基于胸部CT影像组学特征判定浸润性肺腺癌三级淋巴结构状态
回顾性纳入两中心456例浸润性肺腺癌患者,提取CT影像组学特征并以支持向量机构建模型预测三级淋巴结构状态;影像组学模型在内外部测试集的AUC分别为0.804和0.747,均高于临床模型。
要点
- 影像组学模型可无创判别浸润性肺腺癌三级淋巴结构状态,外部测试集AUC为0.747。
- 视觉评估中平均CT值和空气支气管征为三级淋巴结构的重要指标,AUC为0.683。
- 临床模型外部测试集AUC为0.632,影像组学模型判别效能更高。
核心结论
- 影像组学模型较临床模型具有更高的AUC,可有效判别浸润性肺腺癌患者的三级淋巴结构状态。
研究设计与样本
- 回顾性研究,纳入2015年11月至2024年3月两独立中心的浸润性肺腺癌患者共456例,中心1为训练集与内部测试集,中心2为外部测试集。
- 训练集278例、内部测试集115例、外部测试集63例;采用苏木精-伊红染色评估三级淋巴结构并按其上四分位数分为TLS-L组与TLS-H组。
- 提取影像组学特征并以支持向量机建模,用ROC曲线分析诊断效能,并由两位胸部放射科医师对测试集行视觉评估作对比。
关键影像表现/征象
- 内部测试集中TLS-H组的CT值和最大结节直径显著高于TLS-L组(p=0.015、p=0.003)。
- 测试集中空气支气管征在TLS-H组较TLS-L组更常见(p=0.009)。
- 平均CT值截断值为−272 HU。
诊断标准与关键数值
- 影像组学模型在验证集、内部测试集和外部测试集的AUC分别为0.781(95%CI:0.659-0.905)、0.804(95%CI:0.723-0.884)和0.747(95%CI:0.621-0.874)。
- 视觉评估中平均CT值和空气支气管征为三级淋巴结构的重要指标,AUC为0.683。
- 外部测试集中临床模型的AUC为0.632(95%CI:0.491-0.774)。
- 内部测试集中影像组学模型AUC较临床模型高17.7%。
- 临床模型显示平均CT值(OR:1.002;95%CI:1.000-1.004)和空气支气管征(OR:0.441;95%CI:0.203-0.960)为三级淋巴结构的独立指标。
临床应用与阅片要点
- 作者认为影像组学特征可为术前判别浸润性肺腺癌三级淋巴结构状态提供稳健、无创、低成本且可重复的方法,有助于加深对影像征象的理解并指导临床治疗选择。
- 作者提出若结节具有较高CT值、较大结节直径或空气支气管征,可能需要基于三级淋巴结构判断预后是否不良。
局限性
- 本研究为回顾性研究,可能存在固有偏倚。
- 影像组学特征源于自动分割,未能排除内部血管和支气管,可能影响部分特征的准确性。
- 未来研究应基于结节类型、三级淋巴结构成熟度和部分实性结节的实变成分影像形态纳入更大范围病例。
全文中译14 节 · 点击展开
引言
肺癌在全球范围内被公认为一种主要的恶性肿瘤,其发病率和死亡率令人震惊。尤其是肺腺癌,是最常见的病理亚型[1]。根据世界卫生组织的病理分类标准,肺腺癌可分为四种类型,包括浸润性肺腺癌(IA)[2]。IA specifically以生长迅速和潜在转移风险显著为特征,进一步强调了早期干预的关键必要性。准确预测此类肺癌患者治疗后的结局和预后,有助于临床医生在诊疗过程中做出明智决策、制定长期治疗计划,并最终改善患者预后。
近年来,三级淋巴结构(TLSs)已被发现与非小细胞肺癌的预后存在显著相关性,并已被证实能够增强抗肿瘤反应并预测免疫治疗的疗效[3–7]。这些异位淋巴结构在炎症、感染和肿瘤存在的刺激下形成,以T和B淋巴细胞的有序聚集为特征[8, 9]。TLS在肿瘤免疫微环境中的浸润有助于获得良好的预后。一般而言,TLS密度更高、浸润程度更好、成熟度更高的病例预后结局更好。因此,由于越来越多的证据支持TLS在多种肿瘤类型中具有预后及潜在预测意义,对TLS的评估日益受到重视[7, 10–14]。然而,由于其显著的异质性,有效的TLS预测方法仍然难以实现。
CT的使用极大地促进了IA中TLS的无创预测。CT成像蕴含丰富的病灶信息,能够对病灶类型、治疗反应等进行无创评估和预测,显著简化了IA的诊疗流程。然而,它主要依赖于临床医生的诊断经验,且需要大量人力资源。相比之下,影像组学是一种创新的成像工具,可从CT图像中提取高通量和高维特征[15]。该技术构建以临床为导向的影像生物标志物,以提高诊断或预后准确性(ACC)、辅助病灶表征并优化患者监测策略[16]。
