基于双能CT碘图放射组学模型术前预测胃癌Lauren分型
回顾性纳入240例胃癌患者,基于双能CT静脉期碘图与120 kVp等效混合图像构建放射组学模型预测Lauren分型;联合模型在训练集AUC为0.855、测试集AUC为0.802,均优于临床模型(训练集0.611、测试集0.630)。
要点
- 联合碘图与混合图像的放射组学模型术前预测Lauren分型优于临床模型。
- 碘图特征在联合模型中占63.6%(14/22),权重高于混合图像特征。
- 传统临床特征仅性别与最大肿瘤厚度为独立预测因子,预测价值有限。
核心结论
- 基于双能CT静脉期碘图与120 kVp等效混合图像的联合放射组学模型可有效用于胃癌Lauren分型的术前无创预测。
研究设计与样本
- 回顾性分析2015年4月至2017年12月在本机构接受手术的240例胃癌患者,术前2周内行双能腹部双期增强CT,术后病理确诊胃腺癌且Lauren分型明确。
- 按7:3随机分为训练集168例(肠型56例、非肠型112例)和测试集72例(肠型24例、非肠型48例)。
- 采用西门子第二代双源CT(SOMATOM Definition Flash),静脉期双能数据重建1 mm层厚碘图,并与120 kVp等效混合图像(加权因子0.5)共同用于建模。
- 以术后组织病理学Lauren分型为参考标准,肠型与非肠型(混合型及弥漫型)二分类。
诊断标准与关键数值
- 联合放射组学模型(R-COMB)训练集AUC为0.855,测试集AUC为0.802。
- 碘图放射组学模型(R-IM)训练集AUC为0.756,混合图像放射组学模型(R-MIX)训练集AUC为0.75。
- 临床模型训练集AUC为0.611,测试集AUC为0.630。
- 测试集中R-COMB模型AUC为0.803,优于临床模型的0.630(p < 0.05)。
- R-COMB模型预测准确率为80.3%。
临床应用与阅片要点
- 作者认为R-COMB模型可作为术前无创预测胃癌Lauren分型的新方法,有助于选择个体化治疗方案和评估预后。
- 作者认为碘图包含反映组织灌注的功能信息,对模型预测可能更有价值。
- 作者认为传统临床特征对胃癌Lauren分型的预测价值有限。
局限性
- 回顾性设计可能引入选择偏倚。
- 单中心研究、样本量有限且使用同一台CT扫描仪,未来研究需要外部验证和不同CT制造商数据评估模型可重复性。
- 本研究主要目的是评估双能CT图像对Lauren分型的诊断准确性,胃癌患者预后的进一步分析需在后续研究中进行。
全文中译17 节 · 点击展开
引言
胃癌是全球最常见的癌症之一,也是癌症相关死亡的第三大原因[1]。Lauren分型是一种常用的组织学分类方法,将胃癌分为肠型、混合型和弥漫型[2]。肠型和弥漫型具有不同的临床行为和分子特征,而混合型的临床病理表现和预后与弥漫型相似[3, 4],Lauren分型是胃癌患者预后的重要指标[3, 5]。研究表明,弥漫型胃癌的术后复发率高于肠型[3, 6],肠型胃癌的5年总生存率高于弥漫型[3, 5]。辅助放化疗可改善肠型胃癌患者的无病生存率,但对D2根治术后的弥漫型胃癌患者则无改善作用[7]。此外,根据Lauren分型,患者对化疗的敏感性不同,弥漫型患者对化疗显示出更高的有效率[8]。更重要的是,在临床实践中,手术策略可参考Lauren分型[9],其中弥漫型胃癌侵袭性强,手术切除范围大于肠型胃癌,且这些患者术后常需辅助化疗[10, 11]。
术后组织病理学检查是确定Lauren分型的金标准,但通过术后病理获取Lauren分型存在滞后性。虽然Lauren分型可通过术前胃镜活检获得,但该方法不仅有创,而且组织标本较少,对Lauren分型的诊断准确性有显著影响[12]。文献报道,活检标本与手术标本之间Lauren分型的一致率仅为64.7%[13]。因此,术前准确地对胃癌进行Lauren分型有助于个体化治疗和改善预后。
计算机断层扫描(CT)是疑似胃癌患者便捷、快速的检查选择。一些研究发现,胃癌的肿瘤大小、位置和强化模式等形态学特征与Lauren分型相关。然而,由于缺乏定量参数和诊断阈值,传统影像学特征在预测Lauren分型方面的价值有限。对此,双能CT(DECT)是一种新型成像方式,通过利用碘图(IM)定量反映病灶的血供,将基于CT的诊断从形态学领域带入功能学领域[14]。少数影像学研究已对碘图在胃癌中的诊断价值给予了正面报道[15, 16]。
