普美显增强MRI中多种定量参数及纹理特征在评估肝胆期乏血供低信号结节进展风险中的价值

《Oncology and Translational Medicine》:The value of multiple quantitative parameters and texture features on EOB-MRI for assessing the risk of progression of hypovascular, low-signal nodules on the hepatobiliary phase

【字体: 大 中 小 】 时间:2026年10月14日 来源:Oncology and Translational Medicine

编辑推荐:

   背景:肝胆期(HBP)的低血管低信号结节(HHNs)在临床实践中带来诊断挑战。本研究旨在探讨钆喷苯甲二乙三醇五乙酸(Gd-EOB-DTPA)增强磁共振成像衍生的多种定量参数和纹理特征在评估HBP上HHNs进展风险方面的预测价值。方法:回顾性分析了42例患者共61个病灶在本机构

  

背景:肝胆期(HBP)的低血管低信号结节(HHNs)在临床实践中带来诊断挑战。本研究旨在探讨钆喷苯甲二乙三醇五乙酸(Gd-EOB-DTPA)增强磁共振成像衍生的多种定量参数和纹理特征在评估HBP上HHNs进展风险方面的预测价值。方法:回顾性分析了42例患者共61个病灶在本机构接受Gd-EOB-DTPA增强磁共振成像的数据。根据随访期间的影像学变化,将病灶分为稳定组(25例患者,38个病灶)和不稳定组(17例患者,23个病灶)。评估了基线和随访的影像学特征。在T1加权成像、T2加权成像和HBP图像上测量了HHNs和正常肝实质的信号强度。计算了HBP上的瘤肝对比增强比(CER)、相对强度比(RIR)和增强比(ER)。利用基线扩散加权成像测量病灶和竖脊肌的平均表观扩散系数(ADC)值,并计算对比比。使用三维Slicer勾画病灶并提取纹理特征。通过逻辑回归和Mann-Whitney U检验选择最佳纹理特征,并使用受试者工作特征曲线分析评估其对HHN稳定性的预测性能。最后,构建了结合所选定量参数和纹理特征的联合模型,以进一步验证HBP上HHN进展的预测因子。结果:不稳定HHNs的T2加权成像信号强度高于稳定HHNs,平均ADC和对比比(CR)ADC值低于稳定HHNs(p < 0.05)。CERHBP、RIRHBP、ERHBP、平均ADC和CRADC显示出预测性能,受试者工作特征曲线下面积(AUC)值范围为0.733至0.781。纹理分析显示3个特征存在显著差异(原始一阶矩峰度、小波低高低灰度共生矩阵最大相关系数和小波低高低灰度尺度区域矩阵小面积低灰度强调)(p < 0.05)。原始一阶矩峰度的AUC为0.716,敏感度为62.9%,特异度为76.9%。结合CERHBP、平均ADC和峰度的联合模型预测HHN进展的AUC达到0.896。结论:定量参数(CERHBP、RIRHBP、ERHBP、ADC和CRADC)和纹理特征是HHN进展的有效预测因子。将这些指标结合起来可进一步提高预测性能,支持对HBP上HHNs进行风险分层。

1. 引言
肝细胞癌(HCC)是全球最常见的恶性肿瘤之一,在全球癌症发病率中排名第六,癌症相关死亡率中排名第三。早期HCC通常无症状,在肝硬化患者中区分HCC与肝硬化结节具有挑战性。因此,临床实践中治疗的HCC病例大多在中期或晚期才被诊断,[1] 五年生存率仅为12.1%。[2] 然而,早期HCC经过治愈性治疗后五年生存率可达70%。[3] 因此,HCC的早期诊断和治疗对于改善治疗 outcomes 和患者预后至关重要。

钆喷苯甲二乙三醇五乙酸(Gd-EOB-DTPA,以下简称EOB)是一种用于磁共振成像(MRI)的肝细胞特异性对比剂。与常规对比剂相比,EOB在检测HCC方面具有更高的敏感性。[4,5] 然而,早期HCC(eHCCs)和某些不典型增生结节(DNs)仍然难以区分。由于动脉血供不完全以及有机阴离子转运多肽1B1/B3表达降低,这些结节在动脉期常表现为等或低信号,在肝胆期表现为低信号。[6] 此类结节在HBP上被定义为低血管低信号结节(HHNs)。[7] 由于这些结节通常较小,活检取样往往困难,组织病理学诊断可能不明确。因此,根据EOB-MRI发现评估其进展风险对于指导治疗决策至关重要。

近期研究[7]发现,T2加权成像(T2WI)和扩散加权成像(DWI)上的高信号强度(SI)等影像学特征与HBP上HHNs的富血供转化相关。然而,由于大多数HHNs体积较小,主观视觉评估通常缺乏足够的敏感性来检测信号强度的细微变化,导致误读和漏诊。多参数定量分析提供客观测量,有助于克服这些局限性。[8] 纹理分析通过提取数百至数千个人眼无法察觉的定量特征,对图像内的灰度分布、像素关系和空间特征进行定量评估。这些特征为病灶异质性提供了客观表征。[9,10] 通过揭示HHNs的潜在微观结构特征,纹理分析补充了常规多参数MRI,对预测HBP上HHNs的进展风险和评估疾病进展具有重要价值。本研究旨在利用EOB-MRI衍生的定量参数和纹理分析评估一组HHNs的进展风险,确定与进展相关的预测因子,并建立风险分层方法,从而为HBP上HHNs的精准干预提供有效的评估方法。

