平扫CT影像组学在乏脂性肾上腺腺瘤表征中的应用:是时候超越常规密度指标了
该回顾性研究纳入48例患者共50个平扫CT上性质未定的肾上腺病灶,提取影像组学特征构建鉴别乏脂性腺瘤与其他肾上腺病变的模型。最终影像组学标签由5个特征组成,四种机器学习分类器平均AUC为0.94(0.91–0.96),逻辑回归模型AUC为0.96。作者认为在常规密度测量之外纳入更多影像组学特征可能提高平扫CT诊断准确性并减少不必要的进一步检查。
要点
- 平扫CT密度<10 HU几乎可诊断富脂性腺瘤,但15–30%腺瘤为乏脂性,密度较高而难以定性。
- 二次均值、强度、最大3D直径、体积密度和面积密度是鉴别腺瘤的 promising 预测因子。
- 四种机器学习模型平均AUC为0.94(0.91–0.96),逻辑回归模型AUC为0.96。
核心结论
- 在平扫CT上纳入更多影像组学特征可能提高诊断准确性并减少额外影像检查和临床评估的需求。
- 由1个直方图特征、1个二阶特征和3个形状特征组成的影像组学标签可考虑整合到肾上腺病灶常规影像评估中,超越单纯中位密度测量。
- 作者认为这或可作为增强平扫CT诊断效能的方法,以大幅减少最初被视为性质未定的肾上腺偶发瘤数量。
研究设计与样本
- 回顾性研究,纳入2003年1月至2018年12月间于费拉拉圣安娜大学医院接受肾上腺切除术的患者,最终分析48例患者共50个病灶。
- 纳入标准为有组织病理学报告且术前有平扫CT、病灶最大径≥1 cm、平扫CT上密度≥10 HU且无宏观脂肪成分。
- CT扫描来自4台多探测器设备:Philips Brilliance 64、GE Lightspeed VCT、Philips iCT 256、Siemens Biograph 64,采用标准软组织核重建。
- 以组织病理学为参考标准,将病灶分为腺瘤(标记为0)与其他肾上腺组织类型(标记为1)。
- 使用LASSO进行特征选择,并以30次重复的随机交叉验证(训练集2/3、测试集1/3)评估模型性能。
关键影像表现/征象
- 平扫CT上密度<10 HU几乎总是富脂性腺瘤的诊断依据,不受病灶大小影响。
- 乏脂性腺瘤因胞质内脂质不足而表现为较高密度,平扫CT单凭密度难以定性。
- 影像组学标签中的强度为二阶纹理特征,高强度意味着肿瘤纹理模式较大、像素强度均匀区域较宽。
- 面积密度和体积密度与肿瘤形状和范围相关,可能反映腺瘤更常表现为边界清楚的圆形或卵圆形病灶这一形态特征。
诊断标准与关键数值
- 平扫CT密度<10 HU诊断富脂性腺瘤的敏感度为71%、特异度为98%。
- 包含15分钟延迟扫描并以60%为对比剂廓清阈值的专用肾上腺CT方案可正确分类96%的肾上腺肿块,鉴别腺瘤与非腺瘤的敏感度为98%、特异度为92%。
- 30次LASSO逻辑回归模型在训练集平均AUC为0.95(0.81–1.00),在测试集平均AUC为0.72(0.48–1.00)。
- 最佳逻辑回归模型由13个特征组成,训练阶段AUC为0.99、测试阶段AUC为1.00。
- 经Pearson相关分析(阈值0.80)降维后保留5个特征,四种最终分类器逻辑回归、线性判别、支持向量机、决策树的AUC分别为0.95、0.94、0.91、0.96。
临床应用与阅片要点
- 作者认为影像组学标签可考虑整合到肾上腺病灶常规影像评估中,超越单纯中位密度测量。
- 逻辑回归模型中腺瘤的真阳性率为79%,非腺瘤的真阳性率为93.5%。
- 决策树模型对两类病灶的真阳性率分别为84.2%和90.3%。
- 作者指出,平扫CT上密度<10 HU的cut-off具有高特异度(98%)但敏感度有限(71%),15–30%的腺瘤为乏脂性。
局限性
- 最终队列样本量小,原因是寻找平扫CT上性质未定且需组织学确认的肾上腺结节患者导致符合纳入标准的病灶数量相对较少。
- 图像数据采集为回顾性,本观察性研究中每位患者使用的扫描仪类型未受控制。
- 不同扫描仪采集的CT数据变异对影像组学临床应用稳健性的潜在影响不应被低估。
全文中译12 节 · 点击展开
引言
