磁共振纹理分析建立支持向量机模型对大于1 cm甲状腺结节鉴别诊断的价值
摘 要：目的 探讨磁共振纹理分析建立的支持向量机模型对大于1 cm甲状腺结节鉴别诊断的价值。方法 选择98例甲状腺结节患者磁共振影像资料及手术或穿刺病理检查结果。用Lifex软件在T2加权图像以及表观弥散系数图像上逐层勾画病灶感兴趣区，提取图像纹理特征。用t检验及因子分析筛选结节性甲状腺肿与甲状腺乳头状癌的纹理特征，用Python的sklearn第三方库进行模型建立与评价，用sklearn中的permutation＿importance函数评估各纹理特征的重要性。绘制受试者工作特征曲线评价支持向量机模型四种核函数鉴别诊断的效能。结果 使用多项式核函数的支持向量机模型诊断效能最高，准确率达88%，敏感度为98%，特异度为80%，曲线下面积为0.92。15个特征中CONVENTIONAL＿std-t重要性最大。结论 磁共振纹理分析建立的支持向量机模型能有效鉴别诊断甲状腺结节。
关键词：结节性甲状腺肿 甲状腺乳头状癌 磁共振成像 磁共振纹理分析 支持向量机模型
甲状腺癌在内分泌系统恶性肿瘤中最为常见，近年来其发病率在全世界范围内不断上升[1]。对甲状腺结节的检测有多种成像技术，目前在临床中常用的成像技术有超声、磁共振以及核医学成像，主要用于甲状腺结节的筛查、测量大小，评估邻近组织的侵犯程度以及淋巴结转移等情况[2-3]。此外，一些新颖的成像技术能够进一步探测肿瘤，甚至预测组织病理学特征[4]。表观弥散系数（ADC）图像区分结节良恶性的敏感度与特异度较差[5-7]。近几年纹理分析因硬件及数据量的提升使其成为了研究的热门，而国内甲状腺结节相关纹理分析较少且并不完善。有学者选择研究甲状腺静脉期电子计算机断层扫描图像纹理，但会丢失一些肿瘤动脉期强化的信息[8]；也有学者选择用磁共振T1加权图像（T1WI）及T2加权图像（T2WI）进行纹理分析，但T1WI组织对比略差，未提取有效的纹理特征[9]，且1.5T磁共振扫描仪的限制无法提供清晰的弥散加权图像（DWI）进行ADC图纹理分析。为改善上述研究存在的问题，本研究同时提取T2WI与ADC图像的纹理特征，建立支持向量机模型，从形态学与组织学两方面鉴别诊断甲状腺结节。报告如下。
1 资料与方法
1.1 临床资料
选择2019年7月—2020年3月98例甲状腺结节患者磁共振影像资料及手术或穿刺病理检查结果。患者纳入标准：检查前均未穿刺活检及相关抗肿瘤治疗；检查后30 d内经手术或穿刺活检获得病理检查结果；扫描参数和方法一致，符合本研究的技术要求，病灶与周围背景组织对比清晰，可做定量分析；所选病灶直径均>1 cm。排除标准：肿瘤最大径≤1 cm，病灶在DWI及T2WI显示模糊，经讨论后无法勾画或不能准确勾画病灶感兴趣区（ROI）者，共排除7例；肿瘤过大，与周围各组织分界不清，部分层面ROI难以勾画，共排除2例；病灶过多，穿刺或手术病理检查结果与磁共振图像无法准确匹配，共排除1例。最终88例患者纳入研究，男29例，女59例；年龄27～67岁，平均51.08岁；共101个甲状腺结节，其中恶性结节（乳头状癌）51个、良性结节（结节性甲状腺肿）50个。
1.2 检查方法
采用西门子公司MAGNETOM Prisma 3.0T超导磁共振扫描仪。患者取仰卧位，头先进，颈部相控阵线圈覆盖颈部，嘱患者避免大幅度吞咽动作。研究所需扫描序列及参数：(1)横轴位ZOOMit-DWI序列：重复时间3 000 ms、回波时间57 ms、层厚4 mm，层间距4.4 mm。扩散梯度因子值：分别为0、40、80、120、160、200、400、600、800、1 000 s/mm2，视野61×119，翻转角度160°，矩阵148×76。(2)横轴位t2＿tse＿dixon序列：重复时间3 030 ms、回波时间81 ms、层厚3 mm、层间距3 mm，视野180×240，翻转角度160°，矩阵240×320。
