文献速递腹部CT

双能量CT多参数定量模型术前预测局部进展期胃癌浆膜侵犯

A quantitative model using multi-parameters in dual-energy CT to preoperatively predict serosal invasion in locally advanced gastric cancer.
PubMed 文献 · Insights Imaging · 2024-10-31

多中心研究纳入342例局部进展期胃癌患者,基于静脉期碘浓度、70 keV与100 keV单能量衰减及CT报告的T4a构建逻辑回归定量模型。模型在训练队列AUC为0.889,两个验证队列AUC分别为0.860和0.837,并可对无病生存进行分层。

要点

  • 静脉期碘浓度、70 keV与100 keV单能量衰减及CT报告T4a为浆膜侵犯独立预测因子。
  • 模型AUC在训练队列0.889,验证队列1为0.860、验证队列2为0.837,均高于任一单独DECT参数。
  • 模型可检出57.1%(8/14)CT报告浆膜侵犯阴性而病理阳性的隐匿性浆膜侵犯。

核心结论

  • 基于术前双能量CT多参数的逻辑回归定量模型能较准确预测局部进展期胃癌浆膜侵犯,并与患者术后无病生存显著相关。

研究设计与样本

  • 多中心观察性研究,含前瞻性开发与验证及回顾性验证,共纳入342例接受胃切除术及双能量CT的局部进展期胃癌患者,来自六个中心。

关键影像表现/征象

  • 浆膜侵犯阳性组静脉期碘浓度高于阴性组,静脉期70 keV单能量衰减与浆膜侵犯呈负相关,100 keV单能量衰减呈正相关。
  • 常规CT报告的T4a诊断浆膜侵犯的AUC为0.515–0.728,模型在训练队列和验证队列2的AUC显著高于CT报告T4a。
  • 模型预测概率与病理T分期显著正相关(Spearman相关系数0.476–0.610,p<0.0001),在各队列均可区分T3与T4a及T2与T4a(均p<0.001)。

诊断标准与关键数值

  • 模型公式:概率=1/[1+exp(4.102−0.554×CT报告T4a(阳性)−0.861×IC(VP)+0.486×VMI70keV(VP)−0.493×VMI100keV(VP))]。
  • 独立预测因子OR(95%CI):IC(VP) 19.950(7.23, 79.8),VMI70keV(VP) 0.165(0.07, 0.31),VMI100keV(VP) 5.943(3.20, 14.1),CT报告T4a 8.935(3.17, 29.2),均p<0.001。
  • 模型AUC:训练队列0.889±0.07,验证队列1 0.860(95%CI 0.775, 0.945),验证队列2 0.837(95%CI 0.771, 0.902)。
  • 模型预测概率高风险与低风险的截断值为0.494(约登指数确定)。

临床应用与阅片要点

  • 作者认为该模型有望帮助多学科团队制定更个性化的局部进展期胃癌管理决策,包括是否行全面的腹膜探查及是否实施新辅助化疗。
  • 作者指出该模型预测的浆膜侵犯状态具有预后价值,可能作为术后病理确定浆膜侵犯的替代指标。

局限性

  • 为便于使用并避免「黑箱」,模型未采用复杂机器学习算法构建。
  • 验证队列2随访丢失率高,未进行生存分析。
  • 所有DECT图像均来自快速管电压切换扫描仪(GE),结果需在不同DECT平台(如双源系统和双层光谱探测器系统)上进一步验证。
  • 术后辅助治疗可能影响无病生存,未来亟需严格设计的随机对照试验。
全文中译14 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 Oct 31;15:264. doi: 10.1186/s13244-024-01844-z

引言

胃癌(GC)仍然是全球范围内高度致命的恶性肿瘤,2022年导致659,853例死亡[1]。转移进展是胃癌患者死亡的最终原因[2]。腹膜转移占远处转移性胃癌患者的53%至66%,使其成为主要的转移途径[3, 4]。基线期存在浆膜侵犯(SI)的患者发生微转移和腹膜播散的风险较高[5]。此外,研究表明SI是胃癌根治性切除术后复发的独立危险因素[6, 7]。然而,诊断SI的金标准是术后组织病理学检查[8]。因此,术前无创性了解基线期浆膜状态是可取的,可能有助于外科医生识别高危人群并预测患者预后。

