跳到主要内容

利用射频超声多特征图谱的放射组学分析预测肝癌患者的程序性细胞死亡蛋白1

摘要

背景

本研究探讨了基于射频(RF)的放射组学分析技术在肝癌(HCC)患者术前预测程序性细胞死亡蛋白1 (programmed cell death protein 1, PD-1)的可行性。

方法

基于RF的放射组学分析方法采用肝癌患者射频信号计算的超声多特征图,包括直接能量衰减(DEA)特征图、频谱差偏度(SSD)特征图和Rician分布(NRD)特征图的非中心性参数S。从以上每个超声图谱中,提取了345个高通量放射组特征。然后,通过稀疏表示方法选择有用的辐射组学特征,输入支持向量机分类器进行PD-1预测。

结果与结论

在所有基于rf的预测模型和超声灰度对比模型中,使用3种超声特征图的rf模型的预测精度(ACC)和曲线下面积(AUC)最高,分别为92.5%和94.23%。本文提出的方法能够有效地对射频信号进行有意义的特征提取,并能有效地预测HCC患者的PD-1。

突出了

  • 我们从射频信号中引入直接能量衰减(DEA)、频谱差偏度(SSD)和非中心性参数(NRD)三种超声特征作为特征提取方法,提出了基于RF的放射组学分析方法,探讨了基于RF的放射组学分析方法在程序性细胞死亡蛋白1 (PD-1)免疫检测点预测中的有效性。并采用基于灰度的放射组学分析方法进行对比检验,对结果进行验证。我们还证明了预测性能变化的趋势及其与超声特征数量的相关性。

  • 结果显示有显著差异(pPD-1组和无PD-1组的放射组评分均< 0.05)。基于rf的放射组学分析方法在PD-1肝癌患者的无创术前预测中具有较好的应用价值。

  • 在本研究中,基于rf的放射组学分析方法在HCC患者PD-1的术前预测方面优于基于灰度的放射组学分析方法。DSNM的AUC在预测HCC患者PD-1细胞蛋白时达到94.23%,DSNM是基于rf的3张超声特征图的放射组学分析模型。

背景

肝细胞癌(HCC)是癌症相关死亡的第二大常见原因[1].到目前为止,还没有临床证据表明所研究的大多数辅助药物可以改善任何阶段的HCC的生存[2].此外,HCC患者的预后普遍较差。作为HCC患者最常见的选择,切除结合治疗或消融的5年复发率高达75% [3.].程序性细胞死亡蛋白1 (Programmed cell death protein 1, PD-1)可作为肝癌患者手术切除后预后的指示性标志物,对肝癌患者治疗的选择可能有积极的影响[4].而目前PD-1的检测主要依靠切除或穿刺获得病理组织的免疫组化方法。明确需要找到一种无创、准确的术前PD-1预测技术用于HCC患者。

目前,抗pd -1抗体已获美国食品药品监督管理局(FDA)批准用于治疗恶性黑色素瘤和非小细胞肺癌[56].最近的一项研究发现,PD-1在HCC的外周和瘤内区域高表达,可以预测进展和术后复发[4].而PD-1的检测目前主要依靠穿刺或切除标本的免疫组化染色。利用其他技术进行PD-1预测的研究较少。虽然穿刺创伤小,但由于肿瘤的异质性等原因,可能导致穿刺结果不准确。此外,残留在肝组织中的穿刺通道可能会破坏肿瘤微环境,刺激肿瘤的发展和扩散。因此,迫切需要一种无创、准确的方法来预测HCC PD-1。

超声检查是大多数疾病监测的一线调查技术,其成本相对较低,无创,且广泛应用[7].现行指南建议每隔6个月用超声监测HCC [28].放射组学是近十年发展起来的一种新的研究方法[910],利用计算机的计算能力,深度挖掘医学数据,提取出大量肉眼无法有效发现的肿瘤病理生理信息[1112].因此,将放射组学分析技术应用于超声,深度挖掘病理信息,具有很大的临床发展价值。到目前为止,它在乳腺癌、HCC、慢性乙型肝炎肝纤维化、非小细胞肺癌等方面表现良好[131415161718].这使得放射组学分析技术结合HCC患者超声数据进行PD-1术前预测成为可能,值得尝试研究。

射频(RF)信号是原始超声信号,无需信号后处理(亮度补偿、包络检测、深度补偿、动态范围调整等)。它包含了大部分的声学信息,包括衰减、散射、声速、相位等。本质上,它可以提供比超声图像更多的信息[19].特别是检测前的大量高频信息,适合用于算法编译。然而,射频信号产生的大量信息也伴随着过度的噪声干扰。即使使用已有的性能良好的深度学习网络,由于噪声量大,标签抽象,通常也无法创建成功的模型。同时,缺乏一种有效的特征提取方法直接利用射频信号建立诊断模型。因此,可以通过计算尽可能多的物理参数来考虑简化。然后基于这些物理参数谱建立智能模型,更有可能有效地实现射频信号的深度数据挖掘。

衰减(20.],偏态[21],以及医生分配[22是超声中的传统特征参数。本研究采用直接能量衰减(DEA)、谱差偏度(SSD)和Rician分布(NRD)的非中心性参数S组成三个特征图。我们建立了一种基于射频的放射组学分析方法,从射频获得的超声特征图中提取放射组学特征,实现了对HCC患者PD-1的无创预测。我们的目的是探讨基于rf的放射组学分析算法在HCC患者PD-1的术前预测中的价值。综上所述,本文的贡献如下:

  1. 1.

