双层光谱CT预测非小细胞肺癌表皮生长因子受体突变的前瞻性研究
前瞻性纳入92例非小细胞肺癌患者,行动脉期和静脉期双层光谱CT定量参数测量并与EGFR突变检测对照。静脉期碘无水浓度诊断效能最佳(AUC 0.892),多因素分析显示静脉期标准化碘浓度是独立预测因子(AUC 0.897),提示双层光谱CT定量参数有助于预测EGFR突变状态。
要点
- 静脉期碘无水浓度(INW(VP))诊断EGFR突变的AUC为0.892,特异度95.65%。
- 静脉期标准化碘浓度(NIC(VP))是多因素分析中的显著预测因子,AUC为0.897。
- 动脉期碘无水浓度(INW(AP))AUC为0.774,预测效能低于NIC(VP)(p=0.029)。
核心结论
- 双层光谱CT定量参数与NSCLC患者EGFR突变状态相关,NIC(VP)可能是潜在的预测因子。
研究设计与样本
- 前瞻性研究,纳入2021年12月至2022年11月本院92例经病理确诊的非小细胞肺癌患者,均行双层光谱CT(IQon Spectral CT;Philips Healthcare)胸部双期动态增强扫描。
- 以EGFR突变检测为参考标准,将患者分为突变组69例和野生型组23例。
- 动脉期和静脉期分别于注射对比剂后35秒和65秒采集,对比剂为Imeron 400 MCT(400 mg/mL),剂量80–90 mL,流率3 mL/s。
关键影像表现/征象
- 常规CT图像上,突变组与野生型组在病灶位置、大小、密度、形态学特征及病灶数目上均无显著差异(p>0.05)。
- 动脉期突变组IC(AP)、NIC(AP)、INW(AP)、ED(AP)显著高于野生型组(均p<0.05),而Zeff(AP)、VMI(40keV)(AP)、VMI(100keV)(AP)两组无显著差异(p>0.05)。
- 静脉期突变组IC(VP)、NIC(VP)、INW(VP)、Zeff(VP)、λHU(VP)、ED(VP)显著高于野生型组(均p<0.05),VMI(40keV)(VP)和VMI(100keV)(VP)两组无显著差异(p>0.05)。
- AEF(p=0.156)和NAEF(p=0.567)在两组间无显著差异。
诊断标准与关键数值
- INW(VP)诊断EGFR突变的AUC为0.892(95%CI:0.823–0.960),特异度95.65%,阈值为1.72 mg/mL。
- NIC(VP)和ED(VP)的特异度均为86.96%,阈值分别为0.30和41.95 HU。
- 多因素分析中INW(AP)预测EGFR突变的敏感度82.61%、特异度65.22%、准确率77.17%;NIC(VP)的敏感度79.71%、特异度86.96%、准确率81.52%。
- NIC(VP)的AUC为0.897(95%CI:0.816–0.951),显著高于INW(AP)的0.774(95%CI:0.675–0.855)(p=0.029)。
临床应用与阅片要点
- 作者认为NIC(VP)可能是EGFR突变状态的潜在预测因子,有助于为NSCLC患者选择合适且个体化的治疗。
- 作者指出CT图像评估不能替代组织活检,但可在整个治疗过程中提供信息以弥补活检信息的不足。
- 作者指出当存在多个肿瘤时,CT预测EGFR突变状态可帮助医师选择最具代表性的肿瘤进行活检。
局限性
- 样本量小且来自单中心机构,可能引入选择偏倚。
- 晚期NSCLC患者的代表性有限,且本研究未开展对其他致癌驱动突变(包括ALK或KRAS)的探讨。
- NSCLC的异质性可能意味着二维光谱DLCT图像的定量参数不能全面代表整个肿瘤的生物学复杂性,且未评估肿瘤周边定量参数与EGFR突变状态的潜在相关性。
- 未来研究应深入探讨DLCT定量参数与携带EGFR突变的肺癌患者靶向治疗疗效之间的关系。
- 作者指出上述结果需通过更大样本量的研究进一步验证。
全文中译9 节 · 点击展开
引言
