★ FEATURED ARTICLE 搞过超声影像组学的同行应该都有同感这个方向入门不难真正把结果做稳、把临床故事讲圆是需要反复打磨的。最近我们团队把“基于超声影像组学预测乳腺癌雌激素受体和孕激素受体双阴性表达”这个课题做到了第二版踩过的坑、想通的门道比最终AUC数字本身更有价值。这个项目的本质是用无创、平价、可重复的超声图像通过高维定量特征和机器学习术前预测乳腺癌的ER/PR双阴性受体状态。它解决的是临床上一个很现实的痛点受体状态决定治疗路线但活检取样有局限影像却能看到整个肿瘤。如果你正准备做医学影像组学尤其是超声方向或者你在乳腺癌诊疗一线想了解影像组学到底能帮上什么忙这篇复盘值得花十分钟看完。我不打算讲太虚的理论重点放在方案设计、特征筛选、模型评估、避坑经验这些实操层面的东西上。1. 项目背景与核心思路拆解1.1 临床痛点为什么要去预测ER/PR双阴性乳腺癌治疗方案的制定高度依赖免疫组化测出来的受体状态。雌激素受体和孕激素受体这俩指标决定患者是否适合内分泌治疗。ER和PR都阴性意味着内分泌治疗基本无效患者往往需要化疗或更强毒性的方案如果同时HER2也阴性那就是三阴性乳腺癌预后更差治疗方案也更特殊。所以术前知道受体状态对治疗决策、新辅助化疗方案选择、患者沟通都有实际指导价值。但目前的金标准是病理活检。活检的问题是第一有创。乳腺穿刺虽然风险不大但毕竟有出血、感染、疼痛患者接受度参差。第二取样代表性有限。肿瘤内部存在空间异质性同一个病灶不同区域的受体表达可能不同。一根穿刺针取到的组织能不能代表整个肿瘤很多时候是打问号的。临床上确实见过穿刺报告为受体阳性、术后大病理却出现部分阴性区域的情况也见过活检假阴性的病例。第三动态监测困难。患者接受新辅助化疗后受体状态可能变化再通过反复活检去动态追踪不现实。这时候影像组学提供了一个补充视角通过超声图像提取整个肿瘤区域的定量特征预测受体状态。它无创、可重复、能看到全病灶虽然不能替代病理诊断但在术前风险评估、活检策略指导、动态监测这些场景里是有真实价值的。1.2 技术选型为什么偏偏是超声影像组学影像组学的思路简单说就是把医学图像里人眼能看和不能看的信息用大量定量特征表达出来再交给机器学习去找规律。常规超声判读医生看的是边界、形态、回声、钙化这些经验性特征影像组学则可以通过直方图、纹理矩阵、小波变换等数学变换提取上千个特征有些特征反映的是像素级灰度分布的微观差异肉眼根本看不出来。那为什么选超声而不是MRI或者钼靶说实话MRI影像组学研究的文章数量比超声多得多图像标准化做得也更好做。但回到临床应用场景乳腺超声在中国的可及性远高于增强MRI基层医院都有超声设备成本低、无辐射、实时出图。如果能用超声解决这个问题推广价值更大。超声的劣势也很明显图像采集标准化差探头频率、增益、深度、机器型号都会影响像素值操作者手法不同图像差异更大。这些在后面对特征稳定性的影响非常致命。所以这不是一个轻松的方案但在“可及性和性价比”面前值得做。2. 整体方案设计与数据准备2.1 研究队列构建与纳入排除标准这个课题我们做第一版的时候最大的教训就是队列不够干净。后来痛定思痛把纳入和排除标准严格定下来整个模型稳定性明显上来了。纳入标准我们最终定的是经病理确诊的乳腺浸润性癌非特殊类型或特殊类型均可但必须有完整免疫组化记录术前做过高频乳腺超声检查图像是标准纵切面或横切面且为DICOM或未压缩的原始导出格式超声检查时间与病理获取时间间隔不超过两周避免病灶在此期间发生明显变化首次确诊、之前未接受过任何新辅助治疗或放疗。这一点很重要治疗会改变肿瘤微环境和图像特征混进来会让模型学到不相关的信号。排除标准没有想象中简单。我们排除了双侧乳腺癌、合并其他恶性肿瘤病史、以及超声图像上有严重伪影或病灶显示不完整的病例。还有一个容易被忽略的点有些病例的超声是带屏幕刻度、测量标记、方位标注的文字叠加图像这种图直接拿来提取纹理特征测出来的特征值会被刻度线和文字干扰必须排除。第一版我们收了某医院近六年的病例共300多例ER/PR双阴的比例大约是28%去掉图像质量不合格和临床信息不全的可用样本还剩大约290例。说实话这个样本量做影像组学偏少后面在特征筛选和评估策略上得特殊处理不能照搬大样本研究的套路。2.2 超声图像采集与标准化处理进入建模阶段之前图像标准化是必须跨过的一道坎。