    我们通过引入DEA、SSD和NRD三种超声特征作为射频信号的特征提取方法,提出了基于RF的放射组学分析方法,探讨了基于RF的放射组学分析方法在PD-1免疫检查点预测中的有效性,并通过对比测试验证了本研究基于灰度的放射组学分析方法的结果。我们还证明了预测性能变化的趋势及其与超声特征数量的相关性。

  2. 2.

    结果显示,PD-1的HCC患者与未PD-1的HCC患者的放射组评分有显著差异(p < 0.05)。基于rf的放射组学分析方法可实现肝癌患者PD-1的无创术前预测。

  3. 3.

    在本研究中,基于rf的放射组学分析方法在HCC患者PD-1的术前预测方面优于基于灰度的放射组学分析方法。DSNM的AUC在预测HCC患者PD-1时达到94.23%(附加文件1).

结果

超声波特性结果

在本研究中,我们从射频信号中提取多种超声参数,包括DEA、SSD和NRD。这三个超声参数对PD-1的术前预测均有不同程度的积极作用。这是本研究超声放射组学分析方法的基础。我们比较了有PD-1和无PD-1患者的DEA、SSD和NRD超声特征参数的差异。方差分析显示差异无统计学意义(pPD-1组与无PD-1组在DEA、SSD和NRD中的差异均< 0.05)。

Radiomics特性结果

通过特征提取,每张超声灰度图像获得345个放射组特征,并绘制出DEA、SSD和NRD超声特征图。基于超声灰度图像(GM)的PD-1预测模型中每个患者提取345个放射组特征,基于超声DEA特征图(DM)的PD-1预测模型中每个患者提取345个放射组特征,基于DEA和SSD特征图(DSM)的PD-1预测模型中每个患者提取690个放射组特征,基于DEA、SSD、和NRD特征地图(DSNM)。

SRC系数表示特征相对于预测的重要性。根据上述参数,对每个模型的高通量特征进行排序,初步选择有用的特征。首先对选取的特征部分进行SRC降维。经过SRC特征选择后,PD-1预测模型的GM、DM、DSM和DSNM的特征数分别为241、260、432和564。

此时,每个预测模型的特征数仍然很大。将初步选择的特征放入SVM分类器中,进一步实现特征降维。每个模型在使用SVM分类器进行训练时,将其初步选择的特征的第一个特征放入分类器中进行训练,计算训练后ACC、AUC、SPEC、SENS的评价参数。然后,对其初步选择的特征进行前两个特征的选择,放入分类器中进行训练,并计算ACC等评价参数。这样,依次提取不同数量的特征来训练SVM分类器,并记录相应的评价参数。最后,通过保存的评价参数选出最佳结果。放入分类器的最佳结果对应的特征个数就是该模型经过二次降维后的最终特征维数。这些特征也是每个PD-1分类预测模型的最终特征。这样,GM、DM、DSM和DSNM的PD-1预测模型的最终特征维数分别为33、13、13和10。

预测模型的结果

GM PD-1预测模型与其他基于rf的PD-1预测模型性能如表所示1.作为对比实验,GM采用灰度图像,其AUC和ACC分别达到80.77%和80.00%。但该模型的SENS较低,仅为57.14%。基于rf的DM、DSM和DSNM模型的性能结果优于GM模型。

表1 GM、DM、DSM、DSNM对PD-1分类的诊断性能

AUC:受试者工作特性曲线下的面积;ACC、准确性;SENS、敏感性;规范,特异性;基于超声灰度图像的GM、PD-1预测模型;基于射频信号DEA特征图的DM、PD-1预测模型;基于DEA和SSD特征图的DSM、PD-1预测模型DSNM,基于DEA、SSD和NRD特征图的PD-1预测模型。

在3种基于rf的预测模型中,DSNM的ACC、AUC和SENS最大。DSNM的AUC为94.23%(95%置信区间[CI] 0.820 ~ 0.991)。DSM和DM的auc分别为88.46% (CI 0.744 ~ 0.964)和83.52% (CI 0.684 ~ 0.933)。随着基于rf的超声特征图的增多,PD-1预测HCC患者的性能逐渐提高。

使用PD-1预测模型中的SVM分类器计算每个HCC患者的放射组学评分。该模型可根据放射组学评分预测PD-1在HCC患者中的存在。数字1图示DSNM PD-1预测模型对伴和不伴PD-1的HCC患者的放射学评分的箱线图。方差分析显示有显著性差异(pPD-1组与无PD-1组的差异均< 0.05)。

图1
图1

DSNM PD-1预测模型对伴和不伴PD-1的HCC患者放射学评分的箱线图

基于灰度和基于rf的PD-1预测模型的ROC曲线如图所示。2.ROC曲线下的总面积也可以表示PD-1预测模型的auc。DSNM的ROC曲线下面积为0.94±0.04,是4种肝癌患者PD-1预测模型中最大的模型。

图2
图2

DSNM、DSM、DM和GM PD-1预测模型的ROC曲线比较

DSNM、DSM、DM和GM的PRCs如图所示。3..中国的盈亏平衡点(BEP)是判断PD-1预测模型性能的基础。cep是模型的精度等于查全率时的值。图中DSNM模型的cep。3.是红色曲线和对角线的交点。其值大于其他三种模型的交点处和对角线处的值。这说明基于射频信号计算的3个超声特征图的DSNM模型在预测HCC患者PD-1方面的性能最好。