1.3 图像处理及数据测定
将甲状腺t2＿tse＿dixon序列中的水像以及经过Prisma计算的ADC图像（b值取0和1 000）导入由巴黎萨克雷大学提供的医学图像分析软件Lifex[10]，在每层图像上勾画病灶的ROI，每层图像的ROI组成感兴趣容积（VOI），用Lifex软件自动计算相关图像特征，包括常规特征、离散特征、直方图特征、形状特征、灰度区域长度矩阵、灰度游程矩阵、邻域灰度差分矩阵、灰度共生矩阵，其中灰度共生矩阵的距离为1。对于图像中的二阶特征，强度重采样使用VOI中灰度的平均值和3个标准偏差作为下限和上限，然后重新缩放为64个bin。计算ADC图像纹理特征58个、T2WI纹理特征58个，共116个图像纹理特征。所有图像均由2位具有5年以上头颈部病变诊断经验的放射科医师阅片，尽量勾画病灶的边缘，但不超出病灶。
1.4 统计学方法与特征选择
采用SPSS19.0统计软件。结节性甲状腺肿与甲状腺乳头状癌的纹理特征比较采用t检验，P<0.01为差异有统计学意义，表明该纹理特征对两者有鉴别价值。采用因子分析，根据旋转成分矩阵中因子系数>0.7的筛选特征，从以上特征中进一步筛选。通过计算组内相关系数（ICC）评价2个观察者测量15个特征的一致性。用Python的sklearn第三方库进行模型建立与评价，用筛选的15个特征做为支持向量机模型的输入字段。为建立有效模型并最大程度利用样本数据，每次只留1个样本做测试集，其他样本做训练集，共训练101次，测试101次，即通过“留一”法交叉验证的方式测试模型。采用sklearn中的permutation＿impor‐tance函数评估各纹理特征的重要性。本研究所使用的支持向量机模型分别采用径向基函数（RBF）、多项式、线性以及sigmoid四种核函数进行比较，绘制受试者工作特征曲线评价支持向量机模型鉴别诊断的效能。
2 结果
2.1 特征筛选结果
共筛选出15个特征，各特征所属类别见表1。
2.2 观察者间测量纹理参数的一致性
2名观察者测量15个特征的ICC为0.897～0.981，有良好的一致性。
2.3 支持向量机模型鉴别甲状腺结节的效能
四种核函数的支持向量机模型的诊断效能见表2，其中使用多项式作为支持向量机模型的核函数时，诊断性能最高，且CONVENTIONAL＿std-t重要性最大，见图1。
3 讨论
既往甲状腺磁共振研究大多使用的设备磁场均匀性不够高且梯度切换率较低[11]，如有研究使用的设备虽然是双梯度3T磁共振，但在真正扫描时只能使用其中一组梯度线圈，无法同时实现最大梯度与最大梯度切换率，从而导致扫描时间过长，运动伪影出现的概率增加，且图像的信噪比低[5]。因而对较小病灶纹理特征的计算结果准确性较差。本研究所用的设备，其硬件可同时稳定实现最大梯度场强和最大梯度切换率，并配备了64通道接收平台，保证了甲状腺T2WI的信噪比；ZOOMit弥散成像采用靶向小视野选择性激发ROI的方式进行成像[12]，因此只对激发的ROI进行编码，从而在提高空间分辨率的同时减少图像形变和模糊效应。
表1 用于建立支持向量机模型的特征
图1 特征的重要性
注：有-t标识的是T2加权图像纹理特征，其余为ADC图像纹理特征。
此前部分影像学研究仅在肿瘤的最大层面勾画ROI[13-14]，主观性大，而且会丢失部分肿瘤信息，因而无法反应肿瘤整体异质性。三维纹理分析是在肿瘤的每层勾画病灶组成肿瘤的VOI，很大程度上规避了医师的主观性，所以测量的值更加稳定，充分体现了肿瘤的异质性[15]。一项甲状腺癌性结节研究表明，全容积ROI计算出的ADC值比单层实性成分ROI计算出的ADC值拥有更高的诊断效能[16]。所以本研究采用全容积ROI计算病灶的图像纹理特征。
