文献速递腹部技术与安全CT

基于双层探测器光谱CT三维VOI定量参数构建并验证预测胰腺导管腺癌Ki-67高增殖指数模型

Development and validation of a model based on preoperative dual-layer detector spectral computed tomography 3D VOI-based quantitative parameters to predict high Ki-67 proliferation index in pancreatic ductal adenocarcinoma.
PubMed 文献 · Insights Imaging · 2024-12-05

本研究回顾性纳入162例病理确诊胰腺导管腺癌患者,利用双层探测器光谱CT门静脉期三维VOI定量参数(碘浓度、能谱曲线斜率、有效原子序数)及临床特征构建预测Ki-67高增殖指数的模型。DLCT-临床模型整合3D VOI-碘浓度与CA125,在训练集和验证集的AUC分别为0.939和0.915,校准曲线显示良好一致性。

要点

  • DLCT-临床模型整合3D VOI-碘浓度与CA125,训练集AUC 0.939(95%CI 0.895-0.982)。
  • 验证集DLCT-临床模型AUC 0.915(95%CI 0.834-0.996),校准曲线一致性满意。
  • 高Ki-67组3D VOI-碘浓度较低Ki-67组降低(1.15 vs 1.72,p<0.001)。

核心结论

  • 基于DLCT 3D VOI-碘浓度和CA125构建的模型是一种无创、有效的术前预测工具,对PDAC的Ki-67增殖指数表现出良好的预测性能。
  • DLCT-临床模型在训练集和验证集中预测Ki-67的识别性能均优于临床模型和DLCT模型。

研究设计与样本

  • 回顾性研究,纳入2021年7月至2023年9月于重庆市人民医院经组织病理学确诊的PDAC患者162例(男94例、女68例,平均年龄62.08±10.33岁)。
  • 按7:3随机分为训练集114例和验证集48例。
  • 使用双层探测器光谱CT(IQon spectral CT,Philips Healthcare)行门静脉期扫描,重建40 keV和100 keV虚拟单能图像、有效原子序数图及碘图。
  • 由两名分别具有7年和11年以上CT阅片经验的放射科医师逐层勾画肿瘤轮廓,软件自动生成3D VOI定量参数,包括3D VOI-HU40keV、3D VOI-HU100keV、3D VOI-Zeff和3D VOI-碘浓度。
  • 参考标准为免疫组化检测Ki-67增殖指数,以50%为阈值分为低Ki-67组(<50%)和高Ki-67组(≥50%)。

关键影像表现/征象

  • 高Ki-67组3D VOI-碘浓度较低Ki-67组降低(1.15 vs 1.72,p<0.001)。
  • 高Ki-67组3D VOI-Zeff较低Ki-67组降低(p<0.05)。
  • 高Ki-67组CA125阳性率较低Ki-67组升高(76.1% vs 28.4%)。
  • 各DLCT 3D VOI定量参数的观察者间一致性ICC均>0.75。

诊断标准与关键数值

  • Ki-67增殖指数以50%为阈值,<50%为低Ki-67组,≥50%为高Ki-67组。
  • 多因素logistic回归显示CA125(OR=11.400,95%CI 3.936-33.022,p<0.001)和3D VOI-碘浓度(OR=0.014,95%CI 0.002-0.084,p<0.001)为独立预测因子。
  • 临床模型训练集AUC 0.763(95%CI 0.666-0.859),验证集AUC 0.694(95%CI 0.525-0.863)。
  • DLCT模型训练集AUC 0.874(95%CI 0.801-0.946),验证集AUC 0.869(95%CI 0.768-0.969)。
  • DLCT-临床模型训练集AUC 0.939(95%CI 0.895-0.982),验证集AUC 0.915(95%CI 0.834-0.996);DeLong检验显示训练集p<0.001、验证集p=0.001,DLCT-临床模型AUC较临床模型显著提高;DLCT模型与临床模型在训练集(p=0.070)和验证集(p=0.076)无显著差异。

