文献速递腹部CT

反映内脏脂肪分布的影像学生物标志物有助于区分炎症性肠病亚型:一项多中心横断面研究

Radiological biomarkers reflecting visceral fat distribution help distinguish inflammatory bowel disease subtypes: a multicenter cross-sectional study.
PubMed 文献 · Insights Imaging · 2024-03-13

该回顾性多中心研究纳入772例受试者(365例克罗恩病、241例溃疡性结肠炎、166例急性阑尾炎对照),利用3D U-Net自动分割腹部CT上的内脏脂肪组织,计算腰椎区域内脏脂肪面积的变异系数(CV)。结果显示克罗恩病患者内脏脂肪体积较低但CV较高,CV是克罗恩病的显著预测因子(OR=6.05),联合临床指标可提高鉴别诊断效能。

要点

  • 克罗恩病患者内脏脂肪分布异质性更高,腰椎区域CV是独立预测因子(OR=6.05)。
  • 克罗恩病内脏脂肪趋向集中于下腰椎区域,而溃疡性结肠炎与对照分布较均匀。
  • 自动分割模型 Dice 评分高于0.85,分割时间仅为半自动方法的3.3%。

核心结论

  • 基于CT的内脏脂肪分布可作为区分炎症性肠病亚型的潜在生物标志物。
  • 克罗恩病患者的内脏脂肪分布集中在下腰椎水平,且异质性高于非克罗恩病患者。

研究设计与样本

  • 回顾性多中心横断面研究,纳入三家机构2012年至2021年的772例患者(365例克罗恩病、241例溃疡性结肠炎、166例急性阑尾炎对照)。
  • 基于3D U形卷积神经网络构建自动内脏脂肪分割算法,中心1采用五折交叉验证训练和验证,另两中心数据用于验证泛化性。
  • 诊断依据世界胃肠病学组织全球指南确认,以半自动分割结果为参考标准。

关键影像表现/征象

  • 克罗恩病患者内脏脂肪分布集中于下腰椎区域,而溃疡性结肠炎和对照组分布相对均匀。
  • 克罗恩病内脏脂肪体积为1584.95±1128.31 cm³,低于溃疡性结肠炎的1855.30±1326.12 cm³和对照组的2470.91±1646.42 cm³。
  • 克罗恩病腰椎区域内脏脂肪面积CV为34.08±11.14%,高于溃疡性结肠炎的31.08±9.93%和对照组的29.92±8.97%。

诊断标准与关键数值

  • 多因素分析显示CV是克罗恩病的显著预测因子,OR=6.05(1.17, 31.12),p=0.03。
  • 自动模型诊断克罗恩病与溃疡性结肠炎的AUC为0.810(0.773, 0.843),半自动模型AUC为0.811(0.774, 0.844),两者无显著差异(p=0.38)。
  • 联合CV与临床指标后AUC为0.811(0.774, 0.844),优于仅用临床指标的AUC=0.803(0.766, 0.836),p=0.08。

临床应用与阅片要点

  • 利用自动分割算法可在约1.14分钟内完成内脏脂肪定量,便于大规模影像筛查。
  • 阅片时可关注克罗恩病患者内脏脂肪向中下腹集中的分布模式,以及腰椎区域脂肪面积变异系数的升高。
  • 作者认为CT提取的内脏脂肪分布特征有望用于炎症性肠病亚型的实际影像筛查。

局限性

  • 回顾性研究设计存在固有缺陷,CT扫描方案因时间和地域跨度存在差异,研究统一选取动脉期图像并在输入神经网络前进行空间和强度归一化以减轻异质性。
  • 模型目前仅识别内脏脂肪,未涵盖皮下脂肪等其他身体成分,后续研究将根据需要纳入更多标签。
  • 考虑到增强CT的辐射暴露,对照组采用急性阑尾炎患者而非健康志愿者,为减少混杂仅关注内脏脂肪含量而未考虑衰减值。
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:Insights Imaging. 2024 Mar 13;15:70. doi: 10.1186/s13244-024-01640-9

引言

溃疡性结肠炎(UC)和克罗恩病(CD)是炎症性肠病(IBD)的两种形式。与病变仅累及黏膜和黏膜下层的UC相比,CD的病变呈穿透性,患者更易出现肠梗阻和肠间瘘等并发症,导致手术风险更高[1]。此外,CD患者通常需要更系统和复杂的药物治疗。当前指南强调通过综合评估临床、内镜、病理和影像学数据来鉴别IBD[2]。然而,CD和UC患者的临床症状常常重叠。作为CD的特征,非干酪样肉芽肿的病理阳性率较低[3]。此外,内镜和影像学在描绘CD透壁性炎症方面能力有限[4]。因此,区分CD和UC可能具有挑战性,尤其是在仅有结肠病变的患者中[5]。