支持向量机是解决分类问题的模型，比较适合小样本研究，其基本思想是找到一个超平面，作为数据分类的决策边界，确定这个超平面的规则是找到离分隔超平面最近的那些点，使它们离超平面的距离尽可能远，由此训练出来的分类器会更加高效、准确，而距离超平面最近的点被称作支持向量。少数支持向量会组成最终的决策函数，而样本空间的维数增加并不会增加计算的复杂性，这在某种意义上避免了“维数灾难”[17]。支持向量机模型决策函数的建立并不完全需要用到所有样本，同时在测试集不足的情况下使用留一法交叉验证相当于扩充了数据集，所以本研究虽然样本量不大，但结果仍具有一定可信度。本研究采用了15个图像特征，也就是15维的数据，因此简单的二维线性支持向量机模型不能解决问题。本研究采用了非线性的映射算法也就是核函数来寻找分隔超平面。常用的核函数包括线性核函数、多项式核函数、sigmoid核函数、RBF。RBF、多项式以及sigmoid核函数的支持向量机模型的曲线下面积相差无几，但sigmoid核函数的支持向量机模型准确率最差，引入多项式核函数的支持向量机模型在特异度、敏感度、阴性预测值、阳性预测值、留一交叉验证得分五个方面均优于引入RBF的支持向量机模型；引入线性核函数的支持向量机模型虽然敏感度、阴性预测值较高，但曲线下面积很小，这可能是因为正确率只是某个随机样本的一个属性指标，而曲线下面积可以综合所有截断值的预测性能，因此引入线性核函数的支持向量机模型的高准确率不可信。因此综合准确率、留一交叉验证得分、曲线下面积等七项指标，认为以多项式为核函数的支持向量机模型性能较高、泛化能力较强。
表2 支持向量机模型鉴别甲状腺结节的效能
从引入多项式核函数的支持向量机模型中的特征重要性看，ADC图像中的CONVENTIONAL＿Q2特征即第二四分为数（中位数）、CONVENTION‐AL＿Q3即第三百分位数以及CONVENTION‐AL＿mean（平均值）对识别甲状腺乳头状癌有重要意义，这一结论与相关研究[18]一致。本研究同时新发现T2WI特征中CONVENTIONAL＿std-t在鉴别结节性甲状腺肿与甲状腺乳头状癌重要性最大，因此结合了ADC与T2WI两种图像特征的支持向量机模型效能会更好。
回顾数据集中的病理结果发现，有4例患者较特殊，其中1例的病理是乳头状癌滤泡亚型，其余3例患者病理结论虽然都是良性病变，但都有上皮乳头状增生，由此推论该4例患者的组织病理同时存在良性与恶性特征，即存在交界性组织或细胞。图像纹理特征一直被认为可以映射肿瘤在细胞、组织水平上的异质性，而本支持向量机模型主要解决二分类的问题，因此对病理本身交界性情况并不适用。
综上所述，从磁共振T2WI和ADC图像中提取纹理特征建立的支持向量机模型具有鉴别结节性甲状腺肿与甲状腺乳头状癌的潜力，能更加客观、高效的管理甲状腺结节，避免盲目的穿刺或手术。但本研究存在一定局限性。首先样本量较小，尽管采用了留一法交叉验证，如果想进一步提高模型的泛化能力，需要进行更大样本量的研究；其次存在一个潜在地技术问题，在Lifex软件提取纹理特征过程中对原始图像进行了重采样，在重采样的过程中可能会造成图像信息的几何丢失，从而改变部分纹理特征，进而使结果产生误差，在以后的研究中可采用三维扫描的方式避免图像重建后信息丢失。
参考文献
[1]SEIB C D,SOSA J A.Evolving understanding of the epidemiolo‐gy of thyroid cancer[J].Endocrin Metab Clin,2019,48(1):23-35.