评估TLS需要大量肿瘤组织,而由于目前缺乏有效的评估方法,这构成了一项挑战。相比之下,影像组学提供了一种更先进的方法,能够对肿瘤组织进行体外详细探索,并在IA的管理中提供潜在优势。在本研究中,我们旨在利用影像组学特征评估IA患者的TLS状态。
方法
数据集介绍
本回顾性研究经机构审查委员会批准,并豁免书面知情同意要求。回顾性分析了2015年11月至2021年8月期间胸部薄层(≤ 1.25 mm)CT扫描,其报告包含“磨玻璃影(GGO)”、“磨玻璃结节”(GGN)、“部分实性结节”、“实性结节(SN)”或“亚实性结节”等术语。最终,共纳入393例患者(男145例,女248例,年龄62.40 ± 10.53岁),共394个病灶。2021年7月至2024年3月,外部队列纳入63例患者共63个病灶。排除标准如下:(1)患者接受过化疗或放疗或药物治疗;(2)结节无病理确诊;(3)结节未进行TLS评估,如图1所示。
术前胸部CT使用Discovery CT750 HD、Discovery CT、LightSpeed VCT(通用电气医疗系统)、uCT760、uCT510(联影医疗系统)、IQon Spectral CT(飞利浦医疗系统)等设备进行。在外部数据集中,CT设备为Somatom Force CT(西门子医疗系统)。重建层厚为1.0 mm或1.25 mm,间隔为0.8 mm,采用标准重建算法。使用术前最近一次CT检查的平扫CT图像。当需要注射对比剂时,仅使用平扫图像集。最近一次CT检查与手术之间的平均间隔约为2周。
组织病理学指标
对于本队列中的每一例病例,切片由两名独立且经验丰富的病理学家进行评估。在苏木精-伊红染色切片上形态学评估瘤内TLS的存在,切片通过ScanScope CS2(徕卡)扫描为全切片图像。根据既往研究,TLS分为三组,包括淋巴细胞聚集和伴或不伴生发中心形成的淋巴滤泡[17]。对于本队列,我们将无任何TLS的肿瘤归类为TLS-L(TLS低)组,将至少有十个TLS的肿瘤归类为TLS-H(TLS高)组,依据为TLS数量的上四分位数。
图像预处理与肺结节分割
放射组学的工作流程包括图像分割、特征提取、特征选择、模型构建和评估(图2)。我们将393例患者按7:3的比例随机分为训练集(n = 278)和测试集(n = 115),TLS-H和TLS-L样本分布保持一致。在图像预处理过程中,我们首先通过Z-score归一化方法对CT图像进行归一化,归一化后的强度值截断至[−1, 1]范围[18]。
使用VB-Net构建深度学习分割模型以自动分割病灶。VB-Net是一种改进的3D卷积神经网络,将V-Net与瓶颈结构相结合,速度远快于V-Net。在我们之前的研究中(VB-Net对307张测试CT图像的肺部及500个测试CT图像块的结节的分割结果)[19],模型在左右肺上的平均Dice系数为(98.9 ± 0.4)%,在结节上为(91.5 ± 6.3)%。在将图像输入深度学习网络之前,我们将每张CT图像重采样至0.2 × 0.2 × 1.0 mm3的间距。为避免过拟合并提高深度学习网络的鲁棒性,对每张图像以0.5的概率进行图像增强,包括旋转、缩放和翻转。旋转沿某一轴以−5°至5°的角度范围随机进行。缩放因子在0.75至1.25的范围内随机采样。
两名放射科医师独立检查分割模型的感兴趣区域,保留具有病理和TLS标签的结节,并使用ITK-SNAP(版本3.8.0,http://www.itksnap.org)对结节进行三维评估。
特征提取
影像组学分析使用uAI Research Portal(联影智能)进行,该平台嵌入了广泛使用的PyRadiomics软件包(https://pyradiomics.readthedocs.io/en/latest/index.html)。从不同区域(肿瘤总体积、实性成分、磨玻璃成分和结节周围区域)提取影像组学特征。基于原始CT图像,提取了以下特征类别:(a)一阶统计量;(b)2D和3D形状特征;(c)纹理特征。同时,还使用了15种成像滤波器(如LoG、小波、高斯)进行特征提取。最终,从每张图像中提取了2264个特征。
特征选择与模型构建