2. 方法

2.1. 病例选择及纳入排除标准
回顾性分析了2018年1月至2022年1月在山东大学齐鲁医院(中国济南)接受Gd-EOB-DTPA增强MRI并随访的患者的影像学数据。初始初步筛选出1715个病灶,这些病灶在HBP上相对周围肝实质呈低信号,在动脉期呈等或低信号。随后,根据增强MRI发现和T2WI特征排除了433例血管瘤和囊肿。应用纳入排除标准后,共纳入42例患者61个病灶,如图1所示。

图1. 病例纳入、排除和最终分组的流程图。HHN:低血管低信号结节;EOB-MRI,钆塞酸增强磁共振成像。

纳入标准如下:(1) 结节大小>5 mm且≤3 cm;[11] (2) 随访时间至少3个月,最长随访期为3.5年。随访终点为病灶的影像学进展,定义为动脉期增强和/或结节直径增加≥2 mm。[12]

排除标准如下:(1) 两次EOB-MRI检查之间接受局部治疗;(2) MRI随访方案不规律或随访不完整;(3) 随访MRI未使用Gd-EOB-DTPA增强;(4) MRI图像质量差,无法进行图像评估。

纳入本研究的42例患者中,35例为男性,7例为女性,年龄范围为39至79岁(平均年龄56.4 ± 6.8岁)。所有患者均为肝硬化,Child-Pugh分级为B级。根据随访期间是否出现动脉期增强或结节直径增加≥2 mm,将HBP上的HHNs按病灶水平分为不稳定组(17例患者,23个病灶)和稳定组(25例患者,38个病灶)。患者入组流程图见图1。本研究按照《赫尔辛基宣言》进行,并获得了山东大学齐鲁医院机构伦理委员会的批准(编号:2021(234);日期:2021年3月15日)。由于本研究为回顾性研究,机构伦理委员会免除了知情同意的要求。

2.2. MR图像采集
所有患者均被要求在检查前禁食6至8小时。MRI使用3.0 T扫描仪(Signa EXCITE II [GE Healthcare, 美国威斯康星州沃基肖])进行,并使用Primovist [拜耳公司, 德国柏林]作为对比剂,患者取仰卧位。图像采集前进行呼吸训练。扫描方案包括T1加权成像(T1WI)、T2WI、脂肪抑制T2WI、DWI和肝脏三维(3D)容积插值快速破坏梯度回波序列。扫描参数如下:轴位T2WI和脂肪抑制T2WI,重复时间(TR)/回波时间(TE)6315.79–7058.82/87.37–90.54 ms,矩阵320 × 160–320 × 224,视野39 × 39–41 × 41 cm,层厚6 mm,层间距8 mm,激励次数2–3,接收带宽325.508 Hz/像素;DWI,b值为0和1000 s/mm2,TR/TE 7058.82–9000/67.3–68 ms,矩阵128 × 128,视野39 × 39–41 × 41 cm,层厚6–7 mm,层间距8–9 mm,激励次数4,接收带宽1953.12 Hz/像素;动态增强肝脏3D容积插值快速破坏梯度回波,TR/TE 3.568–3.664/1.536–1.676 ms,翻转角15°,矩阵320 × 256,视野38 × 38–44 × 44 cm,层厚5–6 mm,重建层间距2.5–3 mm,激励次数0.70–0.714,接收带宽325.508 Hz/像素。

动态增强成像剂为Gd-EOB-DTPA(Primovist,拜耳医疗有限公司,德国),通过肘正中静脉以0.1 mL/kg剂量和2 mL/s注射速率进行静脉团注。对比剂注射后,立即以相同注射速率用20 mL生理盐水冲洗静脉通路。成像方案包括动脉期(35秒)、门脉期(60–70秒)、平衡期(120秒)和HBP(Gd-EOB-DTPA注射后10–15分钟)。

所有图像分析均使用影像归档和通信系统及MR后处理工作站进行。两位高级放射科医师在不知晓患者临床信息和最终诊断的情况下独立阅片。他们评估了病灶的基线和随访影像学特征,并确定每个病灶是稳定还是进展。在有分歧的情况下,由首席放射科医师确定最终分类。

2.3. 定量参数采集
对基线MR图像手动评估以下参数:(1) 结节大小(在HBP图像上测量结节的最大直径);(2) 病灶在T1WI和T2WI上相对周围肝实质的信号强度(分为低、等或高信号);(3) 病灶在DWI上相对周围肝实质的信号强度(分为等或高信号);(4) 是否存在病灶内脂质成分(通过是否反相位T1WI信号强度低于同相位T1WI来判断);(5) 病灶在门脉期或延迟期是否相对周围肝实质呈低信号。

定量影像参数的测量方法如下。在T2WI、T1WI和HBP图像上,在每个图像的对应解剖位置放置一个圆形感兴趣区(ROI),在病灶最大直径层面获取测量值。ROI应尽量完整地包含病灶而不超出其边界。当病灶边界不清晰或两位放射科医师独立勾画的ROI差异超过5%时,由首席放射科医师确定最终ROI边界。周围肝实质的ROI放置在距病灶边缘1至5 cm处,标准化面积为2 cm2,尽可能避免血管、胆管和伪影。ROI勾画方法如图2所示。

