通过CT影像的虚拟活检:影像组学能否区分非小细胞肺癌亚型?
回顾性纳入2015年9月至2023年1月330例经手术病理证实为肺腺癌或鳞状细胞癌的患者,基于基线增强胸部CT提取107个影像组学特征并结合放射学特征建立三个模型。联合模型的AUC最高(0.84,95%CI 0.80-0.88),外部验证(n=15)AUC为0.78(p=0.05)。
要点
- 联合放射学与影像组学特征的模型区分腺癌与鳞癌的AUC为0.84,优于单独影像组学(AUC 0.80)和单独放射学模型(AUC 0.73)。
- 外部验证n=15的AUC为0.78(p=0.05),原文描述为接近显著的趋势。
- 常规CT视觉特征区分腺癌与鳞癌差异不大,联合模型可能作为无创辅助手段。
核心结论
- 联合放射学-影像组学模型在区分腺癌与鳞癌方面表现最佳,AUC为0.84(95%CI 0.80-0.88,p<0.001)。
- 作者认为该定量方法可能提供一种准确、无创的肺瘤种判定方式,辅助肿瘤科医生临床决策。
研究设计与样本
- 回顾性观察性非干预研究,纳入2015年9月至2023年1月在意大利罗马Sant’Andrea大学医院接受肺切除的330例患者,最终分析300例(腺癌200例、鳞癌100例),平均年龄68±10岁,男性184例。
- 使用128层CT(Revolution EVO,GE医疗)行胸部增强CT,对比剂为碘美普尔400(Iomeprol 400),按瘦体重700 mg碘/kg给药,团注追踪触发后50秒采集。
- 在门静脉期使用3D Slicer(v5.2.2)逐层手动勾画病灶实性体积,提取107个影像组学特征,经LASSO和十折交叉验证筛选。
- 参考标准为手术标本组织学诊断,CT扫描后6-8周内手术,期间未行化疗或放疗。
- 外部验证队列16例中15例纳入分析(腺癌10例、鳞癌5例),2024年1月至2025年1月同院使用Philips Brilliance iCT 256层扫描仪采集。
关键影像表现/征象
- 原文指出腺癌与鳞癌在CT图像上无显著视觉差异,无法仅凭视觉特征区分。
- 放射学特征中,病灶中央/外周位置和肺气肿存在的AUC分别为0.67(95%CI 0.61-0.72)和0.62(95%CI 0.57-0.68),p<0.0001。
诊断标准与关键数值
- 放射学模型AUC 0.73(95%CI 0.68-0.78,p<0.001),正确分类率72.3%。
- 影像组学模型AUC 0.80(95%CI 0.75-0.85,p<0.001),正确分类率75.6%。
- 联合模型AUC 0.84(95%CI 0.80-0.88,p<0.001),正确分类率75.3%。
- 外部验证联合模型AUC 0.78(p=0.05)。
- 放射学模型中中央/外周位置和肺气肿的OR分别为4.83和3.34(p<0.001);影像组学模型中球形度和SmallAreaHighGrayLevelEmphasis有统计学意义,P值范围0.03至0.001,OR范围0.013至1.12。
临床应用与阅片要点
- 作者认为影像组学可能作为辅助工具,在治疗前提供肿瘤微环境和微结构的更全面信息,但应与临床数据永久整合。
- 作者指出影像组学并非万能,仅作为临床医生的支持工具。
- 原文未给出基于本研究的具体阅片流程或报告建议。
局限性
- 原文指出样本量相对较小可能影响衍生特征的稳健性和模型性能。
- 原文指出研究的回顾性性质引入潜在偏倚。
- 原文指出扫描仪内或扫描仪间变异应作为混杂因素评估,可能影响最终结果和分析的可重复性。
- 原文指出验证队列样本量小,虽获得接近显著的结果但本可从更多受试者中获益。
- 原文提出未来需建立前瞻性多中心队列以严格验证联合模型。
全文中译14 节 · 点击展开
引言
肺癌是全球第二常见的确诊癌症,每年新增210万例,同时也是癌症死亡的首要原因,2020年估计有180万人死于肺癌[1]。约85%的肺癌病例被归类为非小细胞肺癌,其中腺癌(ADC)和鳞状细胞癌(SCC)是最常见的亚型[2]。近年来个性化医疗和靶向医疗(包括免疫治疗)的进展改善了肺癌患者的预后[3],而区分病理亚型的独特形态学和分子特征直接影响治疗管理和预后[4, 5]。
