文献速递胸部心血管CT

ITALUNG筛查试验中吸烟者及戒烟者基线低剂量CT的肺气肿改变与冠状动脉钙化及长期死亡率的关系

Pulmonary emphysema and coronary artery calcifications at baseline LDCT and long-term mortality in smokers and former smokers of the ITALUNG screening trial.
PubMed 文献 · Eur Radiol · 2023-03-01

在ITALUNG试验524例接受基线低剂量CT的吸烟者/戒烟者中,用密度法定量肺气肿改变(RA950)并以0-3视觉评分评估冠状动脉钙化,随访中位13.6年。校正年龄、性别、吸烟史和CAC后,中重度肺气肿与总死亡率(OR 2.22)和心血管病死亡率(OR 3.66)独立相关;机器学习显示RA950是预测总死亡和心血管死亡的最佳单一特征。作者认为肺气肿改变定量应纳入筛查后个体死亡风险计算。

要点

  • 基线LDCT密度法RA950可定量肺气肿改变,中重度(RA950>9%)与长期总死亡和心血管死亡独立相关。
  • CAC视觉评分0-3分中,中重度CAC与总死亡关联未达统计学显著(OR 1.51,95%CI 0.94-2.43)。
  • 机器学习显示RA950是预测总死亡和心血管死亡的最佳单一特征,AUROC分别为0.70和0.73。

核心结论

  • 中重度肺气肿改变是接受肺癌筛查者长期总死亡和心血管病死亡的独立预测因素,应纳入筛查后个体死亡风险计算。

研究设计与样本

  • 纵向研究,纳入ITALUNG随机临床试验中Florence和Pisa两个筛查中心的524例受试者,基线LDCT使用两台相同的4排探测器CT(Somatom Volume Zoom,Siemens Healthcare)及相同低剂量方案。
  • 基线LDCT采集参数为1 mm准直、螺距1.75×4、重建1.25 mm、140 kV、40 mAs,于吸气末一次屏气完成。
  • 肺气肿用密度法(Pulmo或SYNAPSE 3D软件,平滑核b31f重建)以RA950定量,CAC用0-3视觉半定量评分,参考标准为随访至2018年12月31日的区域死亡登记和肿瘤登记。
  • 随访中位13.6年(Q1-Q3:12.9-13.9年),采用常规统计(Cox模型)和机器学习(XGBoost、SHAP)分析。

关键影像表现/征象

  • 肺气肿改变见于32.3%的受试者,轻度(6%≤RA950≤9%)占14.9%,中重度(RA950>9%)占17.4%。
  • CAC见于67%的受试者,轻度占34.7%,中重度占32.2%。
  • 肺气肿改变的存在与男性、年龄和已戒烟状态相关,CAC的存在与男性、年龄和包年相关。
  • 肺气肿改变的存在或严重程度与CAC之间无相关性。
  • 肺气肿或CAC与肺癌发病率无差异。

诊断标准与关键数值

  • 肺气肿改变定义为RA950≥6.0%,并分为轻度(6%≤RA950≤9%)和中重度(RA950>9%)。
  • CAC视觉评分0=无,1=轻度(段内孤立斑点状CAC),2=中度(介于轻度和重度之间),3=重度(段内连续性CAC);分析中将中度和重度合并。
  • 校正年龄、性别、吸烟史、筛查中心和CAC视觉评分后,中重度肺气肿与总死亡的OR为2.22(95%CI 1.34-3.70)。
  • 校正后中重度肺气肿与心血管病死亡的OR为3.66(95%CI 1.21-11.04);中重度CAC与心血管病死亡的OR为3.18(95%CI 0.99-10.16)。
  • 中重度CAC与总死亡的OR为1.51(95%CI 0.94-2.43),未达统计学显著;机器学习中RA950预测总死亡和心血管病死亡的AUROC分别为0.70和0.73,预测肺癌死亡时包年和RA950最重要,AUROC=0.61。

