引用本文： 張笑, 黃偉, 宋彬. 基于 CT 平掃圖像的紋理分析區分胃癌HER2 表達的可行性研究. 中國普外基礎與臨床雜志, 2021, 28(9): 1221-1226. doi: 10.7507/1007-9424.202106102 復制
胃癌是消化系統常見惡性腫瘤，胃癌的人表皮生長因子受體 2（human epidermal growth factor receptor 2，HER2）表達陽性和陰性對其治療方法的選擇有很大的影響，對于 HER2 表達陽性的患者給予抗 HER2 的靶向治療，可以延長其生存期[1]。由于腫瘤的異質性，內鏡活檢標本檢測 HER2 表達的準確率并不高，因此術前準確檢測 HER2 表達是臨床工作的難點[2-3]。CT 作為一種無創檢查手段在胃癌的診療中已經有較多應用，除了主要用于術前分期以外，還被用于研究術前預測病理分型、Ki-67 表達、療效評估等方面[4]。紋理分析（texture analysis）作為圖像后處理分析中的一種方式，是基于紋理特征（texture features）提取、分析以及解釋定量成像特征的一種方法，可用于 CT、MRI、PET 等多種圖像的分析應用[5]。目前基于胃癌的 CT 平掃圖像紋理分析與胃癌 HER2 表達水平相關性的研究報道查見極少。本研究采用主流紋理分析軟件 MaZda 對胃癌 CT 平掃圖像進行紋理分析，以探討其術前評估胃癌 HER2 表達狀態的可行性價值。
1 資料與方法
1.1 病例資料
回顧性收集 2017 年 1 月至 2021 年 1 月期間在樂山市人民醫院行上腹部和（或）全腹部 CT 平掃檢查、行手術治療且術后病理學檢查證實為胃癌的患者。納入標準：① 手術切除并且術后病理確診為胃腺癌；② 經術后病理免疫組織化學（immunohistochemistry，IHC）方法檢測 HER2 表達水平；③ 術前行 CT 掃描檢查并且可明確顯示癌灶；④ 術前未行放療、化療或放化療、新輔助治療等。排除標準：① 術前行放療、化療或放化療、新輔助治療者；② CT 圖像不符合后處理要求，比如圖像質量不佳、無法清晰顯示病灶等；③ 未檢測 HER2 表達水平。根據上述納入和排除標準，本研究共納入病例 62 例，其中男 45 例，女 17 例；腫瘤的 Lauren 分型：腸型 18 例，彌漫型 30 例，混合型 14 例。
1.2 病理檢查方法
采用中國《胃癌 HER2 檢測指南》 [2-3]使用 IHC 檢測胃癌組織中的 HER2 表達狀況；不確定者需要加做原位雜交檢測進行判別。本研究未加做熒光原位雜交（fluorescence in situ hybridization，FISH）或雙色銀染原位雜交（dual-colorsilverenhancedin-situhybridization，DSISH）檢測，將不確定者歸入 HER2 陽性病例。
1.3 CT 圖像采集
行 CT 檢查前禁食禁飲 6 h 以上，臨近檢查時快速飲水 800～1000 mL 以擴張胃腔。使用飛利浦 Brilliance 64 排 128 層 CT 掃描，掃描參數設置管電壓 120～140 kV、管電流×時間：90～180 mAs，掃描方式螺旋掃描、螺距 0.891、球管旋轉時間 0.5 s，對比劑使用碘佛醇 320（碘含量 320 mg/mL）、推注速率 3 mL/s，掃描范圍包括肝頂至肝臟下緣或肝頂至坐骨下緣，圖像 4 期采集（平掃、動脈期、門靜脈期和實質期），圖像重建層厚 3 mm，層間距 3 mm，窗寬 250～350 HU，窗位 35～50 HU。
1.4 分析方法