IBD中的内脏脂肪组织(VAT)被认为是与疾病进展和不良结局相关的内分泌器官,而非惰性的能量储存组织[6]。特别是在CD中,病变肠段周围的爬行脂肪与复杂的疾病表型密切相关[7, 8]。既往研究观察到UC患者的VAT含量高于CD患者[9]。研究者还探讨了CD、UC和对照人群在CT图像上第三腰椎(L3)水平的VAT面积(VFA)及VFA与皮下脂肪面积比值(VSR)的差异[10]。然而,由于营养状态的个体化差异,以及CD中脂肪组织的堆积通常与病变肠段相关,使用单层图像获得的指标进行鉴别诊断可能具有挑战性[5, 11]。全腹部CT评估目前正成为提供VAT体积精确测量的最准确方法[12],而腹部CT扫描因诊断和随访需要常规用于IBD人群[13]。基于CT的自动化VAT体积定量可通过深度学习模型实现,有助于在大规模人群中使用[14]。此外,算法还可基于解剖位置量化VAT分布,从而揭示不同横截面积与体积之间的关系。已有研究分析超重或肥胖患者中VAT的分布[15],但尚无研究将该方法扩展至IBD人群。因此,本研究旨在借助深度学习模型探讨IBD受试者中VAT的分布特征,以区分IBD亚型。

材料与方法

研究对象

这项在三个机构开展的多中心回顾性研究获得了各参与中心研究伦理委员会的批准,并豁免了知情同意。研究人员通过检索电子病历系统,审查并识别了2012年至2021年间接受腹部CT扫描并被诊断为CD或UC的患者。诊断依据世界胃肠病学组织全球指南予以确认[2]。以下患者被排除:(1)年龄<18岁,(2)CT数据不可用,(3)患者合并包括癌症或肾衰竭在内的疾病,(4)患者在6个月内因其他原因接受过免疫治疗,(5)既往接受过肠道手术。对于接受多次CT扫描的患者,选择最接近初次诊断时的扫描。

参考既往研究[10],对照组由2012年至2021年间因急性阑尾炎入院、在急性腹痛发作前健康状况良好、并在手术前接受腹部CT扫描的患者组成。从电子病历中提取患者的性别、年龄、身高、体重和吸烟史,以及蒙特利尔分型[16]、实验室指标(血清白蛋白(Alb);C反应蛋白(CRP);红细胞沉降率(ESR))和随后6个月内的手术记录。体重指数(BMI)通过体重除以身高的平方获得,根据既往研究[17],以24 kg/m2作为超重的截断点。

自动内脏脂肪组织(VAT)分割模型的开发

CT图像中VAT的半自动分割

在不同时间段和地理区域,腹部CT方案存在差异,但均始终超过了基本技术要求[18]。对于在门诊接受CT扫描的IBD患者,要求其在扫描前禁食4至6小时并避免产气液体。此外,指导他们在扫描前45至60分钟内摄入1000至1500 mL的2.5%甘露醇水溶液。对于在急诊科接受CT扫描的IBD和阑尾炎患者,省略上述准备,直接进行增强CT扫描。所有患者均先进行平扫,然后在快速团注碘普罗胺(Ultravist 370,370 mg/mL,Bayer Schering Pharma,柏林,德国)(1.5 mL/kg)后以3–5 mL/s的速率进行增强CT,随后使用动力注射器以20 mL生理盐水冲管。常规获取动脉期、肠道期或门静脉期图像。所有CT扫描均覆盖全腹部和盆腔,最大层厚为3 mm。选择动脉期图像进行进一步分析。采用半自动方法在患者CT图像上量化膈顶与耻骨联合之间的VAT[19];具体步骤在补充方法中描述。

自动分割模型的构建

我们基于三维U形卷积神经网络(CNN)构建了一种自动内脏脂肪组织(VAT)分割算法,表S1和S2显示了详细信息。我们在中心1使用五折交叉验证算法训练并验证了我们的分割模型。来自另外两个中心的数据被用于验证模型的泛化能力。为评估模型的可靠性和有效性,我们进行了一项测试,从3个不同中心随机选取30例患者。随后,我们分别使用半自动和自动方法勾画VAT区域。记录每种方法所需时间以供进一步分析。将分割结果与既往半自动结果进行比较,并计算Dice和Jaccard系数。此外,对半自动分割、unet和unet+调整之间的耗时进行了比较。