临床应用与阅片要点

  • DLCT-临床列线图公式为:−5.113×3D VOI-碘浓度 + 3.023×CA125 + 4.289。
  • 校准曲线显示列线图预测概率与实际观测概率在训练集和验证集均具有满意一致性。
  • 决策曲线分析显示DLCT-临床模型在训练集阈值概率0.04-0.96、验证集0.04-0.95范围内净获益大于DLCT模型和临床模型。
  • 作者认为该列线图可能帮助临床医生识别高Ki-67增殖指数的PDAC患者并实现个体化管理。

局限性

  • 回顾性研究可能引入选择偏倚。
  • DLCT-临床模型仅使用单中心数据验证,可能影响结果的普适性,认为有必要进行外部验证。
  • 部分患者经活检确诊PDAC并接受Ki-67检测但不符合根治性切除条件,可能引入采样偏倚,因活检标本可能无法充分反映肿瘤异质性。
全文中译15 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 Dec 5;15:291. doi: 10.1186/s13244-024-01864-9

引言

胰腺导管腺癌(PDAC)是一种高度致命的恶性肿瘤,是全球癌症相关死亡的第四大原因[1]。它以其早期转移和隐匿进展而著称,5年生存率仅为12%[2]。Ki-67是一种核蛋白,除G0期外在整个细胞周期中均有表达,因此可用于区分增殖细胞和静止细胞[3]。近期研究表明,高Ki-67增殖指数(PI)与PDAC不良预后密切相关[4–6]。考虑到高Ki-67 PI的PDAC患者术后早期复发风险高[7],术前识别这些患者并实施新辅助治疗可能比直接手术获得更优的临床获益[8]。

免疫组织化学(IHC)检查是检测Ki-67的常用方法[9]。然而,它需要通过手术或经皮穿刺活检等侵入性操作获取样本。这存在潜在并发症风险,包括手术部位感染和针道种植。此外,活检样本量较小(可能无法准确代表整个肿瘤)、肿瘤异质性以及操作者的技术水平和经验等局限性均可影响诊断准确性[10, 11]。而且,活检样本处理和分析所需的时间可能导致适当治疗的延迟启动,并进一步影响其有效性。因此,亟需一种无创方法以及时、准确地预测PDAC的Ki-67 PI。目前,双层探测器光谱计算机断层扫描(DLCT)能够进行多参数成像以反映组织灌注,并可提供组织的定量信息。一些研究表明,DLCT衍生的多种定量参数具有预测多种恶性肿瘤Ki-67 PI的潜力[12–16]。然而,在既往研究中[12–16],参数通常是在最大病灶层面上手动勾画感兴趣区(ROI)获得的,这可能导致测量偏倚并忽略整个病灶组织的信息。鉴于肿瘤的病灶内异质性,三维分析整个肿瘤被认为优于二维手动ROI分析,可提供更全面的肿瘤信息[17]。此外,三维(3D)分析表现出更好的观察者间一致性,同时在定量分析中显示出更小的变异度和更高的可重复性[18]。然而,基于DLCT 3D VOI的定量参数能否准确预测PDAC的Ki-67 PI尚不清楚。

在本研究中,我们假设基于DLCT 3D VOI的定量参数可以预测PDAC的Ki-67 PI。为验证我们的假设,我们旨在开发一个结合基于DLCT 3D VOI的定量参数与临床特征的模型,以识别高Ki-67 PI的PDAC患者,并将其可视化为列线图,帮助临床医生优化PDAC的治疗策略。

材料与方法

患者

本研究获得重庆市人民医院机构审查委员会的伦理批准,鉴于本研究的回顾性性质,豁免患者知情同意。2021年7月至2023年9月期间,纳入经病理确诊为胰腺导管腺癌(PDAC)的患者。如图1所示,纳入标准包括:(1)组织病理学确诊的PDAC;(2)通过免疫组织化学(IHC)获得Ki-67增殖指数(PI);(3)组织病理学检查前14天内有可用的双层探测器光谱CT(DLCT)扫描。排除标准包括:(1)在Ki-67检查前接受过任何相关治疗(放疗、化疗或放化疗);(2)图像质量不足;(3)同时存在其他原发恶性肿瘤;(4)DLCT图像或临床病理数据部分缺失。最终,共有162例患者(94例男性,68例女性;平均年龄62.08 ± 10.33岁)纳入研究,并按7:3的比例随机分配,训练集114例,验证集48例。