临床应用与阅片要点

  • 在肺癌筛查基线LDCT报告中,可对肺气肿改变进行RA950密度法定量并分级,以辅助个体化死亡风险评估。
  • CAC视觉评分0-3分快速、可重复,与Agatston评分预测心血管事件和死亡的表现相当,阅片时应一并评估以控制混杂。
  • 作者认为肺气肿改变定量应纳入筛查后个体死亡风险计算。
  • 肺气肿改变与CAC之间无相关性,两者对死亡的预测相互独立,报告时不宜互相替代。

局限性

  • 由于CT扫描仪异质性,数据仅来自ITALUNG试验中接受基线LDCT者的37.2%(524/1406),虽具代表性但样本有限,需更大样本研究及机器学习算法在独立样本中的外部验证。
  • 呼吸系统疾病死亡数少,无法评估肺气肿改变对呼吸系统死因的预测价值。
  • 未测量气道壁厚度,可能掩盖COPD相关CT改变全谱对死亡风险的贡献。
  • 使用两种软件进行肺气肿定量,但均应用于相同CT扫描仪和方案采集的图像;在一项50例患者比较8种软件的研究中,RA950的软件间平均偏倚在±0.46%以内。
  • 基线筛查时(2004-2006年)对LDCT检测到的CAC或肺气肿改变尚无明确处理建议,本回顾性研究无法评估此类报告的影响和后果。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2023 Mar 1;33(5):3115–23. doi: 10.1007/s00330-023-09504-4

引言

心血管疾病(CVD)、肺癌(LC)和呼吸系统疾病是接受低剂量计算机断层扫描(LDCT)进行肺癌筛查的吸烟者和既往吸烟者的三大主要死因[1–4]。目前美国推荐对50–80岁、吸烟史至少20包年或过去15年内戒烟的人群进行LDCT筛查[5]。值得注意的是,LDCT还能够可视化和评估吸烟相关的共病生物标志物,特别是冠状动脉钙化(CAC)和肺气肿性改变[6]。尽管CT上的肺气肿性改变与符合慢性阻塞性肺疾病(COPD)的临床或功能性气流阻塞证据之间相关性较弱[7],但将LDCT后关于吸烟相关共病潜在生物标志物(如CAC和肺气肿性改变)的信息纳入个体风险画像的定义日益受到关注[8–10]。根据个性化医学方法,这可能改善肺癌风险分层、调整筛查LDCT干预(起始年龄、LDCT轮次频率和停止年龄),并预测吸烟相关竞争性原因的个体死亡结局[11],从而最大化肺癌筛查的获益并最小化其危害。

在肺癌筛查的LDCT检查中,肺气肿性改变的评估可通过视觉[12, 13]或密度测定法[11, 14, 15]进行。肺密度测定受观察者间变异性的影响较小[16, 17],且更能对肺气肿严重程度进行分层[18]。

在本研究中,我们评估了ITALUNG随机临床试验[2]招募的受试者中,基线LDCT肺气肿性改变定量与随机化后13年死亡率之间的关联。

材料与方法

参与者的选择与特征描述

ITALUNG试验(临床试验注册号 = NCT02777996)经意大利托斯卡纳地区三家参与机构的当地伦理委员会批准(批准号:2003年9月30日第29–30号;2003年10月27日第23号;2004年5月13日第00028543号),每位参与受试者均提供了书面知情同意。方案、LDCT结果和死亡率此前已有报道[2, 19, 20]。纳入标准为55–69岁、吸烟史≥20包年且目前吸烟或过去10年内戒烟的受试者。总体而言,1613名受试者被随机分配接受4次年度LDCT,1593名接受常规照护。主动组中1406名受试者在2004年至2006年间获得了基线LDCT。在ITALUNG中,我们在2004–2012年LDCT主动筛查期间使用了来自两家厂商的8台不同螺旋CT扫描仪[21]。CT扫描仪技术影响肺气肿性改变的定量,因为它决定了采集参数的范围,其中层面准直和图像重建滤波最为重要[17, 22]。在ITALUNG两个筛查中心(佛罗伦萨和比萨)招募的536名受试者中,基线LDCT检查使用两台相同的4排探测器CT扫描仪(Somatom Volume Zoom,Siemens Healthcare)和相同的LDCT检查方案获得。该基线LDCT构成了本调查的基础。