CT 平掃圖像的紋理分析采用成熟便捷的 MaZda 4.6 開源軟件。軟件使用前做好圖像數據準備和數據輸入。在 MaZda 模塊中做圖像均一化、興趣區（ROI）勾畫、紋理特征提取以及紋理特征選擇。在 B11 模塊中進行紋理特征判別[6-8]。具體軟件分析流程見圖 1。
圖1
示 MaZda/B11 軟件中的分析流程
1.4.1 圖像的選擇
對照 CT 增強掃描圖像，結合病理報告和內鏡檢查結果從 CT 平掃圖像上選擇胃癌病灶最大軸位層面的圖像，統一標準窗寬為 350 HU，窗位 50 HU，以 bmp 格式保存圖片并導出。
1.4.2 圖像的均一化處理
基于 MaZda 軟件中的 μ±3σ（其中 μ 為圖像灰度值的平均值，σ 為圖像灰度值的標準差），根據以下 4 種方法：原始灰度、所有圖像的最大值相同、所有圖像的平均值均相同以及動態范圍限制為±3 μm 對圖像灰度進行了歸一化處理，最大限度地減少對比度和明亮度對圖像灰度值的影響，增加圖像特征的重復性[6-9]。
1.4.3 ROI 的選擇
將圖像導入加載到 MaZda 紋理分析軟件中，由同一研究者在病灶區域手動勾畫出 ROI。選取病灶最大橫斷面并手動勾畫腫瘤輪廓，沿病灶輪廓內約 2 mm 勾畫 ROI，盡量避免將病灶周圍脂肪組織、胃腔內空氣或水勾畫入內（圖 2）。
圖2
示胃癌的 ROI 勾畫
紅色代表陰性組勾畫，分別為環狀勾畫（a）、前后壁勾畫（b）、后壁勾畫（c）和潰瘍型病灶勾畫（d）；綠色代表陽性組勾畫，分別為片狀勾畫（e）和 U 型勾畫（f）
1.4.4 紋理特征的提取
MaZda 軟件可以從圖像的直方圖、絕對梯度、游程長度矩陣、共現矩陣、自回歸模型和小波分析中自動計算得出各種紋理參數用作紋理特征提取和分析[6-10]。
1.4.5 紋理特征的降維和最佳紋理特征參數選擇
MaZda 內置優化選擇高效能特征值的功能，并且有能自動選擇和排除其他無紋理識別所需信息特征的功能[6-8, 10]。利用軟件中常用的也是成熟的特征選取方法：費希爾參數法（fisher coefficients，Fisher）、最小分類誤差與最小平均相關系數法（minimization of both classification error probability and average correlation coefficients，POE+ACC）及相關信息測度法（mutual information coefficients，MI）以及該 3 種篩選方式的組合（MI+PA+F）進行篩選，實現有效特征數量縮減和高效能特征選擇[6-8, 10]。由于 MI+PA+F 這個組合的篩選方式并不是單純的將上述 3 個選取方法結果的相加，而是將 3 種篩選方式結合進行綜合運算。
1.4.6 紋理特征判別分析
將選定的紋理特征參數導入 MaZda 軟件 B11 模塊中（該模塊最多能分析 30 個不同的紋理特征參數）。使用內置的原始數據分析（raw-data analysis，RDA）、主成分分析（principal component analysis，PCA）、線性判別分析（linear discriminant analysis，LDA）和非線性判別分析（nonlinear discriminant analysis，NDA）4 類分析方式和 1-最近鄰（1-nearest-neighbor，1-NN）及人工神經網絡（artificial neural network，ANN）兩類分類方式，對應組成效能判別組合進行數據分析[6-8, 10]。將最佳紋理參數選擇的方式與紋理特征數據分析方法相結合進行圖像的紋理特征分析，以誤判率公式（公式 1）為依據對紋理特征和 HER2 表達水平的相關性進行分析，并將紋理特征判別結果（誤判率）定義為 5 個級別：優良（誤判率≤10%）、良好（10%<誤判率≤20%）、中度（20%<誤判率≤30%）、一般（30%<誤判率≤40%）和差（誤判率>40%）。以此對應用研究進行評價和效能判別[11]。