图1 研究人群流程图。PDAC,胰腺导管腺癌;IHC,免疫组织化学;DLCT,双层探测器光谱计算机断层扫描;PI,增殖指数 查看原图 ↗

Ki-67增殖指数的免疫组织化学分析

162例患者的Ki-67通过IHC检测,标本来源为手术标本(63.6%)和经皮或经胃空心针穿刺活检标本(36.4%)。所有标本均来源于原发胰腺肿瘤。阳性细胞定义为细胞核呈棕色的细胞。Ki-67 PI评估方法为计算1000个恶性细胞中阳性细胞的百分比(× 200)。鉴于缺乏预先确定的最佳阈值,本研究采用既往研究[8]建议的50%阈值。在本研究中,PDAC被分为低Ki-67 PI组(< 50%)或高Ki-67 PI组(≥ 50%)。

DLCT图像采集

所有患者均使用DLCT(IQon光谱CT,Philips Healthcare,阿姆斯特丹,荷兰)进行扫描。扫描范围从膈顶至肝脏下缘。扫描方案如下:管电压,120 kV;管电流,智能mAs;旋转时间,0.5 s;探测器准直,64 × 0.625 mm;视野,350 × 350 mm;矩阵,512 × 512;层厚,5 mm。患者经静脉注射非离子型对比剂(碘佛醇,350 mgI/mL),剂量为1.5 mL/kg,注射速率为2.5–3.5 mL/s,使用高压自动注射器,随后以相同速率推注30 mL生理盐水。动脉期和门静脉期(PVP)分别在降主动脉内预定阈值150 HU触发后12 s和35 s进行(团注跟踪激活)。

临床特征与定量影像分析

从医院信息系统中检索每例患者的临床特征,包括性别、年龄、体重指数、中性粒细胞与淋巴细胞比值、血小板与淋巴细胞比值、淋巴细胞与单核细胞比值、血小板与白细胞比值、总胆红素、白蛋白、糖类抗原(CA)19-9、CA125和癌胚抗原(CEA)。

将DLCT图像导入原型软件(IntelliSpace Discovery,Philips Healthcare,荷兰),并重建为虚拟单能图像(40 keV和100 keV)、有效原子序数(Zeff)图像和碘图像,用于后续定量分析。两名放射科医师(R1和R2,分别具有7年和超过11年的CT图像阅片经验)在PVP图像上逐层勾画肿瘤轮廓(既往研究发现PVP图像可提供足够的肿瘤 conspicuity,有助于勾画肿瘤轮廓[19]),随后软件自动生成基于DLCT 3D VOI的定量参数,包括3D VOI-HU40keV、3D VOI-HU100keV、3D VOI-Zeff和3D VOI-碘浓度(IC)。选择3D VOI-HU40keV和3D VOI-HU100keV计算λHU,计算公式如下:λHU =(3D VOI-HU40keV - 3D VOI-HU100keV)/(100–40)。采用组内相关系数分析放射科医师提取的基于DLCT 3D VOI的定量参数的一致性。

模型及列线图的开发与评估

首先进行单因素分析,比较高Ki-67 PI组与低Ki-67 PI组之间基于DLCT 3D VOI的定量参数及临床特征的差异。随后,将筛选出的显著变量纳入回归分析,以确定训练集中的独立预测因子。然后使用这些独立临床特征开发临床模型,并基于独立的基于DLCT 3D VOI的定量参数开发DLCT模型。同时,通过整合所有确定的独立预测因子开发DLCT-临床模型。采用受试者工作特征曲线(ROC)和决策曲线分析(DCA)评估三种模型的区分能力和临床适用性。验证集独立验证三种模型。应用DeLong检验比较三种模型的曲线下面积(AUC)。随后利用最优模型开发列线图。最后,使用校准曲线评估列线图的校准性能。