图3
图3

GM、DM、DSM和DSNM PD-1预测模型的查全率曲线

讨论

本研究表明,射频信号的超声多特征图谱结合放射组学分析对预测HCC患者PD-1是非常有效的。这是首个利用基于射频数据超声多特征图谱的放射组学技术在HCC患者术前预测PD-1的报道。本研究建立了三种基于射频信号的预测模型和一种基于灰度图像的预测模型。结果表明,基于RF的3种预测模型在预测HCC中PD-1的性能均优于基于灰度图像的模型。在以上三种基于rf的预测模型中,采用DEA、SSD和NRD三种超声特征图的DSNM模型表现最好,AUC为0.94±0.04。DSNM模型中提取的3个超声特征图的纹理特征和小波纹理特征对PD-1术前预测的准确性最好。因此,基于rf的超声多特征图谱放射组学分析对这种免疫检查点抑制剂的预测具有积极的作用。在本研究中,基于灰度的放射组学分析对比试验和LOOCV保证了DSNM预测方法的正确性。

在放射组学中,肿瘤微蛋白、分子和基因的变化与宏观医学影像的变化密切相关。许多关于放射组学的研究已经在CT中证实了这一现象[9,宠物2324]和MRI [25262728)图像。从上述图像中,研究人员提取了与所研究的蛋白质和基因相关的特征。同时,基于上述影像技术的放射组学技术为疾病诊断、临床决策和预后提供了辅助。目前,射线组学在超声领域的研究还处于起步阶段。由于超声无创、不需要放疗、价格低廉、应用广泛,放射组学在超声领域的发展空间很大。Qiao等利用b超图像识别乳腺良恶性肿瘤[14].Zhang等[13]从超声弹性图像中提取高通量放射组学特征,用于乳腺肿瘤的诊断。这些是基于超声图像的放射组学方法的例子。在本研究中,我们采用与上述类似的方法建立GM模型,预测HCC患者的免疫抑制分子PD-1。基于灰度图像的GM模型预测细胞表面受体PD-1的AUC为80.77%。建立了基于灰度图像的模型,并与基于rf的模型进行比较。

灰度图像在超声放射组学中应用最为广泛。最近Biermann等人的一项研究证明,基于灰度图像的放射组学模型在甲状腺结节分类方面略优于经验不足的放射科医生的ACR评分[29].多超声图像的组合是超声放射组学的发展趋势之一。薛等[30.]证实迁移学习放射组学模型中灰度图像与弹性图像相结合是肝纤维化分级最准确的预测模型(分级S4、≥S3、≥S2的auc分别为0.950、0.932、0.930)。无论是灰度图像还是弹性图像,都是由射频信号计算得到的。射频信号本身包含比这些图像更多的信息。然而,目前还缺乏一种有效的射频特征提取方法来直接建立诊断模型。Wei等人的研究中提到,使用单一模态的RF信号进行肝纤维化分期,验证集的最高精度仅为0.77 [31].如何提取尽可能多的有用信息,提高射频信号的利用效率,是一个值得探索的问题。Wei等人选择了超声灰度图像、射频信号、对比增强微流图像等多参数特征结合的方法,对肝纤维化阶段的分类精度最高比射频单一模态提高0.12 [31].在我们的研究中,我们提出从射频信号中计算三种超声特征,包括DEA、SSD和NRD,然后用放射组学方法进行二次提取有效特征,以尽可能简化和获得有用的射频信号信息。结果表明,使用DEA、SSD和NRD超声特征图的PD-1预测模型的性能普遍优于仅使用超声灰度图像。此外,使用的超声特征图越多,PD-1的预测性能越好。

如图所示。2而且3.,同时使用DEA、SSD和NRD超声特征图的模型在所有使用超声特征图的rf模型中表现最好,AUC为94.23%。生物组织的衰减系数与其组织性质和结构特征密切相关。PD-1在疾病组织中的高表达所引起的差异可能会有所不同,如声速、声阻抗、声衰减系数等。本研究以DEA系数为超声特征,建立DM术前PD-1预测模型。该模型的AUC达到83.52%。肝癌的频域分析研究主要集中在内部血流频谱。SSD特征图是一种频谱特征,反映了整个肝癌病灶ROI射频信号的频域特征。实际上,在DM模型中加入SSD超声特征图形成DSM模型,对PD-1预测结果进行了改进。对于PD-1受体的检测,统计分布模型(如Rician分布)仍存在不足。放射组学技术中的高通量特征提取有助于区分肿瘤PD-1受体积聚引起的超声成像改变。 The combination of radiomics analysis technology and ultrasound feature maps composed of the ultrasound feature parameters DEA, SSD, and NRD achieved 92.5% ACC in the DSNM model for PD-1 prediction in HCC patients. With the increase in the types of ultrasound feature maps, the predictive performance of the model increased. This results suggest that more ultrasound features should be extracted from RF signals, combined with high-throughput imaging features, to fully develop the application of ultrasound at the molecular and protein levels.

