食管鳞癌T1-2与T3-4分期的CT影像组学识别:二维还是三维?
回顾性纳入398例病理确诊食管鳞癌患者,术前胸部增强CT分别勾画二维与三维感兴趣区建立影像组学模型。训练集二维模型AUC 0.831与三维模型AUC 0.830差异无统计学意义(p=0.973),测试集二维AUC 0.807与三维AUC 0.797差异亦无统计学意义(p=0.748)。作者认为二维与三维模型区分T1-2与T3-4期性能相当,二维模型因勾画时间更短可能更可行。
要点
- 二维与三维CT影像组学模型区分食管鳞癌T1-2与T3-4期的AUC在训练集和测试集均无显著差异。
- 二维模型敏感度与NPV更高,三维模型特异度、准确度与PPV更高。
- 决策曲线分析显示两模型临床净获益相似。
核心结论
- 二维影像组学模型在区分食管鳞癌T1-2与T3-4期方面与三维模型性能相当。
- 作者认为二维影像组学模型因勾画ROI所需时间更短,可能是更可行的选择。
研究设计与样本
- 回顾性研究,纳入2016年2月至2020年3月在河北医科大学第四医院行根治性食管切除术的398例食管鳞癌患者,按7:3随机分为训练集与测试集。
- 术前两周内行胸部增强CT,使用两台CT扫描仪(SOMATOM Definition Flash 128层双源CT与Revolution CT 256层CT),管电压120 kVp,自动mAs,层厚5.0 mm、间距5.0 mm,重建薄层厚度1-2 mm。
- 经静脉注射对比剂碘海醇(300 mg I/ml)1.5 ml/kg、流率3.0–4.0 ml/s,延迟30秒行动脉期扫描,后以20 ml生理盐水冲管。
- 以纵隔窗薄层增强CT图像勾画ROI,2D ROI勾画于肿瘤最大横截面积,3D ROI逐层勾画,图像线性插值至1×1×1 mm体素。
- 以病理T分期(第8版AJCC/UICC分期系统)为参考标准,将患者分为T1-2期与T3-4期两组。
关键影像表现/征象
- CT诊断食管壁异常的 criterion 为横轴位上管壁厚度大于5 mm。
- 勾画时排除食管内气体,避开周围软组织、血管与骨结构。
诊断标准与关键数值
- 训练集二维模型AUC 0.831 vs 三维模型AUC 0.830,DeLong检验p=0.973,差异无统计学意义。
- 测试集二维模型AUC 0.807 vs 三维模型AUC 0.797,DeLong检验p=0.748,差异无统计学意义。
- 三维模型在训练集与测试集中的特异度、准确度与PPV均高于二维模型,二维模型敏感度与NPV更高。
- 校准曲线显示两模型一致性良好,Hosmer-Lemeshow检验提示与完美拟合无显著偏差。
- 决策曲线分析显示两模型临床净获益相似。
临床应用与阅片要点
- 作者认为二维影像组学模型因勾画ROI时间更短,可能是更可行的选择。
- 作者在讨论中提及既往研究建议二维影像组学模型因实用高效可用于临床,该表述引自文献而非本研究推荐。
- 原文指出食管为空腔器官、肿瘤形态不规则,勾画时确定肿瘤上下界存在特定挑战,可能纳入不同程度正常食管组织,需手动分割确保ROI准确。
局限性
- 原文讨论中提及未将高阶影像组学特征纳入分析。
- 原文讨论中提及二维ROI最大层面的选择可能受个人主观判断影响,而三维ROI分割不存在这种变异性。
- 原文讨论中提及三维ROI勾画引入额外噪声可能掩盖有用信息并对诊断准确性产生不利影响。
- 原文讨论中提及三维ROI纳入更多分割层面会引入更多非肿瘤组织从而可能扭曲结果。
- 原文讨论中提及二维ROI可最大程度减少运动和呼吸伪影,而这些伪影可能随ROI层面增多而更明显。
全文中译11 节 · 点击展开
引言
食管癌(EC)已被确定为癌症相关死亡率的第六大原因,对全球公共卫生构成了重大挑战[1]。在全球范围内,食管鳞状细胞癌(ESCC)是最常见的组织学亚型[2]。EC患者的死亡率范围为15%至20%[3]。肿瘤-淋巴结-转移(TNM)系统是临床实践中最广泛使用的分期系统[4]。肿瘤医院和医疗中心已广泛采用其作为癌症临床、病理和影像报告的主要方法。多学科治疗方法可以改善EC患者的结局和预后,尤其是晚期肿瘤患者。不同分期的肿瘤可以采用不同的治疗策略,因此准确分期对于指导治疗决策至关重要[5]。
