Article Info

前纵隔病变类别广泛，其鉴别诊断对临床医生具一定挑战性[1]。胸腺瘤是前纵隔病变的主要组成部分，通常发生在40～70岁的成年人，罕见发生于儿童或青少年，胸腺瘤的术前早期准确诊断可以影响治疗计划并改善临床结果[2]。因此，对于胸腺瘤的术前鉴别诊断十分必要。

在临床诊断过程中，胸部增强CT扫描（Contrast Enhanced CT，CECT）为诊断前纵隔占位性病变的常规检查手段[3]，但各类前纵隔病变的CT图像特征并不特异[4]，从而为病变间的鉴别诊断带来一定难度。放射组学是指通过大量图像特征的高通量提取，将医学图像转换为可挖掘的高维数据，利用机器学习算法对高维图像特征进行分析和挖掘，来获取图像中的隐藏信息，其后续定量分析可以为临床决策提供一定支持[5-7]。近年来，其作为新兴领域，已在胶质瘤[8-9]、肾癌[10-11]、乳腺癌[12-13]、直肠癌[14-15]和肺腺癌[16-17]等各种肿瘤的诊断及分类中得到一定应用。

放射组学方法还在前纵隔病变中得到一定应用，例如对胸腺瘤分级及分期的判断[18]、区分前纵隔肿块的囊实性[19]以及评估胸腺上皮肿瘤的组织学亚型[20]。但是以上研究仅使用了定量纹理分析（Quantitative Texture Analysis,QTA），而QTA仅为放射组学的一个分支，研究的全面性仍有待提高。本文主要目的是评估静脉期胸部CECT放射组学模型是否可以对胸腺瘤及其他前纵隔病变进行鉴别。

1 材料和方法

1.1 一般资料

这项回顾性研究获得了伦理机构审查委员会的批准，所有患者均获得知情同意。选取吉林大学中日联谊医院以及吉林大学第二医院2013年2月至2018年3月收治的168例前纵隔病变患者，男72例，女96例；年龄18～86岁；平均（52±11.29）岁。非胸腺瘤患者共85例，包含胸腺囊肿33例，胸腺癌30例，血管瘤2例，淋巴结8例，胸腺残留6例，支气管囊肿5例，结核1例；平均（50.88±12.61）岁。胸腺瘤共83例，其中WHO A型14例，WHO AB型21例，WHO B1型8例，WHO B2型25例，WHO B3型15例；平均（53.24±9.55）岁。纳入标准：① 通过活检、纵隔镜检或手术获取的前纵隔病变的组织病理学诊断；② 具有相同扫描参数的优质CECT图像，用于放射组学分析；③ 患者检查前无前纵隔病变放化疗史，无手术或活检史。

1.2 CT图像获取

所行CECT由Toshiba CT扫描仪、GE Healthcare CT扫描仪完成，管电压均设为120 kVp，噪音指数分别设为13.0、11.6，重建层厚均为0.25 mm，矩阵512×512。扫描范围由肺尖至后肋膈角下缘，包含两侧腋窝及胸壁，患者吸气末扫描。以80 mL/s的速度注射80～100 mL的碘海醇造影剂，注射后60 s进行静脉期扫描。

1.3 病变勾画与分割

所有CECT图像加载至Radcloud平台。由1名具有3年以上临床经验的放射科医生在未知临床和组织学信息情况下，于各静脉期CECT图像中勾画病灶感兴趣的体积（Volume of Interest，VOI），然后由高级放射科医生（具有10年以上的临床经验）重新检查勾画病变轮廓，如果差异≥5%，则由高级放射科医生决定病变边界，见图1。