方差分析表明,DEA、SSD和NRD (pPD-1组与无PD-1组的差异均< 0.05)。图中箱线图显示的是基于DSNM PD-1预测模型的HCC患者放射组学评分。1PD-1与未PD-1的HCC患者间差异有统计学意义。这也解释了为什么本研究通过RF计算的超声特征图数值不能直接有效地预测HCC患者是否存在PD-1。经放射组学处理后,提取的纹理特征和基于小波的纹理特征在DM、DSM和DSNM三种预测模型中预测精度均达到85%以上。除了超声特征参数的传统数值外,超声特征参数本身的数值分布特征和纹理特征也提供了值得研究的有用线索。建议结合放射组学处理方法,进一步挖掘超声射频信号所包含的信息,扩大超声诊断的应用范围。本文建立了一种有效的射频信号特征提取方法,用于预测HCC患者的PD-1。

纹理特征是放射组学中应用最广泛的特征之一,在良恶性鉴别方面表现良好[32)、蛋白质(26],基因预测[3334],以及分子分型[35].Pham等[32]提取肺癌患者CT图像的两种纹理特征来鉴别纵隔淋巴结。Dang等人[26]提取MRI图像纹理特征,预测头颈部鳞状细胞癌的抑癌蛋白p53,准确率为0.813。Yang等从MRI图像中提取97个纹理特征,并结合随机森林分类器对胶质瘤进行分子分型分类和生存预测[35].在本研究中,我们分别从GM、DM、DSM和DSNM模型中提取了345、345、690和1035个纹理特征和基于小波的纹理特征。这些纹理特征在SVM分类中经过SRC特征选择和二次降维后得到简化,为PD-1的成功预测提供了支持。在GM、DM、DSM和DSNM模型中,细胞受体PD-1术前预测HCC患者的ACCs分别为80%、85%、87.5%和92.5%。纹理特征作为医生难以详细描述的重要视觉特征,在基于rf的超声特征图中有效提取特征方面仍具有显著优势。

然而,在这项研究中应该注意到一些局限性。首先,从129例患者中只筛选了40例可用患者。独立测试对于小样本量是困难的。为此,本研究设计了基于灰度图像的对比试验,以验证基于RF信号的模型在使用LOOCV方法时的预测精度。第二,单中心研究无法验证模型的泛化能力。下一步的研究将是实现多中心的研究成果。第三,本研究目前的预测结果只能预测HCC患者PD-1阴性和阳性结果。肿瘤的异质性使其难以表征整个病理组织的性质。这使得免疫组化和肿瘤分子分型结果对于制定后续治疗方案的可靠性降低。也增加了预后的不确定性。 Studying how to predict the distribution, proportion, and area of PD-1 in the ROI may provide strong technical support for the selection of puncture sites. The treatment plan and prognosis may be more accurate with this information.

结论

总之,我们提出了一种基于rf的放射组学分析方法来预测HCC患者的PD-1。采用基于rf的超声多特征图谱和放射组学分析方法的DSNM模型在四种模型中性能最好,有望成为无创、快速术前预测HCC患者PD-1的稳健方法。射频信号虽然比传统的灰度图像包含更多的信息,但缺乏一种有效的特征提取方法直接建立诊断模型。超声多特征图谱提取方法和放射组学特征提取的应用,有效提高了超声射频信号的利用价值,为超声提供更深入的诊疗信息。射频信号可以提供比超声图像更丰富的诊断信息。该方法可为超声和放射组学的结合分析提供有价值的参考,并有助于开发更准确的算法和临床诊断辅助工具。

材料和方法

病人

2018年1月至12月,我们在某定点机构入组了129例术前诊断为HCC的肝癌患者。最后,40例符合条件的患者(男性33例,女性7例;年龄范围:23-80岁;平均:55±12年)。入选标准为:(1)经病理检查和手术证实的HCC患者;(2)单发肿瘤患者;(3)术前1周内进行灰度超声检查并有有用RF数据的患者;(4)经组织病理学检查和PD-1评估确诊的患者。

排除标准包括:(1)病理检查未确诊的HCC患者;(2)术前活检或辅助治疗的患者;(3)射频数据重建的HCC病变区域不完整或不清晰的患者;(4)未行组织病理学检查及PD-1评价结果的患者。

PD-1评估由两名具有至少10年肝脏病理经验的病理学家回顾所有标本切片。两位研究者都对患者的临床和影像学信息一无所知。

超声波数据采集

所有检查,包括常规超声和射频超声,均在EPIQ-7超声系统(飞利浦医疗系统,荷兰阿姆斯特丹)上进行。数据采集采用1-5 MHz频率的C5-1弯曲换能器(Philips Medical Systems, Amsterdam, Holland)进行,包括超声灰度图像和相应的RF数据。

所有患者在超声检查前禁食至少8小时。然后,根据标准化的方案评估肝脏病变的灰度超声特征:病变数量(单发或多发)、病变大小(mm)和回声(与周围肝组织相比为高回声、等回声、低回声或混合)。超声灰度检查由一名有经验的放射科医师(在肝脏超声方面有超过18年的经验)进行。

射频数据处理

对于本研究获得的射频数据,具体的射频数据处理流程,我们称之为基于射频的放射组学分析方法,如图所示。4.我们首先进行射频分析,提取超声多特征图谱。然后结合广泛应用的放射组学分析方法,提取、筛选高通量放射组学特征,建立有效的PD-1分类预测模型。

图4
图4

基于rf的放射组学分析方法的实验流程图

超声多特征图谱提取

超声多特征图谱的提取是本研究的独特设计,有效提高了超声RF数据对PD-1蛋白水平的分类和预测性能。这将在后面对实验结果的分析中提到。为了提高超声多特征图提取的计算效率,我们提取感兴趣区域的射频数据,并使用这些数据来代替整个回波射频数据集来计算多特征图。然后对射频数据进行平滑滤波、希尔伯特变换、对数压缩、扇区变换等处理,实现b模式重构,如图所示。5a.参考数据采集时保存的对应灰度图像中医生用白色虚线圈标记的病变位置,如图所示。5b,我们可以确定和分割ROI,如图所示。2a用红圈表示,获取ROI的RF数据。