VAT指标的提取

VAT体积使用半自动和自动方法生成的掩膜进行量化。从每例患者的CT图像中选择多个二维轴位层面进行分析,详细步骤见补充方法,并从第一至第五腰椎及骨盆水平选取35个代表性层面。通过标记层面自动计算所选图像的面积。然后,使用测量的腰椎高度(L1-1与L5-5之间的垂直高度)对VFA进行标准化,如下所示:标准化指数(内脏脂肪指数,VAI)= VFA/身高L1-L52(cm2/m2)[20]。我们通过计算各水平的VAT比率来评估VAT分布,如下所示:VAT比率(%)=(VFA × 层厚)/VAT体积 × 100%。计算腰椎区域(L1至L5)所有层面的VFA,并提取面积的均值、标准差(SD)和变异系数(CV)以反映分布情况。本研究的316例IBD患者既往已有报道[19]。既往报告研究了影像组学在识别IBD亚型中的价值。本研究纳入了更多病例、更快的分析方法和更多可解释的定量参数,以扩展这一发现。

统计分析

VFA、体积和分布的量化使用Python 3.7版本进行,源代码可在https://github.com/CharelBIT/nnUNet-modify获取。统计分析使用SPSS 26.0版本和MedCalc Statistical Software 20.100版本进行。两组连续变量之间的比较使用Student t检验或Mann-Whitney U检验,三组连续变量之间的比较酌情使用单因素方差分析或Kruskal-Wallis检验。分类变量的比较使用χ2检验。使用Pearson/Spearman相关系数分析变量之间的相关性。进行二元logistic回归和受试者工作特征(ROC)分析以评估各指标区分CD和UC患者的潜力,并使用DeLong方法比较半自动与自动方法的ROC曲线下面积(AUC)。统计学显著性水平设定为两组p < 0.05,三组为0.0167(校正p = 0.05/3 = 0.0167)。

结果

患者的临床特征

共纳入772例患者(365例CD患者、241例UC患者和166例对照)。图1显示了详细步骤。CD、UC和对照之间的比较见表1。与其他两组相比,CD组男性更多且总体更年轻,但BMI更低(一半体重不足)。CD组肛周疾病患病率为37.5%(129/344),而UC组仅为7.6%(18/237)。在实验室指标方面,IBD患者Alb水平普遍较低;CD组CRP和ESR水平显著高于UC组(p < 0.001)。此外,16.7%(61/365)的CD患者病变仅累及结肠。随访时,CD患者在6个月内接受肠切除的比例显著更高(24.7% vs. 5.9%)。

图1 研究对象纳入流程图 查看原图 ↗
表1 所有患者临床特征比较 查看原表 ↗

内脏脂肪组织(VAT)自动分割模型的性能

自动分割算法的网络拓扑结构见图2a。训练集的Dice评分高于0.90,所有测试集和验证集的Dice评分均高于0.85(表S3)。半自动和自动化流程获得的VAT体积高度相关(r = 0.99,p < 0.001)。重复性测试结果见表S4。自动模型完成一名患者分割所需的平均时间为半自动方法所需时间的3.3%(1.14/34.50 min)。后续调整使模型的Dice评分得到改善,自动方法加手动调整流程所需时间为半自动方法的15.1%(5.22/34.50 min)(图2b、c)。

图2 自动分割算法的构建与效率测试。a 整个网络的拓扑结构由编码和解码部分组成。编码和解码子网络包含五个阶段,表明构建了五级尺度的特征图用于自动特征提取。b 自动分割算法所需时间,包括预处理、推理和后处理。c 半自动方法、U-net模型及U-net模型加后续调整所需时间 查看原图 ↗