×100% (公式1)
1.5 統計學方法
臨床資料相關性的統計分析，使用 SPSS 24.0 軟件。正態分布的數值變量采用均數±標準差（
±s）表示，行獨立樣本 t 檢驗；定性資料進行 χ2 檢驗。檢驗水準 α=0.05。
2 結果
2.1 一般資料
62 例胃癌腺癌病例中 HER2 表達陰性者 52 例，年齡（63.54±10.32）歲；HER2 表達陽性者 10 例，年齡（61.70±11.70）歲。男 45 例（HER2 表達陰性 38 例，HER2 表達陽性 7 例），女 17 例（HER2 表達陰性 14 例，HER2 表達陽性 3 例）。62 例患者的腫瘤 Lauren 分型：腸型 18 例（HER2 表達陰性 13 例，HER2 表達陽性 5 例），彌漫型 30 例（HER2 表達陰性 28 例，HER2 表達陽性 2 例），混合型 14 例（HER2 表達陰性 11 例，HER2 表達陽性 3 例）。HER2 表達狀態與患者年齡、性別和腫瘤 Lauren 分型之間無相關性（P>0.05），見表 1。
表1
62 例胃癌患者的年齡、性別和腫瘤 Lauren 分型與 HER2 表達狀態的關系
2.2 紋理分析結果
B11 模塊最多能分析 30 個不同的紋理特征參數，MI+PA+F 能綜合結合 3 種判別方式而判別選擇出 30 個最佳紋理特征參數，由此采用“MI+PA+F.sel”文檔保存的紋理特征參數進行特征數據分析。紋理特征選擇情況見表 2 和表 3。
表2
MI+PA+F 提取出的最佳紋理特征參數
表3
MI+PA+F 紋理特征選擇情況
病變的誤判率按照分類組合計算依次得到的結果以及對應的效果等級見表 4。按照病變的誤判率效果等級分類，本研究的 4 個分析組合均在良好等級以上。提示各分析方法均能較好地將胃癌病灶的 CT 平掃的紋理特征參數和 HER2 表達水平對應結合在一起，能夠基于此方法用 CT 平掃圖像的紋理特征來初步區分 HER2 的表達水平。
表4
62 例胃癌患者的 MI+PA+F 病變誤判率結果
3 討論
HER2 是原癌基因，編碼產物 HER2 癌蛋白是跨膜受體酪氨酸激酶家族的成員，調節細胞的生長、存活、分化和遷移[12]。HER2 的表達狀態經曲妥珠單抗用于胃癌（ToGA）的試驗結果表明是曲妥珠單抗治療晚期胃癌的療效預測標志物之一，在 HER2 過表達病例化療中加入曲妥珠單抗治療能改善總體生存（Overall Survival，OS）時間[13]。胃癌組織中 HER2 表達的異質性對于取材檢測的要求較高，目前多數胃癌 HER2 表達檢測的標本多為手術標本，少數為胃鏡活檢標本，并且胃鏡活檢單次取材不能準確反映腫瘤整體的 HER2 表達，需要多點活檢取材以避免檢測的不準確性，給 HER2 整體表達檢測帶來了不便[14-15]。本研究結果顯示，HER2 的表達與患者年齡、性別和傳統的 Lauren 分型無相關性。并且有其他研究[16]表明，HER2 可以作為獨立的檢測標志物應用于胃癌的診治。據此凸顯了將 CT 平掃圖像的紋理分析用在區分 HER2 表達水平上的嘗試具有將 HER2 現今的有創檢測提前至結合 CT 檢查和圖像后處理進行無創檢測的意義。