因此,在治疗前明确病理亚型以制定更有效的治疗方案至关重要。支气管镜检查和手术活检仍然是肿瘤分子特征分析的金标准。然而,这些方法具有侵入性,可能伴随潜在并发症和假阴性结果,且不能代表整个肿瘤的异质性。
在此背景下,影像学具有指导治疗的巨大潜力,因为它能够以无创方式提供整个肿瘤的更全面视图[6, 7]。CT是从诊断到随访的癌症管理中常规使用的影像技术;然而,主观和定性的影像评估存在局限性,例如组织学分型表征和预后评估。为克服这一局限,通过影像组学方法从影像数据中提取定量超微结构信息,可能有助于更好地表征肿瘤特性。影像组学是“组学”的一个分支,专注于通过高通量提取大量定量特征来改进影像分析数据评估[8, 9]。从数字图像中提取高维数据的动机在于,生物医学图像包含反映病理生理学的信息,且这种相关性可以通过定量分析外推[10]。由于肺癌的高发病率及其关键的诊断、预后和治疗意义,非小细胞肺癌代表了应用影像组学的理想机会。自影像组学诞生以来,肺癌影像组学已产生了大量的研究兴趣,近年来发表的许多研究显示该领域的关注度日益增长[11, 12],范围从确定结节的恶性风险[13],到评估其侵袭性[14],再到预测治疗反应[15, 16]。
因此,本研究旨在评估影像组学在基线影像评估中区分肺腺癌和鳞状细胞癌的性能,将影像组学用作虚拟活检。
材料与方法
患者人群和研究设计
本回顾性观察性非干预研究按照1964年《赫尔辛基宣言》及其后续修正案或同等伦理标准进行。作为参与Horizon 2020“CHAIMELEON——加速AI工具在癌症管理中的实验室到市场转化”(H2020-SC1-FA-DTS-2019-1)的一部分,本研究获得了当地伦理委员会的批准(CE 6410/2021)。
2015年9月至2023年1月,在意大利罗马圣安德烈亚大学医院连续选取330例接受肺切除术的患者,依据以下纳入标准:(a) 经组织学证实的腺癌或鳞状细胞癌诊断,以及 (b) 基线增强胸部CT。排除标准为:(a) 胸部CT上明显的运动伪影,以及 (b) 结节过小无法分割(< 6 mm)且临床相关性低 [17](图1)。所有患者均在用于分割的CT扫描后6–8周内接受手术切除,在此期间未进行化疗或放疗。因此,本研究中引用的组织学对应于手术标本所获得的组织。患者特征,包括性别和年龄,以及活检后的组织学报告也被检索。
CT采集技术
胸部CT使用128层CT扫描仪(Revolution EVO,GE Medical Systems,Milwaukee,USA)进行,z轴覆盖范围从颈静脉至膈顶。使用以下技术参数:管电压,120 kV;管电流调制,100–250 mAs,采用管电流调制;螺旋螺距因子,0.98;准直宽度,0.625。图像以1.25 mm层厚采用标准SOFT和LUNG卷积核重建。对比剂(碘美普尔400,Bracco,Milan,Italy)经18/16号外周静脉通路给药。对比剂剂量根据患者去脂体重计算,使用每千克去脂体重700 mg碘的比例 [18]。注射通过团注跟踪监测,在主动脉弓感兴趣区达到150 HU峰值后50 s进行采集。
影像学评估
医学数字成像和通信(DICOM)数据由两名放射科医师协商一致后检索并分析(CD和MP,分别具有20年和5年胸部影像学经验)。
评估以下影像学特征:(a) 检出病变的肺叶;(b) 病变在肺叶内的位置(中央/外周);(c) 是否存在肺气肿;(d) 影像学T和N分期 [19–21]。除N分期外,所有影像学特征均在门静脉期评估,采用SOFT卷积核并固定肺窗设置(窗宽[WW]:1500 HU,窗位[WL]:-600 HU)。N分期在门静脉期评估,采用SOFT卷积核,并固定纵隔软组织窗设置(WW:350,WL:50),如图2所示。
分割分析
DICOM数据被检索至多模态工作站(Centricity Universal Viewer,版本6.0;GE Medical Systems);两名放射科医师(DC和MZ,分别具有15年和5年胸部影像学经验)通过共识,根据纳入/排除标准评估适合分割分析的CT扫描。使用开源软件3D Slicer(版本5.2.2,http://www.slicer.org)对每份CT扫描进行肺容积分割。
