文献速递胸部CT

基于软件的定量CT分析预测持续性非实性肺结节生长趋势的回顾性研究

Software-based quantitative CT analysis to predict the growth trend of persistent nonsolid pulmonary nodules: a retrospective study.
PubMed 文献 · Radiol Med · 2023-05-25

该回顾性研究纳入60例意大利白人患者的60个持续性非实性结节(NSN),使用开源软件ImageJ在基线薄层CT上提取定量特征,发现偏度和线性质量密度(LMD)是结节生长的独立预测因子,偏度是最强预测因子,最佳截断值分别为0.90和19.16 mg/mm,含偏度模型AUC达0.923。

要点

  • 偏度>0.90且LMD>19.16 mg/mm的持续性NSN生长潜能更高。
  • 偏度是NSN生长的最强独立预测因子,含偏度模型AUC为0.923。
  • 仅偏度与LMD在 multivariable 分析中与NSN生长独立相关。

核心结论

  • 偏度是6–30 mm持续性NSN生长的最强预测因子,偏度>0.90尤其LMD>19.16 mg/mm的结节应更密切随访,因其生长潜能更高、成为临床活动性癌的风险更高。

研究设计与样本

  • 回顾性研究,纳入60例意大利白人患者的60个孤立性持续性NSN,轴向直径6–30 mm,均使用同一台128排CT(Siemens Somatom Definition Flash)和相同采集重建参数(120 kVp、110 mAs、层厚1 mm、锐利重建算法)扫描。
  • 采用开源软件ImageJ 1.53c在最大横截面上提取12个定量CT特征,并以LMD计算的倍增时间(DT)<1556天定义生长。

关键影像表现/征象

  • 生长NSN在基线CT上的偏度、LMD、Feret径、周长、面积、峰度和形状描述符(圆形度、实性度)与非生长NSN差异有统计学意义(p≤0.003)。
  • 19个(31.7%)NSN出现显著生长(DT<1556天),其中10个(52.6%)出现小于6 mm的病灶内实性成分,7个(36.8%)手术切除后病理诊断为肺腺癌(3例微浸润、4例浸润性)。

诊断标准与关键数值

  • multivariable 分析中仅偏度(最佳截断值0.90)和LMD(最佳截断值19.16 mg/mm)是NSN生长的独立预测因子。
  • 含偏度不含LMD的模型预测NSN生长的AUC为0.840,含偏度与LMD的模型AUC为0.923。
  • 生长定义为基于LMD计算的倍增时间<1556天。

临床应用与阅片要点

  • 作者认为,偏度>0.90尤其LMD>19.16 mg/mm的持续性NSN应更密切随访,因其生长潜能更高。
  • 作者指出,基于软件的定量CT分析可突出视觉无法评估的CT特征,可能改善风险分层和个体化管理。

局限性

  • 本研究为回顾性研究,纳入的NSN数量相对较少。
  • 基于软件的分析由单一放射科医生完成。
  • 定量CT分析仅在二维轴位图像上进行。
  • 作者指出,本研究的表现和偏度的预测能力需在未来更大样本的前瞻性分析中确认。
全文中译8 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:Radiol Med. 2023 May 25;128(6):734–43. doi: 10.1007/s11547-023-01648-z

引言

肺亚实性结节(SSNs)在常规临床实践和肺癌筛查项目的胸部计算机断层扫描(CT)检查中是相对常见的发现[1–4]。SSNs对应于密度不均匀的结节性肺部阴影,不完全遮盖其下方的肺结构[5]。在CT图像上,根据病灶内实性成分的有无,SSNs被分为两个不同的亚组[5–7]。伴有实性成分的SSNs通常被称为部分实性结节(PSNs),而不含实性成分的则根据作者的偏好被称为非实性结节(NSNs)或纯磨玻璃结节[1–7]。

SSNs可以是一过性的(即随访CT扫描时消失的结节)或持续性的(即间隔≥3个月后随访CT扫描时仍存在的结节)[5–11]。一过性SSNs代表良性病变(最常见为炎性病变)[9, 10],而持续性SSNs(包括NSNs和PSNs)则常常是浸润前或浸润性肺部病变的表现,通常为肺腺癌[12–14],罕见情况下为其他肺部恶性肿瘤,如淋巴瘤或转移瘤[15–18]。

持续性SSNs表现出不同的生长模式:大多数结节(主要为NSNs)多年保持稳定或以极其缓慢的方式生长,其倍增时间(DT)可超过6年,而另一些则生长较快,尤其是病灶内以实性成分为主的PSNs,其DT小于1年[12, 13]。