目前,EC可以通过多种方式进行治疗[6]。准确的T分期有助于制定EC的治疗方案。对于EC的T1/T2期,手术是首选治疗方法,而对于T3/T4a期,推荐新辅助化疗联合手术[7]。内镜超声(EUS)是一种操作者依赖性 modality,高度受操作者经验和主观熟练程度的影响,因此结果可能受到影响。肿瘤相关水肿可能导致分期过高,而肿瘤穿透有限可能导致分期过低。对于食管腔明显狭窄的患者,如果内镜无法通过病灶,可能无法准确评估整个肿瘤[8]。计算机断层扫描是一种用于确定EC分期的无创影像学方法[9]。然而,T1/T2期的准确性低于EUS[10–12]。动态对比增强多层计算机断层扫描(CT)已被证明可提高EC T分期的准确性[13]。PET/CT无法准确识别肿瘤浸润深度,限制了其在评估EC T分期中的价值[14, 15]。在一项先前的研究中,发现MRI对EC的T分期不令人满意,尤其是对于早期肿瘤[16]。随着MRI成像技术的发展,与CT和EUS相比,MRI对可切除EC肿瘤分期的诊断性能有所提高[13, 17, 18]。然而,MRI也有一些难以克服的缺点,例如成本高、检查时间长以及因患者呼吸和运动伪影而无法分析图像。此外,MRI有若干禁忌证。例如,装有心脏起搏器、线圈植入物或广泛性焦虑障碍的患者不适合进行MRI。影像组学可以从放射学图像中提取高通量图像特征,提供隐藏在图像背后的丰富附加信息[19]。目前,基于CT的影像组学在消化系统肿瘤中已显示出有前景的应用[20, 21]。Liu等[22]已证明CT图像的纹理分析可用于评估ESCC的术前分期。Wu等[23]开发了一种影像组学模型用于术前识别I–II期和III–IV期ESCC。Yang等[20]揭示基于CT的影像组学可以在术前预测ESCC患者的病理T分期,结合现有检查有助于对患者进行准确评估。因此,肿瘤分割是许多影像组学相关研究中的关键步骤[24–26]。
关于在放射组学分析中使用二维(2D)还是三维(3D)感兴趣区(ROI)一直存在长期争议 [25, 27, 28]。因此,本研究旨在分析用于预测食管鳞状细胞癌(ESCC)T分期的2D和3D模型,从而为ESCC的治疗前评估提供方法。
方法
患者人群和研究设计
对2016年2月至2020年3月在河北医科大学第四医院接受根治性食管切除术的患者进行了回顾性研究。纳入标准为:(1)术前两周接受常规胸部增强CT(CECT)扫描的食管癌(EC)患者;(2)术后病理结果证实为ESCC,无其他病理类型;(3)病理和临床资料均完整。排除标准为:(1)接受过任何形式抗肿瘤治疗的患者(n = 228);(2)PACS系统中无法获取薄层CECT图像的患者(n = 57);(3)图像质量差或明显伪影影响评估的患者(n = 32);(4)CECT图像上未观察到可感知病变的患者(n = 59)。最终纳入398例ESCC患者,并按7:3的比例随机分为训练集和测试集。患者筛选流程见图1。
临床和病理特征收集
对患者术后组织病理学特征进行回顾性分析,包括T分期(分为T1-2和T3-4)、淋巴结状态(阳性或阴性)、长度、厚度、组织学分级、淋巴血管侵犯(LVI)、神经周围侵犯(PNI)和pTNM分期。根据AJCC/UICC第8版分期系统对分期进行了重新分类。
图像采集和肿瘤分割
图像取自本院PACS系统,导入3D Slicer软件进行肿瘤分割。所有图像均使用两台商用CT扫描仪采集。扫描仪1:128层第二代双源CT扫描仪(SOMATOM Definition Flash,Siemens Healthcare,Forchheim,德国)。扫描仪2:256层CT扫描仪(Revolution CT,GE Healthcare,Milwaukee,美国)。管电压为120 kVp,管电流设置为自动mAs,层厚5.0 mm,间隔5.0 mm,重建薄层厚度为1-2 mm。经注射泵静脉注射造影剂(3.0–4.0 ml/s,1.5 ml/kg,碘海醇,300 mg I/ml)后,延迟30秒行动脉期扫描,随后以20 ml生理盐水冲管。
肿瘤分割使用纵隔窗设置的薄层CECT图像进行。图像以1x1x1 mm的体素大小进行线性插值。食管壁异常的诊断标准为CECT图像横轴上厚度大于5 mm [29–31]。2D ROI勾画在肿瘤最大横截面积上,而3D ROI逐层勾画。肿瘤分割过程见图2。
通过计算组内和组间相关系数(ICC)评估特征提取的可靠性。随机选取30例患者,由两名放射科医师为每个肿瘤勾画2D和3D ROI。一名放射科医师在1个月后对这30个肿瘤重复分割。ICC值为0.75。若存在潜在分歧,将通过寻求共识来解决。在分割过程中,排除食管内气体,并避开周围软组织、血管和骨骼结构。