统计分析

所有统计分析和计算均使用R软件(http://www.R-project.org)、SPSS软件(版本26.0,SPSS,IBM)和MedCalc(版本18.2.1,MedCalc Software)完成。采用Shapiro-Wilk检验检验数据的正态性。正态分布数据以均值±标准差表示,非正态分布数据以中位数(第25、75百分位数)表示。分类变量采用卡方检验,连续变量采用Mann–Whitney U检验或两样本t检验进行评估。以双侧p值<0.05为差异有统计学意义。采用组内相关系数(ICC)评估基于DLCT 3D VOI的定量参数测量的可靠性。ICC>0.75被认为一致性良好。

结果

临床特征与基于DLCT 3D VOI的定量参数

在162例患者的队列中,116例(71.6%)被归入低Ki-67 PI组,46例(28.4%)被归入高Ki-67 PI组。训练集由83例(72.8%)低Ki-67 PI患者和31例(27.2%)高Ki-67 PI患者组成,而验证集包括33例(68.75%)低Ki-67 PI患者和15例(31.25%)高Ki-67 PI患者。表1展示了训练集和验证集中基于DLCT 3D VOI的定量参数及PDAC的临床特征。表2展示了高和低Ki-67 PI组中基于DLCT 3D VOI的定量参数及临床特征。基于单因素分析结果,两组间临床特征(包括年龄和CA125)观察到显著差异(p < 0.05)。与低Ki-67 PI组相比,高Ki-67 PI组的3D VOI-IC和3D VOI-Zeff值均较低(p < 0.05)。然而,其他临床和DLCT变量在两组间未显示统计学显著差异(p > 0.05)。

表1 PDAC患者的临床和DLCT变量 查看原表 ↗
表2 训练集中区分高和低Ki-67 PI组的单因素分析 查看原表 ↗

观察者间可重复性

每个基于DLCT 3D VOI的定量参数均观察到高度的观察者间一致性,所有ICC值均 > 0.75。详细结果见表S1。

Ki-67 PI预测模型的开发

表3展示了所有显著变量(p < 0.05)的多因素逻辑回归分析。通过多因素逻辑回归确定CA125(OR = 11.400;95% CI:3.936–33.022;p < 0.001)和3D VOI-IC(OR = 0.014;95% CI:0.002–0.084;p < 0.001)为显著因素。随后,利用确定的独立危险因素开发了临床模型、DLCT模型和DLCT-临床模型。这些模型在验证集中进行了独立验证。

表3 训练集中的多因素逻辑回归分析 查看原表 ↗

三种模型的诊断效能

三种模型的诊断效能总结于表4。用于区分训练集和验证集中三种模型高和低Ki-67 PI的ROC和DCA分析见图2和图3。临床模型在预测PDAC中Ki-67 PI方面表现出中等诊断效能,在训练集中AUC为0.763(95% CI:0.666–0.859),在验证集中为0.694(95% CI:0.525–0.863)。DLCT模型和DLCT-临床模型在识别PDAC中Ki-67 PI方面均表现出优越的诊断效能,在训练集中AUC分别为0.874(95% CI:0.801–0.946)和0.939(95% CI:0.895–0.982)。在验证集中,DLCT模型和DLCT-临床模型的相应AUC分别为0.869(95% CI:0.768–0.969)和0.915(95% CI:0.834–0.996)。DeLong检验显示,与临床模型相比,DLCT-临床模型在训练集(p < 0.001)和验证集(p = 0.001)中AUC均显著增加。然而,DLCT模型与临床模型之间在训练集(p = 0.070)和验证集(p = 0.076)中均未观察到性能的显著差异。DCA表明,DLCT-临床模型在训练集阈值概率0.04至0.96和验证集0.04至0.95范围内产生了更大的净获益。