[2]CHO S J,SUH C H,BAEK J H,et al.Active surveillance for small papillary thyroid cancer:a systematic review and meta-anal‐ysis[J].Thyroid,2019,29(10):1399-1408.
[3]SCHOB S,VOIGT P,BURE L,et al.Diffusion-weighted imag‐ing using a readout-segmented,multishot EPI sequence at 3 T dis‐tinguishes between morphologically differentiated and undifferen‐tiated subtypes of thyroid carcinoma-a preliminary study[J].Transl Oncol,2016,9(5):403-410.
[4]周世崇，刘桐桐，周瑾，等.影像组学在甲状腺癌应用的初步研究[J].肿瘤影像学，2017,26(2):102-105.
[5]BROWN A M,NAGALA S,MCLEAN M A,et al.Multi‐institu‐tional validation of a novel textural analysis tool for preoperative stratification of suspected thyroid tumors on diffusion‐weighted MRI[J].Magn Reson Med,2016,75(4):1708-1716.
[6]楼江燕，刘俊平，陈源，等.甲状腺乳头状癌滤泡亚型的超声特征与细胞病理学分析[J].中国超声医学杂志，2019,35(3):209-212.
[7]KIM M J,WON J K,JUNG K C,et al.Clinical characteristics of subtypes of follicular variant papillary thyroid carcinoma[J].Thyroid,2018,28(3):311-318.
[8]黄福灵，周春燚，刘辰民，等.影像组学在甲状腺结节良恶性鉴别中的应用研究[J].影像研究与医学应用，2020,4(4):71-73.
[9]张衡，舒政，邓小飞，等.MRI纹理分析在鉴别甲状腺腺瘤和甲状腺乳头状癌中的价值[J].临床放射学杂志，2019,38(3):410-413.
[10]NIOCHE C,ORLHAC F,BOUGHDAD S,et al.LIFEx:a free‐ware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity[J].Cancer Res,2018,78(16):4786-4789.
[11]项昆，王建，张杰，等.CT、MRI对甲状腺癌转移淋巴结的诊断价值[J].现代中西医结合杂志，2019,28(6):663-666.
[12]CHEN L,SUN P,HAO Q,et al.Diffusion-weighted MRI in the evaluation of the thyroid nodule:Comparison between integratedshimming EPI and conventional 3D-shimming EPI techniques[J].Oncotarget,2018,9(40):26209.
[13]邹金钊，叶靖，徐圆，等.CT纹理特征结合机器学习对膀胱尿路上皮癌T分期及病理级别的诊断价值[J].临床放射学杂志，2020,39(8):1553-1558.
[14]林澄昱，何泳蓝，戚亚菲，等.子宫内膜癌体素内不相干运动与动态增强参数相关性研究[J].放射学实践，2019,34(10):1088-1091.
[15]NIAF E,ROUVIÈRE O,MÈGE-LECHEVALLIER F,et al.Computer-aided diagnosis of prostate cancer in the peripheral zone using multiparametric MRI[J].Phys Med Biol,2012,57(12):3833-3851.
[16]ZHOU X,MA C,WANG Z,et al.Effect of region of interest on ADC and interobserver variability in thyroid nodules[J].BMCMed Imaging,2019,19(1):55.
[17]洪永淼，汪寿阳.大数据、机器学习与统计学：挑战与机遇[J].计量经济学报，2021,1(1):17-35.
[18]HAO Y,PAN C,CHEN W W,et al.Differentiation between ma‐lignant and benign thyroid nodules and stratification of papillary thyroid cancer with aggressive histological features:Whole‐lesion diffusion‐weighted imaging histogram analysis[J].J Magn Reson Imaging,2016,44(6):1546-1555.