图2. 基线影像数据定量参数的测量方法。基线MR图像上信号强度测量的代表性感兴趣区放置。在(A) T1加权成像(T1WI)、(B) T2加权成像(T2WI)和(C) 肝胆期(HBP)图像上病灶最大直径层面的对应解剖位置放置感兴趣区。一个感兴趣区用于包含HHN而不超出其边界,另一个2 cm2的感兴趣区放置在距病灶边缘1至5 cm的周围肝实质中,同时避免血管、胆管和伪影。HHN,低血管低信号结节;ROI,感兴趣区。

测量的参数包括病灶的SI和病灶周围肝实质的SI。每个参数测量3次,计算平均值。每个参数的最终值定义为两位放射科医师独立测量所得值的平均值。

HBP上的瘤肝对比增强比(CER)计算如下:CERHBP = (SIHBP 病灶 ? SIT1WI 病灶)/SIT1WI 病灶。HBP上的相对强度比(RIR)计算如下:RIRHBP = SIHBP 病灶/SIHBP 肝。HBP上的增强比(ER)计算如下:ERHBP = (SIHBP 病灶 ? SIT1WI 病灶)/SIT1WI 肝。在DWI上测量病灶和竖脊肌的平均表观扩散系数(ADC)值,对比比计算如下:对比比(CR)ADC = ADC病灶/ADC竖脊肌。

2.4. 纹理特征提取
两位放射科医师使用3D Slicer在患者基线图像上勾画ROI。ROI勾画后,由首席放射科医师对分割结果进行审阅。

如果两位放射科医师勾画的感兴趣区域(ROI)之间的差异超过5%,则最终ROI边界由主任放射科医师确定。在ROI勾画完成后,共提取了851个影像组学特征,包括18个一阶特征(例如:均值、能量、熵、最大值和最小值);14个形状特征(例如:表面积、体积和细长度);75个纹理特征,包括灰度大小区域矩阵、灰度共生矩阵和灰度游程长度矩阵特征;以及744个小波特征,包括小波-低-低-低、小波-高-高-高、小波-低-低-高和小波-低-高-低(LHL)。

在进行最小绝对收缩和选择算子(LASSO)回归之前,对影像组学特征矩阵进行了预处理。对所有肝胆期(HBP)图像和ROI掩膜进行了完整性与一致性目视检查,包括病灶覆盖情况、掩膜与图像的对齐情况以及是否存在明显的运动或重建伪影。由于影像组学特征是从采用相同机构MRI方案采集的HBP图像中提取的,因此特征提取在原图像空间中进行,未进行额外的图像重采样。连续型影像组学特征使用Z分数标准化进行归一化,以最小化特征尺度差异。在模型构建前,识别并排除了具有缺失、无限或零方差值的特征。随后使用glmnet软件包进行LASSO回归,设置set.seed(8)和family = "binomial",并通过交叉验证选择最优惩罚参数。lambda.min标准保留了34个影像组学特征,随后使用Mann-Whitney U检验对稳定与不稳定结节间这些特征进行了比较。

为减少特征冗余,使用LASSO回归进行特征筛选。保留了对结局具有更高预测价值的变量,并估计其对应的回归系数以构建预测模型。在模型拟合过程中应用LASSO正则化以减少过拟合并提高模型性能。在本研究中,使用glmnet软件包基于影像组学特征构建模型,参数设置为set.seed(8)和family = "binomial"。对筛选出的特征使用Mann-Whitney U检验比较稳定组与不稳定结节组之间的差异。在两组间差异具有统计学意义的纹理特征和定量参数被纳入多因素二元logistic回归模型作为协变量,以识别HBP上HHN进展的独立预测因子。随后,使用logistic回归模型中保留协变量的回归系数(β)构建HBP上HHN进展的联合预测模型。

2.5. 统计分析

所有统计分析均使用IBM SPSS Statistics软件(IBM Corp., Armonk, 纽约, 美国)进行。内部验证、校准分析和决策曲线分析(DCA)使用R软件(R Foundation for Statistical Computing, Vienna, Austria)进行。组内相关系数(ICC)用于评估连续变量的观察者间一致性。ICC ≥ 0.75被认为表示良好的一致性,后续分析采用两位观察者的测量均值。Cohen's kappa系数用于评估分类变量的观察者间一致性。κ值 > 0.60被认为表示良好的一致性。分类变量以计数和百分比表示,组间比较使用卡方检验。使用Shapiro-Wilk检验评估连续变量的正态性。正态分布变量以均值 ± 标准差表示,使用独立样本t检验进行比较。非正态分布变量以中位数(四分位间距)表示,使用Wilcoxon秩和检验进行比较。p值 < 0.05被认为具有统计学意义。使用Kaplan-Meier方法分析HBP上HHN的累积进展率。使用单因素和多因素二元logistic回归模型识别与HHN进展相关的危险因素。构建受试者工作特征(ROC)曲线并计算曲线下面积(AUC)。确定最佳截断值,并使用其敏感性和特异性评估其预测性能。