基于其惰性病程和长DT,持续性NSNs被认为是极不可能成为临床活动性癌症的病变。因此,无论就诊的临床背景如何,当前指南推荐对NSNs采取保守管理[6, 7, 19]。具体而言,Fleischner学会针对年龄≥35岁患者临床常规检测发现的结节的指南建议,仅对大小≥6 mm的NSNs在6–12个月时进行首次随访胸部CT扫描,随后每两年随访一次直至5年[6, 7],而肺部CT筛查报告和数据系统指南针对肺癌筛查项目中检测发现的结节,建议对任何大小<30 mm的NSNs进行年度低剂量胸部CT筛查[19]。

然而,并非所有NSNs都具有良性行为并可保守管理[5, 20]。事实上,持续性NSNs在随访CT扫描中可能表现出更具侵袭性的行为,即出现病灶内实性成分并逐渐加快生长速度,这将不可避免地需要手术切除[13]。因此,从CT图像预测持续性NSNs的未来生长仍然是一个具有挑战性的诊断目标。尽管既往研究报道基于软件的定量CT分析可有效预测持续性NSNs的未来生长[5, 21–27],但其中许多基于软件的方法并非人人都能轻易获取,因为它们有的是商业软件、有的是自建软件,或需要并非人人都具备的技能[22, 23, 25–27]。

据我们所知,仅有一项针对亚洲(中国)患者的研究检验了开源软件(3D Slicer)预测持续性非实性结节(NSNs)生长的性能[21]。考虑到亚洲与高加索人群持续性亚实性结节(SSNs)生物学特性的差异[28],本研究的主要目的是探讨另一种开源软件(ImageJ)在高加索(意大利)人群中预测轴位直径6 − 30 mm的NSNs未来生长的性能。

材料与方法

本回顾性研究已通知我院当地伦理委员会,并获得我校及医院主管部门批准(方案编号15918,2019年2月26日)。本研究中进行的所有操作均符合伦理标准及2013年版《赫尔辛基宣言》。

患者与结节选择

我们回顾性审查了2011年1月至2019年2月期间放射信息系统及影像归档与通信系统中的数据。采用多步骤方法纳入患者和结节。首先,我们检索了所有包含提示NSNs的放射学描述术语(NSN、SSN、纯磨玻璃结节和磨玻璃结节)的胸部CT报告。接下来,我们审查了相关图像以核查持续性NSNs。最后,根据以下标准选择患者和持续性NSNs:(1)高加索(意大利)族裔,(2)患者年龄≥ 35岁,(3)患者无类固醇或化疗治疗史,(4)患者近期无炎症性或感染性肺部疾病史,(5)CT图像上无间质性肺疾病证据,(6)轴位CT图像上平均直径6 − 30 mm的孤立性NSNs,(7)两次或以上胸部CT扫描采用相同采集参数和同一台CT扫描仪,(8)非增强胸部CT图像以1 mm厚层、肺窗设置、使用相同锐利重建算法重建,(9)胸部CT图像上无运动或呼吸伪影证据。

CT图像采集

胸部CT扫描使用128排CT扫描仪(Somatom Definition Flash,Siemens Healthineers,Forchheim,德国)进行,预设采集参数如下:管电压120 kVp;管电流–时间乘积110 mAs,自动曝光控制系统激活;束螺距1.2。胸部CT图像于深吸气末获取,未使用肺量计门控系统。肺窗CT图像在横断面以1 mm厚层使用锐利重建算法重建。

CT图像分析

首先分析肺窗设置的轴位薄层CT图像,以评估NSN位置并检查肺实质内是否存在肺气肿。随后,将包含NSNs的基线和末次随访CT图像发送至开源软件(ImageJ 1.53c,Wayne Rasband,美国国立卫生研究院,美国)[29]进行处理。

如先前关于持续性亚实性结节(PSNs)的研究所述[30](图1),对所选NSNs的最大横截面积进行分割和定量分析。

在基线CT图像上,选择以下12个定量CT特征用于NSN分析:(1)费雷特直径(即最大和最小费雷特直径的平均值),(2)周长,(3)面积,(4)平均CT衰减值,(5)中位CT衰减值,(6)众数CT衰减值,(7)CT衰减值的标准差,(8)线性质量密度(LMD),(9)CT衰减值的偏度,(10)CT衰减值的峰度,(11)圆形度和(12)实性度。

如先前报道[30],LMD对应于单位长度的质量,计算方法如下:[面积 × (平均CT衰减值 + 1,000)]/1,000]。圆形度和实性度是无量纲的形状描述符,提供有关结节形状的信息,取值范围为1至0。圆形度值为1表示NSN的形状类似于完美的圆形,实性度值为1表示结节边缘光滑锐利,无凹陷。