图5
图5

一个射频数据重建的病人b型图像。b医院数据采集时保存的b模式图像,在诊断时由医生标注白色虚线圈

利用ROI的RF数据计算直接能量衰减(DEA)、频谱差偏度(SSD)和Rician分布(NRD)的非中心性参数S三个特征参数,组成相应的DEA、SSD和NRD超声特征图,如图所示。6.可以表征射频信号的超声特征有很多种,包括时域特征、频域特征、几何特征和统计特征。当HCC患者肝脏中存在PD-1蛋白时,其微观散射差异可能表现在时域、频域等方面。在本研究中,我们选择的DEA、SSD和NRD超声特征分别属于时域特征、频域特征和统计特征。

图6
图6

的提取方法原理图一个1-D射频数据块和b二维射频数据块在超声特征图计算中的应用。c直接能量衰减(DEA)超声特征图。d偏度谱差(SSD)超声特征图。eRician分布(NRD)超声特征图的非中心参数S

DEA是指超声在介质中传播的直接能量衰减。如图所示。3.a,每次下移一个数据点,提取门控窗长为64、窗距为16的2个1-D RF数据块。利用傅里叶变换得到平均能量\ ({\ mathrm {E}} _ {0} \)的1-D射频数据块,并\ ({\ mathrm {E}} _ {1} \)直接下面的1-D RF数据块。公式(1)来计算本研究的DEA系数:

$ ${\文本{DEA}} = 10 * \ log \离开({E_ {0} / E_{1}} \右)/ \离开({D * C / f S}{/ 2} \右),$ $
(1)

式中D为门控窗口长度,为64个数据点;C为1540 m/s,表示超声波在组织中的声速;而且\ ({f} _{年代}\)为采样频率,采样频率为32mhz。计算得到的DEA值为正上方1-D RF数据块上的点(窗长+窗距)/2的值。

SSD表示超声射频回波信号频谱差的偏度。偏斜度的计算公式如下(2):

$ $ S = \压裂{{\压裂{1}{n} \ mathop \ \和nolimits_ {i = 1} ^ {n} \离开({间{我}- \眉题{x}} \右)^{3}}}{{\离开({\压裂{1}{n} \ mathop \ \和nolimits_ {i = 1} ^ {n} \离开({间{我}- \眉题{x}} \右)^{2}}\右)^{\压裂{3}{2}}}},$ $
(2)

在哪里年代为偏度(无量纲);这封信的”是th数量;\(\眉题{X} \)为样本的平均值;n为样本个数;而且\ ({x} _{我}\)th样本值。

在SSD计算过程中提取ROI的1-D RF数据块示意图如图所示。3.a.每次下移一个数据点,提取两个窗口长度为64的1-D RF数据块。两个RF数据块之间的窗口间隔为40。对两个1-D射频数据块进行傅里叶变换。然后对傅里叶变换得到的两个分块进行相减,利用MATLAB工具箱中的“偏斜度”函数计算出相减后数据的偏斜度。计算出的SSD值是位于正上方的1-D RF数据块上的点(窗口长度+窗口间隔)/2的值。

NRD是非中心性参数年代的分布。Rician分布有以下密度公式(3.):

$ $ p \左(R \右)= I_{0} \离开({\压裂{x}{{\σ^{2}}}}\)\压裂{x}{{\σ^ {2 } }}^{{ - \ 左({\压裂{{x ^ {2} + s ^{2}}}{{2 \σ^{2}}}}\右)}},$ $
(3)

具有非中心参数s\通用电气(\ \)0和刻度参数σ\ (\ \)> 0,x> 0,这是采样值。\ ({\ mathrm{我}}_ {0}\)为第一类零阶修正贝塞尔函数。在本研究中,非中心性参数年代利用MATLAB工具箱中的' fitdist '函数计算每个二维RF数据块的中点。二维数据块选择方法如图所示。3.b.选取的每个二维数据块大小为37 × 8。的年代选取的数据块的Rician分布值计算为当前二维数据块中点的NRD值。然后,将门控窗口向下移动一个数据点,计算出ROI中每个点的所有NRD值。

以上三种超声特征参数应用广泛,具有代表性,涵盖了射频信号的大部分特征。这些参数构成了DEA、SSD和NRD的三个超声特征图。三种超声特征图如图所示。3.一部。

放射组学特征提取与选择

采用放射组学特征提取方法从DEA、SSD和NRD三种超声特征图中提取纹理特征和基于小波的纹理特征。纹理在医学图像中普遍存在,是影像医生诊断的重要视觉线索。每个超声特征图提取69个纹理特征,包括直方图特征、灰度共生矩阵(GLCM)特征、灰度行距矩阵(GLRLM)特征、灰度大小区域矩阵(GLSZM)特征和邻域灰度差矩阵(NGTDM)特征。

此外,纹理特征往往表现出多尺度特征。小波变换作为一种多尺度分析工具,可以自适应地获得原始图像中不同频率分量的有效信号。我们使用小波变换得到每个超声特征图的4个不同频率分量,并分别从这些图中提取上述69个纹理特征。然后,每个超声特征图再获得276个基于小波的纹理特征。

详细的放射组学特征见表2.从每个超声特征图及其4个频率分量中提取345个放射组特征。

表2各超声特征图及其4个频率分量提取的详细的放射组学特征

灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)、邻域灰度色差矩阵(NGTDM)