超声图像不是天然的定量数据同一台机器、不同增益设置下同一个病灶的灰度值都可以不一样。不同品牌设备之间差异更大得离谱。我们处理标准化分了三个层面灰阶归一化是底线。把原始图像像素值重新映射到0到255的范围这是最基础的。我们内部做过对比实验相同病例在归一化前后提取的特征值稳定性差距明显尤其在GLCM和GLSZM这类纹理特征上归一化之前特征值随机器参数波动严重。空间重采样是第二步。超声图像上病灶在不同图像里的物理尺寸对应的像素数不一样。如果直接比较纹理特征一个两厘米肿块和一个四厘米肿块的像素级特征天然不可比。我们统一把ROI区域重采样到1×1毫米的体素间距再计算形状和纹理特征。这一步能显著提升特征在不同设备采集图像之间的可比性。最后是灰度离散化。这是做纹理特征时的关键参数PyRadiomics默认会设置bin width。对超声图像来说常见做法是把bin count固定为32或者bin width固定在25但具体数值需要根据你自己的数据分布微调。换数据集的时候这个参数要重新验证不能照搬别人文章里的值。另外一个值得注意的细节图像导出格式。不同超声设备导出来的图格式五花八门有些是jpg压缩后纹理细节已经丢失。我们要求使用DICOM或者TIFF这种无损格式。用BMP导出也可以但要注意部分设备导出的bmp本身已经做过后处理增强同样会引入偏差。2.3 ROI勾勒与特征提取管线ROI是影像组学的命根子。特征都是从ROI区域里算出来的ROI画得好不好直接决定特征值的可靠性。我们用的是最大肿瘤切面2D ROI在ITK-SNAP软件上手动勾画。操作规范是这样两名有超过五年乳腺超声诊断经验的医生独立勾画勾画时统一放大倍数统一灰阶显示范围统一边界判断规则。这个规则里面有个容易踩的雷边界定义不能模糊。乳腺低回声病灶周围通常会有一圈高回声晕环有人把晕环算进去有人不算这两种画法出来的纹理特征完全不同。我们统一按“晕环内侧缘为肿瘤边界”处理并且要求相邻层面面积突变超过30%时重新审核。两位医生画完之后计算Dice系数和组内相关系数ICC。如果Dice低于0.8或者ICC低于0.75由第三名高年资医生仲裁。这个流程很费人力但没有办法前期不扎实后期出来的模型就是空中楼阁。特征提取我们用的是PyRadiomics这个开源工具包应该是影像组学方向的事实标准。特征类别覆盖一阶统计特征、形状特征、灰度共生矩阵GLCM、灰度游程矩阵GLRLM、灰度大小区域矩阵GLSZM、邻域灰度差矩阵NGTDM和灰度依赖矩阵GLDM。基础特征大概一百多个再叠加小波变换的八个滤波器组合总特征数直接上千。第一版我们一股脑把所有特征丢给模型结果训练集AUC接近0.95测试集直接跌到0.65这是典型的维度灾难加过拟合。第二版开始我们重新梳理特征筛选逻辑第三部分展开讲。3. 特征筛选与模型构建的实现细节3.1 特征预筛告别维度灾难上千个特征两百多个样本直接扔进模型和赌博没区别。特征筛选的核心思想是把有预测力的特征找出来同时把噪声和冗余干掉。我们的预筛分三步。第一步去掉方差接近零的特征。通俗说就是在一个队列里所有患者身上都差不多的特征没有区分度留下没有意义。第二步做相关性分析。两个特征之间相关系数超过0.9只保留其中一个避免多重共线性干扰模型。这一步做完特征数量通常能从一千多降到三百多。第三步用LASSO回归做带L1惩罚的筛选。这里需要重点说LASSO里的惩罚系数lambda不是拍脑袋定的。我们用十折交叉验证遍历lambda值画出“交叉验证误差-lambda”曲线选误差最小的点并遵循“one standard error”原则即选择误差在一个标准误范围内的最大lambda这样得到的模型更稀疏、更保守。最后定下来进入模型的特征是14个以纹理特征和小波衍生特征为主。这本身就是一个有临床意义的发现在这个数据里双阴肿瘤和对照组的差异主要体现在纹理和灰度微观分布上而不是肉眼可见的形状、边界这类宏观特征。也就是说双阴性乳腺癌在超声图像上可能没有显著的外部形态差异但它内部的微观结构模式已经变了。这个观察如果后续能在更大样本里重复出来是有可能转化为临床应用线索的。3.2 建模策略对比与参数配置在特征筛选完成后我们对比了几种常见的分类模型逻辑回归、随机森林、支持向量机SVM、极端梯度提升XGBoost和轻量梯度提升机LightGBM。