肾上腺偶发瘤定义为在非因怀疑肾上腺疾病而进行的影像检查中偶然发现的、无症状的肾上腺肿块[1]。在大多数病例中,肾上腺偶发瘤为良性无功能腺瘤,但也可能对应需要全面临床关注和治疗干预的不同疾病(如肾上腺皮质癌、嗜铬细胞瘤、激素分泌性腺瘤或转移瘤)。随着先进诊断影像在日常医疗实践中的迅速普及,近几十年来,我们观察到偶然发现的肾上腺结节发病率持续上升。事实上,肾上腺偶发瘤较为常见,估计约占成人的3%至7%[2, 3]。
偶发性肾上腺肿块对放射科医师和转诊临床医师而言均构成诊断挑战,尤其是当初始影像特征不明确或无法诊断时。主要挑战在于正确识别不常见的意外恶性病变(或高功能腺瘤),同时使绝大多数临床无显著疾病的患者免于不必要的进一步检查。
诊断影像在肾上腺肿块的分类中至关重要,因为对于多种病变,可通过计算机断层扫描(CT)和磁共振成像(MRI)确定确切病因,而无需进一步检查[1, 4]。
特别是,CT可通过两种方式辅助诊断肾上腺腺瘤,即密度测量和对比剂廓清。平扫CT(NECT)上密度小于10 HU几乎总是富脂性腺瘤的诊断依据,无论大小[2]。相比之下,如果没有良性诊断性影像特征(例如,宏观脂肪、肾上腺密度<10 HU),则建议采用专门的肾上腺CT方案,包括对比剂给药后15分钟延迟采集,以评估绝对或相对廓清百分比。然而,嗜铬细胞瘤和来源于富血供原发性肾上腺外恶性肿瘤的肾上腺转移瘤有时可表现出与肾上腺腺瘤相似的廓清模式[5–8]。
其他影像模态可能有助于明确结节的性质,特别是MRI,其中化学位移成像同相位与反相位图像之间的信号丢失可诊断腺瘤,或正电子发射断层扫描(PET)-CT,其中大多数腺瘤显示FDG摄取低于3.1[9]。
然而,额外检查的需求使患者面临焦虑和诊断操作带来不必要伤害的风险;此外,所产生的费用也可能相当可观。
影像组学是指一门快速兴起的学科,其基础是从医学影像中提取可挖掘的数据。它已被用于肿瘤学中以支持诊断、预后判断和临床决策,目标是实现精准医学[10–13]。
在近期研究中,O’Shea等[14]和Cao与Xu[15]证明,使用基于增强CT和平扫CT影像组学特征模型的早期转移瘤可与乏脂性腺瘤相鉴别,且性能较高。在其他研究中,影像组学被用于区分乏脂性腺瘤与副神经节瘤、嗜铬细胞瘤或癌[16, 17]。
为了将乏脂性腺瘤与其他肾上腺病变区分开来,Zhang等[18]最近开发了三种预测模型,分别使用常规特征列线图、影像组学特征列线图以及联合特征列线图。然而,影像组学模型与传统模型在性能上没有显著差异。
在本研究中,我们回顾性评估了一个经病理证实的肾上腺肿块数据集,这些肿块在平扫CT(NECT)上被归类为不确定性质,且未能通过标准临床人口学或放射学特征加以区分。
我们假设,良性和恶性的不确定性质肾上腺病变可能在关键影像组学特征上表现出不同的值,我们开发了一种用于分类良性乏脂性腺瘤的影像组学标签,这可能有助于临床医生在临床实践中减少不必要的检查数量。
材料与方法
本回顾性研究按照《赫尔辛基宣言》进行;数据收集获得了当地伦理委员会的批准(Area Vasta Emilia Centrale伦理委员会(AVEC);方案编号:146/2022/Oss/AOUFe,于2022年2月17日批准)。所有检查均按常规临床实践进行,并进行回顾性检索。
研究人群
检索费拉拉圣安娜大学医院的出院小结表(Scheda di Dimissione Ospedaliera – SDO)数据库,以查找2003年1月至2018年12月期间所有ICD-9-CM(国际疾病分类第九版临床修订本)编码的、包括单侧或双侧肾上腺手术切除的干预措施,无论出于临床怀疑还是诊断目的。
共识别出251例接受肾上腺切除术的患者。
对所有组织病理学报告进行了审查,旨在排除具有大型浸润性病变(在大型腹膜后肿瘤减瘤术中作为“整块”切除与其他邻近组织和器官一并行肾上腺切除术)或肾上腺皮质肥厚的患者,从而仅纳入局灶性肾上腺病变。在我们的机构病理数据库中缺少完整组织病理学电子报告受试者被排除在进一步评估之外。最大直径小于1厘米的病变未纳入本研究。
通过查询机构放射信息系统-图像存档与通信系统(RIS-PACS;Philips VuePACS,Philips Medical Systems)检索术前放射学影像数据,仅纳入可获得平扫CT(NECT)扫描的患者。
CT数据