为确定所选定量CT特征的可靠性,在至少三个月的间隔后重复对基线CT图像上的NSN进行基于软件的分析。对于每个定量CT特征,本研究使用两次测量之间的平均值。

为量化NSN的生长,我们通过匹配基线和末次随访胸部CT检查获得的LMD来计算每个结节的DT。DT小于截止值1,556天的NSN被定义为生长性结节[12]。在末次随访CT扫描中,还评估了NSN内实性成分的出现。

图像分析由一名胸部放射科医师(A.B.)独立完成,该医师具有16年胸部CT成像经验和11年使用ImageJ软件的经验。

图1 图像显示使用ImageJ对非实性结节(NSN)进行基于软件的分析步骤摘要:a 勾勒NSN轮廓的多边形感兴趣区,b 通过应用适合NSN分割的− 800 HU衰减值获得的阈值图像,c 选择用于NSN分析的定量CT特征列表 查看原图 ↗

统计分析

在本研究中,数据分布通过Shapiro–Wilk检验进行验证。正态分布数据以均值和标准差表示,非正态分布数据以中位值和四分位距(IQR)表示。

为确定所选定量CT特征的可靠性,使用组内相关系数(ICC)比较从基线CT图像获得的两组测量值。

使用Spearman秩相关分析评估NSN DT与基线CT图像上测量的所选定量CT特征之间的相关性。我们使用此非参数检验是因为与定量特征和NSN DT相关的数据不呈正态分布。应用Mann–Whitney U检验分析生长性(DT < 1,556天)和非生长性NSN(DT ≥ 1,556天)之间定量特征的差异。

采用单因素和多因素逻辑回归分析(后退逐步法)分析NSN生长与定量CT特征及其他分类变量(即患者年龄、性别、吸烟习惯、癌症病史、肺气肿及NSN位置)的关系。独立预测因素对NSN生长的预测效能以曲线下面积(AUC)表示。统计分析使用商业统计软件(MedCalc Software Ltd.,版本20.114,比利时奥斯坦德;https://www.medcalc.org;2022)完成。统计学显著性设定为p < 0.05。

结果

根据研究选择标准,共纳入60例年龄≥35岁、伴有孤立性NSN的高加索(意大利)患者进行此项回顾性分析。60例患者中29例(48.3%)因癌症随访行胸部CT扫描,其余31例(51.7%)因其他临床指征(如胸片显示肺部阴影、慢性阻塞性肺疾病、疑似支气管扩张、持续性咳嗽或气短)行胸部CT扫描。研究患者的特征见表1。

在薄层CT图像的初步分析中,9例(15.0%)患者检出肺气肿改变。60个NSN的位置分布如下:23个(38.3%)位于右肺上叶,22个(36.7%)位于左肺上叶,6个(10.0%)位于右肺中叶,3个(5.0%)位于右肺下叶,6个(10.0%)位于左肺下叶。

基于软件的定量分析成功完成了全部60个NSN在基线和末次随访胸部CT检查上的测量。在基线CT图像上,ICC值(中位数0.88;IQR 0.84–0.97)表明所有定量CT特征的测量具有优秀或良好的可靠性。

首次与末次CT检查之间的中位时间间隔为1,136天(IQR 748–1,818天)。在首次与末次CT图像之间LMD呈正变化的NSN中,中位DT为2,816天(IQR 986–7,472天)。

Spearman秩相关分析显示,以下定量CT特征与NSN的DT显著相关:Feret直径、周长、面积、LMD、CT衰减偏度、CT衰减峰度、圆形度和实性度(均为p ≤ 0.002)。结果汇总于表2。

19个(31.7%)NSN观察到显著生长(DT < 1,556天),其中10个(52.6%)出现小的病灶内实性成分(小于6 mm),7个(36.8%)经手术切除,组织病理学诊断为肺腺癌(3例微浸润腺癌,4例浸润性腺癌)。生长性和非生长性NSN在基线CT图像上测量的定量特征列于表3。

生长性与非生长性NSN之间在Feret直径、周长、面积、LMD、CT衰减偏度、CT衰减峰度、圆形度和实性度方面观察到统计学显著差异(均为p ≤ 0.003)。

NSN生长与定量CT特征及其他分类变量(患者年龄、性别、吸烟习惯、癌症病史、肺气肿及NSN位置)关系的单因素和多因素逻辑回归分析结果见表4。

在单因素分析中,若干定量特征(费雷特直径、周长、面积、线性质量密度(LMD)、CT 衰减偏度、CT 衰减峰度、圆形度和实性度)、患者年龄及肺气肿与 NSN 生长显著相关(所有 p ≤ 0.040)。然而,在采用向后逐步法的多因素分析中,仅发现 CT 衰减偏度和 LMD 是 NSN 生长的独立预测因素(表 4)。在受试者工作特征曲线分析中,偏度和 LMD 的最佳截断值分别为 0.90 和 19.16 mg/mm(图 2 和图 3)。包含偏度(伴或不伴 LMD)的两个预测模型对 NSN 生长表现出极佳的预测能力,AUC 值分别为 0.923 和 0.840(图 2 和图 4)。