共提取了2264个影像组学特征,然后通过最小绝对收缩和选择算子回归分析算法进行特征选择。当调优参数Lambda(λ)设置为0.03054时,性能达到最优[20]。
为避免因分组时TLS-H和TLS-L样本偏差导致模型性能不稳定,我们对研究人群采用了5折交叉验证方法。更具体地说,将整个人群随机但均等地分为五组,每组中TLS-H和TLS-L的比例相同,每次实验选取一组作为测试集,其余四组作为训练集,共进行五次。为最大化影像组学算法的判别能力,分别采用逻辑回归、决策树、随机森林和支持向量机(SVM)等机器学习分类器进行模型构建。在本研究中,SVM在判别能力方面表现最佳,最终被选用(表1)。不同算法之间训练集和测试集(内部和外部)的ROC曲线如图3所示。
视觉评估
测试集的视觉评估也由两名胸部放射科医师进行。他们不知晓患者信息和病理结果,并彼此独立地解读图像,评估中的分歧通过共识解决。评估了分叶、毛刺、空气支气管征、胸膜凹陷、血管聚集、空泡征、血管穿行及病灶界面。同时测量了平均CT值和最大结节直径。
统计分析
所有统计分析均使用SPSS软件(版本25,IBM公司)和R软件(版本4.1.0,https://www.r-project.org)进行。p < 0.05被认为具有统计学意义,所有统计检验均为双侧。为定量评估分类结果,采用包括敏感度(SEN)、特异度(SPE)、ACC、F1分数、加权平均F1分数(F1AVG = 2 × 精确率 × 召回率/(精确率 + 召回率)),该指标平衡了精确率和召回率)在内的指标,对显著影像组学特征与TLS-H组之间采用Pearson相关分析,并使用受试者工作特征(ROC)曲线评估模型在训练集和测试集中区分TLS的性能。Shapiro–Wilk检验用于检验正态性。独立样本t检验(符合正态分布)用于年龄、最大结节直径和平均CT值的比较。卡方检验用于比较计数数据。组内相关系数(ICC)用于评估两名放射科医师在视觉评估中的变量一致性:一般差:ICC < 0.2;尚可:0.2 < ICC ≤ 0.4;中等:0.4 < ICC ≤ 0.6;良好:0.6 < ICC ≤ 0.8;优秀:0.8 < ICC ≤ 1.0。多因素Logistic回归和后向逐步选择用于构建临床模型。DeLong检验用于比较不同模型的曲线下面积(AUC)值。
结果
所有队列中患者的人口学特征和临床特征
研究患者的流程图见图1。所有患者的临床病理特征总结于表2。两组之间在位置和肿瘤分期方面存在显著差异(p = 0.004,p < 0.001)。
测试队列中的人口学数据、CT特征
测试队列中的人口学数据、平均CT值和形态学特征列于表3。两名放射科医师在视觉评估中达到良好至优秀的一致性(补充表S1)。两组之间在性别、年龄或大多数形态学特征方面无差异。两组之间在最大结节直径、平均CT值和空气支气管征方面存在显著差异(p = 0.015、p = 0.003和p = 0.009)。平均CT值的截断值为−272亨氏单位(HU)。临床模型显示,平均CT值(比值比(OR):1.002;95%置信区间(CI):1.000,1.004)和空气支气管征(OR:0.441;95% CI:0.203–0.960)是TLS的独立指标(表4)。
特征选择
共筛选出18个最优特征子集,包括1个形状特征、13个纹理特征和4个一阶统计量特征。显著影像组学特征与TLS-H组之间的Pearson相关性分析见图4,相应特征的系数见图5。
影像组学模型和临床模型在鉴别TLSs中的表现
影像组学模型和临床模型的诊断效能见表5。图6显示了影像组学模型与临床模型在测试集(内部和外部)中的ROC曲线(p < 0.001)。在内部测试组中,AUC为0.804(95% CI:0.723–0.884),比临床模型(AUC:0.683,95% CI:0.586–0.780)高17.7%。在外部集中,AUC为0.747(95% CI:0.621–0.874),高于临床模型(AUC:0.632,95% CI:0.491–0.774)。
讨论
本研究揭示了IA中存在不同的TLSs特征谱,表明其在所有阶段中普遍存在。我们基于支持向量机(SVM)算法构建了包含18个特征的影像组学模型,用于判断IA患者的TLSs状态。与临床模型相比,影像组学模型在内部和外部测试队列中均表现出最佳的鉴别性能,提示影像组学特征是一种可用于鉴别IA患者TLSs的无创生物标志物。