每次CT检查由两名分别具有3年和10年经验的腹部放射科医师独立审阅,他们对患者的病理数据设盲,以排除具有大体脂肪成分或中位衰减值小于10 HU的病变,方法是在显示病变最大范围的轴位平面上应用一个覆盖目标病变超过50%的单一感兴趣区(ROI)。阅片者之间的分歧通过共识解决。
应用纳入和排除标准后分析的CT研究是在4台不同的多探测器扫描仪上采集的:Philips Brilliance 64(Philips Medical Systems)、GE Lightspeed VCT(GE Healthcare)、Philips iCT 256(Philips Medical Systems)、Siemens Biograph 64(Siemens Medical solutions)。
CT检查采用标准采集参数,并根据患者体型及相应检查目的进行调整(10–400有效mAs,120 kVp,1.375–1.75螺距,1.5–3 mm层厚重建)。图像使用临床实践中常用的标准软组织核进行重建(即GE – standard,Philips – B,Siemens – Qr40)。
影像分析与分割
一名放射科最后一年住院医师从RIS-PACS数据库中检索CT图像,图像已完全匿名化和去标识化,格式为DICOM(医学数字成像与通信)。第一轮分割由同一名放射科医师手动完成,该医师使用3DSlicer软件及SlicerRT扩展模块[19]在每层轴位图像上勾画肾上腺病变,最终获得三维勾画感兴趣体积(VOI)。
勾画的体积须包含整个肾上腺肿块,包括边缘,但避免包括肾上腺周围软组织(脂肪、血管及邻近器官的实质)(图1)。
勾画过程的适当性由同一两名经验丰富的腹部放射科医师判定。
分割后的VOI随后以DICOM文件格式导出,并从SlicerRT扩展模块启用RT选项。
图像预处理与影像组学分析
手动分割后,图像被导出至符合图像生物标志物标准化倡议(IBSI)[16]的软件SOPHiA DDMTM Radiomics(Sophia Genetics)。患者CT图像被重采样至1/1/1 mm分辨率以标准化数据集,并在影像组学分析前以32个灰度级进行灰度量化。
影像组学分析软件对每个分割体积提取了209个影像特征。
特征包括一阶、二阶和高阶特征。采用体素强度直方图计算一阶特征。采用强度大小区域矩阵、共生矩阵和游程矩阵计算二阶和高阶特征。IBSI参考手册包含所提取209个影像特征的详细描述[20]。
统计分析
本研究的终点是探讨从患者CT图像中提取的影像组学特征在鉴别病理证实的腺瘤(以下标记为0)与其他肾上腺组织学类型(以下标记为1)方面的诊断性能。采用多因素logistic回归分析队列的临床和人口学特征,以本研究的终点为目标。我们在图2中总结了从特征提取到统计模型评估的整个影像组学分析过程。
为评估模型性能,我们采用了随机交叉验证技术。在建模过程中,病变特征数据集被分为训练集(2/3)和测试集(1/3)。然后使用训练集训练logistic回归模型,特征采用最小绝对收缩和选择算子(LASSO)技术选取,并进行内部3折交叉验证,目标为最大化腺瘤与非腺瘤之间的区分度。
在测试集上,计算了模型的预测能力。该过程重复30次,记录每次迭代中训练集和测试集的受试者工作特征曲线(ROC)及曲线下面积(AUC)。随后取后者平均值评估模型的整体诊断性能。在测试阶段最佳模型中表现更好的特征进一步用Pearson ρ相关系数处理,以0.80为阈值去除冗余。作为最终的特征选择方法,我们采用LASSO在30次重复中的选择频率。最后,我们构建了四种机器学习模型(逻辑回归、线性判别、支持向量机和决策树),每个特征固定病变数量(模型纳入每个特征10个病变),以避免对整个病变数据集过拟合。最佳模型的性能通过校准和决策曲线进行评估,以评估分类的一致性和临床实用性。
数据可用性
从50个病变中提取的用于开发模型的影像组学特征及相应状态(腺瘤/非腺瘤)见补充材料1。患者的CT图像可在向通讯作者提出合理请求后获取。
结果
患者特征和组织病理学
患者选择流程见图3。
最终研究人群包括48例患者(26例男性,22例女性),共50个病变(女性人群24个,男性26个)。患者年龄范围为27至86岁,女性平均年龄72岁,男性平均年龄70岁。