紋理分析是常用圖像后處理方法，有較好的獲得性，其研究起源較早，20 世紀 60 年代起就對圖像的紋理特征參數做出了研究，前期受計算機技術發展限制進展緩慢，近年來隨著計算機設備和技術的迅速發展，使用計算機相關程序進行輔助檢查、輔助診斷和輔助分析的范圍越來越廣[17]，其作為醫學圖像后處理中的一個重要參數來源，越來越體現出在腫瘤影像等各類醫學影像檢查中的重要性[18]。胃癌是腫瘤細胞異質性較高的消化系統常見腫瘤，CT 檢查作為胃癌分期和治療評價的常用檢查方式，應用廣泛[4]。本研究選用 CT 平掃圖像，一是從 CT 平掃圖像中提取的數據比從 CT 增強掃描中提取的數據要簡單很多；二是 CT 平掃檢查更易于控制，掃描更容易獲得 CT 平掃圖像；三是盡管也可以使用 CT 增強圖像，但是本研究將分析限制在 CT 平掃圖像上，因為是想知道這種僅基于 CT 平掃圖像的紋理分析是否足以對 HER2 表達水平進行令人滿意的區分，如果此分析確實有效，則將有助于防止不必要的 CT 增強掃描，并且有助于在難開展 CT 增強掃描的醫院和地區提升 CT 檢查所得數據；四是本研究為單中心研究，病例數據來源于同一臺機器的檢查，有助于減少檢查偏差和差異，也是對單中心專機檢查結合紋理分析的一個探討；五是基于有其他研究[19]表明，CT 平掃圖像的紋理分析可用于腎上腺偶發瘤的鑒別診斷，也有其他研究[20]表明肺癌 CT 增強圖像受灌注影響，與平掃圖像中發現的紋理參數有明顯的質地差異。
本研究將胃癌的 CT 平掃圖像紋理特征用于區分 HER2 的表達水平，用于紋理分析的圖像后處理軟件的選擇是極其重要的。目前有很多軟件應用于紋理分析的各個步驟中[21]。本研究擬定了軟件選擇原則為開源、易獲取、成熟簡單、易操作、易解讀、全流程參與以及專業的紋理分析軟件，由此選擇 MaZda 獲取胃癌 CT 平掃圖像中從一階到高階的多類特征參數，并且使用軟件自帶的統計分析模塊自動尋找紋理特征參數與 HER2 表達的關系，并進行自動判別分析來評價關聯效能。MaZda 軟件在特征提取和特征分類步驟中原理基礎是機器學習（machine learning）模式，應用數據分析與挖掘，利用內置的統計分析、知識發現等手段處理海量數據，對紋理特征做提取和分類，選擇高效能的特征參數用于判別分析。B11 模塊是基于實例結合統計學方法和機器學習方法，對于提取的 30 個高效能特征向量計算均值和標準差值，在整體特征向量矩陣中計算得出本征值向量，據此對每個病例紋理特征計算出最具表達特征的向量，再結合近鄰網絡和神經網絡分析方法進行分類判定計算，沒有單獨提及一個或者幾個特征進行受試者工作曲線 (ROC) 分析來判定效能和相關性，是因為通過軟件自帶的統計分析功能對特征和相關性進行了分析，并且是基于一組多向量的綜合分析，在區分結果上更準確，是簡捷、有效的研究方式。
本研究的不足之處在于：① 單中心的胃癌病例較少，對照 HER2 表達狀態分組后各組病例更少，分組后樣本量不足、可能會影響結果誤判率，后期通過單中心的數據補充來修正判讀能力，以期建立成熟的單中心應用模式逐步向外推廣應用。② MaZda 軟件自帶的 B11 模塊雖然能獨立進行計算分析出結果，但是其允許的特征和數據向量的數量以及可用的機器學習算法有限制，如果進行后期的更深層次數據挖掘和分析 B11 略顯能力不足。
總之，本研究結果顯示：① 基于 CT 平掃圖像的紋理分析具有無創檢測胃癌 HER2 表達狀態的潛力，但未來還需要納入更多病例進行驗證；② 綜合效能最好的紋理判別方法是非線性分析結合 ANN（NDA/ANN）和線性判別分析結合 1-NN（LDA/1-NN）。
重要聲明
利益沖突聲明：本文全體作者閱讀并理解了《中國普外基礎與臨床雜志》的政策聲明，我們沒有相互競爭的利益。
作者貢獻聲明：張笑撰寫文章，黃偉指導軟件使用，宋彬給予工作支持。