表 1 研究患者的特征(n = 60) 查看原表 ↗
表 2 60 个非实性结节的定量特征与倍增时间之间的相关性 查看原表 ↗
表 3 基线 CT 图像上生长型与非生长型 NSN 的定量特征 查看原表 ↗
表 4 结节生长预测因素的单因素和多因素逻辑回归分析 查看原表 ↗
图 2 非实性结节生长的 ROC 曲线:基于 CT 衰减偏度的模型 查看原图 ↗
图 3 非实性结节生长的 ROC 曲线:基于线性质量密度(LMD)的模型 查看原图 ↗
图 4 非实性结节生长的 ROC 曲线:基于 CT 衰减偏度和线性质量密度(LMD)的模型 查看原图 ↗

讨论

基于软件的放射学图像定量分析方法的逐步改进和可及性提高,正推动放射科医生分析图像方式的重大转变。此类方法在胸部 CT 图像上的应用不断扩展,尤其是在肺结节(实性和亚实性)的管理和风险分层方面 [4, 5, 12, 13, 21–27, 30–41]。

目前,基于软件的肺结节分析非常有前景,不仅在胸部放射科医生中,而且在其他胸部内科医生中也引起了极大兴趣。在应用于 SSN 的基于软件的方法中,与预测切除 SSN 的组织学侵袭性相关的方法在文献中被广泛描述 [35–39],而与预测生长相关的方法很少,且几乎仅在亚洲人群中进行了研究 [22–27, 30, 41]。

据我们所知,本研究是首次在高加索(意大利)人群中评估基于软件的方法预测直径 6 − 30 mm 的孤立性 NSN 生长趋势的性能。

在我们的研究中,我们检验了几个定量CT特征的预测价值,如费雷特直径、周长、面积、平均CT衰减值、中位CT衰减值、众数CT衰减值、CT衰减值标准差、最长直径(LMD)、CT衰减值偏度、CT衰减值峰度、形状描述符(圆形度和实心度)。这些定量CT特征使用开源软件(ImageJ)从基线CT图像上非实性结节(NSN)最大横截面积中提取。从ImageJ软件获得的数据中,我们发现NSN生长与以下CT特征之间存在显著相关性:费雷特直径、周长、面积、LMD、CT衰减值偏度、CT衰减值峰度、圆形度和实心度。无论采用绝对倍增时间(DT)值,还是基于DT截断值1,556天比较生长组与非生长组NSN,均发现这种显著相关性。单因素分析证实了相同CT特征对预测未来NSN生长的价值;然而,在多因素分析中,仅CT衰减值偏度和LMD是NSN生长的独立预测因素。具体而言,偏度正值大于0.90和LMD大于19.16 mg/mm与NSN生长显著相关(图5)。

在我们的研究中,发现CT衰减值偏度是生长的最强预测因素,包含偏度的两个模型(无论是否包含LMD)对NSN生长均显示出极好的预测能力。

CT衰减值偏度是衡量CT密度分布不对称性的指标,代表CT衰减值在直方图中的分布模式。偏度正值反映直方图右侧尾部比左侧更长。在生长性NSN中观察到的较高CT衰减值正偏度与CT衰减值分布更大的不对称性一致。本研究中发现的生长性与非生长性NSN之间CT衰减值偏度的显著差异,可能反映了生长性NSN相较于非生长性NSN具有更大的病灶内异质性。换言之,即使本研究未进行病理学相关性分析,我们推测生长性NSN中观察到的正偏度是存在一些具有较高CT衰减值的像素的结果,这些像素可能反映更具侵袭性的肿瘤性病灶的存在。