使用1,000次Bootstrap重采样对联合预测模型进行内部验证。对于每次Bootstrap样本,使用与联合模型相同的协变量重新拟合logistic回归模型,并分别计算Bootstrap样本和原始队列的AUC。乐观度估计为Bootstrap与原始队列AUC之间差异的均值,通过将估计的乐观度从表观AUC中减去得到乐观度校正AUC。

使用Hosmer-Lemeshow拟合优度检验和校准曲线评估联合预测模型的校准性能。对于图形化校准,根据预测概率将病灶分为5个分位数,并为每个分位数绘制平均预测概率和观察事件率。通过计算一系列阈值概率范围内的净获益进行DCA,以评估联合模型的临床实用性。

3. 结果

3.1. 随访数据和结节进展

所有HBP上HHN的随访时间为90至1,098天,中位随访时间为407(163–518)天。在随访期间,17例患者的23个结节(37.7%)在随访90–734天后出现进展。在这些结节中,7个增大,7个出现动脉期强化,9个既增大又出现动脉期强化。1年、2年和3年的累积进展概率分别为22.3%、36.0%和37.7%,中位进展时间为251(143–506)天(图3)。相比之下,25例患者的38个结节(62.3%)在整个随访期间保持稳定,中位随访时间为408(170–595)天。

图3. HBP上HHN的累积进展率。HHN,低血供低信号结节;HBP,肝胆期。

3.2. 基线影像特征与结节稳定性分析

两位放射科医师之间的观察者间一致性良好。基线病灶直径测量的ICC为0.89,T1WI、T2WI、DWI和门静脉期或延迟期图像上病灶信号强度评估的κ值范围为0.71至0.78。不稳定组的基线结节大小范围为0.58至2.80 cm,均值为1.36 ± 0.54 cm,而稳定组的范围为0.52至2.80 cm,均值为1.29 ± 0.53 cm。两组之间无显著差异(p = 0.530)。

基线影像特征显示不稳定组与稳定组在T2WI高信号(p < 0.001)和DWI高信号(p < 0.001)方面存在显著差异。在结节直径 > 9 mm(p = 0.530)、病灶内脂肪(p = 0.638)、T1WI高信号(p = 0.508)或门静脉期或延迟期低信号(p = 0.192)方面未发现显著差异(表1)。

表1 稳定组与不稳定组基线常规MRI特征比较

影像特征 | 结节数目 | 结节性质 | p值
---|---|---|---
结节直径(cm) | 稳定组 1.29 ± 0.53 | 不稳定组 1.36 ± 0.54 | 0.639
结节直径 > 9 mm | 是 48 | 17 | 0.530
| 否 13 | 76 | |
病灶内脂肪 | 是 5 | 2 | 0.638
| 否 54 | 33 | | 21
T1WI | 高信号 12 | 9 | 0.508
| 等信号或低信号 49 | 29 | | 20
T2WI | 等信号 37 | 30 | < 0.001
| 高信号 24 | 8 | | 16
DWI | 等信号 37 | 31 | < 0.001
| 高信号 24 | 7 | | 17
门静脉期或延迟期 | 等信号 31 | 22 | 0.192
| 低信号 30 | 16 | | 14

T1WI,T1加权成像;T2WI,T2加权成像;DWI,扩散加权成像;SI,信号强度。

两位放射科医师对连续型基线影像变量的测量观察者间一致性良好,ICC值范围为0.79至0.86。不稳定组的HHN平均T2WI信号强度显著高于稳定组(p < 0.05)。相反,不稳定组的平均HBP信号强度、CERHBP、RIRHBP和ERHBP值均显著低于稳定组(p < 0.05)。稳定组中有4个结节因ADC测量存在多个异常值而被排除。因此,对不稳定组的23个结节和稳定组的34个结节的平均ADC值进行了分析。不稳定组的平均ADC值和CRADC显著低于稳定组(p < 0.05)。同样,稳定组与不稳定组之间的RIR和ER差异具有统计学意义(p < 0.05)。详细结果见表2。

表2 稳定组与不稳定组基线T2WI、HBP信号强度和ADC值定量参数比较

定量参数 | 不稳定组 | 稳定组 | p值 | Z值
---|---|---|---|---
T2WI平均信号强度 | 533.24(306.33–667.10) | 433.78(284.71–516.49) | 0.017 | ?2.381
HBP平均信号强度 | 411(336.65–507.07) | 425.64(352.07–535.67) | 0.823 | ?0.223
CERHBP | 0.45(0.28–0.50) | 0.60(0.42–0.78) | 0.002 | ?3.133
RIRHBP | 0.63(0.40–0.87) | 0.77(0.45–2.07) | 0.002 | ?3.072
ERHBP | 0.19(0.02–0.41) | 0.26(?0.07–1.94) | 0.002 | ?3.163
平均ADC值(×10?3 mm2/s) | 0.95(0.91–1.13) | 1.28(1.05–1.29) | 0.000 | ?3.481
CRADC | 0.66(0.59–0.73) | 0.82(0.71–0.91) | 0.001 | ?3.400

CERHBP =(SIHBP Les ? SIT1WI Les)/SIT1WI Les,RIRHBP = SIHBP Les/SIHBP Liv;ERHBP =(SIHBP Les ? SIT1WI Les)/SIT1WI Liv,CRADC = ADCLes/ADCerector spinae muscle。