倫理聲明：本研究已通過樂山市人民醫院臨床倫理委員會審批 ［批文編號：樂市醫院倫委（2021）041號］。
胃癌是消化系統常見惡性腫瘤，胃癌的人表皮生長因子受體 2（human epidermal growth factor receptor 2，HER2）表達陽性和陰性對其治療方法的選擇有很大的影響，對于 HER2 表達陽性的患者給予抗 HER2 的靶向治療，可以延長其生存期[1]。由于腫瘤的異質性，內鏡活檢標本檢測 HER2 表達的準確率并不高，因此術前準確檢測 HER2 表達是臨床工作的難點[2-3]。CT 作為一種無創檢查手段在胃癌的診療中已經有較多應用，除了主要用于術前分期以外，還被用于研究術前預測病理分型、Ki-67 表達、療效評估等方面[4]。紋理分析（texture analysis）作為圖像后處理分析中的一種方式，是基于紋理特征（texture features）提取、分析以及解釋定量成像特征的一種方法，可用于 CT、MRI、PET 等多種圖像的分析應用[5]。目前基于胃癌的 CT 平掃圖像紋理分析與胃癌 HER2 表達水平相關性的研究報道查見極少。本研究采用主流紋理分析軟件 MaZda 對胃癌 CT 平掃圖像進行紋理分析，以探討其術前評估胃癌 HER2 表達狀態的可行性價值。
1 資料與方法
1.1 病例資料
回顧性收集 2017 年 1 月至 2021 年 1 月期間在樂山市人民醫院行上腹部和（或）全腹部 CT 平掃檢查、行手術治療且術后病理學檢查證實為胃癌的患者。納入標準：① 手術切除并且術后病理確診為胃腺癌；② 經術后病理免疫組織化學（immunohistochemistry，IHC）方法檢測 HER2 表達水平；③ 術前行 CT 掃描檢查并且可明確顯示癌灶；④ 術前未行放療、化療或放化療、新輔助治療等。排除標準：① 術前行放療、化療或放化療、新輔助治療者；② CT 圖像不符合后處理要求，比如圖像質量不佳、無法清晰顯示病灶等；③ 未檢測 HER2 表達水平。根據上述納入和排除標準，本研究共納入病例 62 例，其中男 45 例，女 17 例；腫瘤的 Lauren 分型：腸型 18 例，彌漫型 30 例，混合型 14 例。
1.2 病理檢查方法
采用中國《胃癌 HER2 檢測指南》 [2-3]使用 IHC 檢測胃癌組織中的 HER2 表達狀況；不確定者需要加做原位雜交檢測進行判別。本研究未加做熒光原位雜交（fluorescence in situ hybridization，FISH）或雙色銀染原位雜交（dual-colorsilverenhancedin-situhybridization，DSISH）檢測，將不確定者歸入 HER2 陽性病例。
1.3 CT 圖像采集
行 CT 檢查前禁食禁飲 6 h 以上，臨近檢查時快速飲水 800～1000 mL 以擴張胃腔。使用飛利浦 Brilliance 64 排 128 層 CT 掃描，掃描參數設置管電壓 120～140 kV、管電流×時間：90～180 mAs，掃描方式螺旋掃描、螺距 0.891、球管旋轉時間 0.5 s，對比劑使用碘佛醇 320（碘含量 320 mg/mL）、推注速率 3 mL/s，掃描范圍包括肝頂至肝臟下緣或肝頂至坐骨下緣，圖像 4 期采集（平掃、動脈期、門靜脈期和實質期），圖像重建層厚 3 mm，層間距 3 mm，窗寬 250～350 HU，窗位 35～50 HU。
1.4 分析方法
CT 平掃圖像的紋理分析采用成熟便捷的 MaZda 4.6 開源軟件。軟件使用前做好圖像數據準備和數據輸入。在 MaZda 模塊中做圖像均一化、興趣區（ROI）勾畫、紋理特征提取以及紋理特征選擇。在 B11 模塊中進行紋理特征判別[6-8]。具體軟件分析流程見圖 1。