小样本场景下我的强烈建议是优先考虑带正则化的线性模型不要一上来就上集成学习。道理很简单样本量有限时非线性模型的表达能力和过拟合风险成正比。我们的实际对比数据也印证了这一点模型训练集AUC内部验证AUC独立测试AUC稳定性评估逻辑回归L1正则0.890.860.80稳定随机森林0.980.870.73波动大XGBoost0.990.880.72波动大SVMRBF核0.920.840.76中等有人会问为什么随机森林和XGBoost训练集AUC高到0.98乃至0.99测试集反而更差这就是过拟合最直观的表现模型把训练集里的个体噪声当成了规律而集成模型的决策边界拟合得越精细在小样本上泛化能力越差。逻辑回归是我在这个场景里的首选除了稳定性好之外还有一个东西是可解释性。线性模型的系数可以直接解读某个纹理特征的系数为正代表该特征值越高预测为双阴的概率越大。临床医生看这个比看一个黑盒输出更愿意接受。最终模型我们选了L1正则逻辑回归在14个筛选特征上训练。内部验证AUC做到0.86独立测试集AUC在0.80左右。注意这个“独立测试集”是一开始就抽出来的病例从特征筛选到建模的所有环节它都没有参与。这是防止模型虚高最关键的纪律。3.3 模型评估不只是看AUC做影像组学研究最容易犯的一个毛病就是只盯着AUC说话。AUC是综合了所有阈值下的表现但临床真实使用场景只会在某一个固定的阈值下工作所以除了AUC还必须看几个落地的指标。我们确定的评估矩阵包括敏感度和特异度是最基础的。我们在内部验证里用约登指数确定最佳阈值这个阈值下模型敏感度约77%、特异度约78%。如果用途是术前筛查举个例子我们想知道哪些双阴性患者可能对内分泌治疗不敏感、需要调整方案那宁可敏感度高一点、特异度低一点也要把双阴的患者尽量筛出来。这个阈值怎么选取决于应用场景不是越高的约登指数就越对。阳性预测值和阴性预测值的意义更实际。在ER/PR双阴患病率约28%的队列里模型的阴性预测值可以达到85%左右这意味着如果模型预测某患者不是双阴那她大概率真的不是双阴这个信息在临床决策里是有参考价值的。校准曲线也很重要。说人话就是模型预测某患者双阴概率是80%那么这批人里真实双阴的比例也应该在80%附近。有些模型AUC不低但预测概率严重偏移这在临床上用起来会误导决策。我们做过校准修正用Platt缩放把逻辑回归输出的概率重新校准一遍。最后推荐大家养成做决策曲线分析的习惯。这张图能直接回答一个临床问题在不同阈值下用这个模型去决定治疗方案净获益有多大。写文章审稿人喜欢看这个临床医生看了也会更容易理解模型价值。4. 实操中的问题排查与避坑经验4.1 过拟合怎么破这个坑我们在第一版栽得挺惨。一开始图省事在全样本上跑完特征筛选再去做交叉验证结果内部AUC虚高到0.93一放到预留的独立测试集立刻跌到0.65。后来才明白问题出在信息泄漏。特征筛选必须在训练集内部完成。说白了验证集和测试集在整个建模流程里必须完全“隐身”。你不能拿全样本选完特征再去切训练集测试集因为你选特征的时候已经偷看到了验证集的分布信息。解决办法是嵌套交叉验证。外层循环负责评估模型性能内层循环负责完成特征筛选和参数调优。每个外层的训练折内特征筛选流程重新跑一遍保证被选出来的特征只依赖当前折的训练数据。这样得到的AUC估计才接近真实泛化性能。这是影像组学小样本研究里最重要的一课没有之一。4.2 ROI一致性问题ROI勾画差异对纹理特征的影响大到让人怀疑人生。同一个病例让两个医生各画一遍提取出的GLCM特征可以差20%以上。人手的边界判断、鼠标轨迹的微小偏移都会产生特征层面的明显差异。有经验的团队会做两件事。一是标准化勾画环境固定图像缩放倍数、固定灰阶窗宽窗位。二是事先定义边界规则不能临场发挥。我们内部明确规定低回声病灶以高回声晕环内侧为界伴有液化坏死时坏死区属于病灶内部不应挖掉钙化点如果位于病灶边缘以钙化外缘为边界。规则越细返工越少。计算观察者间一致性不是走过场。我们在最终纳入分析的病例里两位医生勾画的平均Dice系数是0.84ICC均高于0.8低于这个标准的病例哪怕特征提取已经跑完也要退回重画。4.3 不同超声设备批次效应这是超声影像组学区别于CT、MRI最头疼的问题。