LDCT及其评估

扫描仪每天在空气中进行校准。肺癌(LC)筛查的采集技术包括从肺尖到肺底的1 mm准直切片,束螺距1.75 × 4,重建1.25 mm,140 kV,40 mAs,于吸气末一次屏气期间获取。

在评估之前,低剂量计算机断层扫描(LDCT)检查图像的质量根据运动伪影、金属支架置入等所致伪影判定为合格或不合格。

肺气肿

我们使用密度测定法在采用平滑核(b31f Siemens)重建的图像上对肺气肿性改变进行了定量评估。为此,我们按照既定流程[17],在佛罗伦萨队列中使用Pulmo(Siemens, Healthcare)软件,在比萨队列中使用SYNAPSE 3D(Fujifilm)软件。肺气肿性改变的存在定义为密度值低于950亨斯菲尔德单位的肺相对面积(RA950)[18]经采集时肺容积标准化后达到6.0%阈值。随后将存在肺气肿性改变的受试者任意分为轻度(6% ≤ RA950 ≤ 9%)和中重度(RA950 > 9%)肺气肿两组。

冠状动脉钙化(CAC)

在肺癌筛查LDCT中可视化的CAC是筛查人群中全因死亡和心血管疾病(CVD)死亡的既定预测因子[6, 23, 24]。因此,必须对其进行评估以控制这一可能的混杂变量。据此,在本研究中,我们采用视觉半定量评分系统评估CAC,该方法快速、可重复,且在预测心血管事件和死亡方面表现与Agatston评分相当[23],其结果已在整个ITALUNG队列中既往报道[25]。通过评估整个冠状动脉血管,该方法区分4个评分:0 = 无,1 = 轻度(段内孤立性CAC斑点),2 = 中度(轻度和重度之间的任何程度),3 = 重度(段内连续性CAC)。在此,我们将中度和重度CAC合并考虑,因为与无或轻度CAC相比,它们可显著预测CVD死亡[25]。

在524名受试者(比萨队列267名受试者,佛罗伦萨队列257名受试者)的基线LDCT中,肺气肿和CAC的评估均可行,而12名受试者因基线LDCT技术不合格而被排除。最终纳入的524名受试者的特征见表1。值得注意的是,他们的年龄、性别、吸烟史和CAC严重程度与ITALUNG中接受基线LDCT且可进行CAC评估的其余840名受试者相似(表1)。

表1 纳入研究的524名受试者及ITALUNG活性组中可进行冠状动脉钙化(CAC)视觉评估的840名受试者在基线LDCT时的特征 查看原表 ↗

随访

524名受试者(以及ITALUNG活性组的其余成员)随访至2018年12月31日,从随机化日期起的中位随访时间为13.6年(Q1–Q3:12.9–13.9年)。队列中肺癌(LC)的发病率通过与托斯卡纳地区肿瘤登记处的链接确定。通过链接地区死亡登记处进行生命状态和死因随访,并包括居住状态的核查。死因根据国际疾病分类(ICD)第IX版对2009年之前死亡的受试者进行编码,第X版对2010年及以后死亡的受试者进行编码,考虑LC(ICD-9编码162和ICD-10编码C33-C34)、其他癌症(ICD-9编码140–239和ICD-10编码C00-D48)、心血管疾病(CVD)(ICD-9编码390–459和ICD-10编码I00-I99)以及呼吸系统疾病(ICD-9编码460–519和ICD-10编码J00-J99)。