在SOFT核上以固定的WWLL手动逐层勾画纵隔组织的容积感兴趣区,避开结节内的亚实性区域、肺血管和支气管,仅覆盖整个实性体积,如图3所示。
影像组学特征提取
使用3D Slicer影像组学扩展模块(Pyradiomics [22])从增强胸部CT扫描的纵隔窗中提取107个影像组学特征,包括一阶和二阶特征:19个一阶统计特征、13个二维和三维形状特征、16个灰度级大小区域矩阵(GLSZM)特征、5个邻域灰度色调差异矩阵(NGTDM)特征、14个灰度级依赖矩阵(GLDM)特征、24个灰度级共生矩阵(GLCM)特征和16个灰度级游程长度矩阵(GLRLM)特征。
机器学习建模与统计分析
连续数据以均值±标准差(SD)表示;分类变量以计数和百分比报告。连续参数变量使用Student t检验进行比较,而非参数变量使用Mann–Whitney U检验进行分析。为筛选CT影像组学特征,机器学习(ML)模型的开发始于初步识别方差近零和零的影像组学特征;随后使用0.95的相关系数阈值去除高度相关的特征。然后使用这些影像组学特征通过带有最小绝对收缩和选择算子(LASSO)正则化的逻辑回归开发模型,对模型复杂度进行惩罚并选择信息量最大的特征。之后,使用以受试者工作特征曲线下面积(AUC)为优化指标的十折交叉验证调优程序确定最优正则化参数lambda [23]。然后将所选特征用于构建影像组学和影像学特征的多变量逻辑回归分析,以构建三种不同的模型:仅影像学特征模型、仅影像组学特征模型和联合模型。p < 0.05被认为具有统计学意义。统计分析使用MedCalc Statistical Software版本22.023(MedCalc Software,Ostend,Belgium)和MATLAB版本9.14(R2024a),The MathWorks,Inc.,Natick,Massachusetts,2024(https://www.mathworks.com)进行。
外部验证队列
为评估我们模型的泛化能力,回顾性选取了一个独立的外部测试队列。采用与主要队列相同的纳入和排除标准,在意大利罗马Sant’Andrea大学医院共识别出16例接受肺切除术的患者。这些患者于2024年1月至2025年1月期间在同一医院使用Philips Brilliance iCT 256层扫描仪获取,采集参数和对比剂给药方案完全相同。使用相同的对比剂(碘美普尔400,Bracco,米兰,意大利),剂量根据去脂体重计算,图像采集在达到相同预设阈值的团注跟踪后执行。
外部队列按照与主要队列相同的放射学评估、分割和特征提取方法进行分析。
结果
患者特征
从初始330例患者(215例腺癌和115例鳞状细胞癌)中,排除了30例(16%)患者:20例(66%)患者因严重运动伪影被排除,10例(33%)患者在CT上显示结节太小而无法分割和/或分析。因此,最终人群包括300例患者,其中女性116例(39%),男性184例(61%),平均年龄为68 ± 10岁。200例(66%)患者为腺癌,100例(33%)患者为鳞状细胞癌。完整的患者数据见表1。
放射学评估
在所有分析的患者中,99例(33%)病灶位于左肺(72例腺癌和27例鳞状细胞癌),其中41例(41%)病灶位于左肺下叶,47例(47%)位于中央(28例腺癌和19例鳞状细胞癌),52例(53%)位于外周(44例腺癌和8例鳞状细胞癌)。共有167例(56%)患者发现存在肺气肿(95例腺癌和72例鳞状细胞癌)。完整的患者数据和CT表现见表2。
在所有放射学特征中,有两个特征在区分ADC和SSC方面显示出显著结果。具体而言,病灶的中央/外周位置和肺气肿的存在分别显示出AUC为0.67(95% CI 0.61–0.72)和0.62(95% CI 0.57–0.68),p < 0.0001。
影像组学特征选择
通过对肺部病灶的容积分割,在胸部CT扫描上提取了107个影像组学特征。稳定的特征用于LASSO正则化和十折交叉验证,最终选择了20个特征(平坦度、短轴长度、球度、峰度、均值、均方根、总能量、对比度、相关性、差异平均值、依赖非均匀性归一化、大依赖高灰度级强调、灰度非均匀性、灰度方差、低灰度级区域强调、尺寸区域非均匀性归一化、小区域强调、小区域高灰度级强调、区域方差、繁忙度),如图4所示。