影像组学将影像数据中的视觉信息转化为大量深层数字特征以进行定量研究。通过特征提取和降维,可获得与疾病生物学行为相关、具有高度稳定性和可重复性的高维特征用于模型构建,从而实现更优的客观定量评估,在肿瘤精准评估方面具有潜在优势。既往研究已报道影像组学在胃癌浆膜侵犯[17]、淋巴结转移评估[18]、隐匿性腹膜转移预测[19]、治疗效果及预后预测放疗效果及预后[20, 21]中的价值。
基于现有影像组学知识,我们假设基于双能CT(DECT)碘图(IM)的影像组学模型可能包含丰富的定量参数,能够更准确地判定胃癌的Lauren分型。因此,本研究尝试建立并评估基于DECT静脉期IM及120 kVp等效混合图像(MIX)的术前影像组学模型,以预测胃癌的Lauren分型。
材料与方法
患者特征
本研究经河北医科大学第四医院伦理委员会批准。我们回顾性查阅了2015年4月至2017年12月期间在本院接受手术的胃癌患者的病历资料。纳入标准如下:(1)患者术前未接受任何抗肿瘤治疗;(2)术前2周内行腹部双能双期增强CT扫描且完整影像数据可用;(3)术后病理为胃腺癌且Lauren分型明确。排除标准如下:(1)CT检查前准备不充分,如胃充盈不足或胃内容物过多,可能影响病灶显示;(2)图像存在呼吸或硬化伪影;(3)厚度小于0.5 cm(感兴趣区(ROI)范围难以勾画)。
成像方案与后处理
检查前准备
所有患者检查前禁食6 h。扫描前10 min肌内注射东莨菪碱(10 mg),并口服800–1000 mL水或6 g产气粉以充盈胃腔。
检查方法及扫描参数
所有CT扫描均采用西门子第二代双源CT(SOMATOM Definition Flash;西门子医疗,德国)于仰卧位进行。扫描范围从右侧膈肌上方5 cm(下肺静脉水平)至耻骨联合上缘。平扫CT扫描使用以下参数:管电压:120 kVp;管电流:210 mAs;准直器宽度:128 × 0.6 mm;准直器螺距:0.9。非离子型对比剂(碘海醇,300 mg/dL;GE医疗,美国)经肘正中静脉以3 mL/s(2 mL/kg体重)的流率静脉注射。注射后25 s(动脉期)和70 s(静脉期)进行双能扫描两期增强。增强扫描参数如下:管电压:A:100 kVp,B:140 kVp;Care Dose:4D开启,参考管电流:A:230 mAs,B:178 mAs;准直器宽度:32 × 0.6 mm;准直器螺距:0.55。
图像重建与后处理
将层厚1 mm的静脉期双能数据传输至工作站(SyngoMMWP,VE36A),并应用双能软件的LiverVNC模式进行分析以获得碘图(IMs)。将IM与120 kVp等效MIX(加权因子:0.5)共同用于构建影像组学模型。
临床模型开发
传统特征
我们收集了患者的人口学数据,包括性别、年龄和血清肿瘤标志物水平(CEA、CA19-9、CA72-4)。
图像语义特征分析:两位分别具有10年(L.M.)和17年(Y.L.)腹部诊断影像经验的观察者,在不知晓病理结果的情况下,结合轴位和MPR图像,采用二分类法独立分析图像语义特征。参照美国癌症联合会(AJCC)第8版胃癌TNM分期系统,如有任何分歧,通过协商达成共识。
图像语义特征包括:肿瘤范围:胃分为四个部分:贲门、胃底、胃体和胃窦;累及单一部分的肿瘤视为单一区域,而累及两个或以上部分者指定为多区域。
肿瘤位置:以胃中部为界,将肿瘤分为近端胃和远端胃。
肿瘤厚度:肿瘤最大厚度垂直于胃壁测量。
肿瘤强化形式:静脉期癌灶最大CT值与最小CT衰减值之差< 10 HU视为均匀强化,差值≥ 10 HU视为不均匀强化。
肿瘤强化程度:静脉期癌灶CT衰减净增加值≥ 40 HU为明显强化,< 40 HU为不明显强化。
临床T(cT)分期:浆膜面不光滑、壁结节及脂肪间隙模糊的肿瘤考虑为T4期,浆膜面光滑者考虑为非T4期。
临床N(cN)分期为cN(−)或cN(+)淋巴结:区域淋巴结,圆形或卵圆形,短径(≥ 1.0 cm)或成簇分布伴强化的小淋巴结。
筛选传统特征并建立临床模型
基于训练集数据,采用逻辑回归单因素分析和逐步逻辑回归多因素分析对与Lauren分型相关的传统特征进行分析,以筛选独立预测因子并建立临床模型。
影像组学模型开发
肿瘤分割与特征提取
使用Radiomics软件(Frontier,Siemens Healthineers,Forchheim,Germany),观察者LM结合多平面重建(MPR)图像,在轴位静脉期MIX图像上沿肿瘤边界逐层勾画,避免纳入胃周脂肪、血管和胃内容物。分割范围自动匹配至IM图像以生成相同的感兴趣区(ROI)。使用影像组学软件从静脉期IM和120 kVp等效MIX图像中提取影像组学特征。影像组学软件(Frontier,Siemens Healthineers,Forchheim,Germany)中影像组学特征提取的详细设置见附加文件1。所采用的肿瘤分割方法见图1。