具体而言,从本院接受肾上腺切除术的251例患者的初始数据集中,我们排除了以下患者进行进一步分析:95例因缺少组织病理学数字报告;85例因术前缺少平扫CT(NECT);4例因肾上腺皮质增生;10例因浸润性肿块;4例因其他良性病变(即血肿、囊肿);仅5例因NECT扫描可可靠诊断平均密度低于10 HU的腺瘤而不符合条件。
病变的组织病理学分类如下:19例腺瘤(38%)、9例嗜铬细胞瘤(18%)、5例肾上腺癌(10%)、7例髓脂肪瘤(14%)、8例转移瘤(16%)、1例间皮瘤和1例海绵状血管瘤(4%)。患者平均病变直径为5.5 cm,最小直径1.5 cm,最大14.7 cm。最终分析纳入的患者和病变特征总结于表1。
对患者临床、人口学和影像学特征进行的多变量逻辑回归分析见表2,表明这些参数均与结局无关。
通过LASSO训练的30个逻辑回归模型平均AUC为0.95(0.81–1.00)(排除算法未达到收敛的重复次数(5次))。在测试集上,模型平均AUC为0.72(0.48–1.00)。表现最佳的逻辑回归模型在训练阶段AUC为0.99,测试阶段为1.00,由13个特征组成。
在图4中,我们展示了Pearson相关系数的结果,Rho > 0.80的特征被剔除。为防止过拟合,仅保留30次LASSO迭代中信息量最高的前5个特征(二次均值、强度、最大三维直径、体积密度和面积密度)用于进一步分析。
最后,我们使用逻辑回归、线性判别、支持向量机和决策树作为分类器,在整个病变数据集上训练了4个最终模型,获得的AUC分别为0.95、0.94、0.91和0.96,如图5所示。真阳性率和假阴性率及其他分类性能可在图6中所示模型的混淆矩阵中查看。逻辑回归模型的校准曲线和决策曲线以及与标准临床参数的比较见补充材料2。
讨论
一方面,医生对诊断确定性的渴望;另一方面,当面对意外或无法解释的影像学发现时,对诊断不确定性的不安,可能导致检查开单的增加。因此,当发现肾上腺偶发瘤且影像学表现模棱两可或无结论时,通常会进行进一步的影像学检查和临床评估[2, 21, 22]。
在本研究中,由一阶和高阶特征(即二次均值、强度、最大三维直径、体积密度和面积密度)组成的影像组学特征在四个最终分类器中表现出非常好的平均性能,AUC = 0.94(0.91–0.96),可在平扫CT(NECT)上区分腺瘤与其他肾上腺病变。
我们的机器学习模型性能之间无显著差异,逻辑回归表现最佳,AUC为0.96(图5a)。根据该模型,腺瘤的真阳性率为79%,而非腺瘤的真阳性率更高(93.5%),如图6a所示。决策树在两个类别中均表现更好,真阳性率分别为84.2%和90.3%(图6d)。
我们的特征性能与Zhang等[18]开发的三种模型相当,这些模型使用常规、影像组学及常规-影像组学联合CT特征来鉴别乏脂性腺瘤。这些模型的AUC分别为0.94、0.93和0.96。然而,在其队列中,性别、年龄、平均HU和肿瘤直径等常规参数在单因素和多因素逻辑回归中均为结局的强预测因子。因此,其影像组学特征并未显著改善常规模型(即采用标准影像学特征和人口学数据)的性能,从而削弱了其结果的科学影响力。
相反,与标准参数相比,使用我们的影像组学特征所带来的净获益可从补充图2所示的决策曲线中清晰看出。我们认为,这些差异很容易由两项研究中用于训练和测试模型的不同患者队列来解释,上述工作中纳入标准更为宽泛的合格病灶可能导致了一些选择偏倚。事实上,如表2所示,在我们的队列中,使用多变量回归时没有任何标准参数是结局的统计学显著预测因子。
影像组学特征的组成揭示了额外的区别。事实上,我们的特征由二次均值、强度、最大三维直径、体积密度和面积密度组成。二次均值是从直方图导出的一阶特征,与HU中位数(或均值)有较好的相关性,Zhang等[18]、Cao和Xu[15]以及O’Shea等[14]在区分乏脂性腺瘤与其他组织学类型的研究中发现了这一点。
强度是一种更复杂的二阶特征,与图像纹理相关;特别是,它可以与粗糙度的概念相关联,正如Amadasun和King[23]所具体描述的那样。在此背景下,高强度意味着构成肿瘤纹理的模式看起来更大,具有更宽广的均匀像素强度区域,而低强度则对应于更精细的纹理,导致局部像素强度的更大变化。据我们所知,该预测因子尚未在任何其他已发表的研究中被研究过。