肺癌是全球每年估计新增221万例病例和180万例死亡的最常见诊断癌症之一[1]。在国家癌症中心2016年的癌症统计中,肺癌在中国恶性肿瘤的发病率(59.89%)和死亡率(47.51%)中均居首位[2]。非小细胞肺癌(NSCLC)占病例的80%以上,被认为是一种异质性疾病[3]。随着表皮生长因子受体(EGFR)基因的发现以及对酪氨酸激酶抑制剂(TKI)的持续研究,晚期或转移性NSCLC患者的治疗已得到极大改善,总生存期已延长[4, 5]。EGFR-TKI是EGFR突变NSCLC患者的标准一线治疗[6]。与NSCLC相关的EGFR突变主要涉及外显子18至21,其中外显子19缺失和外显子21的L858R突变(EGFR致敏突变)约占90%[7, 8]。中国的EGFR突变阳性率高达41–48%[9, 10]。因此,在开始EGFR-TKI治疗前确定NSCLC患者的EGFR突变状态至关重要。
活检标本肿瘤组织的基因突变测序是检测EGFR突变的金标准。然而,由于肿瘤位置和大小、潜在的转移风险以及相对较高的费用,有时难以从肿瘤获取组织样本[11, 12]。因此,有必要探索一种无创且易于获得的方法来预测NSCLC患者的EGFR突变状态。
计算机断层扫描(CT)特征及某些基于CT的肺癌影像组学特征近年来被发现与EGFR突变状态相关[13–16]。尽管CT图像评估不能替代组织活检,但它可以在整个治疗过程中提供信息,以弥补活检信息的不足。此外,通过CT成像预测EGFR突变状态可以帮助医生在存在多个肿瘤时选择最具代表性的肿瘤进行活检。然而,由于观察者的主观判断,这些CT特征无法进行定量评估。探测器衍生的双层光谱CT(DLCT)基于单X射线源和双层探测器,上层吸收低能光子,下层吸收高能光子,提供多种定量分析工具和基于多参数成像的综合诊断模型[17]。虚拟平扫(VNC)图像、虚拟单色图像(VMI)、碘浓度(IC)图像、碘无水(INW)图像、光谱衰减曲线斜率(λHU)、有效原子序数(Zeff)图像以及归一化动脉强化分数(NAEF)图可与常规CT图像一同生成。与既往研究中的双能CT(DECT)相比,DLCT通过其同步、同源和同向特性,在不同期相中能够产生更好的数据配准和图像对应,并显著减少测量误差、图像噪声以及繁琐重复的图像重建或后处理程序[18]。此外,DECT在预测肺癌EGFR突变状态方面具有潜在价值,AUC范围为0.702至0.760[19, 20]。然而,由于设备、扫描参数、样本量和病理类型的差异,该诊断性能并非最优且不一致。因此,DECT定量参数的诊断价值有待进一步探讨。此外,各DLCT定量参数在预测NSCLC中EGFR突变状态方面的价值尚未见报道。
因此,我们旨在通过严格控制CT扫描期相并标准化这些参数,前瞻性探讨DLCT定量参数在识别NSCLC中EGFR突变状态方面的潜在价值。
方法
研究人群
本前瞻性研究经相关机构审查委员会批准,并豁免知情同意要求。
前瞻性纳入2021年12月至2022年11月在本院接受胸部DLCT检查的肺结节或肿块患者。纳入标准为:(1)使用DLCT接受胸部双期动态增强扫描(动脉期[AP]和静脉期[VP])的患者;(2)经活检或手术切除后病理检查确诊为非小细胞肺癌(NSCLC);(3)DLCT扫描与手术/活检检查间隔≤3个月;(4)进行了EGFR突变检测。排除标准为:(1)CT扫描前有化疗/放疗史的患者;(2)影像数据不完整、图像质量差或存在呼吸伪影的患者;(3)肿瘤周围存在肺不张或斑片状阴影,导致无法准确观察细节或测量病灶大小的患者;(4)本院管理信息系统中临床数据不完整的患者。根据EGFR突变状态,将所有患者分为突变型和野生型EGFR组(图1)。
最终纳入92例NSCLC患者(男33例,女59例;中位年龄61岁[四分位距{IQR},51–67岁]),其中突变型EGFR组69例(男21例,女48例;中位年龄61岁[IQR,51–65岁]),野生型EGFR组23例(男12例,女11例;平均年龄61.4 ± 11.0岁)。
DLCT采集与后处理
所有患者均接受了DLCT(IQon Spectral CT;Philips Healthcare)检查,随后进行胸部双期动态增强扫描,因为大多数患者是因在其他医院检查发现肺结节或肿块而收入本院。此外,部分患者仅为临床诊断肺癌,部分已通过活检确诊。为进一步确定肺癌分期,部分患者术前CT扫描范围较广,通常在胸部扫描后还包括腹部、盆腔、颈部或头部扫描。因此,每位患者的扫描范围并不一致,但确保了胸部扫描时机的一致性。