影像组学特征选择与模型构建
对每个肿瘤进行2D和3D ROI分割,并使用PyRadiomics平台以nii.gz格式进行特征提取。图像以灰度离散化,带宽设置为25。此外,这些特征还包括经高斯-拉普拉斯(LoG,σ:1、3、5)、小波、对数、梯度和局部二值模式(LBP)滤波后的图像。此外,2D影像组学特征包括9个形态学特征,而3D影像组学特征包括14个形态学特征。为评估两组之间的关系,使用无监督聚类和影像组学热图。分别提取2D和3D影像组学特征。所有影像组学特征在训练集中采用z-score方法预处理,并应用于测试集。
影像组学特征选择和模型构建过程包括五个连续步骤。首先,保留ICC高于0.75的影像组学特征。其次,使用Wilcoxon秩和检验。第三,Spearman相关分析去除相关系数大于0.9的特征。为在训练集中选择最有用的预测特征,应用最小绝对收缩和选择算子(LASSO)方法。采用10折交叉验证的逻辑回归。最后,使用逐步逻辑回归选择赤池信息准则(AIC)最小的特征集,并将其纳入逻辑回归模型。影像组学分析的工作流程如图3所示。
统计分析
所有患者被分为T1-2期和T3-4期组。呈正态分布的连续变量以均数±标准差表示,而非正态分布的连续变量以中位数(四分位间距)描述。独立样本t检验用于比较呈正态分布的连续变量。Mann-Whitney U检验用于比较呈非正态分布的连续变量。分类变量以计数表示,并采用卡方检验进行比较。受试者工作特征曲线(ROC)和曲线下面积(AUC)用于评估模型的诊断性能。采用DeLong检验比较二维和三维影像组学模型之间的差异。计算模型的灵敏度、特异度、准确率、阳性预测值(PPV)和阴性预测值(NPV)。Hosmer-Lemeshow(HL)检验和校准曲线用于评估影像组学模型的拟合程度,决策曲线分析(DCA)用于评估模型的临床应用价值。所有检验均为双侧检验,p值小于0.05被认为具有统计学意义。使用R软件(版本4.2.2)进行所有统计分析和建模。
结果
患者临床和病理特征
本研究共纳入398例食管鳞状细胞癌(ESCC)患者,其中男性266例,女性132例。患者年龄范围为37至80岁。T1-2期患者113例,其中T1期30例,T2期83例;T3-4期患者285例,其中T3期281例,T4a期4例。T1-2期与T3-4期患者之间差异无统计学意义。然而,两组在性别、pLength、pThick、肿瘤分化程度、淋巴结转移、PNI、LVI状态和pTNM分期方面差异有统计学意义。详细的临床和病理特征见表1。
影像组学特征选择与模型构建
分别从每个肿瘤的2D和3D ROI中提取了共1595个影像组学特征。我们使用无监督聚类分析,通过热图可视化2D与3D影像组学特征之间的相关性(图4)。ICC分析显示,分别有492个2D影像组学特征和1350个3D影像组学特征的ICC值大于0.05,表明具有良好的一致性和可重复性。431个2D影像组学特征和741个3D影像组学特征在T1-2期与T3-4期肿瘤患者之间显示出统计学显著差异。这些影像组学特征被纳入后续的Spearman相关性分析。ICC大于0.9的影像组学特征被剔除,剩余86个2D影像组学特征和123个3D影像组学特征用于LASSO分析(图5)。采用最小准则确定调优参数(λ)的选择。经LASSO分析后,保留了16个影像组学特征。最后,分别使用多因素逐步 logistic 回归建立2D和3D影像组学模型,并保留AIC值最低的特征集。图6描述了所选的2D和3D影像组学特征及其系数。使用Spearman相关性分析所选2D和3D影像组学特征之间的相关性,并以热图可视化(图7)。对每位患者计算影像组学评分(Radscore),可表示为:
2D Radscore=1.3371+original_ngtdm_Busyness_2D*0.3846-wavelet. LH firstorder_Minimum_2D*0.9596-wavelet. LH glcm_Imc2_2D*0.5414-wavelet. LL glrlm_LongRunLowGrayLevelEmphasis_2D*0.5414-wavelet. LL glrlm_LongRunLowGrayLevelEmphasis_2D*0.3355-logarithm_glcm_MaximumProbability_2D*0.6636+1bp.2D_firstorder_Entropy_2D.