CT有标准的Hounsfield单位不同机器之间数值是可比对衡的超声图像的灰度值没有这种统一的物理基准不同机器调校出来完全是两套数值体系。我们数据里有两台不同品牌设备来源的图混合建模之后发现大部分特征都存在极度显著的组间差异。这时候粗暴地混在一起训练模型学到的很可能是“哪台设备拍的”而不是“病灶是什么受体状态”。处理批次效应第一步还是灰阶归一化能把一部分差异磨平。但说实话仅靠归一化不够我们后来用了ComBat算法做批次校正。这个算法是从基因表达数据那边借过来的本质是把不同批次数据的均值和方差调整到一个共同的基准。在外部验证数据上ComBat处理之后模型测试性能有所回稳。另外一个经验是所有图像预处理参数和批次校正参数都只能在训练集里估计然后再应用到验证集和测试集。不然又是一种间接的信息泄漏。4.4 类别不平衡问题队列里ER/PR双阴的比例只有28%左右如果你不处理类别不平衡模型为了整体准确率高会倾向于把所有样本都预测成“非双阴”。结果就是AUC可能还行但灵敏度很低双阴患者大量漏检。处理方式有两条路。一是在训练时给少数类样本加大权重让模型在损失函数的层面上更重视双阴样本。二是用SMOTE等过采样方法生成少数类的合成样本。我做下来感觉样本量在两百多例这个量级时调整类别权重的效果优于SMOTE因为合成样本可能会引入本来就子虚乌有的特征组合模式反而增加噪声。必须强调的是过采样只能在训练集内部操作验证集和测试集必须保持真实世界中的类别分布比例。有人为了提升测试集表现把过采样扩展到整个数据集这样的AUC毫无意义。5. 从模型到临床落地和泛化5.1 单中心到多中心真实世界的落差模型在自家单中心数据上的结果再漂亮也只是起点。我们做第一版内部测试时AUC在0.86左右后来尝试到一个合作单位的数据上去做外部验证AUC直接掉到0.72。这个幅度一点都不意外但真正经历过还是让人难受。掉点的原因林林总总不同地区患者人群构成不同、设备型号不同、超声医生的操作习惯不同、图像后处理参数不同。这些都是特征分布的偏移。ComBat可以校正一部分已知的批次差异但有些未知混杂因素没有好办法只能在更大规模的合作队列里去评估。因此我们建议有条件的团队在一开始做数据收集时就和两到三家单位达成合作意向哪怕先不用于训练留作独立外部验证也比单中心结果有说服力得多。5.2 可解释性怎么让临床医生信你影像组学模型被诟病最多的地方就是“黑盒”。一个纹理特征从图像里算出来数学上很漂亮但临床医生不知道这个特征到底对应什么生物学意义自然不愿意为它改变治疗决策。我们后期加了SHAP分析针对每个预测样本输出特征贡献图。结果发现贡献最大的几个特征主要落在小波变换后的纹理族说明模型捕捉的是高频的灰度变化模式间接反映微观组织结构的不均匀性。我们把这些特征和病理上的核分级、细胞异型性做了相关性分析能看到一定的对应关系。这种对应关系目前还只是观察性的但也足够作为和临床医生对话的起点。还有一点很实用模型必须给出预测概率而不是只给一个二分类结果。临床面对的不确定性本来就是连续的“概率置信区间”比“双阴/非双阴”这种硬划分更有决策价值。5.3 产品化从论文到超声设备真要说落地现在做的离“嵌入超声设备实时给出预后提示”还有距离。产品化需要解决特征计算的实时性和一致性需要在不同设备上复现同样的特征提取流程还需要前瞻性临床试验证明模型能带来临床获益。目前我们团队能做到的是把整个特征提取和预测流程打包成一个脚本在拿到标准超声图像后两分钟以内输出预测概率。但每一次跨设备、跨中心迁移都要重新做一遍标准化流程。这个工作没有抗体只能一个个数据源去碰、去适配。我个人现在最大的体会是影像组学项目里模型算法只占三成七成精力都在数据清洗、标准化和验证设计上。谁把自己的数据管线打磨得越扎实谁的路就能走得越远。这段时间做的最大动作是把整个流程封装成一套内部规范从入组病例的审核、图像导出、ROI勾画培训和质量控制到特征提取的固定版本依赖、批次校正参数的存储全都有书面记录。因为我们发现科研项目的可复现性并不仅仅体现在论文代码开源而是体现在换一个人、换一批数据还能跑出一致结果的工程能力。这个方向后续还可以做深度学习端到端的特征提取但目前从可解释性和数据效率角度看传统影像组学流程依然有自己的优势。
阅读完成 · 觉得有帮助？