统计分析

风险人年从随机化日期计算至死亡日期或删失日期(迁移或随访结束)。分类间频率分布的比较使用卡方检验进行。调整死亡率比和置信区间使用Cox模型估计。所有数据分析使用Stata软件16.1版进行。

机器学习分析

基于常规统计结果(见下文),我们使用机器学习技术评估以下特征对总体、LC和CVD死亡率预测的贡献:年龄、性别、吸烟状态、包年、CAC视觉评分和RA950。为此,我们训练、验证和测试了极端梯度提升(XGBoost)模型(使用默认参数)[26],这是一种基于树的机器学习模型,广泛用于在各种近期机器学习挑战中实现前沿性能。我们采用重复(十次)分层十折交叉验证策略进行LC和CVD死亡率预测。对于总体死亡率预测,鉴于每个类别中受试者数量较大(即截至2018年12月31日,81名受试者死亡,而443名未死亡),我们进行了重复(十次)分层嵌套10–五折(即外层十折和内层五折)交叉验证,以估计模型的无偏泛化性能,同时进行超参数优化[27]。超参数空间定义如下:更新中用于防止过拟合的步长收缩,即eta ∈ (0.5, 0.7, 0.9),在树的叶子上进行进一步划分所需的最小损失减少,即gamma ∈ (10, 100, 1000),以及树的最大深度,即max_depth ∈ (2, 3, 4, 5)。性能通过受试者工作特征曲线下面积(AUROC)测量,我们计算了十次重复的平均AUROC。然后,我们通过使用Shapley加性解释(SHAP)方法[28]解释预测。通过为每个样本的每个特征分配重要性值,SHAP是一个强大的可解释人工智能(XAI)框架,用于基于博弈论中的传统Shapley值评估预测[29]。该方法可以在局部(单个样本)和全局解释模型。所有机器学习分析使用内部Python代码(版本3.7.0)在M1 MacBook Air(macOS Monterey版本12.6)上进行。

结果

在纳入研究的524名受试者中,169名(32.3%)存在肺气肿性改变,其中轻度占14.9%,中重度占17.4%(表1)。大多数(351/524;67%)受试者显示一定程度的冠状动脉钙化(CAC),其中轻度占34.7%,中重度占32.2%。值得注意的是,524名受试者的年龄、性别、吸烟史和CAC严重程度与ITALUNG研究中其余840名可进行CAC视觉评估的受试者相似(见表1)。肺气肿性改变(任何程度)的存在与男性性别、年龄和既往吸烟者状态相关,而CAC(任何程度)的存在与男性性别、年龄和包年相关(表2)。肺气肿性改变的存在或严重程度与CAC之间无相关性(表2)。

未观察到肺癌(LC)发病率与肺气肿或CAC之间存在关联差异(补充E-表1)。

在随访期间,524名受试者中有81名(15.4%)死亡。死亡率和死因与ITALUNG研究中其余840名受试者相似(补充E-表2)。研究组81名受试者的死因如下:肺癌20名,其他癌症28名,心血管疾病(CVD)15名,呼吸系统疾病4名,其他14名。CVD死亡原因包括缺血性心脏病(n = 8)、心房颤动(n = 2)、脑出血(n = 2)、腹主动脉瘤破裂(n = 1)以及其他未特指的心血管(n = 1)或脑血管(n = 1)原因。呼吸系统死亡原因包括间质性肺纤维化(n = 2)、慢性阻塞性肺疾病(COPD)(n = 1)和未特指的呼吸衰竭(n = 1)。

在研究组中,调整年龄、性别、吸烟史、筛查中心和CAC视觉评分后,总体死亡率比随中重度肺气肿性改变显著升高[OR 2.22(95%CI 1.34–3.70)]。中重度CAC与总体死亡率升高相关,但差异无统计学意义[OR 1.51(95%CI 0.94–2.43)](表3)。调整后的CVD死亡率比随中重度肺气肿性改变[OR 3.66(95%CI 1.21–11.04)]和中重度CAC[OR 3.18(95%CI 0.99–10.16)]显著升高,而调整后的LC死亡率则不然(表3)。