计算机断层扫描(CT)成像已常规用于术前T分期。在CT上,浆膜/外层外缘不规则或呈结节状,以及胃周致密带状脂肪浸润,提示SI[9]。然而,T2和T3肿瘤可能被过度分期为T4,因为胃癌的胃周浸润难以与胃周炎症或纤维化在CT上区分[10]。此外,传统CT缺乏功能参数,因此对病变的评估更多依赖形态学,这可能是限制CT在胃癌中临床实用性的关键原因。

双能CT(DECT)是一种新型CT技术,可在一次扫描中获取包含高能和低能光谱的数据集。这两个数据集输入后处理工作站后,可生成丰富的临床图像集,如多幅虚拟单色图像(VMI)以及碘-水图像对[11]。从DECT衍生的碘图(IM)中获得的碘浓度(IC)已被证明与肿瘤血管生成密切相关[12]。它还在判断转移性淋巴结、诊断神经周围侵犯、解码微卫星不稳定状态以及评估胃癌治疗效果方面展示了令人鼓舞的诊断准确性[13–16]。此外,既往研究开发了纳入碘参数的DECT逻辑回归(LR)模型,成功预测了胃癌中的淋巴结转移(LNM)和人表皮生长因子受体2(HER-2)状态[17, 18]。在评估肿瘤浸润深度方面,两项研究发现IC在浆膜侵犯与非浆膜侵犯之间显示出显著差异[19, 20]。

因此,本多中心研究旨在探讨源自VMI集和基于碘的物质分解图像的术前DECT参数,结合常规临床特征,是否能够准确预测局部进展期胃癌(LAGC)中的SI,并进一步评估使用这些因素的潜在预后价值。

材料与方法

患者

所有参与医院的机构审查委员会均批准了这项多中心研究。这项观察性研究包括双能CT(DECT)模型的前瞻性开发与验证,以及回顾性验证,以评估其可靠性和普适性。其中,前瞻性工作已完成注册(注册号:ChiCTR2400082707)。为开发DECT模型,从中心1至中心5前瞻性招募局部进展期胃癌(LAGC)患者,组成训练队列(TC)。外部验证使用从中心6前瞻性招募的独立队列(验证队列1,VC1)进行。在回顾性验证中,从中心1的临床数据库中连续招募符合条件的患者(验证队列2,VC2)。主要纳入标准如下:(1)接受根治性胃切除术;(2)术后病理诊断为局部进展期胃腺癌(pT2-4aNxM0);(3)术前2周内行 spectral imaging 模式下双期增强DECT扫描;(4)临床和病理数据完整。纳入患者的主要排除标准如下:(1)DECT图像质量差;(2)患者术前接受过抗癌治疗;(3)因胃充盈不足或肿瘤过小导致CT图像上难以测量肿瘤。患者招募时间段见补充附录S1。整体研究设计流程图见图1。

临床病理特征数据通过电子病历收集。TNM分期的病理评估基于美国癌症联合委员会(AJCC)第八版肿瘤、淋巴结、转移(TNM)分期系统[21]。

图1 本研究流程图。DECT,双能CT;IC,碘浓度;VP,静脉期;VMI70keV,70-keV虚拟单能图像上的CT衰减值;VMI100keV,100-keV虚拟单能图像上的CT衰减值;TC,训练队列;VC,验证队列 查看原图 ↗

CT技术

CT检查在配备快速管电压(kVp)切换功能的DECT扫描仪(GE HealthCare)上采集。成像方案和检查前患者准备详见补充表S1和附录S2。轴位40/70/100/140 keV虚拟单能图像(VMI)、碘图(IM)和水图由动脉期(AP)和静脉期(VP)的DECT数据集生成。