三组间VAT特征的比较

CD 患者(1584.95 ± 1128.31 cm3)和 UC 患者(1855.30 ± 1326.12 cm3)的 VAT 体积显著低于对照组(2470.91 ± 1646.42 cm3,p < 0.001)。在 35 个层面中,受试者内 CV 分别为 CD 34.08 ± 11.14%、UC 31.08 ± 9.93%、对照组 29.92 ± 8.97%,且 CD 的 CV 显著更高(p < 0.05)。三组在各分析层面的 VFA 的 CV 见图 3a,CV 随椎体层面降低而下降(Pelvis-5 除外),且该趋势在三组间一致。三组在各分析层面的 VFA 与 VAT 体积的相关性见图 3b。除 Pelvis-5 外,所有层面的相关系数均大于 0.80(p < 0.01),相关性最强的层面在 CD 为 L3-L4(r = 0.954),在 UC 为 L3 上部(r = 0.972),在对照组为(r = 0.950)。三组不同层面 VAI 的比较见图 3c(表 S5),IBD 病例的 VAI 总体较低。VAT 比值的比较见图 3d(表 S6)。UC 的趋势与对照组相似,呈现相对均匀的模式。相反,CD 显示主要集中于下腰椎区域。我们还按性别描述了趋势,如图 S3b 所示,其中 UC 与对照组的趋势仍然相似,并与 CD 区分开来。

图 3 描述 CD、UC 和对照患者多种内脏脂肪组织指标的散点图。a VFA 的受试者间 CV。b VFA 与 VAT 体积之间的相关性。c VAI。d VAT 比值。VAT,内脏脂肪组织;CD,克罗恩病;UC,溃疡性结肠炎;CV,变异系数;VFA,内脏脂肪面积;VAI,内脏脂肪指数 查看原图 ↗

三组之间 VAT 分布的差异

反映 VAT 分布的指标总结于表 2(图 4)。在均值和 SD 方面,CD 组和 UC 组相似,且低于对照组,而 CD 组的 CV 最大,反映 CD 患者腰椎区域内 VAT 分布更为不均。UC 与对照组之间 CV 的差异不显著,尽管 UC 的均值和 SD 较低。上述比较结果在使用半自动或自动分割结果时均一致。此外,我们比较了伴有和不伴有肛周瘘管的 UC 患者之间的 VAT 分布,发现两者 CV 无显著差异(0.27(0.19,0.37)对 0.24(0.17,0.31),p = 0.31)。图 5 显示了三名分别诊断为 CD、UC 和急性阑尾炎患者的冠状位 CT 图像。CD 患者的 VAT 明显更集中于下腰椎区域,而 UC 和对照组的 VAT 分布更均匀且相似。此外,二元 logistic 回归显示,在调整临床指标后,CV 仍是 CD 的预测因素(OR = 6.05(1.17,31.12),p = 0.03)(表 S7)。ROC 分析表明,自动模型的诊断效能与半自动技术相当(AUC = 0.810(0.773,0.843)对 AUC = 0.811(0.774,0.844),p = 0.38),并提高了临床指标的效率(AUC = 0.803(0.766,0.836),p = 0.10 和 0.08)(表 3)。

表 2 腰椎区域内脏脂肪面积的均值、标准差和变异系数的比较 查看原表 ↗
图4 三组腰椎区域内内脏脂肪组织分布指数的箱线图。半自动和自动分割结果计算出的各指标组间差异一致。VAT,内脏脂肪组织;CD,克罗恩病;UC,溃疡性结肠炎;SD,标准差;CV,变异系数,*p < 0.05,**p < 0.01,***p < 0.001 查看原图 ↗
图5 三名分别诊断为CD、UC和急性阑尾炎患者的冠状位CT图像,其内脏脂肪组织以红色标记。a 一名24岁男性CD患者,BMI为12.35 kg/m2,表现为回结肠型CD。腰椎区域内的平均VFA为22.46 cm2,CV为66.39%。b 一名30岁男性UC患者,BMI为17.82kg/m2,表现为轻度UC。平均VFA为58.84 cm2,CV为30.15%。c 一名32岁男性阑尾炎患者,BMI为27.71kg/m2。平均VFA为161.30 cm2,CV为28.86%。CD,克罗恩病;UC,溃疡性结肠炎;BMI,体重指数;VFA,内脏脂肪面积;CV,变异系数 查看原图 ↗
表3 鉴别克罗恩病组与溃疡性结肠炎组的受试者工作特征曲线下面积比较 查看原表 ↗

讨论

在本研究中,采用深度学习方法实现了VAT的自动定量,并用于研究CD、UC和对照组中VAT的分布。与UC和对照组中相对均匀的VAT分布不同,CD中的VAT更集中于下腰椎,进一步分析显示CD患者VAT分布的变异性更大。后续分析还证实了CV区分CD和UC患者的能力,并与临床指标联合时提高了诊断性能。