1.4 放射组学特征值提取

利用Radcloud平台，从静脉期CECT图像中提取共1029个定量成像特征，并将其分为四组：第1组（一阶统计量）包括95个特征值，这些特征用于在灰度层面描述图像；第2组（基于形状和大小的特征）由15个三维特征组成，这些特征反映了目标区域的形状和大小；第3组（纹理特征），根据灰度游程长度和灰度共现纹理矩阵计算，可以量化区域异质性差异，共包含295个特征值；第4组（高阶统计特征）包括从原始图像的小波变换得出的强度和纹理特征。最后，应用五种类型的滤波器：指数、平方、平方根、对数和小波变换（Wavelet-LLL，Wavelet-HHH，Wavelet-HLL，Wavelet-HHL，Wavelet-LLH，Wavelet-HLH，Wavelet-LHL，Wavelet-LHH）对以上特征进行进一步处理变换。

1.5 放射学特征的统计分析

所有统计分析均在Radcloud平台上进行。使用方差阈值（方差阈值=0.8），依次选择最佳K值和最小绝对收缩和选择算子（Lasso）算法以减少特征维数，选择最佳特征。随机将80%的VOI分配给训练数据集，将另外20%的VOI分配给验证数据集。研究中，使用一种监督学习分类器逻辑回归进行分类。接受者操作特性曲线（ROC曲线）分析用于评估放射组学特征的预测能力，选取灵敏性及特异性最大值作为最优阈值，并在训练和验证集中都进行特征值预测准确性的验证。工作流程如图2所示。

2 结果

2.1 放射组学特征值选择及模型构建

在使用方差阈值后，依次选择最佳K值、Lasso算法，将定量成像特征数从1029减少至646至150，最后，仅筛选出19个在胸腺瘤鉴别诊断中有显著差异的特征，包括5个一阶特征、1个形状特征，4个纹理特征和9个高阶特征。见图3～4。而后，我们使用LR作为归一化数据的特征选择分类器，构建由19个放射组学特征构成的预测模型。

使用Lasso法对放射组学特征进行降维，应用5折交叉验证方法确定最优化处选取的log（α）值为1.92，在生成的系数分布图中，在log（α）=1.92处绘制垂直线，其中最佳α得到19个非零特征值。

2.2 放射组学模型诊断性能评估

在使用LR分类器进行训练之后，图4中训练集和图6中验证集显示了19个特征模型的ROC曲线分析结果。训练集的 AUC 为 0.89（95%CI：0.69～0.94；敏感性：0.76，特异性：0.82），验证集的 AUC 为 0.85（95%CI：0.73～0.94；敏感性：0.88，特异性：0.82），显示出很好的预测能力，见表1。

3 讨论

可此研究中，我们提出了一种可以使用的基于静脉期胸部CECT图像放射组学特征模型来鉴别胸腺瘤的方法。在对量化放射组学特征进行分位数标准化之后，我们使用Logistic回归作为归一化数据的特征选择分类器，构建出由19个放射组学特征构成的预测模型。该模型具有将胸腺瘤与其他前纵隔占位性病变区分开的良好预测性能，可在一定程度上帮助建立临床治疗策略。

前纵隔病变种类多样、复杂，包括肿瘤性病变（例如胸腺瘤、胸腺癌、胸腺类癌、淋巴瘤、胸腺脂肪瘤、生殖细胞肿瘤、肺转移瘤等）或类瘤样病变（例如胸骨后甲状腺肿、胸腺囊肿、淋巴管瘤、主动脉瘤等）[21-22]等，因不同病变所采取治疗方法不同，故治疗前对胸腺瘤及其他前纵隔病变（如淋巴瘤，胸腺囊肿，胸腺癌等）进行鉴别诊断显得十分必要[2, 23-24]，本文仅对胸腺瘤单一疾病进行鉴别，后续将继续完善各类预测模型，如胸腺瘤不同WHO分型间的鉴别、不同前纵隔疾病间鉴别、胸腺瘤与血清学指标间关系等，以有效帮助手术方式及治疗方法的确定。在日常临床诊疗过程中，胸腺瘤通常通过胸部增强CT扫描进行诊断，如CT图像所示病变大小、形状（圆形、椭圆形、不规则形）、病变密度（钙化、出血、坏死、囊变）、增强后病变强化方式（明显、轻微、均匀、不均匀）、病变与周围组织（心包、肺、心脏、大血管）的关系等，还应考虑患者年龄、性别、临床症状等[25-26]。但此种鉴别方式缺乏特异性，并受到诊断医生专业水平和观察能力的限制，主观性较强，很难设定客观诊断标准。而我们提出的基于静脉期胸部CECT放射组学特征的胸腺瘤预测模型是一种客观的评估方法，有望在临床工作中广泛使用。