机器学习分析(图1)显示,在年龄、性别、包年、吸烟状态和CAC视觉评分中,RA950是预测总体死亡率和CVD死亡率的最佳单一特征,AUROC值分别为总体死亡率0.70和CVD死亡率0.73。对于LC死亡率的预测,最重要的两个特征是包年和RA950,AUROC = 0.61。

表2 524名受试者基線低剂量CT(LDCT)中人口学和吸烟史变量与肺气肿性改变(定义为肺相对面积低于950亨斯菲尔德单位(RA950)≥ 6%)及冠状动脉钙化(CAC)的相关性分析 查看原表 ↗
表3 524名受试者随机化后中位随访13.6年(Q1–Q3:12.9–13.9)的总体、肺癌和心血管死亡率 查看原表 ↗
图1 汇总条形图,显示各特征的全局相关性,以平均绝对SHAP值衡量。已报告总体死亡率(A)、LC死亡率(B)和CVD死亡率(C)的平均绝对SHAP值 查看原图 ↗

讨论

在本研究中,我们定量评估了ITALUNG试验中一个受试者亚队列基线LDCT上的肺气肿性改变,并在随机化13年后分析了其与死亡及其原因的潜在影响,同时控制了人口学和吸烟史变量,以及CAC——这些是LC筛查人群中总体死亡和CVD死亡的相关预测因素[23–25]。我们的数据通过传统统计学和机器学习方法评估,表明基线LDCT上肺气肿性改变的定量分析可独立预测接受LC筛查的重度吸烟者和既往吸烟者的总体死亡和CVD死亡。

我们的样本是根据CT扫描仪类型和采集方案选择的,这些因素会显著影响弥漫性肺改变的定量评估[17, 18],但样本代表了在ITALUNG中接受低剂量CT(LDCT)筛查的整个群体。此外,肺气肿性改变[6, 14]和冠状动脉钙化(CAC)[6, 23–25]在该亚队列中的患病率和分布与既往接受肺癌(LC)筛查受试者的数据基本一致。迄今为止,在接受筛查LDCT的受试者中,肺气肿性改变的定量评估已与LC的发生率[15]以及肺功能检查(PFT)结果[30, 31]相关。此外,肺气肿性改变与下一次心血管(CV)事件风险显著相关[32],在美国国家肺筛查试验(NLST)中,加入平均肺密度和RA950肺百分比改善了LC发生率的预测,尤其是慢性阻塞性肺疾病(COPD)和心血管疾病(CVD)死亡率的预测[11]。事实上,CVD是COPD患者的首位死因,超过呼吸衰竭和LC[33–35],这与COPD是CV发病率和死亡率的强效独立危险因素的观点一致。在我们的研究中,基线LDCT上肺气肿性改变对全因死亡率和CVD死亡率的预测价值与上述证据一致。总体而言,由于吸烟是COPD和血管损伤的共同危险因素,可以假设肺气肿性改变与CVD死亡率之间的相关性可能由CAC介导,而已知CAC在COPD受试者中更为常见[36, 37]。然而,我们的数据表明,肺气肿性改变与CVD死亡率之间的关联独立于CAC与CVD死亡率之间的关联。这并不令人意外,因为肺气肿性改变或COPD与CVD关联的潜在机制并不能完全由CAC与CVD关联的机制来解释。事实上,已有若干额外机制被识别。对吸烟和空气或职业污染的反应性全身炎症同时参与肺实质破坏、气道重塑以及动脉粥样硬化斑块的发生和演变[38]。特别是,在伴有肺气肿的COPD患者中,骨质疏松也可促成低度全身炎症。骨质疏松在这些患者中高度流行[39, 40],原因包括体力活动减少和频繁接受的类固醇治疗,并与血浆C反应蛋白、白细胞介素6和肿瘤坏死因子α水平升高相关,而这些在肺部疾病急性加重期间进一步升高。肺气肿性改变与COPD和CVD之间的第二种联系可能由气体交换紊乱导致的持续或间歇性缺氧所代表,形成缺氧和再氧合的恶性循环。总体而言,肺气肿性改变与CVD死亡率之间的关系可能反映了肺与血管之间动态的多方面相互作用,其中炎症、内皮和弹性蛋白缺陷以及气体交换紊乱导致的缺氧可能发挥作用,而动脉钙沉积可被视为动脉壁损伤的更晚期表现。当然,未来值得研究具有显著吸烟史的受试者中肺气肿、COPD、CAC与CVD风险和死亡率之间的相互作用。值得注意的是,在我们的研究中,肺气肿性改变与LC死亡率之间的关联较弱,但这可能反映了一个事实,即筛查通常能够发现早期LC并允许治疗和治愈。