表4 临床、DLCT和DLCT-临床模型的诊断效能 查看原表 ↗
图2 显示临床、DLCT及DLCT-临床模型对PDAC中Ki-67 PI预测性能的ROC曲线(a、b)。DLCT,双层探测器光谱计算机断层扫描;AUC,曲线下面积;PI,增殖指数;PDAC,胰腺导管腺癌;ROC,受试者工作特征曲线 查看原图 ↗
图3 临床、DLCT及DLCT-临床模型的DCA结果(a、b)。DCA,决策曲线分析;DLCT,双层探测器光谱计算机断层扫描;PI,增殖指数 查看原图 ↗

DLCT-临床列线图的开发与性能

DLCT-临床列线图通过整合所选的基于DLCT 3D VOI的定量参数和临床特征构建(图4),每项均乘以相应的标度系数。方程表达如下:DLCT-临床列线图 = −5.113*3D VOI-IC + 3.023*CA125 + 4.289。校准曲线分析表明,列线图在训练集和验证集中预测PDAC Ki-67 PI的预测概率与实际概率之间具有良好的一致性(图5)。代表性图像见图6。

图4 在训练集中构建的DLCT-临床列线图,纳入3D VOI-IC和CA125。DLCT,双层探测器光谱计算机断层扫描;IC,碘浓度;CA125,糖类抗原125;3D,三维;VOI,感兴趣体积 查看原图 ↗
图5 DLCT-临床列线图的校准曲线(a、b)。DLCT,双层探测器光谱计算机断层扫描 查看原图 ↗
图6 a 一名64岁男性,PDAC中Ki-67 PI低。A–C 常规PVP成像显示一个3D-VOI。D 40 keV PVP图像显示3D-VOI CT值为144.45 HU。E 100 keV PVP图像显示3D-VOI CT值为46.5 HU。F PVP碘图显示3D-VOI IC值为1.32 mg/mL。G PVP有效原子序数图显示3D-VOI Zeff值为8.05。H Ki-67 IHC染色显示约30%的细胞核染色阳性。b 一名50岁男性,PDAC中Ki-67 PI高。A–C 常规PVP成像显示一个3D-VOI。D 40 keV PVP图像显示3D-VOI CT值为129.26 HU。E 100 keV PVP图像显示3D-VOI CT值为46.98 HU。F PVP碘图显示3D-VOI IC值为1.1 mg/mL。G PVP有效原子序数图显示3D-VOI Zeff值为7.94。H Ki-67 IHC染色显示约70%的细胞核染色阳性 查看原图 ↗

讨论

在这项回顾性研究中,利用基于DLCT 3D VOI的定量参数和临床特征评估PDAC中的Ki-67 PI。研究结果显示,3D VOI-IC和CA125在分析中均为独立危险因素,且Ki-67 PI高的PDAC组较Ki-67 PI低的PDAC组表现出异常CA125水平和更高的3D VOI-IC值。基于这些发现,我们开发并验证了一种DLCT-临床模型,用于术前无创预测PDAC中的Ki-67 PI。在预测Ki-67 PI方面,DLCT-临床模型在训练集和验证集中均显示出优于临床模型和DLCT模型的识别性能。这些发现表明,DLCT-临床模型可作为一种稳健的影像学工具,帮助临床医生对Ki-67 PI高的PDAC患者进行术前无创筛查。

碘图描绘了各种组织中的碘含量分布,在这些图像上量化的3D VOI-IC值有助于反映肿瘤新生血管形成程度和组织中碘沉积情况[20]。研究表明,对比剂在动脉期无法完全且快速地充盈微血管[21]。然而,与动脉期相比,PVP在注射对比剂后表现出更长的延迟,使对比剂有足够时间充盈微血管网并透过基底膜进入细胞间质[22]。因此,PVP期的3D VOI-IC能更有效地反映肿瘤血流分布。此外,我们的分析仅聚焦于该期,因为某些研究已表明PVP图像在提供PDAC生物学信息方面具有显著潜力[23, 24]。