圖1
示 MaZda/B11 軟件中的分析流程
1.4.1 圖像的選擇
對照 CT 增強掃描圖像，結合病理報告和內鏡檢查結果從 CT 平掃圖像上選擇胃癌病灶最大軸位層面的圖像，統一標準窗寬為 350 HU，窗位 50 HU，以 bmp 格式保存圖片并導出。
1.4.2 圖像的均一化處理
基于 MaZda 軟件中的 μ±3σ（其中 μ 為圖像灰度值的平均值，σ 為圖像灰度值的標準差），根據以下 4 種方法：原始灰度、所有圖像的最大值相同、所有圖像的平均值均相同以及動態范圍限制為±3 μm 對圖像灰度進行了歸一化處理，最大限度地減少對比度和明亮度對圖像灰度值的影響，增加圖像特征的重復性[6-9]。
1.4.3 ROI 的選擇
將圖像導入加載到 MaZda 紋理分析軟件中，由同一研究者在病灶區域手動勾畫出 ROI。選取病灶最大橫斷面并手動勾畫腫瘤輪廓，沿病灶輪廓內約 2 mm 勾畫 ROI，盡量避免將病灶周圍脂肪組織、胃腔內空氣或水勾畫入內（圖 2）。
圖2
示胃癌的 ROI 勾畫
紅色代表陰性組勾畫，分別為環狀勾畫（a）、前后壁勾畫（b）、后壁勾畫（c）和潰瘍型病灶勾畫（d）；綠色代表陽性組勾畫，分別為片狀勾畫（e）和 U 型勾畫（f）
1.4.4 紋理特征的提取
MaZda 軟件可以從圖像的直方圖、絕對梯度、游程長度矩陣、共現矩陣、自回歸模型和小波分析中自動計算得出各種紋理參數用作紋理特征提取和分析[6-10]。
1.4.5 紋理特征的降維和最佳紋理特征參數選擇
MaZda 內置優化選擇高效能特征值的功能，并且有能自動選擇和排除其他無紋理識別所需信息特征的功能[6-8, 10]。利用軟件中常用的也是成熟的特征選取方法：費希爾參數法（fisher coefficients，Fisher）、最小分類誤差與最小平均相關系數法（minimization of both classification error probability and average correlation coefficients，POE+ACC）及相關信息測度法（mutual information coefficients，MI）以及該 3 種篩選方式的組合（MI+PA+F）進行篩選，實現有效特征數量縮減和高效能特征選擇[6-8, 10]。由于 MI+PA+F 這個組合的篩選方式并不是單純的將上述 3 個選取方法結果的相加，而是將 3 種篩選方式結合進行綜合運算。
1.4.6 紋理特征判別分析
將選定的紋理特征參數導入 MaZda 軟件 B11 模塊中（該模塊最多能分析 30 個不同的紋理特征參數）。使用內置的原始數據分析（raw-data analysis，RDA）、主成分分析（principal component analysis，PCA）、線性判別分析（linear discriminant analysis，LDA）和非線性判別分析（nonlinear discriminant analysis，NDA）4 類分析方式和 1-最近鄰（1-nearest-neighbor，1-NN）及人工神經網絡（artificial neural network，ANN）兩類分類方式，對應組成效能判別組合進行數據分析[6-8, 10]。將最佳紋理參數選擇的方式與紋理特征數據分析方法相結合進行圖像的紋理特征分析，以誤判率公式（公式 1）為依據對紋理特征和 HER2 表達水平的相關性進行分析，并將紋理特征判別結果（誤判率）定義為 5 個級別：優良（誤判率≤10%）、良好（10%<誤判率≤20%）、中度（20%<誤判率≤30%）、一般（30%<誤判率≤40%）和差（誤判率>40%）。以此對應用研究進行評價和效能判別[11]。