影像组学特征筛选与模型开发
为减少特征冗余和模型过拟合,按以下步骤进行特征筛选:(1)首次肿瘤分割1个月后,随机选取50例患者,由同一观察者(L.M.)和另一观察者(Y.L.)以相同方法进行分割。保留组内和组间相关系数(ICC)> 0.8的组织学特征。(2)基于随机森林使用Boruta算法筛选预测因子。影像组学模型使用R包randomForestSRC构建[22]。Boruta是一种递归特征选择算法,通过打乱特征变量顺序并计算其重要性来选择最重要的特征[23]。基于随机森林算法的特征选择方法有多种。对于具有多个预测变量的数据集,Boruta的计算效率更高[24]。使用随机森林构建多棵分类和回归树,并汇总每棵树的结果以产生预测。与其他模型相比,随机森林始终提供较高的预测准确性[25],且不易过拟合。
基于IM和120 kVp等效MIX图像中按最高权重筛选出的影像组学特征,我们分别构建了IM影像组学模型(R-IM模型)和MIX影像组学模型(R-MIX模型)。同样,基于IM + MIX中按最高权重筛选出的影像组学特征,建立了IM + MIX联合影像组学模型(R-COMB模型)。
本研究的影像组学流程图见图2。
统计学方法
使用R软件(版本4.0.3;http://www.Rproject.org)进行统计分析。连续变量比较采用Kruskal–Wallis秩和检验,分类变量采用卡方检验或Fisher精确检验。利用受试者工作特征(ROC)曲线,我们评估了模型的曲线下面积(AUC)、准确率(ACC)、灵敏度(SEN)和特异度(SPE)。各模型的性能采用Delong检验进行比较,并进行决策曲线分析(DCA)以评估模型的临床适用性。
结果
训练集和测试集中患者传统特征的比较
如表1所示,本研究共纳入240例患者(197例男性,43例女性,平均年龄:59.8 ± 9.6岁,范围27–80岁)。根据术后病理确定Lauren分型,80例患者为肠型胃癌,60例为混合型,其余100例患者为弥漫型。
入组患者按7:3的比例随机分为训练集(n = 168),包括56例肠型和112例非肠型(混合型和弥漫型),以及测试集(n = 72),包括24例肠型和48例非肠型。两组在临床特征方面差异无统计学意义(p > 0.05)。训练集和测试集中肠型与非肠型患者的基线资料比较见附加文件1:表S1。
临床特征筛选与模型构建
单因素分析显示,性别、肿瘤范围、肿瘤形态、肿瘤最大厚度和cN分期与Lauren分型相关(p < 0.1)。此外,逐步logistic回归多因素分析显示,性别(95% 0.194–0.968,OR 0.453;p = 0.050)和肿瘤最大厚度(95% 1090–2.943,OR 1.748;p = 0.027)是Lauren分型的独立预测因子(表2)。基于这两个特征构建了临床模型。
影像组学模型
从每例患者的IM和MIX图像中共提取3382个影像组学特征(1691 × 2);使用Boruta进一步筛选出2482个ICC > 0.80的特征。在IM中筛选出8个最优影像组学特征,包括1个一阶特征和7个纹理特征,用于构建R-IM模型。在MIX图像中筛选出7个最优影像组学特征,包括2个二阶特征和5个纹理特征,用于构建R-MIX模型。在IM和MIX联合图像中筛选出22个最优影像组学特征,包括来自IM的14个特征——1个形状特征、1个一阶特征和12个纹理特征,以及来自MIX图像的8个特征,包括4个一阶特征和4个纹理特征,用于构建R-COMB模型。三个影像组学模型各特征的权重如图3所示。
临床模型与三种影像组学模型预测效能比较
在训练集中,R-COMB模型的预测性能优于R-IM、R-MIX和临床模型,AUC值分别为0.855、0.756、0.75和0.611(各项p < 0.05)。在测试集中,R-COMB模型的预测性能优于临床模型,AUC值分别为0.803和0.630(p < 0.05)。然而,R-IM和R-MIX模型在测试集中的预测性能差异无统计学意义(p > 0.05),见表3和图4。
此外,在训练集中,R-COMB模型的临床获益高于临床模型、R-IM模型和R-MIX模型。而在测试集中,当预测概率在0.13–0.25、0.32–0.72或0.81–0.95范围内时,R-COMB模型的临床获益高于其他三个模型。这些结果见图5。
讨论