特征选择的方法是基于稀疏表示系数(SRC),由Li [36].稀疏表示的假设是世界上所有的信号都是稀疏的,可以稀疏表示,即可以用有限特征线性表示。稀疏表示的基本原理可以用下面的公式(4):

$ $ \ mathrm{年代}= \ mathrm $ $ {\ varnothing \β}
(4)

假设\ ({\ varphi} _{我}\ε{R} ^ {N}, i = \ mathrm{1,2},点\ \), M为N*1维的基信号(原子),\ (\ mathrm {\ varnothing} = [{\ varphi} _ {1}, {\ varphi} _{2,} \点{\ varphi} _ {M}] \)是由M个基信号组成的矩阵,称为字典,其中M > N, β是M*1维的系数向量,s是N* 1。目标是选择尽可能少的原子\ (\ mathrm {\ varnothing} \)为了使\ (\ mathrm {\ varnothing \β}= \ mathrm{年代}\)站得住脚,就是找β来做\ (\ mathrm {\ varnothing \β}= \ mathrm{年代}\)成立,而非零元素的数量在\ \ upbeta \ ()是尽可能的小。\ \ upbeta \ ()可以用OMP算法求解[37].β中的元素称为SRCs。SRC值可以反映这些特征的重要性。在选择所需数量的有用特征时,根据其对标签的重要性,将提取的所有放射组特征进行SRC排序。

预测模型的建立与评价

采用目前广泛使用的性能优良的SVM分类器建立PD-1预测模型。该分类器可以处理类标签与射线组特征之间非线性关系时的核方法分类问题。核函数法通过特征变换将低维空间线性不可分割的特征映射到高维空间,得到最优分离超平面,实现线性分类。高斯径向基函数是本实验的首选核函数。该函数可以将原始特征向量映射到无限维空间,从而找到最优超平面。高斯径向基函数的可调参数很少,只有\ \ upgamma \ ()惩罚参数\ (\ mathrm C {} \)可以改变。通过交叉验证找到合适的参数\ (\ mathrm C {} \)而且\ \ upgamma \ (),分类器能够正确预测测试集数据。在这个实验中,\ (\ mathrm C {} \)是0.8,\ \ upgamma \ ()是1。本实验使用的SVM软件包为台湾大学林志仁副教授设计的libsvm工具包。

利用SVM建立了三种基于RF的PD-1辐射组学预测模型,包括使用DEA特征图(DM)的PD-1预测模型、使用DEA和SSD特征图(DSM)的PD-1预测模型和使用DEA、SSD和NRD特征图(DSNM)的PD-1预测模型,如图所示。7

图7
图7

三种基于RF的PD-1辐射组学预测模型包括使用DEA特征图(DM)的PD-1预测模型、使用DEA和SSD特征图的PD-1预测模型(DSM)和使用DEA、SSD和NRD特征图的PD-1预测模型(DSNM)。

灰度图像压缩测试

基于超声灰度图像的放射组学分析是一种比较传统的方法,并与基于射频的放射组学分析方法在HCC患者PD-1预测方面进行了比较。在对灰度图像的ROI进行分割后,对灰度图像进行与射频数据相同的放射组学分析处理步骤。基于超声灰度图像的射线组学分析压缩试验直接从灰度图像的roi中提取345个射线组学特征。通过SRC选取它们,建立基于灰度图像的PD-1预测模型,称为GM。

统计分析

采用LOOCV统计分析方法评价预测模型的性能。Tukey’s检验结合方差分析(ANOVA),用于检验三种超声特征任意两对之间的显著性。采用受试者工作特征(ROC)曲线和精确召回曲线(PRCs)来显示模型的整体性能。其他评价指标包括ROC曲线下面积(area under the ROC curve, AUC)、准确性(ACC)、敏感性(sensitivity, SENS)和特异性(specificity, SPEC)。描述性统计总结为均数±标准差。

数据和材料的可用性

本研究中所使用和分析的数据集,可根据合理要求从通讯作者处获得。

缩写

射频:

射频

PD-1:

程序性细胞死亡蛋白

肝细胞癌:

肝细胞癌

投资回报:

感兴趣的区域

SR:

稀疏表示

支持向量机:

支持向量机

LOOCV:

分析交叉验证

DEA:

直接能量衰减

”:

Rician分布的非中心参数S

固态硬盘:

谱差的偏度

通用汽车:

基于超声灰度图像的程序化细胞死亡蛋白1预测模型

糖尿病:

基于直接能量衰减的程序化细胞死亡蛋白1预测模型

DSM:

基于直接能量衰减和谱差偏度的程序化细胞死亡蛋白1预测模型

DSNM:

基于直接能量衰减、Rician分布的非中心参数S和谱差偏态的程序化细胞死亡蛋白1预测模型

AUC:

曲线下面积

ACC:

精度

SENS:

灵敏度

规范:

特异性

核磁共振成像:

磁共振成像

CT:

计算机断层扫描

FFT:

快速傅里叶变换

GLCM:

灰度共生矩阵

GLRLM:

灰度行程长度矩阵

GLSZM:

灰度级Size-Zone矩阵

NGTDM:

邻域灰度差矩阵

中华民国:

受试者工作特性曲线

中华人民共和国:

Precision-recall曲线

cep:

收支平衡点

参考文献

  1. 刘志强,刘志强,刘志强,等。建立人肝癌异质性模型:病毒诱导的转基因模型和小鼠慢性肝炎症基因模型。2014; 67:14-31。

    谷歌学术搜索

  2. Heimbach JK, Kulik LM, Finn RS, Sirlin CB, Abecassis MM, Roberts LR,等。肝细胞癌AASLD治疗指南。肝脏病学。2018;67:358 - 80。

    文章谷歌学术搜索

  3. 刘志强,刘志强,刘志强,刘志强,等。切除及射频消融治疗≤3cm单肝细胞肝癌的远期疗效。意大利多中心调查的结果。J乙醇。2013;59(1):89 - 97。

    文章谷歌学术搜索

  4. 宋锋,宋明,郑振,祁瑞钊,吕振文,郑纪远,等。PD-1和PD-L1上调促进CD81 t细胞凋亡和肝癌患者术后复发。INT J癌症。2011, 128(4): 887 - 96。

    文章谷歌学术搜索

  5. 陆洋洋,郭小橹。PD-L1/ PD-1靶向抑制治疗恶性黑色素瘤的研究进展。中国医药学报2015;50:1931-5。

    谷歌学术搜索

  6. 靶向PD-L1治疗非小细胞肺癌Immunotherapy-UK。2016; 8(6): 747 - 58。

    文章谷歌学术搜索

  7. 拉玛希博迪医院高危患者肝细胞癌的超声监测。中华医学杂志。2014;29(3):393 - 393。

    谷歌学术搜索

  8. 马志强,马志强,马志强,马志强,等。2010年AASLD指南对肝细胞癌诊断的临床和经济影响J乙醇。60 2014;(5): 995 - 1001。

    文章谷歌学术搜索

  9. 陈晓峰,陈晓峰,陈晓峰,等。无创影像解码肝癌基因表达程序。生物科技Nat》。2007;25(6):675 - 80。

    文章谷歌学术搜索

  10. 张志强,王志强,王志强,王志强,王志强,王志强,王志强,王志强,王志强,王志强,王志强,王志强,王志强,王志强,王志强,王志强,王志强,王志强。医学影像杂志。2014;18(1):176-96。

    文章谷歌学术搜索

  11. Aerts HJ, Velazquez ER, Leijenaar RT, Parmar C, Grossmann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains B, Rietveld D, Hoebers F.使用定量放射组学方法通过无创成像解码肿瘤表型。Nat Commun。2014;5:1-9。

    谷歌学术搜索

  12. 崔娥,李海华,郑志勇,崔勇,金杰,裴杰,等。定量影像变量反映肺腺癌的肿瘤内病理异质性。Oncotarget。2016;7(41):67302 - 13所示。

    文章谷歌学术搜索

  13. 张强,肖勇,索军,史军,于军,郭勇,等。超声弹性组学用于乳腺肿瘤分类:一种基于聚类的超声弹性图特征选择的放射组学方法。中国生物医学工程学报,2017;43(5):1058-69。

    文章谷歌学术搜索

  14. 乔敏,胡艳,郭颖,王艳,于军。基于计算机化乳腺影像报告和数据系统特征系统的乳腺肿瘤分类。中华超声医学杂志。2017;37(2):403-15。

    文章谷歌学术搜索

  15. 姚智,董勇,吴刚,张强,杨东,于杰,等。肝癌的术前诊断与预测:基于多模态超声图像的放射组学分析。BMC癌症。2018。https://doi.org/10.1186/s12885-018-5003-4

    文章谷歌学术搜索

  16. 王凯,卢旭,周华,高宇,郑杰,佟明,等。横波弹性成像的深度学习放射组显著提高了评估慢性乙型肝炎肝纤维化的诊断性能:一项前瞻性多中心研究。肠道。2019;68(4):729 - 41。

    文章谷歌学术搜索

  17. 周勇,何磊,黄燕,陈松,吴萍,叶伟,等。基于ct的放射组学特征:术前预测肝细胞癌早期复发的潜在生物标志物。Abdom Radiol。2017;42(6):1695 - 704。

    文章谷歌学术搜索

  18. 梁建勇,王铮,黄学文,张长青,阮少明,谢晓燕,等。显著肝纤维化的多参数超声组学:基于机器学习的分析。Radiol欧元。2019;29(3):1496 - 506。

    文章谷歌学术搜索

  19. 李春瑞,许林洲,柯文涛,李晓玲,董卓,魏敏,等。基于射频超声和常规超声的人工神经网络预测可疑甲状腺结节的初步研究。超声学。2019;99:105951。

    文章谷歌学术搜索

  20. Barrere V, Sanchez M, Cambronero S, Dupré A, Rivoire M, Melodelima D.超声衰减在原发性和继发性人类肝脏肿瘤中的评价及其对高强度聚焦超声治疗的潜在影响。超声医学生物。2021;47:1761-74。

    文章谷歌学术搜索

  21. 穆克达迪,邓鹏飞,刘志刚。高分辨率定量超声成像在软组织分类中的应用。生物医学工程;2011.https://doi.org/10.1109/MECBME.2011.5752071

  22. Rician反高斯分布:非瑞利信号幅值统计的新模型。光子学报。2005;14(11):1722-35。

    MathSciNet文章谷歌学术搜索

  23. 尹海杰,孙一,赵建华,李慧慧,金俊,崔勇,等。使用放射组学方法解码肺腺癌中ALK, ROS1和RET融合的肿瘤表型。医学。2015;94 (41):e1753。