LMD是一种定量特征,它将密度和尺寸测量结合为单一数值,代表质量的二维变体[12, 13, 30]。如近期报道[30],LMD是一种特别适用于评估CT图像上SSN基线和随访期间特征及行为的定量特征。在一项既往回顾性研究中,Bak等[22]发现平均CT衰减值的第97.5百分位数以及平均CT衰减值从第2.5至第97.5百分位数的斜率——这两项我们在研究中未测试的其他直方图相关CT特征——是54个NSN组中生长的有用预测因子。更近期,Sun等[23]表明均匀性——另一项定量特征——是42个NSN组中生长的有效预测因子,生长性NSN的均匀性值较低。与CT衰减偏度类似,平均CT衰减值的第97.5百分位数、平均CT衰减值从第2.5至第97.5百分位数的斜率以及均匀性反映了生长性NSN的病灶内异质性[22, 23]。因此,基于本研究和上述既往研究的发现,可以合理确定地指出,反映病灶内异质性的定量CT特征是NSN生长的有用预测因子。

我们还发现NSN生长与某些CT衰减相关定量特征(即CT衰减的均值、中位数、众数和标准差)之间无显著相关性。

在一项针对亚洲(中国)患者的类似研究中,Shi等[24]报道,仅CT衰减值的标准差(大于截止值50 HU)和最大直径(大于截止值10.2 mm)是59例患者中检出的101个NSN组中生长的独立预测因子。我们与他们发现之间的差异可归因于若干因素:所用基于软件的方法(使用ImageJ的二维分析 versus 使用3D slicer的容积分析);分析所考虑的定量CT特征;定义生长组的方法(LMD的DT versus 最大直径变化和实性成分出现);NSN选择标准(本研究仅纳入孤立性NSN);患者种族(意大利 versus 中国患者)。

既往研究也报道平均CT衰减值是NSN生长的独立预测因子[42, 43];然而,包括我们自己在内的更近期聚焦于NSN基于软件CT分析的研究并未证实该参数的预测价值[22–25]。

与既往研究[42, 43]相反,我们未发现NSN生长与某些自变量(包括性别、吸烟习惯、癌症病史和NSN位置)之间存在任何显著关系。尽管单变量分析揭示了NSN生长、患者年龄和肺气肿存在之间的关系,但该关联在多变量分析中未得到证实。

本研究存在一些局限性。第一,本研究为回顾性研究,纳入的非实性结节(NSN)数量相对较少;然而,我们的纳入标准极为严格,仅选取了采用相同采集-重建参数和同一台CT扫描仪进行扫描的孤立性NSN。第二,基于软件的分析由单一放射科医师完成;然而,所选定量特征的测量信度被评为优或良。第三,定量CT分析仅在二维轴位图像上进行;然而,最大横截面积应是评估NSN内部特征和形态特征最具代表性的图像。

尽管存在这些局限性,我们的研究进一步凸显了基于软件的定量CT分析的潜在作用,特别是CT衰减偏度(连同LMD)作为改善风险分层和为非实性肺结节(NSN)患者制定个性化管理方案工具的主导作用。

众所周知,大多数持续性NSN呈惰性病程,可保持稳定数年[5, 20];然而,部分NSN生长迅速,需要手术切除[13]。因此,识别能够早期区分生长性与非生长性NSN的定量CT特征,正成为放射学分析的关键环节,以减少CT检查次数并优化随访时机。从这一临床角度来看,应用基于软件的CT分析评估NSN,可通过更深入的图像分析提升放射科医师的诊断效能,凸显肉眼无法评估的CT特征。

显然,本研究中观察到的基于软件分析的性能以及CT衰减偏度所展现的有前景的预测能力,需要在未来更大样本量的前瞻性分析中加以证实。然而,我们相信,应用于NSN的计算机定量CT分析(无论使用何种软件)将在临床环境中产生重要影响,因为它们可影响决策过程和结节管理。

总之,本研究结果表明,在白种人(意大利)人群中检出的轴位直径6~30 mm的NSN中,CT衰减偏度是结节生长的最强预测因子。根据我们的初步数据,偏度值大于0.90的NSN,特别是LMD > 19.16 mg/mm的NSN,由于其较高的生长潜能以及随之而来的较高转变为临床活动性癌症的风险,应需要更密切的随访。

图5 左肺上叶生长性非实性结节(倍增时间586天),患者为71岁男性,既往吸烟者,无肿瘤病史。基线(左图)与末次随访CT检查(右图)之间的间隔为1020天。对基线CT图像进行的基于软件的分析获得偏度值为1.61,LMD为29.42 mg/mm。该结节经手术切除,组织病理学诊断为浸润性肺腺癌,分级为pT1cN0。 查看原图 ↗

引用

  1. Borghesi A, Coviello FL, Scrimieri A, et al. Software-based quantitative CT analysis to predict the growth trend of persistent nonsolid pulmonary nodules: a retrospective study. Radiol Med. 2023. PMID: 37227661. doi:10.1007/s11547-023-01648-z
  2. 全文:PMC10264528(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10264528/

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。