尽管存在上述生理病理学上的不确定性,我们的数据证实基线筛查低剂量CT(LDCT)中的肺气肿改变可显著且独立地预测全因死亡和心血管疾病(CVD)死亡[11],这提示该共病生物标志物应在检测后个体风险分层中予以考虑[8–10]。

我们认识到本研究存在以下局限性。第一,由于CT扫描仪的异质性,我们的数据仅来自ITALUNG试验中接受基线LDCT的部分受试者(37.2%,524/1406),尽管该部分具有代表性。在更大样本中进行研究,以及在独立样本中对机器学习算法进行外部验证,是值得开展的。特别是,呼吸系统疾病死亡人数较少(这与其他研究一致[4, 41]),使我们无法评估肺气肿改变对呼吸系统原因死亡的预测价值,而NLST试验中已观察到这种预测价值[11, 13]。第二,尽管在肺癌(LC)筛查的LDCT中测量气道壁厚度是可行的[11, 42],但我们未进行该测量。这可能掩盖了慢性阻塞性肺疾病(COPD)全部CT可评估改变谱系对我们受试者死亡特征的部分贡献。第三,我们使用了两种肺气肿定量软件,二者均应用于相同CT扫描仪和方案采集的图像。然而,在一项对50例患者比较8种肺气肿评估软件结果的研究中,RA950的软件间平均偏倚在±0.46%以内[43]。第四,在ITALUNG基线筛查期间(2004–2006年),LDCT检查中检测到的冠状动脉钙化(CAC)或肺气肿改变尚无明确的临床意义。因此,尽管提供给受试者及其全科医生的筛查报告中间或可能包含中重度CAC或肺气肿改变的视觉证据,但在本回顾性研究中,我们无法评估此类报告的意义和后果。当然,正如我们的研究所表明,这些吸烟相关共病的生物标志物可在基线LDCT上评估,不再应被忽视,并值得在前瞻性LDCT筛查队列中加以考虑。第五,视觉评估可详细评估肺气肿改变的分布和类型,包括小叶中心型、全小叶型和间隔旁型[18],而我们未对此进行分析。这些附加特征是否可能更好地解释接受LC筛查者基线LDCT中肺气肿改变的死亡意义,可能值得进一步研究。

结论

在接受肺癌筛查的受试者中,基线LDCT上的肺气肿改变与长期全因死亡和CVD死亡独立相关,应纳入检测后个体死亡风险特征的计算。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 120 KB)

引用

  1. Mascalchi M, Romei C, Marzi C, et al. Pulmonary emphysema and coronary artery calcifications at baseline LDCT and long-term mortality in smokers and former smokers of the ITALUNG screening trial. Eur Radiol. 2023. PMID: 36854875. doi:10.1007/s00330-023-09504-4
  2. 全文:PMC10121526(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10121526/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。