在临床诊断中，通常采取前纵隔病变活检、纵隔镜检查或外科手术等方法对胸腺瘤进行诊断，而这些侵入性方法难免对患者造成一定损害，此外活检仅采取部分病变标本，可能会造成诊断结果偏差[27]。随访也常用于区分胸腺瘤与前纵隔其他病变，但是对于B2型或B3型胸腺瘤等高危病变患者，不确定的随访间隔可能会导致治疗延迟[28]。通过使用本研究中介绍的放射组学预测方法，可以及时对胸腺瘤进行鉴别诊断而无需进行随访，并且避免了侵入性检查对患者的损伤。

在一些研究中，放射组学特征被分为多种特征类别[29-30]。以往研究中对前纵隔病变的研究均基于定量纹理分析，而QTA仅为放射组学分析的一个分类，在我们的研究中，不仅包括QTA分析，还包括另外三组特征（一阶统计量、基于形状和大小的特征以及高阶统计量特征）。在我们最终获得的19个最优放射组学特征预测模型中，QTA组中只包含4个放射组学特征，在此基础上将5个一阶特征、1个形状特征和9个高阶特征相融合后，所得预测模型更加完善、全面，预测结果也更加准确、客观。

我们的研究仍存在一些局限性。首先，尽管有两个医疗中心参与了这项研究，但病例数相对较少，仍需多中心协作研究，增加案例入组以减少样本选择偏差以及地区差异。其次，手动病变勾画可能会导致错误误差形成，从而丢失部分图像信息，因此需要应用半自动分割等更精确的病变轮廓勾画方式进行病变特征值提取。

4 结论

综上所述，本文提出的包含19个特征的静脉期胸部CECT放射组学模型可将胸腺瘤与其他前纵隔占位性病变区分开来，并具有较高准确性。这种客观、非侵入性鉴别方法可以早期诊断胸腺瘤，并具有出色的诊断性能。

[1] Carter BW,Marom EM,Detterbeck FC.Approaching the patient with an anterior mediastinal mass: a guide for clinicians[J].J Thorac Oncol,2014,9(9 S2):S102-S109.

[2]Singh G,Rumende CM,Amin Z.Thymoma: diagnosis and treatment[J].Acta Med Indones,2011,43(1):74-78.

[3]Scorsetti M,Leo F,Trama A,et al.Thymoma and thymic carcinomas[J].Crit Rev Oncol Hematol,2016,(99):332-350.

[4]Carter BW,Okumura M,Detterbeck FC,et al.Approaching the patient with an anterior mediastinal mass: a guide for radiologists[J].J Thorac Oncol,2014,9(9 S2):S110-S118.

[5]Lambin P,Rios-Velazquez E,Leijenaar R,et al.Radiomics:extracting more information from medical images using advanced feature analysis[J].Eur J Cancer,2012,48(4):441-446.

[6] Kumar V,Gu Y,Basu S,et al.Radiomics: the process and the challenges[J].Magn Reson Imaging,2012,30(9):1234-1248.

[7] Gillies RJ,Kinahan PE,Hricak H.Radiomics: images are more than pictures, they are data[J].Radiology,2016,278(2):563-577.

[8]Chen Y,Li Z,Wu G,et al.Primary central nervous system lymphoma and glioblastoma differentiation based on conventional magnetic resonance imaging by high-throughput SIFT features[J].Int J Neurosci,2018,128(7):608-618.

[9]Jin W,Fatehi M,Abhishek K,et al.Artificial intelligence in glioma imaging: challenges and advances[J].J Neural Eng,2020.

[10]Ding J,Xing Z,Jiang Z,et al.CT-based radiomic model predicts high grade of clear cell renal cell carcinoma[J].Eur J Radiol,2018,(103):51-56.