    文章谷歌学术搜索

  24. 张志强,张志强,张志强,等。肺癌中EGFR突变状态的预测放射基因组学建模。Sci众议员2017;7:41674。

    文章谷歌学术搜索

  25. 于军,史智,连勇,李智,刘涛,高宇,等。基于定量放射组学方法的II级胶质瘤无创IDH1突变评估Radiol欧元。2016;27(8):3509 - 22所示。

    文章谷歌学术搜索

  26. 李志刚,李志刚,吴涛,马修斯。MRI纹理分析预测头颈部鳞状细胞癌中p53的状态。中华神经外科杂志。2014;36(1):166-70。

    文章谷歌学术搜索

  27. 朱艳,李辉,郭伟,杜德克,纪洋。图- cd - brb -06:浸润性乳腺癌mri放射表型的基因组基础分析。Sci Rep-UK。2015; 42(6): 3603。

    谷歌学术搜索

  28. 李浩,朱勇,黄娥,李志强,等。定量MRI放射学在预测TCGA/TCIA数据集中乳腺癌亚型分子分类中的应用。Npj乳腺癌。2016;2:16012。

    文章谷歌学术搜索

  29. Biermann M, Reisæter LR。自动分析甲状腺结节的灰度超声图像(“放射组学”)可能优于经验较少的甲状腺放射科医生的图像解释。Thyroidol。2018;30(7):332 - 6。

    文章谷歌学术搜索

  30. 薛丽丽,蒋志勇,傅婷婷,王启明,朱艳玲,戴敏,等。基于多模态超声成像的转移学习放射组学在肝纤维化分期中的应用。Radiol欧元。2020;30(5):2973 - 83。

    文章谷歌学术搜索

  31. 李伟,黄燕,庄宝文,刘刚,王伟。基于机器学习的肝纤维化多参数超声组学分析。Radiol欧元。2018;29(3):1469 - 506。

    谷歌学术搜索

  32. Pham TD, Watanabe Y, Higuchi M, Suzuki H.肺癌患者纵隔淋巴结恶性与良性ct纹理分析与合成。Sci Rep-UK。2017; 7:43209。

    文章谷歌学术搜索

  33. 王志强,王志勇,王志勇,等。在DCE-MRI上识别高风险雌激素受体阳性乳腺癌的放射基因组学方法:预测OncotypeDX风险评分的初步结果SCI REP-UK。2016; 6:21394。

    文章谷歌学术搜索

  34. 李浩,朱勇,张志强,张志强,等。通过研究版本的mammapint、Oncotype DX和PAM50基因检测,MR成像放射组特征可以预测乳腺癌复发的风险。放射学。2016;281(2):152110。

    谷歌学术搜索

  35. 杨东,Rao G, Martinez J, Veeraraghavan A, Rao A.评价肿瘤来源的mri特征在恶性胶质瘤分子亚型鉴别和预测12个月生存状态中的价值。地中海phy。2015;(11):6725 - 35。

    文章谷歌学术搜索

  36. 李勇,南武里,于智,关晨,冯军,顾铮。基于稀疏表示的fMRI数据分析体素选择。中国生物医学工程学报,2009,29(3):349 - 356。

    文章谷歌学术搜索

  37. 张震。基于时频字典的匹配追踪算法。电子与电子学报。1993;41:397 - 397。

    文章谷歌学术搜索

下载参考

确认

作者对所有研究参与者表示感谢。

资金

本研究得到上海市科技行动创新计划(19441903100)和国家自然科学基金(81571676,81501471)的资助。

作者信息

从属关系

贡献

YX和JY构思和设计了本研究;YD、QZ、TX、SZ收集实验数据并提供临床指导;QW和LL实现了该算法;QW分析了实验结果并撰写了论文;YW和WW审阅了手稿。所有作者阅读并通过了最终稿。

相应的作者

对应到杨小文平王

道德声明

伦理认可和同意参与

本前瞻性研究已获本单位研究伦理委员会批准。CEUS检查前放弃知情同意。随后的程序是根据《赫尔辛基宣言》进行的。

同意出版

经作者同意。

相互竞争的利益

作者声明他们之间没有利益冲突。

额外的信息

出版商的注意

施普林格《自然》对出版的地图和机构附属关系中的管辖权要求保持中立。

补充信息

额外的文件1。

各模型患者的放射组学评分。

权利和权限

开放获取本文根据知识共享署名4.0国际许可协议授权,该协议允许以任何媒介或格式使用、共享、改编、分发和复制,只要您适当地注明原作者和源代码,提供知识共享许可协议的链接,并说明是否进行了修改。本文中的图像或其他第三方材料均包含在本文的知识共享许可中,除非在材料的信用额度中另有说明。如果材料不包含在文章的知识共享许可中,并且您的预期使用不被法定法规允许或超过允许的使用,您将需要直接从版权所有者获得许可。如欲查阅本牌照副本,请浏览http://creativecommons.org/licenses/by/4.0/.知识共享公共领域转让豁免书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文提供的数据,除非在对数据的信用额度中另有说明。

再版和权限

关于这篇文章

通过十字标记验证货币和真实性

引用这篇文章

王强,董勇,肖涛。et al。利用射频超声多特征图谱的放射组学分析预测肝癌患者的程序性细胞死亡蛋白1生物医学Eng在线21日,24(2022)。https://doi.org/10.1186/s12938-021-00927-y

下载引用

  • 收到了

  • 接受

  • 发表

  • DOIhttps://doi.org/10.1186/s12938-021-00927-y

关键字

  • 射频
  • Radiomics
  • 肝细胞癌
  • PD-1
  • 超声波multifeature地图