×100% (公式1)
1.5 統計學方法
臨床資料相關性的統計分析，使用 SPSS 24.0 軟件。正態分布的數值變量采用均數±標準差（±s）表示，行獨立樣本 t 檢驗；定性資料進行 χ2 檢驗。檢驗水準 α=0.05。
2 結果
2.1 一般資料
62 例胃癌腺癌病例中 HER2 表達陰性者 52 例，年齡（63.54±10.32）歲；HER2 表達陽性者 10 例，年齡（61.70±11.70）歲。男 45 例（HER2 表達陰性 38 例，HER2 表達陽性 7 例），女 17 例（HER2 表達陰性 14 例，HER2 表達陽性 3 例）。62 例患者的腫瘤 Lauren 分型：腸型 18 例（HER2 表達陰性 13 例，HER2 表達陽性 5 例），彌漫型 30 例（HER2 表達陰性 28 例，HER2 表達陽性 2 例），混合型 14 例（HER2 表達陰性 11 例，HER2 表達陽性 3 例）。HER2 表達狀態與患者年齡、性別和腫瘤 Lauren 分型之間無相關性（P>0.05），見表 1。
表1
62 例胃癌患者的年齡、性別和腫瘤 Lauren 分型與 HER2 表達狀態的關系
2.2 紋理分析結果
B11 模塊最多能分析 30 個不同的紋理特征參數，MI+PA+F 能綜合結合 3 種判別方式而判別選擇出 30 個最佳紋理特征參數，由此采用“MI+PA+F.sel”文檔保存的紋理特征參數進行特征數據分析。紋理特征選擇情況見表 2 和表 3。
表2
MI+PA+F 提取出的最佳紋理特征參數
表3
MI+PA+F 紋理特征選擇情況
病變的誤判率按照分類組合計算依次得到的結果以及對應的效果等級見表 4。按照病變的誤判率效果等級分類，本研究的 4 個分析組合均在良好等級以上。提示各分析方法均能較好地將胃癌病灶的 CT 平掃的紋理特征參數和 HER2 表達水平對應結合在一起，能夠基于此方法用 CT 平掃圖像的紋理特征來初步區分 HER2 的表達水平。
表4
62 例胃癌患者的 MI+PA+F 病變誤判率結果
3 討論
HER2 是原癌基因，編碼產物 HER2 癌蛋白是跨膜受體酪氨酸激酶家族的成員，調節細胞的生長、存活、分化和遷移[12]。HER2 的表達狀態經曲妥珠單抗用于胃癌（ToGA）的試驗結果表明是曲妥珠單抗治療晚期胃癌的療效預測標志物之一，在 HER2 過表達病例化療中加入曲妥珠單抗治療能改善總體生存（Overall Survival，OS）時間[13]。胃癌組織中 HER2 表達的異質性對于取材檢測的要求較高，目前多數胃癌 HER2 表達檢測的標本多為手術標本，少數為胃鏡活檢標本，并且胃鏡活檢單次取材不能準確反映腫瘤整體的 HER2 表達，需要多點活檢取材以避免檢測的不準確性，給 HER2 整體表達檢測帶來了不便[14-15]。本研究結果顯示，HER2 的表達與患者年齡、性別和傳統的 Lauren 分型無相關性。并且有其他研究[16]表明，HER2 可以作為獨立的檢測標志物應用于胃癌的診治。據此凸顯了將 CT 平掃圖像的紋理分析用在區分 HER2 表達水平上的嘗試具有將 HER2 現今的有創檢測提前至結合 CT 檢查和圖像后處理進行無創檢測的意義。