3D Radscore=1.2839+original_ngtdm_Busyness_3D*0.8804+log.sigma.1.0.mm.3D_ngtdm_Complexity_3D*0.5897-log.sigma.1.0.mm.3D_ngtdm_Contrast_3D*0.6159+wavelet.LHL_firstorder_Kurtosis_3D*0.4180-wavelet.HLL_glcm_MaximumProbability_3D*0.274+logarithm_gldm_DependenceEntropy_3D*0.4766-lbp.3D.m2_glszm_SmallAreaLowGrayLevelEmphasis_3D.
2D和3D Radscore的条形图见图8。
模型评估与比较
表2展示了模型的详细诊断性能。图9描绘了这两种模型的ROC曲线。在训练集中,2D的AUC为0.831,3D的AUC为0.830,p值为0.973(DeLong检验)。在测试集中,2D的AUC为0.807,3D的AUC为0.797,p值为0.748(DeLong检验)。3D影像组学模型在训练集和测试集中具有更高的特异度、准确度和PPV。同时,2D影像组学模型具有更高的灵敏度和NPV。2D和3D影像组学模型的校准曲线显示出良好的一致性(图10)。HL检验表明与完美拟合无显著偏差。DCA显示两种模型具有相似的临床净获益(图11)。因此,在识别ESCC T1-2期和T3-4期方面,2D影像组学模型的净临床获益与3D模型相当。
讨论
在本研究中,利用提取的影像组学特征开发了2D和3D影像组学模型,用于区分ESCC的T1-2期和T3-4期。结果表明,2D和3D影像组学模型能够在治疗前有效区分ESCC的T1-2期和T3-4期。
增强CT(CECT)扫描是食管鳞状细胞癌(ESCC)的常用诊断方法,因其成本低、易于获取且无创,在临床实践中被广泛使用[22]。然而,高阶影像组学特征并未纳入分析。影像组学是一种有前景的方法,能够以高通量方式从放射影像中提取图像特征,可捕捉传统图像无法揭示的额外信息[19]。影像组学工作流程的第一步是获取高质量且标准化的医学图像,随后用于分割肿瘤感兴趣区(ROI)。接着,从所定义的肿瘤ROI中提取高通量定量图像特征[19]。从维度角度来看,主要可分为单层二维ROI和全肿瘤体积三维ROI。肿瘤的2D或3D ROI分割模式可能影响影像组学特征值及判别模型的性能[24–26]。
关于应使用2D还是3D ROI一直存在争议。然而,影像组学特征在实际临床实践中的效用有所不同。结果归因于图像参数、受累器官、病理肿瘤特征、肿瘤形态、生长模式、临床终点以及研究中采用的建模方法等方面的差异,此外还有其他影响因素。放射科医生勾画肿瘤的2D ROI相对容易,这导致特征计算量更少且花费时间更短[24]。尽管如此,3D ROI影像组学分析覆盖了整个肿瘤体积,相比2D ROI影像组学分析能更好地表征肿瘤的空间异质性[32, 33]。然而,仅使用单层肿瘤ROI可能不适合影像组学分析,因为2D图像特征无法表达整个肿瘤体积的异质性[34]。在我们的训练集和测试集中,2D影像组学模型的AUC值分别为0.830和0.807。这些数值与3D影像组学模型相当。DeLong检验未揭示两种模型之间存在任何统计学显著差异。此外,DCA曲线表明两种模型具有相当的临床实用性。
目前,尚无研究比较2D与3D影像组学模型在预测食管鳞状细胞癌(ESCC)T分期方面的性能差异。对于一些实体瘤,基于3D ROI构建的模型的预测性能优于或接近于基于2D ROI构建的模型[24, 26]。既往研究[34–36]已证实,3D ROI包含比2D ROI更稳定、可重复性更好的影像组学特征。然而,食管为空腔器官,食管肿瘤通常形态不规则。在勾画食管癌(EC)肿瘤时,确定肿瘤的上、下边界存在特定挑战。勾画过程可能包含不同程度的正常食管组织。因此,需要手动分割以确保肿瘤ROI勾画的准确性。2D ROI分割的问题在于,最大层面的选择可能受到个人判断的主观影响,而3D ROI分割中不存在这种变异性。在空腔器官(如食管癌、胃癌和直肠癌)的影像组学研究中,3D影像组学模型显示出优于2D影像组学模型的性能。