扫描前,先行前后位定位像以确定扫描范围。经静脉以标准剂量(80–90 mL)注射对比剂(Imeron 400 MCT,400 mg/mL;Bracco Imaging),流率3 mL/s,使用高压注射器(Ulrich REF XD 2051,Ulrich GmbH & Co. KG),随后以相同流率追加30 mL生理盐水。分别于注射后35 s和65 s采集AP和VP图像。考虑到肺癌通常在开始注射后20–40 s达强化峰值,65 s的固定延迟可确保在AP晚期或此后出现的强化缓慢下降早期对肿瘤进行分析。该延迟采集不影响门脉期上腹部扫描。使用以下扫描参数:120 kVp;自动管电流选择,所得曝光量为37–84 mAs;转速0.33 s/rot;螺距0.671;探测器准直64 × 0.625 mm;矩阵512 × 512。图像重建为光谱基图像(SBI)数据集,重建层厚1 mm,间隔1 mm。常规CT图像采用混合迭代重建(iDose 4,level 4,Philips Healthcare)和标准核(B)重建,在纵隔窗(窗宽350、窗位40)下审阅。所有参与者均采用相同方案。
DLCT图像分析
使用商用软件(IntelliSpace Portal v. 10.1,Philips Healthcare)对DLCT图像进行定量分析,由一名具有三年放射学经验的放射科住院医师和一名具有30年放射学经验的资深放射科医师协商一致完成。
所有病灶均在常规CT图像上通过纵隔窗(窗宽和窗位,350 HU和40 HU)、肺窗(窗宽和窗位,1600 HU和−600 HU)及多平面重建(MPR)技术进行观察和记录。当存在多个病灶时,仅考虑最大者。根据肺窗常规CT图像上的密度特征,将目标病灶分为三类:实性、部分实性和磨玻璃影(GGO)型。我们记录了位置、大小(直径、最大长轴直径及垂直于最大长轴的最大短轴直径)和形态学特征(分叶、毛刺、空泡征和胸膜牵拉)。
在AP常规CT轴位图像上,于目标病灶最大层面手动放置圆形或卵圆形感兴趣区(ROI),避开肿瘤内部的血管、钙化、坏死和空泡/空洞。ROI面积至少覆盖整个病灶的一半至三分之二。随后,在VP相同部位手动复制ROI,并自动复制到双期各光谱图像上,包括IC、40 keV和100 keV的VMI(以下称VMI(40keV)和VMI(100keV))、VNC、Zeff和INW。同样,在隆突水平降主动脉内放置圆形ROI以获得主动脉的IC。双期DLCT数据集相互配准,以在三维上精确对齐。随后计算每个像素的NAEF,并将数据映射到光谱色阶并与VNC图像叠加(图2,表1)。
相关的光谱参数公式如下:标准化碘浓度(NIC)=肺病变的碘浓度/主动脉的碘浓度;动脉强化分数(AEF)=(动脉期碘浓度/静脉期碘浓度)×100%;NAEF=(动脉期NIC/静脉期NIC)×100%;强化程度(ED)=(常规CT值−虚拟平扫)。软件自动计算Zeff和INW的值。对于大于120 keV的能量水平,光谱曲线与低于120 keV相比表现出较小的变化和差异。因此,选择VMI(40keV)和VMI(100keV)进行分析,对应于λHU=(VMI(40keV)−VMI(100keV))/(100−40)。
统计分析
统计分析使用SPSS软件(版本26.0;IBM公司)和MedCalc软件(版本20.121)进行。正态分布的连续数据以均值±标准差表示;否则,以中位数及四分位距(IQR,p25–p75)表示。分类变量以数量(百分比,%)表示。使用单因素和多因素分析来分析预测NSCLC中EGFR突变状态的潜在显著因素。在单因素分析中,分别使用Student's t检验/Mann–Whitney U检验和卡方检验/Fisher精确检验来比较组间的连续变量和分类变量。单因素分析中关联p < 0.1的因素被选为候选变量以建立多项逻辑回归模型,并进行前向LR剔除以确定最佳独立预测因子。进行受试者工作特征曲线分析,并计算AUC以评估DLCT参数的预测价值。选择约登指数最大的阈值作为最佳阈值,并计算灵敏度、特异度和准确度。显著性水平设定为p < 0.05。
结果
参与者特征