DECT图像分析

所有DECT图像传输至商用工作站(AW4.7;GE HealthCare)。测量和评估细节见补充附录S3。最终,我们从每个期相扫描中获得7个DECT定量参数。各参数的平均值用于统计分析。

模型构建

在训练队列(TC)中设计了以下筛选SI独立预测因子的流程:(1)Spearman相关分析,(2)单变量分析,(3)多变量logistic回归。特征筛选细节见补充附录S4。随后,利用相关预测因子和回归系数构建定量模型。模型的性能在两个独立队列中进行了验证。

模型性能评估

采用校准曲线结合Hosmer-Lemeshow检验评估模型的拟合优度。此外,在两个验证队列的整合数据集上基于临床病理特征进行了分层分析。我们进一步采用Mann-Whitney U检验分析和Spearman秩相关检验进行亚组分析,以区分T2与T3、T2与T4以及T3与T4。此外,我们使用Mann-Whitney U检验分析评估了模型与N分期之间的关联。

随访

术后,患者接受随访检查,包括增强CT、MRI或PET检查和/或内镜检查,间隔为3-6个月。局部复发或转移通过典型影像学特征和/或病理学表现予以确认。无病生存期(DFS)定义为从手术日期至首次疾病局部复发、进展或死亡日期的时间(以月为单位),而总生存期(OS)定义为至死亡的时间。随访截止日期为2023年12月31日。中位随访时间为15.4个月(范围,3.9-25.4个月)。

统计分析

SI阳性组与SI阴性组之间变量的差异采用独立t检验或Wilcoxon秩和检验分析连续变量,采用Fisher精确检验或卡方检验分析分类变量。为获得稳健模型,基于逻辑回归分类器的DECT模型在TC中采用五折交叉验证策略进行训练。受试者工作特征(ROC)曲线的曲线下面积(AUC)用于评估所开发模型及每个独立预测因子的判别能力。最佳截断值通过约登指数确定。Hanley-McNeil检验用于比较AUC值:(1)DECT模型在不同队列之间;(2)DECT模型在分层分析中。而各独立预测因子与DECT模型内部及之间的性能比较采用DeLong检验。对TC和VC1中的患者进行生存分析。采用Kaplan-Meier曲线、log-rank检验和单因素cox回归评估病理SI和DECT模型的预后意义。

统计分析使用Python(版本3.8)和R软件(版本4.3.2)进行。

结果

研究样本特征

在考虑的429例患者中,62例因接受过抗癌治疗被排除,14例因DECT图像质量不合格被排除,11例因肿瘤无法测量被排除。

最终共纳入342例GC患者,其中155例(45.3%)在TC中(平均年龄,63岁±10(SD);男124例(80%),女31例(20%)),64例(18.7%)在VC1中(平均年龄,63岁±9;男51例(79.7%),女13例(20.3%)),123例(36.0%)在VC2中(平均年龄,59岁±11;男100例(81.3%),女23例(18.7%))。所有三个队列患者的临床病理数据见补充表S2。除患者年龄(p = 0.003)外,TC与两个VC之间在性别、部位、大小(厚度)、淋巴结状态或分化程度方面均未观察到显著差异(p > 0.05)。

预测模型构建

TC中的相关性分析显示,VMI40keV衰减(AP)、VMI140keV衰减(AP)、VMI40keV衰减(VP)和VMI140keV衰减(VP)与其他DECT参数存在显著线性相关,因此被剔除(图2A)。此后,在TC中剩余的非冗余特征中,IC(VP)、VMI70keV衰减(VP)、VMI100keV衰减(VP)、WC(VP)、位置和CT报告的T4a(均p < 0.05)与病理SI显著相关(表1)。然后,将这些显著的、非冗余的变量纳入逐步多变量logistic分析,最终IC(VP)、VMI70keV衰减(VP)、VMI100keV衰减(VP)和CT报告的T4a被确定为浆膜侵犯的独立预测因子(均p < 0.001),OR(95% CI)值分别为19.950(7.23, 79.8)、0.165(0.07, 0.31)、5.943(3.20, 14.1)和8.935(3.17, 29.2)(表2)。这些预测因子以森林图形式呈现,以展示各特征的权重(图2B)。随后,开发了一个整合相应独立预测因子的混合DECT模型。通过应用基于回归系数的线性预测因子和logistic函数(sigmoid函数),SI的估计概率可计算如下:概率 = 1/[1+exp (4.102 − 0.554 × CT报告的T4a(阳性)− 0.861 × IC(VP)+ 0.486 × VMI70keV(VP) − 0.493 × VMI100keV(VP))]。