在本研究中,我们注意到在训练集中,高Ki-67 PI组的3D VOI-IC较低Ki-67 PI组显著降低(1.15 vs. 1.72,p < 0.001),这可能归因于高Ki-67 PI组相关的活跃细胞增殖。在PDAC中,细胞增殖加剧导致缺血和缺氧,形成有利于PDAC生长的微环境[25]。此外,PDAC的特征是血管密度较低和纤维间质成分丰富[26]。Ki-67 PI高的PDAC患者在接受静脉对比剂时表现出碘蓄积减少和IC值较低,使碘对比剂难以渗透肿瘤实质。因此,IC可作为预测PDAC中Ki-67 PI的参数之一。然而,认识到个体差异对IC的影响至关重要[20]。为更准确地评估IC及其与Ki-67 PI的关系,我们采用了3D定量分析。与传统二维(2D)方法相比,3D分析提供更精确和可重复的结果,减少IC变异性并增强对临床结局的预测[27]。与可能仅捕获部分肿瘤的2D分析不同,3D分析包括整个肿瘤,提供更全面的评估并最大限度减少观察者偏倚。因此,与使用传统2D方法的研究相比,采用3D分析的研究更可能获得准确可靠的结果[28, 29]。

我们的研究还发现临床特征CA125可区分PDAC中的Ki-67 PI。高Ki-67 PI组相比低表达组表现出显著升高的CA125阳性率(76.1% vs. 28.4%)。使用该变量开发的临床模型显示出中等诊断效能,在训练集中AUC为0.763,在验证集中为0.694。CA125水平升高是PDAC中高肿瘤负荷和转移倾向的重要指标,可能提示PDAC预后不良[30]。既往研究表明,与CA19-9和CEA等其他肿瘤标志物相比,CA125水平与隐匿性转移的存在表现出最强的关联[31]。Ki-67 PI反映肿瘤增殖活性程度,表达越高表明肿瘤增殖越活跃,与转移风险增加和预后不良相关[5, 6]。因此,高Ki-67 PI组表现出更大的CA125水平升高倾向。

此外,开发了一种基于DLCT-临床模型的DLCT-临床列线图,该模型整合了3D VOI-IC和CA125,其在预测Ki-67 PI方面表现出最高的诊断效能,在训练集和验证集中的AUC分别为0.939和0.915。在训练集(p < 0.001)和验证集(p = 0.001)中,DLCT-临床模型与临床模型之间的AUC均呈现出显著提升。DCA显示,在两个数据集中,与DLCT模型和临床模型相比,患者从DLCT-临床列线图中获得了更大的净获益,凸显了DLCT-临床列线图的临床适用性。此外,校准曲线显示列线图预测值与实际观察概率之间具有令人满意的一致性。结果表明,DLCT模型与临床模型相互补充,二者的整合可以提高预测PDAC中Ki-67 PI的准确性。

本研究存在若干局限性。首先,回顾性研究可能引入了选择偏倚的潜在风险。其次,DLCT-临床模型使用单中心数据进行验证,这可能影响结果的普适性。DLCT-临床模型的外部验证被认为是必要的。目前,我们也在积极推进这项工作,随着样本量的扩大,未来有望实现。第三,部分患者经活检确诊为PDAC并接受了Ki-67 PI检测,但不适合行根治性切除术。这可能引入采样偏倚,因为活检标本可能无法充分反映肿瘤异质性。然而,许多患者在诊断时即表现为不可切除的局部晚期或转移性疾病,需要进行穿刺活检以明确诊断和制定治疗方案。这种情况可能更符合临床实践。

结论

总之,本研究采用基于DLCT 3D VOI的定量参数和临床特征,开发了一种无创且有效的DLCT-临床模型,该模型在术前预测PDAC患者Ki-67 PI方面表现出良好的预测性能。可视化列线图可帮助临床医生识别高Ki-67 PI的PDAC患者,实现PDAC患者的个体化管理。

补充信息

电子补充材料

引用

  1. Zeng D, Zhang J, Song Z, et al. Development and validation of a model based on preoperative dual-layer detector spectral computed tomography 3D VOI-based quantitative parameters to predict high Ki-67 proliferation index in pancreatic ductal adenocarcinoma. Insights Imaging. 2024. PMID: 39636501. doi:10.1186/s13244-024-01864-9
  2. 全文:PMC11621245(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11621245/

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。