Peng等[37]发现,3D影像组学模型在预测ESCC的淋巴血管侵犯(LVI)状态方面效能高于2D影像组学模型。Huang等[21]发现,在胃癌中,与2D影像组学特征相比,3D影像组学特征表现出更高的稳定性和可重复性。他们还观察到,ICC > 0.75的特征更为丰富。Du等[38]发现,3D影像组学模型在鉴别胃食管交界处鳞状细胞癌与腺癌方面表现出更令人鼓舞的性能。Li等[39]发现,3D影像组学模型在预测直肠癌LVI状态方面优于2D影像组学模型。我们的结果与既往研究不同,主要原因是所考虑的病理特征不同。肿瘤最大面积可在一定程度上反映T分期。
然而,在其他一些研究中,二维影像组学的表现更优。Shen等[28]发现,就非小细胞肺癌的预后而言,二维影像组学模型表现更佳。在另一项研究[40]中,通过CT图像二维影像组学分析的肿瘤异质性在预测结直肠癌肝转移患者治疗反应方面比肿瘤三维影像组学更准确。Meng等[25]在一项晚期胃癌多中心研究中比较了二维和三维CT影像组学特征在识别淋巴结转移、淋巴管侵犯和pT分期方面的表现。结果显示,二维模型在所有三项任务中的表现均优于三维模型。考虑到分割所需的时间和人力,二维影像组学模型因其实用性和高效性被推荐用于临床应用。三维模型表现较低可能归因于三维ROI分割引入的额外噪声,这可能掩盖有用信息并对诊断准确性产生不利影响。或者,三维模型使用的多层面分割放大了勾画的主观性和噪声相关效应。覆盖整个肿瘤的三维ROI为影像组学中的病变分类提供了更好的平均组织特性特征。对于勾画者而言,获得更准确的模型需要更多的时间和耐心,且分析的数据量呈几何级数增加。然而,三维ROI的一个潜在缺点在于,纳入更多分割图像层面会导致更多非肿瘤组织,这可能使结果失真[41]。二维ROI能够最大程度地减少潜在的运动和呼吸伪影,而这些伪影可能随着ROI层面的增加而变得更加明显。总之,基于二维成像的影像组学分析的优势在于其便捷性,使其成为临床实践中在不显著牺牲准确性的前提下提高效率的首选分割方法[42]。
我们的研究存在若干局限性,应予注意。首先,作为单中心研究,这导致了选择偏倚。此外,有限的样本量限制了模型的性能,进一步的外部验证是必要的。其次,我们使用了两台不同机器的CT扫描来获取图像。然而,在异质性环境中收集数据可能提高我们结果的泛化性。第三,我们侧重于比较二维和三维模型的诊断性能,而非将其与常规CT特征联合用于诊断,这可能是未来研究的一个方向。此外,另一个值得探索的有趣方向是利用术后病理作为评估金标准,比较超声内镜(EUS)与二维影像组学分析在食管鳞状细胞癌(ESCC)分期中的差异。
总之,基于二维和三维影像组学特征构建的预测模型可用于术前无创识别食管鳞状细胞癌(ESCC)的T1-2期和T3-4期,在指导个体化治疗决策和精准分层ESCC患者方面具有潜在的临床应用价值。此外,由于勾画感兴趣区(ROI)所需时间更短,二维影像组学模型可能是更可行的选择。考虑到二维影像组学模型的简便性和可负担性,以及其与三维影像组学模型相当的预测性能,由于勾画ROI所需时间更短,二维影像组学模型可能是更可行的选择。
要点
这项大型回顾性研究表明,二维和三维影像组学分析可在术前有效区分ESCC的T分期。
我们的结果为ESCC影像组学分析提供了新的参考和方向,有助于临床医生分配治疗。
引用
- Li Y, Yang L, Gu X, et al. Computed tomography radiomics identification of T1-2 and T3-4 stages of esophageal squamous cell carcinoma: two-dimensional or three-dimensional? Abdom Radiol (NY). 2023. PMID: 37843576. doi:10.1007/s00261-023-04070-1
- 全文:PMC10789855(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10789855/
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。