图2 热图和森林图。A DECT参数的Spearman相关性分析。B 森林图展示了通过多变量logistic回归在训练队列(n = 155)中确定为显著的特征。呈现比值比(OR),括号内为95% CI。IC,碘浓度;nIC,标准化碘浓度;AP,动脉期;VP,静脉期;WC,水浓度;40/70/100/140 keV,40/70/100/140-keV虚拟单能图像上的CT衰减值 查看原图 ↗
表1 训练队列和验证队列中浆膜侵犯阳性组与浆膜侵犯阴性组之间临床病理特征和DECT参数的比较 查看原表 ↗
表2 通过逐步多变量logistic回归分析确定的浆膜侵犯独立预测因子 查看原表 ↗

预测模型评估

如图3所示,DECT模型的预测概率在SI组与非SI组之间差异显著(Mann–Whitney U检验,均p < 0.0001)。该模型预测SI在TC中的平均AUC值为0.889 ± 0.07(五折验证中的详细AUC结果见图4A)。在VC中也取得了良好的判别能力,VC1的AUC值为0.860(95% CI:0.775, 0.945),VC2的AUC值为0.837(95% CI:0.771, 0.902)(图4B)。三个队列之间AUC值无显著差异(Hanley–McNeil检验:TC vs. VC1 p = 0.976;TC vs. VC2 p = 0.965;VC1 vs. VC2 p = 0.983)。关于浆膜侵犯的预测,DECT模型在所有队列中的AUC值均高于任何单个DECT定量参数(Delong检验,均p < 0.05);与CT报告的T4a相比,其在TC和VC2中表现出显著更高的AUC(Delong检验,均p < 0.05)(表3和补充表S3)。

根据校准曲线,DECT模型预测结果与实际浆膜状态在所有队列中均无显著偏差(Hosmer-Lemeshow检验:TC,p = 0.120;VC1,p = 0.096;VC2,p = 0.865)(图4C–E)。分层分析表明,我们的模型性能不受年龄、肿瘤位置、大小(厚度)和分化程度的影响(Hanley–McNeil检验,均p > 0.05)(补充图S1)。

如图5所示,DECT模型在所有队列中均能很好地区分T3与T4a组以及T2与T4a组(Mann–Whitney U检验,均p < 0.001)。此外,Spearman相关系数证实DECT模型预测概率与病理T分期呈显著正相关(0.476–0.610,p < 0.0001)(补充表S4)。重要的是,我们开发的模型能够检出57.1%(8/14)的隐匿性浆膜侵犯患者(CT报告:SI阴性,术后病理:SI阳性),提示其对浆膜细微变化具有敏感性(补充图S2)。如果我们评估DECT模型与N分期的关联,如补充图S3所示,蜂群图表明该模型仅在VC1中能够区分N0与非N0组(p < 0.01)。

图3 有和无浆膜侵犯患者之间预测概率的雨云图。分别展示TC、VC1和VC2中病理浆膜状态与DECT模型之间的相关模式。(0:无浆膜侵犯,1:有浆膜侵犯) 查看原图 ↗
图4 DECT模型判别能力和校准的评估。受试者工作特征(ROC)曲线:(A)训练队列,(B)验证队列。DECT模型在所有三个队列中的校准曲线(C、D和E) 查看原图 ↗
表3 DECT模型及预测因素的诊断性能 查看原表 ↗
图5 DECT模型的亚组分析。在TC(A)、VC1(B)和VC2(C)中,T3与T4a之间以及T2与T4a之间观察到预测概率的显著差异 查看原图 ↗