在本研究中,大多数病灶位于上叶。在TLS-H组中,右肺上叶占35.03%,而在TLS-L组中,左肺上叶占35.02%。我们的发现与既往研究一致,即无论是否存在TLS,肺癌均更常发生于上叶,且TLS的存在与结节类型(磨玻璃结节和SN)无关[21, 22]。既往研究提出,血管增生、纤维化和肺泡腔塌陷促成了肺结节的实性成分,反映了IA的侵袭性[23]。而Ren等[24]发现,肺结节实性成分的增加不仅与肿瘤细胞增多有关,还与TLS数量增加有关。然而,既往研究也提出,TLS在抗肿瘤过程中发挥积极作用,与多种癌症的良好预后相关,并已被证明通常独立于肿瘤的肿瘤淋巴结转移分期[25],提示肺部肿瘤实性成分的增加具有两面性。
在内部测试集中,TLS-H组的CT值和最大结节直径显著高于TLS-L组。研究表明,随着数量和浸润深度的增加,肿瘤细胞可取代正常肺组织使肺泡间隔增厚,导致肺泡塌陷,肺泡腔内气体减少,并携带更多实性成分,从而导致密度增高,引起CT值升高[26]。在本研究中,肺结节CT值的升高不仅与肿瘤细胞的增多有关,还与TLS数量的增加有关,这与既往研究一致[24]。在传统诊断中,CT值和结节大小常被用作诊断依据,较高的CT值和较大的结节直径提示更高的侵袭性和更差的预后,但TLS的存在提示同时评估TLS的重要性。在测试集中,TLS-H组比TLS-L组更容易出现空气支气管征。空气支气管征是指病灶内直径约1 mm的细条状空气影或连续相邻层面上的小肺泡影。其病理基础为细支气管扩张,被认为与组织病理学浸润密切相关。这一发现同样并不意味着存在TLS时预后不良。
回归分析显示,CT值和空气支气管征是判断测试集中TLS状态的独立预测因素。如果一个结节具有较高的CT值、较大的结节直径或空气支气管征,我们可能需要根据TLS来判断预后是否不良。然而,我们仍然不能仅仅因为TLS的存在就断言预后不良。TLS对肿瘤的有益作用不仅与其密度呈正相关,还与其在肿瘤区域的成熟度呈正相关[6, 27–29]。TLS数量越多,TLS成熟度越高,临床结局和对免疫治疗的反应越好[30]。在本研究中,我们考虑了TLS的数量,TLS的成熟度应在进一步研究中加以考虑。
尽管三级淋巴结构(TLS)已在多种癌症类型中被识别,并具有明确的预后价值,但在TLS的定义和特征描述方面仍存在困难。目前使用影像组学预测IA患者TLS状态的研究较少。在本研究中,支持向量机(SVM)算法的诊断效能优于其他算法。这可能是因为其在解决小样本、非线性、高维回归和二分类问题时能够更好地处理数据分布不均的问题[31]。我们模型的外部测试集也具有较好的诊断性能,表明我们的影像组学模型在不同机器间具有稳健性。这项双中心研究利用影像组学模型确定TLS状态,取得了优于胸部放射科医师视觉评估的性能。平均CT值、最大结节直径和CT形态学特征是常规临床实践中用于肺结节评估最常用的方法。然而,识别这些征象可能依赖于放射科医师的能力和经验,这可能解释了本研究中形态学特征的AUC低于影像组学特征的原因。
我们的研究存在若干局限性。第一,这是一项回顾性研究,可能存在固有偏倚。第二,影像组学特征来源于自动分割,无法排除内部血管和支气管,可能影响某些特征的ACC。最后,未来研究应纳入基于结节类型、TLS成熟度和部分实性结节(SN)实性成分影像学形态的更广泛病例。
总之,影像组学特征可以提供一种稳健、无创、低成本且可重复的方法,用于术前区分IA患者TLS的状态,有助于加深对影像征象的理解,突出其在提示癌症预后和指导IA临床治疗选择方面的潜力。
补充信息
电子补充材料
引用
- Yu Y, Yang T, Ma P, et al. Determining the status of tertiary lymphoid structures in invasive pulmonary adenocarcinoma based on chest CT radiomic features. Insights Imaging. 2025. PMID: 39881024. doi:10.1186/s13244-025-01906-w
- 全文:PMC11780022(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11780022/
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。