单扫描仪、单场强回顾性研究，存在选择偏倚，模型的泛化能力需进一步验证； 本研究中正负样本数据存在较大差异，虽然采用SMOTE方法对正负样本进行平衡，但仍可能影响最终结果； 手动勾画每个肿瘤区域的VOI，工作量大，且具有一定主观判断； 本研究未纳入VI - RADS评分系统、临床尿细胞学检查及相关基因信息；最后作者提出未来将纳入大量多中心数据，采用自动分割技术辅助病灶勾画，增加更多有意义的临床指标，这也是我们值得思考和借鉴的。本研究运用多序列-多区域MRI影像组学模型可有效术前评估膀胱癌肌层浸润状态，且影像组学-临床列线图的性能有进一步提高。该文章研究思路清晰、流程详细完整，兼具可重复的套路和创新点，是一篇很值得我们借鉴和参考的文章！
好啦，本期的文献分享就到这里啦！影像组学研究如果能够做到流程科学完整、同时结合具有临床意义的各种因素，相信其能对临床实践意义做出更多的贡献！影像组学研究还在不断发展，我们也不能停下学习的脚步！继续跟紧君莲数据库的平鑫而论专栏，我们下期再见~~
参考文献
[1] Kobayashi S, Koga F, Kajino K, Yoshita S, Ishii C, Tanaka H, Saito K, Masuda H, Fujii Y, Yamada T, Kihara K. Apparent diffusion coefficient value reflects invasive and proliferative potential of bladder cancer. J Magn Reson Imaging. 2014 Jan;39(1):172-8. doi: 10.1002/jmri.24148. Epub 2013 Apr 15. PMID: 23589321.
[2] Saito W, Amanuma M, Tanaka J, Heshiki A. Histopathological analysis of a bladder cancer stalk observed on MRI. Magn Reson Imaging. 2000 May;18(4):411-5. doi: 10.1016/s0730-725x(00)00124-7. PMID: 10788718.
[3] Zheng J, Kong J, Wu S, Li Y, Cai J, Yu H, Xie W, Qin H, Wu Z, Huang J, Lin T. Development of a noninvasive tool to preoperatively evaluate the muscular invasiveness of bladder cancer using a radiomics approach. Cancer. 2019 Dec 15;125(24):4388-4398. doi: 10.1002/cncr.32490. Epub 2019 Aug 30. PMID: 31469418.