随访与生存分析

在TC和VC1的219例患者中,213例患者成功随访。其中,159例(74.6%;159/213)接受了术后辅助治疗。总体疾病进展率为22%(213例患者中47例),而总体死亡率为10%(213例患者中22例)。患者的DFS和OS中位数分别为12.5个月和14.8个月。

为评估DECT模型的预后潜力,将患者分为高风险组(预测概率≥ 0.494)和低风险组(预测概率< 0.494)。最佳截断值0.494由Youden指数确定。在TC和VC1中,我们的分析显示两个风险组患者之间的DFS存在显著差异(TC:风险比2.233 [1.144–4.356],log-rank检验,p = 0.015;VC1:风险比3.042 [0.979–9.452],log-rank检验,p = 0.043)。另一方面,病理SI在两个队列中也被发现与DFS显著相关(TC:风险比3.081 [1.544–6.149],log-rank检验,p < 0.001;VC1:风险比9.479 [2.531–35.5],log-rank检验,p < 0.0001)(图6)。补充附录S5和图S4说明了两者与OS之间的相关性。

图6 按病理浆膜侵犯和双能CT(DECT)模型分层的无病生存期(DFS)Kaplan–Meier生存曲线。Kaplan–Meier生存曲线分析显示,病理浆膜侵犯阴性与阳性组之间DFS存在显著差异(A、C)(训练队列(TC),p < 0.001;验证队列1(VC1),p < 0.0001),预测低风险与高风险浆膜侵犯组之间亦存在显著差异(B、D)(TC,p = 0.015;VC1,p = 0.043) 查看原图 ↗

讨论

本研究旨在开发并验证基于DECT的预测模型,以识别局部进展期胃癌(LAGC)患者的浆膜侵犯(SI)。我们得出结论:将DECT参数纳入易于使用的逻辑回归(LR)分类器可提供良好的性能。具体而言,在这项多中心研究中,所开发的DECT模型具有良好的判别能力(所有三个队列的曲线下面积(AUC)范围为0.837至0.889)。在TC和两个验证队列(一个独立外部中心和一个其他时间段的队列)中观察到DECT模型相似的诊断性能,表明我们模型的稳健性和泛化性。与病理证实的SI一样,DECT模型在随访队列中与DFS显著相关。

除提示潜在微转移和腹膜播散外,浆膜侵犯还与患者治疗方案的选择密切相关[20, 22, 23]。新辅助化疗(NAC)用于LAGC手术前,正日益普及[24]。然而,NAC目前在中国并非LAGC的首选方案。此外,这一有前景的治疗方案并非使所有患者获益[25]。韩国的一项PRODIGY研究指出,新辅助治疗的获益似乎在疾病更晚期的患者中最大[26]。因此,与人工智能[27]类似,我们的DECT模型也有望帮助多学科团队为LAGC患者做出更个体化的管理决策。这涉及决定是否进行全面细致的腹膜探查以及是否实施NAC。当然,在决策过程中还必须考虑其他因素,如患者的身体状况、肿瘤位置、大小和临床淋巴结分期。此外,与既往研究[28, 29]一样,我们发现术后病理衍生的SI状态与患者生存强烈相关。进一步分析显示,DECT模型预测的SI状态在预测DFS方面也具有预后价值,表明所开发的模型可能成为术后病理确定的SI检测的有吸引力的替代指标。本研究还验证了我们的模型与T分期之间的关联;有趣的是,它有可能在所有三个队列中区分T2与T4a以及T3与T4a。

尽管本研究使用了常规浆膜侵犯评估标准[9],但CT报告的T4a的诊断性能不令人满意,AUC为0.515–0.728。2020年,You等[30]发现使用定性影像学评估诊断SI的准确率可达79.25–88.68%。两项研究之间影像学定性评估结果的差异可能源于样本量的巨大差异(他们的研究与我们的研究,53例 vs 342例)以及使用了不同的SI评估标准。令人鼓舞的是,我们提出的混合模型在TC和VC2中相比单一定性形态学特征(CT报告的T4a)表现出更好的预测性能(Delong检验:均p < 0.001)。