SI,信号强度;T2WI,T2加权成像;HBP,肝胆期;ADC,表观扩散系数;CER,对比增强比;RIR,相对强度比;CR,对比比;ER,增强比。

ROC曲线分析显示,CERHBP、RIRHBP、ERHBP、平均ADC值和CRADC在预测结节稳定性方面表现良好,AUC分别为0.741(95%置信区间[CI]:0.609–0.872)、0.781(95% CI:0.662–0.901)、0.733(95% CI:0.604–0.862)、0.774(95% CI:0.639–0.908)和0.772(95% CI:0.642–0.903)。当CERHBP < 0.496时,识别不稳定结节的敏感性和特异性分别为73.7%和73.9%。当RIRHBP < 0.674时,敏感性和特异性分别为86.8%和65.2%。当ERHBP < 0.214时,敏感性和特异性分别为76.3%和65.2%。当平均ADC值 < 0.950 × 10?3 mm2/s时,敏感性和特异性分别为97.1%和52.2%。当CRADC < 0.685时,敏感性和特异性分别为88.2%和60.9%(图4)。

图4. CERHBP、平均ADC、CRADC、RIR和ER在稳定组与不稳定结节中的ROC曲线。ROC,受试者工作特征;CER,对比增强比;ADC,表观扩散系数;CR,对比比;RIR,相对强度比;ER,增强比;HBP,肝胆期。

3.3. HBP上HHN进展的预测因子

单因素二元logistic回归分析显示,T2WI高信号(p < 0.05)、DWI高信号(p < 0.05)和CERHBP(p = 0.004)是HBP上HHN进展的显著预测因子。单因素分析中p < 0.20的变量被纳入多因素二元logistic回归分析。多因素分析显示,仅CERHBP(p = 0.003,95% CI:0.000–0.090)和DWI高信号(p = 0.008,95% CI:2.014–113.810)是HBP上HHN进展的独立预测因子(表3)。

表3 HBP上HHN进展预测因子的单因素与多因素logistic回归分析

变量 | 单因素 OR(95% CI) | p值 | 多因素 OR(95% CI) | p值
---|---|---|---|---
CERHBP | 0.014(0.001–0.263) | 0.004 | 0.001(0.000–0.090) | 0.003
T1WI高信号 | 0.483(0.116–2.010) | 0.317 | — | —
T2WI高信号 | 8.571(2.629–27.95) | <0.001 | 4.205(0.478–37.000) | 0.196
DWI高信号 | 12.548 | <0.001 | 15.139(2.014–113.810) | 0.008
门静脉期或延迟期低信号 | 2.139(0.744–6.151) | 0.158 | 1.132(0.227–5.644) | 0.879
病灶内脂肪 | 0.629(0.112–3.541) | 0.599 | — | —
结节 > 9 mm | 0.640(0.185–2.12) | 0.480 | — | —

HHN,低血供低信号结节;HBP,肝胆期;OR,比值比;CI,置信区间;CER,对比增强比;T1WI,T1加权成像;SI,信号强度;T2WI,T2加权成像;DWI,扩散加权成像。

3.4. 纹理特征筛选与分析

使用LASSO回归从851个提取的影像组学特征中筛选出34个信息性特征,包括3个一阶特征、2个形状特征、1个纹理特征和28个小波特征,如图5和图6所示。随后使用Mann-Whitney U检验对筛选出的特征在稳定组与不稳定组间进行了比较。三个最优影像组学特征在两组间差异具有统计学意义:original-firstorder-Kurtosis、wavelet-LHL-glcm-maximal correlation coefficient和wavelet-LHL-gray level size zone matrix-small area low gray level emphasis,p值分别为0.004、0.046和0.012。

图5. LASSO系数图。图中上部水平轴为模型中非零系数的数目,下部水平轴为Log Lambda值(惩罚系数,控制LASSO回归的复杂性;Lambda值越大,惩罚力度越大),纵轴为系数值。当Lambda值较大时,估计参数相应地被压缩得更小,当Lambda达到一定值时,一些不重要的变量会被压缩到0,表明该变量已从模型中被剔除。LASSO,最小绝对收缩和选择算子。

图6. 交叉验证曲线。横轴为log(λ),纵轴表示交叉验证误差。在实际分析中,我们希望交叉验证误差最小化。图中虚线位置即为交叉验证误差最小的位置。找到该点后,其对应的横轴即为log(λ),特征数目显示在上方。找到最优log(λ)值后,可在图5中找到对应的特征用于后续分析。从上图中可以看到有两条虚线。

我们通常选择左侧虚线所对应的参数,该参数称为 lambda.min,在上方图中其值为34,表示可保留34个特征。在LASSO系数剖面图中,上水平轴表示模型中非零系数的数量,下水平轴表示log(λ)值。正则化参数λ控制LASSO模型的复杂度,λ值越大对应的惩罚越强。随着λ值增大,回归系数的估计值逐渐被压缩向零。当λ达到足够大的值时,信息量较少的变量的系数变为零,表示这些变量已被排除在模型之外。

水平轴表示log(λ),纵轴表示交叉验证误差。最佳模型通过最小化交叉验证误差确定。图中虚线表示对应最小交叉验证误差的log(λ)值。每个log(λ)值对应的保留特征数显示在上水平轴上。一旦确定最佳log(λ)值,即可从图5确定相应的保留特征用于后续分析。如图所示,存在2条虚线。左侧虚线对应lambda.min,通常选择该值是因为其可获得最小交叉验证误差。本研究lambda.min保留了34个放射学特征。