最大三维直径是临床实践中已在使用的参数,并已在上述先前研究中报道。最后,面积密度和体积密度与肿瘤的形状和范围有关,可能提供关于其形态学表现的额外信息。事实上,腺瘤更常表现为边界清楚的圆形或椭圆形病灶[9]。这两个参数可能反映并量化了肿瘤的这些视觉特征,而先前的研究未对这些特征进行量化,或在使用最大或最短直径及肿瘤体积时仅部分考虑[15]。我们的发现表明,除了仅仅测量平均密度之外,还应考虑将额外指标纳入肾上腺病灶的常规放射学评估,以减少在NECT检查中被视为不确定的偶发瘤数量,从而避免不必要的临床检查和随访检查。
在NECT上,腺瘤更常因显微镜下脂肪成分而表现为低衰减(小于10 HU)。该 cutoff 值具有高度特异性(敏感性71%,特异性98%)[4, 6],在科学文献中被广泛接受,并常规用于放射学实践[24, 25]。然而,仅凭NECT并不总是具有诊断性,因为15–30%的腺瘤为乏脂性,即含有不足的胞质内脂质,不符合先前描述的非增强特征,从而表现出更高的衰减值[26]。先前的研究表明,降低用于识别腺瘤的HU阈值可以提高特异性但降低敏感性,而提高该阈值则可能导致敏感性提高但特异性降低[27, 28]。
在Yi及其同事的一项研究中[17],旨在将组织学证实的乏脂性腺瘤与嗜铬细胞瘤区分开来,作者分别使用平扫CT(NECT)和增强CT数据构建了两个影像组学列线图,并得出结论:额外的增强肾上腺CT可能并不必要。事实上,第二次扫描的缺点可能包括额外费用、辐射风险以及与造影剂给药相关的潜在危害,包括过敏和潜在肾损伤。一项专门的肾上腺CT方案,包括15分钟延迟采集并考虑60%的对比剂廓清阈值,已被证明能正确分类96%的肾上腺肿块,区分腺瘤与非腺瘤的敏感性为98%、特异性为92%[29]。然而,应当注意,根据廓清计算来表征偶发肾上腺肿块的专门CT方案的附加作用在文献中敏感性 and 特异性较低,特别是在疑似嗜铬细胞瘤或富血供肿瘤转移的情况下,后者常表现为快速对比剂廓清[22]。来自肾细胞癌和肝细胞癌的富血供转移瘤是可能包含细胞内脂质并具有与腺瘤相似的廓清值的例子[30]。
此外,如果最初在病灶被偶然发现的平扫CT(NECT)结果不确定,患者需要返回进行专门的肾上腺成像;这显然会延长诊断过程并给患者造成心理困扰。
本研究存在若干局限性应予考虑。一个主要局限性是最终队列样本量较小。这不可避免,因为我们努力寻找在平扫CT(NECT)上肾上腺结节性质不确定、且需要组织学证实的患者,导致符合纳入标准的病灶数量相对较少。另一个局限性是图像数据采集的回顾性性质:在这项观察性研究中,每位患者所使用的扫描仪类型未受控制。当考虑影像组学在临床环境中的应用稳健性时,来自不同扫描仪的CT数据变异所产生的潜在影响不应被低估。然而,我们的影像组学特征基于1个基于直方图的特征、1个二阶特征和3个形状特征,这些特征在既往影像组学研究[31, 32]中已被证明具有稳健性。
结论
根据本研究和其他近期聚焦影像组学、与当前临床实践有明显交集的研究,纳入额外的影像学指标来识别乏脂性腺瘤可以提高平扫CT(NECT)的准确性,并减少额外成像和临床检查的需要。
我们基于1个基于直方图的特征、1个二阶特征和3个形状特征的影像组学特征可考虑整合到肾上腺病变的常规放射学评估中,而不仅仅是测量中位密度。这可作为增强平扫CT(NECT)诊断效能的一种方法,以大幅减少最初被认为性质不确定的肾上腺偶发瘤的数量。
补充信息
以下是电子补充材料的链接。补充文件1(ZIP 167 KB)
引用
- Feliciani G, Serra F, Menghi E, et al. Radiomics in the characterization of lipid-poor adrenal adenomas at unenhanced CT: time to look beyond usual density metrics. Eur Radiol. 2023. PMID: 37566266. doi:10.1007/s00330-023-10090-8
- 全文:PMC10791982(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10791982/
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。