双期增强一直是胃部肿瘤(GC)领域双能CT(DECT)的主流方案。动脉期(AP)的血流动力学反映肿瘤的毛细血管密度和血供,而静脉期(VP)成像则反映对比剂在组织间隙中的弥散与滞留[15, 31, 32]。尽管若干关于GC的DECT研究强调了AP参数优于VP参数[13, 15],但大多数研究表明后者比前者具有更大的诊断价值[14, 16, 17, 32–34]。Li等[18]于2018年首次报道了可术前个体化预测淋巴结转移(LNM)的基于VP的DECT模型。同样,我们的研究发现,预测SI的独立预测因素包括IC、VMI70keV和VMI100keV,均来源于静脉期CT图像。因此,我们的研究再次证实VP是GC成像的理想期相,基于VP的DECT是GC无创TNM分期的有用工具[14, 18, 19, 35–37]。

既往一项DECT研究已证实IC可检测胃癌中的浆膜侵犯(SI)。尽管他们关注的是胃周脂肪中的IC,但其结果与我们的结果均显示,SI阳性病例在VP中具有更高的IC值[20]。除碘参数外,对各种其他DECT参数临床用途的探索也日益增多[16, 32, 34, 38]。理论上,组织中能量依赖性衰减变化可提供丰富的定量信息[39],这促使本研究纳入不同能量水平的虚拟单能量图像(VMI)。我们的研究结果表明,VMI70keV和VMI100keV上的衰减值均为SI预测的独立预测因素。此前,一项研究显示,基于VMI的70 keV和100 keV影像组学模型在预测晚期GC对全身化疗的治疗反应方面均优于40 keV模型[40]。这些发现的相似性可归因于VMI70keV和VMI100keV在图像噪声与病灶清晰度之间取得了合理平衡,因而能够更好地反映肿瘤特征。相比之下,VMI40keV和VMI140keV分别受限于明显的图像噪声和缺乏增强组织特征[39, 41]。值得注意的是,在模型使用的预测因素中,VMI70keV静脉期衰减与SI呈负相关,而VMI100keV静脉期衰减则呈正相关。有趣的是,在模型构建过程中,我们发现剔除两个预测因素中的任何一个均不会改变剩余预测因素影响的方向,但会显著降低模型性能。因此,两者之间不存在共线性。我们推测这些发现是由于SI阳性组中存在具有不同强化模式的腺癌类型。例如,某些腺癌细胞可分泌大量黏液,并在VP图像上病灶大部分区域表现为强化程度较低(VMI70keV_VP衰减较低提示SI可能性较高)[42];然而,这种强化模式并不影响其具有高度侵袭性这一事实。

我们的研究存在若干局限性。第一,为开发一种易于使用且避免“黑箱”的个体化SI诊断工具,DECT模型未采用复杂的机器学习算法构建。第二,由于VC2队列失访率较高,未对该队列进行生存分析。第三,所有中心的DECT图像均在快速管电压切换扫描仪(GE)上采集;我们的结果需要在不同DECT平台(如双源系统和双层光谱探测器系统)上进一步验证。此外,术后辅助治疗可能影响DFS,凸显了未来迫切需要严格设计的随机对照试验。

总之,基于术前DECT的LR模型有潜力作为一种无创、定量的工具,用于预测LAGC患者的浆膜侵犯。它可用于根据DFS对LAGC患者进行分层。此外,该模型易于获取,可能有助于防止对浆膜侵犯阳性个体中隐匿性腹膜转移的漏诊。需要进一步研究以在更多机构中检验我们模型的普适性,并将我们的发现转化为临床实践。

补充信息

电子补充材料

引用

  1. Liu Y, Yuan M, Zhao Z, et al. A quantitative model using multi-parameters in dual-energy CT to preoperatively predict serosal invasion in locally advanced gastric cancer. Insights Imaging. 2024. PMID: 39480564. doi:10.1186/s13244-024-01844-z
  2. 全文:PMC11528085(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11528085/

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。