共92例患者符合条件,包括87例(94.6%)肺腺癌和5例(5.4%)肺鳞状细胞癌。5例(5.4%)有其他恶性肿瘤病史(2例甲状腺癌、1例乳腺癌、1例结肠癌和1例前列腺癌)。EGFR突变类型包括外显子18突变(2/69,2.9%)、外显子19突变(25/69,36.2%)、外显子20突变(3/69,4.3%)、外显子21突变(38/69,55.1%)以及外显子18和21突变(1/69,1.4%)。临床特征与EGFR突变状态的关联见表2。两组之间在任何临床特征上均未观察到显著差异(p > 0.05)。候选变量为年龄、性别和吸烟状态。
常规CT图像分析
EGFR突变组与野生型组在靶病灶的位置、大小、密度、CT形态学特征或病灶数目方面均无显著差异(p > 0.05;表3)。候选变量为病灶分叶。
定量参数分析
表4分别通过单因素和多因素分析展示了两组在动脉期(AP)和静脉期(VP)的DLCT定量参数比较。在动脉期定量参数中,EGFR突变组的IC(AP)、NIC(AP)、INW(AP)和ED(AP)显著高于EGFR野生型组(均p < 0.05)。然而,两组的Zeff(AP)、VMI(40keV)(AP)和VMI(100keV)(AP)之间无显著差异(p > 0.05)。对于静脉期DLCT定量参数,EGFR突变组的IC(VP)、NIC(VP)、INW(VP)、Zeff(VP)、λHU(VP)和ED(VP)显著高于野生型组(均p < 0.05),而VMI(40keV)(VP)和VMI(100keV)(VP)无显著差异(p > 0.05)。此外,两组在AEF(p = 0.156)和NAEF(p = 0.567)方面无显著差异。
两组间有显著差异的DLCT定量参数的阈值、准确度、灵敏度、特异度和AUC见表5和图3。判断NSCLC中EGFR突变状态的AUC范围为0.699至0.892。在这些参数中,INW(VP)对识别NSCLC患者EGFR突变状态的诊断特异度最高(95.65%),其次为NIC(VP)和ED(VP),特异度均为86.96%,阈值分别为1.72 mg/mL、0.30和41.95 HU。
此外,对上述候选变量(年龄、性别、吸烟状态和分叶)与DLCT双期扫描中两组间有显著差异的定量参数进行了多因素logistic回归分析。结果显示,INW(AP)和NIC(VP)是预测EGFR突变状态的显著因素,其灵敏度、特异度和准确度分别为82.61%、65.22%和77.17%;以及79.71%、86.96%和81.52%。NIC(VP)(AUC:0.897,95%置信区间[CI]:0.816–0.951)对预测NSCLC中EGFR突变状态的诊断效能显著高于INW(AP)(AUC:0.774;95% CI:0.675–0.855)(p = 0.029;图4)。
讨论
本研究中DLCT定量参数令人鼓舞的表现表明,它们能够提供关于NSCLC EGFR突变状态的有效信息,其中NIC(VP)和INW(AP)被确定为关键因素。NIC(VP)具有最高的预测效能,甚至高于既往研究中的发现[19, 20]。
既往研究已尝试通过影像组学、特异性肿瘤标志物以及传统CT扫描的形态学特征来检测NSCLC患者的EGFR突变[21–23]。本研究发现两组间NSCLC病灶的大小、位置、密度或形态学特征均无显著差异,这与早期研究的结果不同[24]。这种不一致可能源于本研究的样本量有限以及潜在的患者选择偏倚。临床特征也可提供关于肿瘤的有价值信息。本研究中NSCLC患者的EGFR突变率为75.0%,且所有突变均位于外显子18至21,超过了既往报告的发现,这可能归因于样本量小以及早期病例占比较高,而亚洲肺腺癌人群中已确立的患病率为40–50%[10]。除种族外,肺癌中的EGFR突变还与女性性别和非吸烟状态相关[25, 26],这与我们的结果一致。与既往发现相反,本研究未发现两组间在性别或吸烟史方面存在显著差异[20, 27]。