3个最佳放射学特征进一步使用单变量和多变量二元Logistic回归分析进行评估。结果显示,仅original-firstorder-Kurtosis(原始一阶-峰度)在HBP上仍是HHN进展的独立预测因子(表4)。ROC曲线分析显示,original-firstorder-Kurtosis在预测HHN稳定性方面表现良好,AUC为0.716,最佳临界值为2.706,敏感性为62.9%,特异性为76.9%(图7)。

表4 HBP上低信号强度结节进展预测因子的单变量与多变量Logistic回归分析

| 放射学特征 | 单变量 OR (95% CI) | p值 | 多变量 OR (95% CI) | p值 |
|---|---|---|---|---|
| Original-firstorder-Kurtosis | 0.244 (0.075–0.793) | 0.019 | 0.252 (0.74–0.860) | 0.028 |
| Wavelet-LHL-glcm-MCC | 2,941.78 (1.561–5,542,140.159) | 0.038 | 1,499.243 (0.304–7,400,032.764) | 0.092 |
| Wavelet-LHL-glszm-Small Area Low Gray Level Emphasis | 0.000 (0.000–0.159) | 0.024 | 0.001 (0.000–117.123) | 0.231 |

HBP,肝胆期;SI,信号强度;LHL,低-高-低;glcm,灰度共生矩阵;MCC,最大相关系数;glszm,灰度区域大小矩阵;OR,比值比;CI,置信区间。

图7 original-firstorder-Kurtosis用于评估HHN稳定性的ROC曲线。ROC,受试者工作特征;HHN,乏血供低信号结节。

3.5 联合预测模型的构建与性能

两组间差异具有统计学意义的定量参数,即CERHBP、平均ADC值、平均T2WI SI和放射学特征Kurtosis,被纳入多变量二元Logistic回归模型作为协变量。多变量分析显示CERHBP、平均ADC值和放射学特征Kurtosis与HBP上HHN进展显著相关(表5)。基于纳入多变量Logistic回归模型的所有协变量的回归系数,联合预测方程构建如下:

表5 定量参数与纹理特征的二元Logistic回归

| 协变量 | β | Wald χ2 | p | OR | 95% CI |
|---|---|---|---|---|---|
| CERHBP | ?6.685 | 9.116 | 0.003 | 0.001 | 0.000–0.096 |
| 平均ADC值 | ?0.007 | 8.178 | 0.004 | 0.993 | 0.988–0.998 |
| T2WI平均SI | 0.001 | 0.113 | 0.736 | 1.001 | 0.997–1.004 |
| 纹理特征Kurtosis | ?1.729 | 4.003 | 0.045 | 0.177 | 0.033–0.965 |
| 常数项 | 15.356 | 10.678 | 0.001 | 4,668,033.146 | — |

OR,比值比;CI,置信区间;CER,强化对比比值;ADC,表观扩散系数;SI,信号强度;T2WI,T2加权成像。

L = 15.356 ? 6.685 × CERHBP ? 0.007 × 平均ADC值 + 0.001 × 平均T2WI SI ? 1.729 × 纹理特征Kurtosis。

该方程应用于每个病灶以计算联合预测评分,随后进行ROC曲线分析。联合预测模型在预测HBP上HHN进展方面表现优异,AUC为0.896,最佳临界值为0.364,敏感性为91.3%,特异性为82.4%(图8)。使用1000次bootstrap重采样进行内部验证显示,联合模型保持了良好的判别性能,乐观校正后AUC为0.870。

图8 定量参数与纹理特征联合模型预测HBP上HHN进展的ROC曲线。ROC,受试者工作特征;HHN,乏血供低信号结节;HBP,肝胆期。

Hosmer–Lemeshow拟合优度检验显示预测概率与观察概率之间无显著差异(χ2 = 8.758,p = 0.363),表明联合模型校准良好。五分位校准曲线显示预测风险与观察风险之间吻合良好。DCA显示,联合模型在约0.10至0.80的阈值概率范围内提供了高于全治疗和不治疗策略的净获益(图9)。

图9 联合预测模型的校准与决策曲线分析。(A) 将预测概率分组为5个分位数生成的校准曲线。(B) 显示联合模型在不同阈值概率下临床净获益的决策曲线分析。

4. 讨论

HCC是全球第六大常见恶性肿瘤,肝硬化是其最常见的潜在危险因素。从肝硬化进展至HCC发生在肝细胞癌发生的多步骤过程中。对肝硬化患者进行定期监测、及时检测癌前或恶性结节以及早期干预,对于改善HCC治疗结局至关重要。Gd-EOB-DTPA是一种肝细胞特异性MRI对比剂,可同时反映肝细胞功能和肝脏病变的血管特征。其使用提高了肝脏病变的检出率,特别是对于测量值<1 cm的病变,这一优势尤为显著。