基于双能CT(DECT)静脉期IM和MIX图像,分别建立了三种影像组学模型:R-IM、R-MIX和R-COMB模型。我们观察到,各影像组学模型在训练集中的预测性能均优于临床模型,其中R-COMB模型表现最佳(AUC:0.855 vs. 0.611)。在测试集中同样如此,R-COMB模型优于临床模型(AUC:0.803 vs. 0.630)。因此,我们认为基于DECT静脉期IM和MIX图像组合的R-COMB模型能够更准确地预测胃癌的Lauren分型。
单因素logistic回归分析结果显示,性别、肿瘤范围、肿瘤最大厚度和cN分期这些传统临床特征与胃癌的Lauren分型相关。在本组病例中,肠型胃癌多位于单一区域且无淋巴结转移,这与其侵袭能力弱、异质性低、对淋巴结转移敏感性低的生物学行为相一致[3, 5]。此外,多因素logistic回归结果显示,性别是胃癌Lauren分型的独立预测因素之一。在我们的研究中,男性与女性的比例为4.58(197/43)。我们发现,肠型中男性比例高于非肠型(88.7%,71/80 vs. 78.8%,126/160),相反,非肠型中女性患者数量高于肠型(21.2%,34/160 vs. 11.3%,9/80)。这一结果与其他研究的观察一致[3, 5]。然而,本研究中该差异无统计学意义。这可能与样本量有限有关。
最大肿瘤厚度是Lauren分型的另一个独立预测因素,肠型最大厚度小于非肠型(训练集:1.35 vs. 1.4,测试集:1.13 vs. 1.39)。Rossi等[26]认为这与肠型胃癌侵袭性小、邻近胃壁水肿少见、纤维增殖和炎症反应轻微有关。本研究中临床模型的预测效能(训练集AUC,0.611;测试集AUC,0.630)与既往研究[27, 28]所建立的临床模型性能相当。这提示传统临床特征对胃癌Lauren分型的预测价值有限。
我们使用三维分割肿瘤提取建立影像组学模型所需的全部肿瘤特征[29–31],该模型能更全面地反映肿瘤异质性[32]。我们三个影像组学模型的预测性能优于基于传统图像采用二维分割的预测模型[27]。在我们开发的三个影像组学模型中,基于IM和120 kVp等效MIX图像的R-COMB模型预测胃癌Lauren分型最为有效(训练集AUC,0.855;测试集AUC,0.802)。结果表明,R-COMB模型的预测能力优于文献[33]报道的基于CT图像的传统影像组学模型。R-COMB模型提取了静脉期的IM和MIX图像,通过影像组学建模提供了更大的定量评估价值[34–36]。此外,IM还包含反映组织灌注的功能信息[14, 37],这在模型预测中可能更有价值[38]。值得注意的是,来自IM的特征占R-COMB模型的63.6%(14/22),且IM的形状、三维、长游程高灰度强调和平方根特征显示出显著高于MIX图像影像组学特征的权重。因此,我们认为IM对R-COMB模型的建立贡献更大。此外,我们的R-COMB模型预测准确率为80.3%,高于术前胃镜活检[13]。
因此,基于双能CT(DECT)静脉期IM和120 kVp等效MIX图像的R-COMB模型可作为术前预测胃癌Lauren分型的无创且有效的新方法。这一术前诊断将有助于选择个体化治疗方案和评估预后。
研究局限性
第一,本研究的回顾性设计可能引入了选择偏倚。第二,由于这是一项样本量有限且使用同一CT扫描仪的單中心研究,未来研究需要通过外部验证和不同CT制造商来评估模型的可重复性。模型开发和验证的脚本可在GitHub获取(https://github.com/xby947/RF-Model-development.git),以提高本研究的可重复性。第三,本研究的主要目的是评估双能CT图像对Lauren分型的诊断准确性。后续研究中有必要进一步分析胃癌患者的预后。
补充信息
附加文件1。补充表1:训练集和测试集中患者传统特征的比较,以及图1:影像组学特征的详细设置。
引用
- Li M, Qin H, Yu X, et al. Preoperative prediction of Lauren classification in gastric cancer: a radiomics model based on dual-energy CT iodine map. Insights Imaging. 2023. PMID: 37454355. doi:10.1186/s13244-023-01477-8
- 全文:PMC10350444(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10350444/
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。