[11]Yin Q,Hung SC,Rathmell WK,et al.Integrative radiomics expression predicts molecular subtypes of primary clear cell renal cell carcinoma[J].Clin Radiol,2018,73(9):782-791.

[12]Park H,Lim Y,Ko ES,et al.Radiomics signature on magnetic resonance imaging: association with disease-free survival in patients with invasive breast cancer[J].Clin Cancer Res,2018,24(19):4705-4714.

[13]Braman NM,Etesami M,Prasanna P,et al.Intratumoral and peritumoral radiomics for the pretreatment prediction of pathological complete response to neoadjuvant chemotherapy based on breast DCE-MRI[J].Breast Cancer Res,2017,19(1):57.

[14]Abdollahi H,Mahdavi SR,Mofid B,et al.Rectal wall MRI radiomics in prostate cancer patients: prediction of and correlation with early rectal toxicity[J].Int J Radiat Biol,2018,94(9):829-837.

[15]Fu J,Zhong X,Li N,et al.Deep learning-based radiomic features for improving neoadjuvant chemoradiation response prediction in locally advanced rectal cancer[J].Phys Med Biol,2020.

[16]She Y,Zhang L,Zhu H,et al.The predictive value of CT-based radiomics in differentiating indolent from invasive lung adenocarcinoma in patients with pulmonary nodules[J].Eur Radiol,2018,28(12):5121-5128.

[17]Sun Y,Li C,Jin L,et al.Radiomics for lung adenocarcinoma manifesting as pure ground-glass nodules: invasive prediction[J].Eur Radiol,2020.

[18]Iannarelli A,Sacconi B,Tomei F,et al.Analysis of CT features and quantitative texture analysis in patients with thymic tumors: correlation with grading and staging[J].Radiol Med,2018,123(5):345-350.

[19]Yasaka K,Akai H,Abe O,et al.Quantitative computed tomography texture analyses for anterior mediastinal masses:differentiation between solid masses and cysts[J].Eur J Radiol,2018,(100):85-91.

[20]Yasaka K,Akai H,Nojima M,et al.Quantitative computed tomography texture analysis for estimating histological subtypes of thymic epithelial tumors[J].Eur J Radiol,2017,(92):84-92.

[21]Marx A,Chan JK,Coindre JM,et al.The 2015 world health organization classification of tumors of the thymus: continuity and changes[J].J Thorac Oncol,2015,10(10):1383-1395.

[22]Strollo DC,Rosado DCM,Jett JR.Primary mediastinal tumors. Part 1: tumors of the anterior mediastinum[J].Chest,1997,112(2):511-522.

[23]den Bakker MA,Marx A,Mukai K,et al.Mesenchymal tumours of the mediastinum--part I[J].Virchows Arch,2015,467(5):487-500.

[24]郭芸,刘大亮.CT diagnosis and pathological analysis of thymoma[J].中国医疗设备,2010,25(5):118-120.

[25]Yanagawa M,Tomiyama N.Prediction of thymoma histology and stage by radiographic criteria[J].Thorac Surg Clin,2011,21(1):1-12.

[26] Tuan PA,Vien MV,Dong HV,et al.The value of CT and MRI for determining thymoma in patients with myasthenia gravis[J].Cancer Control,2019,26(1):1147300545.

[27] Liu X,Li X,Li J.Treatment of recurrent thymoma[J]. Zhongguo Fei Ai Za Zhi,2020.

[28]Chen G,Marx A,Chen WH,et al.New WHO histologic classification predicts prognosis of thymic epithelial tumors: a clinicopathologic study of 200 thymoma cases from China[J].Cancer,2002,95(2):420-429.

[29]Aerts HJ,Velazquez ER,Leijenaar RT,et al.Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach[J].Nat Commun,2014,(5):4006.

[30]Rogers W,Thulasi SS,Refaee T,et al.Radiomics: from qualitative to quantitative imaging[J].Br J Radiol,2020,93(1108):20190948.

基于胸部增强CT扫描的放射组学方法在胸腺瘤鉴别诊断中的应用

引言