通过HHN的随访,已证实这些结节存在富血供转变的风险。一项2017年的Meta分析显示,HHN在1年、2年和3年的累计富血供转化率为18.3%、25.2%和30.3%,总体转化率为28.2%[13]。在本研究中,61个乏血供、HBP低信号结节中有16个(26.2%)在随访90–734天后进展为富血供结节,与既往研究报道的2年富血供转化率相当。尽管其余7个结节未发生富血供改变,但它们在随访过程中直径增大>2 mm,因此也被视为进展。因此,总体进展率为37.7%,高于既往研究报道的比率。这一差异的一个可能解释是,既往研究主要关注动脉期强化的变化,而我们同时在纵向随访过程中考虑了血管性和结节大小的变化。我们认为监测病变进展应不仅包括动脉期血供的改变,还应包括病变大小的变化。在本研究中,动脉期强化增加和/或直径增大≥2 mm的病变被认为已进展。因此,随访期间直径增大>2 mm的HHN也被归类为不稳定组,这或许能够更全面地评估总体进展率。

既往研究已显示,T2WI高信号、T1WI高信号、DWI高信号、病灶内脂肪、基线结节直径>9 mm以及较快的病变生长速率是HBP上HHN进展为富血供结节的危险因素。在本研究中,单变量二元Logistic回归分析显示CERHBP、T2WI高信号和DWI高信号与HBP上乏血供、低信号结节的稳定性显著相关。然而,多变量二元Logistic回归分析显示,仅CERHBP和DWI高信号仍为HHN进展的独立预测因子。这一差异可能归因于与既往研究相比,我们在分组策略和回归分析纳入的协变量方面存在不同。具体而言,我们采用Saitoh的分组方法,将随访期间直径增大>2 mm的结节归类为不稳定组,并额外将定量参数CERHBP作为协变量纳入二元Logistic回归模型。这些发现进一步支持了CERHBP作为HBP上HHN稳定性定量预测因子的潜在价值。

肝脏影像报告和数据系统(LI-RADS)将T2WI高信号作为支持恶性的辅助特征[14]。在既往研究中,T2WI高信号也被确定为HCC的重要预测因子。肝硬化结节在随访过程中出现T2WI高信号,强烈提示恶性转化[15,16]。在本研究中,不稳定组和稳定组HHN中T2WI高信号的发生率差异显著(p < 0.001),这与既往发现一致。这些结果表明,应对表现为T2WI高信号的HHN给予特别关注,并在随访过程中仔细监测该影像特征。此外,由于高级别异型增生结节(HGDNs)和eHCC的T2WI高信号常不如典型HCC明显,可能容易遗漏。因此,当高危HCC患者中识别出HHN时,应仔细评估T2WI是否存在高信号。

既往研究报告,HBP低信号与DWI高信号的组合强烈提示HCC而非良性结节。DWI与HBP低信号的组合已被证明可有效区分HGDNs和HCC与低级别DN,以及区分HGDNs与eHCC[17]。Shin等[18]也报道,T2WI、DWI与HBP低信号的组合有助于区分具有不典型强化模式的HCC与DN。在本研究中,不稳定组和稳定组HHN中DWI高信号的发生率存在显著差异,多变量二元Logistic回归分析将DWI高信号确定为HBP上HHN进展的独立预测因子。这些发现与既往研究结果一致。因此我们推测,不稳定组中的相当一部分HHN代表HGDNs或eHCCs。尽管动脉期富血供可能尚未完全建立,但可能已存在细胞增殖和核质比增大,导致DWI信号强度升高。因此,DWI高信号可作为恶性转化的重要影像指标。

在本研究中,12个HHN表现为T1WI高信号,其中7个归因于病灶内脂肪。然而,T1WI高信号和病灶内脂肪在稳定组与不稳定组之间均无显著差异。尽管如此,本研究中出现了一个有趣的现象。尽管12个T1WI高信号HHN中仅有3个在随访期间进展,但这3个在随访期末均表现为T1WI低信号。这一发现提示肝硬化结节内积累的组织成分可能随肝细胞癌发生过程而发生变化。这也表明,先前高信号结节的T1WI信号强度下降可能与病变进展相关,因此值得在随访过程中密切关注。我们推测,本研究发现与既往研究差异可能相关的因素包括部分病例随访时间相对较短、HHN稳定性可能存在的误分类以及样本量有限。

本研究还使用ROC曲线分析评估了CERHBP、RIRHBP、ERHBP、平均ADC值和CRADC用于评估HBP上HHN稳定性的预测性能。结果显示,CERHBP < 0.496、RIRHBP < 0.674、ERHBP < 0.214、平均ADC值 < 0.950×10?3 mm2/s以及CRADC < 0.685是识别不稳定结节的有效临界值。尽管CERHBP的敏感性低于平均ADC值和CRADC,但其特异性明显高于这两个参数。Yang等[19]评估了病变生长速率对HBP上HHN富血供转化的预测性能。他们报告,0.72×10?3/day的临界值在预测富血供转化方面AUC为0.78。Saitoh等[12]随访了28例HBP上HHN患者,报道结节直径9.5 mm是预测1年内富血供转化的最佳临界值,AUC为0.745。在本研究中,定量参数CERHBP、RIRHBP、ERHBP、平均ADC值和CRADC预测HBP上HHN稳定性的AUC分别为0.741、0.781、0.733、0.774和0.772。这些数值与既往研究报告的可比,支持了定量影像参数作为HHN进展预测因子的价值。与既往研究相比,本研究的创新之处在于采用了纵向影像随访策略,而非依赖对于HBP上HHN而言技术上较具挑战性的活检。