紋理分析是常用圖像后處理方法，有較好的獲得性，其研究起源較早，20 世紀 60 年代起就對圖像的紋理特征參數做出了研究，前期受計算機技術發展限制進展緩慢，近年來隨著計算機設備和技術的迅速發展，使用計算機相關程序進行輔助檢查、輔助診斷和輔助分析的范圍越來越廣[17]，其作為醫學圖像后處理中的一個重要參數來源，越來越體現出在腫瘤影像等各類醫學影像檢查中的重要性[18]。胃癌是腫瘤細胞異質性較高的消化系統常見腫瘤，CT 檢查作為胃癌分期和治療評價的常用檢查方式，應用廣泛[4]。本研究選用 CT 平掃圖像，一是從 CT 平掃圖像中提取的數據比從 CT 增強掃描中提取的數據要簡單很多；二是 CT 平掃檢查更易于控制，掃描更容易獲得 CT 平掃圖像；三是盡管也可以使用 CT 增強圖像，但是本研究將分析限制在 CT 平掃圖像上，因為是想知道這種僅基于 CT 平掃圖像的紋理分析是否足以對 HER2 表達水平進行令人滿意的區分，如果此分析確實有效，則將有助于防止不必要的 CT 增強掃描，并且有助于在難開展 CT 增強掃描的醫院和地區提升 CT 檢查所得數據；四是本研究為單中心研究，病例數據來源于同一臺機器的檢查，有助于減少檢查偏差和差異，也是對單中心專機檢查結合紋理分析的一個探討；五是基于有其他研究[19]表明，CT 平掃圖像的紋理分析可用于腎上腺偶發瘤的鑒別診斷，也有其他研究[20]表明肺癌 CT 增強圖像受灌注影響，與平掃圖像中發現的紋理參數有明顯的質地差異。
本研究將胃癌的 CT 平掃圖像紋理特征用于區分 HER2 的表達水平，用于紋理分析的圖像后處理軟件的選擇是極其重要的。目前有很多軟件應用于紋理分析的各個步驟中[21]。本研究擬定了軟件選擇原則為開源、易獲取、成熟簡單、易操作、易解讀、全流程參與以及專業的紋理分析軟件，由此選擇 MaZda 獲取胃癌 CT 平掃圖像中從一階到高階的多類特征參數，并且使用軟件自帶的統計分析模塊自動尋找紋理特征參數與 HER2 表達的關系，并進行自動判別分析來評價關聯效能。MaZda 軟件在特征提取和特征分類步驟中原理基礎是機器學習（machine learning）模式，應用數據分析與挖掘，利用內置的統計分析、知識發現等手段處理海量數據，對紋理特征做提取和分類，選擇高效能的特征參數用于判別分析。B11 模塊是基于實例結合統計學方法和機器學習方法，對于提取的 30 個高效能特征向量計算均值和標準差值，在整體特征向量矩陣中計算得出本征值向量，據此對每個病例紋理特征計算出最具表達特征的向量，再結合近鄰網絡和神經網絡分析方法進行分類判定計算，沒有單獨提及一個或者幾個特征進行受試者工作曲線 (ROC) 分析來判定效能和相關性，是因為通過軟件自帶的統計分析功能對特征和相關性進行了分析，并且是基于一組多向量的綜合分析，在區分結果上更準確，是簡捷、有效的研究方式。
本研究的不足之處在于：① 單中心的胃癌病例較少，對照 HER2 表達狀態分組后各組病例更少，分組后樣本量不足、可能會影響結果誤判率，后期通過單中心的數據補充來修正判讀能力，以期建立成熟的單中心應用模式逐步向外推廣應用。② MaZda 軟件自帶的 B11 模塊雖然能獨立進行計算分析出結果，但是其允許的特征和數據向量的數量以及可用的機器學習算法有限制，如果進行后期的更深層次數據挖掘和分析 B11 略顯能力不足。
總之，本研究結果顯示：① 基于 CT 平掃圖像的紋理分析具有無創檢測胃癌 HER2 表達狀態的潛力，但未來還需要納入更多病例進行驗證；② 綜合效能最好的紋理判別方法是非線性分析結合 ANN（NDA/ANN）和線性判別分析結合 1-NN（LDA/1-NN）。
重要聲明
利益沖突聲明：本文全體作者閱讀并理解了《中國普外基礎與臨床雜志》的政策聲明，我們沒有相互競爭的利益。
作者貢獻聲明：張笑撰寫文章，黃偉指導軟件使用，宋彬給予工作支持。
倫理聲明：本研究已通過樂山市人民醫院臨床倫理委員會審批 ［批文編號：樂市醫院倫委（2021）041號］。