已注意到多种恶性肿瘤表现出高表达或异常表达的EGFR,从而促使下游信号通路的持续激活和放大,刺激生理性和病理性血管生成以增强对肿瘤的血液供应[28, 29]。因此,动态对比增强CT成像相对于平扫CT能提供关于EGFR突变NSCLC病灶的额外信息。Tacelli等[30]表明灌注CT扫描有潜力作为评估肿瘤对抗血管生成治疗反应的预测工具,但其应用受到患者个体血管灌注特征变异性以及对大量辐射暴露担忧的限制。本研究表明突变型EGFR组的ED显著高于野生型EGFR组。此处的VNC图像是通过抑制常规对比增强CT图像中的碘而获得的。理论上,如果VNC图像质量足够好,它可以替代真正的平扫图像[31],这对于优化扫描流程和降低辐射剂量具有重要意义。
本研究表明,NIC(VP)在预测EGFR突变状态方面表现出最佳性能。由于碘是CT对比剂的主要成分,IC能够忠实反映病灶的强化特征,与ED相比,可精确评估肺癌的血管生成活性和灌注状态。伴有EGFR突变的NSCLC病灶血供可能增加,这可通过IC反映。本研究发现,在VP期扫描中,突变型与野生型EGFR组之间差异有统计学意义的定量参数多于AP期扫描。VP期扫描可靠性提高可能归因于患者血流动力学特征更为一致,减少了成像不一致性并产生更精确的定量参数,从而为诊断提供稳定基础。NIC将肿瘤的碘摄取与胸主动脉的碘摄取进行校准,减轻了患者间血流动力学变异性,增强了对EGFR突变状态的精确预测。
单因素分析显示,EGFR突变组的INW(AP)、INW(VP)、Zeff(VP)、λHU(AP)和λHU(VP)显著高于野生型EGFR组,而NIC、IC和ED则无显著差异,这与既往研究结果一致[19, 20]。INW反映肺部肿瘤的血供,而Zeff反映肿瘤内无机成分的有效原子序数。λHU是通过双能CT(DLCT)40 keV–200 keV水平虚拟单能量图像(VMI)获得的光谱曲线斜率,代表不同物质对X线的独特线性衰减系数。上述三个定量参数均可用于鉴别不同物质[32, 33],表明它们在评估NSCLC患者EGFR突变状态方面具有相似的潜力。然而,两组间VMI(40keV)和VMI(100keV)无显著差异。虽然低能级VMI可改善病灶 delineation,但无法提供超出常规CT图像的额外诊断信息。尽管如此,这些结果仍需通过更大样本量的研究进一步验证。
研究表明,AEF(动脉期与门静脉期CT值之比)的定量彩色映射可提高肝细胞癌的诊断效能[34]。然而,很少有研究探讨AEF或NAEF(定义为动静脉期IC或NIC之比)的临床价值。例如,AEF可用于识别和评估肺癌纵隔淋巴结的功能[35, 36]。Wen等[37]发现NAEF在鉴别良恶性实性肺结节方面效用有限。本研究首次展示了基于NIC值的NAEF图;然而,研究显示AEF和NAEF均与NSCLC的EGFR突变状态无显著相关性。后续需要更大样本量的研究进行验证。
我们的研究存在若干局限性。首先,研究基于单中心机构的较小样本量,可能引入选择偏倚。其次,晚期NSCLC患者的代表性有限,本研究未对其他致癌驱动基因突变(包括ALK或KRAS)进行研究。多中心招募对于提高研究结果的稳健性和普适性至关重要。第三,NSCLC的异质性可能意味着二维光谱DLCT图像的这些定量参数不能全面代表整个肿瘤的生物学复杂性,且未评估肿瘤周边定量参数与EGFR突变状态之间的潜在相关性。最后,未来研究应深入探讨DLCT定量参数与携带EGFR突变的肺癌患者靶向治疗疗效之间的关系。
总之,本研究表明DLCT定量参数与NSCLC患者的EGFR突变状态相关。NIC(VP)可能是EGFR突变状态的潜在预测因子,有助于为这些患者选择适当且个体化的治疗。
引用
- Li F, Qi L, Cheng S, et al. Predicting epidermal growth factor receptor mutations in non-small cell lung cancer through dual-layer spectral CT: a prospective study. Insights Imaging. 2024. PMID: 38679659. doi:10.1186/s13244-024-01678-9
- 全文:PMC11056350(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11056350/
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。