根据动态影像变化对病灶进行分类,既评估了通过视觉判读得出的定性影像特征,也分析了多个定量影像参数。这些互补的方法为HBP上HHN进展的评估提供了更全面的依据。通过对定量参数和影像组学特征的选择分析,本研究在不稳定组和稳定组的HHN之间,识别出多个基于钆-乙酸盐二乙三醇五乙酸(Gd-EOB-DTPA)增强MRI(EOB-MRI)的定量参数和若干影像组学特征存在显著差异。此外,CERHBP、平均ADC值以及影像组学特征峰度各自均显示出对HBP上HHN稳定性的预测价值。基于上述发现,采用多因素逻辑回归模型构建了一个整合定量参数和影像组学特征的联合预测指标。结果显示,该联合预测指标的AUC显著高于任何单一预测指标,表明其在预测HBP上HHN进展方面优于单独的CERHBP、平均ADC值或峰度。定量参数和影像组学特征从互补角度刻画HHN,相比定性视觉评估,能提供更客观、可重复的信息。将这些互补特征整合到联合预测模型中,可能会提高HBP上HHN进展风险预测的准确性,并为临床决策提供更可靠的依据。在解读这些发现时,也应考虑样本量和分组情况。本研究纳入了42例患者的61个病灶,其中25例患者有38个稳定病灶,17例患者有23个不稳定病灶。由于部分患者存在多个病灶,主要统计分析在病灶层面进行。尽管稳定组和不稳定组之间的病灶分布对于一项探索性研究是可以接受的,但相对较小的样本量,尤其是不稳定组的样本量,可能限制了统计功效和回归估计的精确度。因此,所识别参数的预测价值及联合模型应进一步在更大规模的多中心队列中进行验证。加强对肝细胞癌(HCC)高危患者的监测、早期发现癌前病变并阻止其进展,对于降低HCC发生率、改善患者预后至关重要。[20]然而,目前尚无针对HBP上HHN的标准化管理策略。Cho等人[21]建议,关于积极治疗或密切影像随访的决策应根据预期生存获益进行个体化制定。Motosugi[22]提出,对HBP上HHN进展进行风险分层是一种可行的管理策略。尽管组织病理学检查通常被视为病灶定性的参考标准,但活检存在出血、感染和针道种植等风险,因此应尽量避免。Joo等人[4]证实了HHN的组织病理学特征与影像特征之间存在相关性。其研究发现,甲胎蛋白≥100 ng/mL、病灶边界清晰、T1WI上低信号强度、门静脉期低信号强度以及T2WI上中等偏高信号强度均高度提示进展期HCC。既往纵向随访研究也表明,T2WI高信号强度和DWI高信号强度是HHN进展为富血供病灶的危险因素。除确认既往发现外,本研究还评估了定量影像参数和影像组学特征。结果显示,CERHBP、平均ADC值、CRADC以及影像组学特征峰度各自均显示出对HBP上HHN进展的预测价值。更重要的是,我们构建了一个整合定量参数和影像组学特征的联合预测模型。结果显示,纳入CERHBP、平均ADC值和峰度的联合模型在预测HBP上HHN进展方面的表现优于任何单一预测指标,识别不稳定HHN的敏感度和特异度分别为91.3%和82.4%。本研究使用的定量影像参数可在常规影像判读中相对容易获取,并能提供客观、可重复的测量数据。获取这些定量参数后,可利用逻辑回归方程计算联合预测评分,通过与最佳截断值进行比较来估计HHN进展的风险。因此,我们认为,基于HBP上HHN影像特征的风险预测有助于为这些病灶选择适当的管理策略。然而,仍需进一步研究来验证这一风险分层方法并为HHN的循证管理提供支持。需要注意的是,4个稳定结节因重复ADC测量结果不一致、被认为不可靠而被排除在ADC相关分析之外。因此,涉及ADC衍生参数的分析(包括平均ADC值、CRADC及纳入平均ADC值的联合预测模型)使用的是57个结节而非全部61个结节的队列。由于4个被排除的结节均属于稳定组,其排除减少了该组在ADC相关分析中的样本量,可能略微影响了ADC相关参数估计效应量和预测性能。尽管如此,排除这些结节是为了防止不可靠的弥散测量引入偏倚。所有非ADC的影像和影像组学分析均使用完整的基线影像数据集进行。未来应开展更大规模队列并采用标准化DWI采集方案的研究,以进一步验证基于ADC的预测指标的稳健性。致谢不适用。基金资助与支持本研究获得了山东省自然科学基金资助(编号:ZR2020QH198)。资助方未参与本研究的设计,也未参与数据的收集、分析和解释,论文的撰写,以及发表结果的决策。利益冲突声明作者声明与本研究报告内容不存在利益冲突。作者贡献ZL、XL、LW和LZ负责数据收集。KZ和QQ设计整体方案。ZL和XL编辑了手稿。所有作者阅读并批准了最终稿。数据可用性声明本研究所生成和/或分析的数据集可通过向通讯作者提出合理请求获得。伦理审批本研究遵循《赫尔辛基宣言》开展,并获得了中国山东济南山东大学齐鲁医院机构伦理委员会的批准(编号:2021(234);日期:2021年3月15日)。由于本研究的回顾性性质,机构伦理委员会豁免了知情同意书的要求。人工智能声明作者声明在撰写本手稿的过程中未使用生成式人工智能。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号