既往在IBD人群中进行的身体成分研究主要使用基于单层图像的半自动定量方法[10, 21, 22],单层面积的频繁使用可能归因于其简便性。身体成分自动分割的发展使得多层VFA和VAT体积的快速准确量化成为可能[14, 23, 24],本研究已实现了这一点。我们开发的模型不仅在IBD患者中表现出值得称赞的准确性,在诊断为急性阑尾炎的个体中也是如此。此外,其强大性能在不同医学影像设备和医疗机构中持续存在,凸显了其适应性和适用性。此外,该方法所需时间远少于半自动方法。

已有研究比较了CD、UC和对照(急性阑尾炎)人群之间VAT含量的差异。Zhang等人在L3水平单层CT图像中发现,与UC和对照组相比,CD组VFA较低但VSR较高。UC与对照组之间差异不显著[10]。Jahnsen等人通过双能X线吸收法量化身体成分,发现CD患者的VAT含量显著低于UC[9]。也有研究利用L3或L4等代表性层面在IBD患者中进行了临床影像学分析,揭示了VAT对CD疾病表型、活动度和预后的影响[20, 21, 25]。尽管我们的分析显示,在IBD组中各腰椎层面的VFA与VAT体积均高度相关,但鉴于VAT含量与个体营养状态和病程密切相关,它并不是识别和评估IBD的可靠指标。因此,在本研究中,我们描述了椎体层面-VAT比值曲线以展示VAT分布趋势,并计算了腰部区域VAT分布的CV。我们的结果显示,与非CD组相对均匀的分布相比,CD的VAT分布集中于下腰部区域。此外,这一趋势在男性和女性患者中均一致观察到。后续分析揭示,CD患者VAT分布的CV显著高于UC患者。相反,UC与对照组之间未发现明显差异,此前未见报道。基于这些发现,我们设计了一种结合CV测量与相关临床指标来识别CD和UC个体的新方法。值得注意的是,CV成为CD的显著预测因子。

CD患者炎症肠段周围可见异常增生的肠系膜脂肪组织(MAT),这可在疾病早期出现[26]。正常情况下,MAT参与局部和全身免疫微环境的平衡。它作为物理屏障阻止炎症扩散,吸收多余脂肪和糖类,并分泌多种抗炎因子,从而减轻肠道炎症的严重程度[27]。然而,对于CD患者,MAT是功能失调免疫细胞的储存库,它分泌更多脂肪酸并增加免疫细胞和细胞外基质,加剧肠道炎症[28, 29]。有趣的是,一些研究发现VAT在UC中可能发挥不同作用。Zulian等人的研究揭示了CD和UC的MAT中炎症基因表达及细菌载量的差异[30],提示VAT在CD的病理生理中发挥重要作用,而在UC中则不然。因此,UC中VAT的功能可能比CD更接近正常人。考虑到CD患者MAT的分布与受累肠段有关,且CD主要累及回肠,这可能解释为何我们的结果显示UC与对照组的VAT分布相似,而CD则更集中于下腹部。

这项多中心研究存在一些局限性。首先,回顾性研究设计存在固有缺陷。由于跨度的时间和空间较大,无论在相同还是不同地区,CT扫描方案的差异实际上不可避免。为应对这一挑战,我们采用了聚焦策略,特别选择动脉期CT图像进行分析。此外,为减轻潜在异质性,我们在将空间和强度输入神经网络处理之前对其进行了归一化。其次,由于VAT对CD的重要性,我们的模型目前仅识别VAT,未涵盖皮下脂肪等其他身体组成。但后续研究将在必要时纳入更多标签。最后,考虑到增强CT扫描中辐射暴露相关的权衡,我们的对照组由急性阑尾炎患者而非健康志愿者组成。为减轻对结果的潜在混杂影响,我们仅关注VAT含量,未考虑衰减值。

基于深度学习算法,CT图像中的VAT可以被容易地识别,从而实现含量和分布信息的自动提取。在CD患者中,VAT的分布集中于下腰椎水平,并且与非CD患者相比表现出更大的异质性。这一特征可能是区分CD与UC的潜在生物标志物。

补充信息

附加文件1。补充方法。补充图。补充表。

引用

  1. Xiong Z, Wu P, Zhang Y, et al. Radiological biomarkers reflecting visceral fat distribution help distinguish inflammatory bowel disease subtypes: a multicenter cross-sectional study. Insights Imaging. 2024. PMID: 38472526. doi:10.1186/s13244-024-01640-9
  2. 全文:PMC10933218(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10933218/

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。