放射学模型、放射组学模型和联合模型
进行多变量分析以构建三个模型:放射学模型、放射组学模型和联合模型。
放射学模型在中心/外周位置和肺气肿存在方面均显示显著结果,p < 0.001,OR分别为4.83和3.34。放射学模型表现良好,AUC为0.73(95% CI 0.68–0.78;p < 0.001),正确分类病例百分比为72.3%。
对于放射组学模型,在用于多变量分析的20个所选特征中,其中两个包括一个形状特征(球形度)和一个GLSZM特征(小面积高灰度强调)显示显著结果,P值范围为0.03至0.001,OR在0.013至1.12之间。通过纳入有助于区分ADC和SSC的放射组学特征对放射组学模型进行多变量分析。放射组学模型表现良好,AUC为0.80(95% CI 0.75–0.85;p < 0.001),正确分类病例百分比为75.6%(图5)。
最后,联合模型(放射学特征和放射组学特征)显示AUC为0.84(95% CI 0.80–0.88;p < 0.001),正确分类病例百分比为75.3%(图6)。
外部验证
用于外部验证的最终人群由15例患者组成,其中10例(67%)诊断为腺癌,5例(33%)为鳞状细胞癌。另有一例患者最初被选中,但因CT上过度运动伪影而被排除(图7)。该分布与主要研究人群中观察到的疾病患病率保持一致,确保了验证过程的一致性。
将先前开发的整合放射学和放射组学特征的联合模型应用于该外部验证队列,以评估其稳健性和可重复性。该模型获得AUC为0.78,p值为0.05,表明其在独立数据集上测试时能够保持诊断性能。
讨论
在这项回顾性研究中,我们通过分析基线CT扫描(包括影像学和影像组学特征),提出了一种预测模型,用于区分肺腺癌(ADC)与鳞状细胞癌(SCC)。我们最初旨在整合影像学与影像组学评估,以解决肺活检的固有局限性——肺活检是一种有创操作,可能伴随潜在并发症,如感染或气胸,以及假阴性结果的风险。此外,肺活检样本可能无法完全代表肿瘤的异质性,因为它们通常仅获取肿瘤的一小部分[24]。尽管肺活检仍是肿瘤组织学分型判定的金标准[25],我们的方法试图通过提供一种更全面的、无创的肿瘤评估方法来对其进行补充。
关于影像学参数,评估了临床T和N分期、肿瘤的中心或周围定位、受累肺叶以及肺气肿的存在。影像组学分析通过对原发肺癌手动进行的体积分割中提取定量特征来实施。随后,开发了三种不同的模型:影像学模型、影像组学模型和联合模型。关键的是,这些模型的有效性在外部验证队列中进行了检验,达到了0.05的p值,具有接近显著性的趋势,其AUC证实了超越初始数据集的稳健性和泛化性。
我们的影像学发现提示,大多数SCC与肺气肿相关且位于外周,正如Kunihiro Y.团队既往提出的一项描述性研究所示[19]。观察肺部病变的影像组学分析,若干定量特征在两组之间产生显著差异。这些差异促使我们构建一个预测模型,以从基线CT扫描中识别组织学类型,取得了良好的性能,这与既往一些类似的、探讨影像组学在基于CT、MRI或PET/CT扫描对肺癌进行分类中作用的研究一致[26–30]。在这些研究中,在区分ADC与SCC方面最相关的结果由Jing L.[26]和Zhiyong C.[28]团队取得。第一组[26]提出构建一个分类影像组学模型,既用于区分ADC、SCC和大细胞癌,也用于通过分析术前CT扫描评估临床分期。最佳结果出现在临床分期的预测上,AUC约为0.9,而组织学分类仅显示出中等结果,AUC为0.7。在另一项独立研究中,Zhiyong C.[28]团队通过使用治疗前双能CT扫描的分割,检验了影像组学在区分ADC与SCC中的预测作用,并构建了三种不同的预测模型:仅临床模型、仅影像组学模型和联合模型。联合模型优于仅影像组学模型和仅临床模型,取得了约0.85的最佳AUC。联合模型优于仅影像组学模型和仅临床模型,取得了约0.85的最高AUC。本研究的一个显著特征是临床数据的选择,其包括流行病学信息、性别、吸烟状态、转移性疾病和癌胚抗原水平,同时排除常规医学影像评估。Zhang J.等[30]提出了一种识别ADC与SCC的不同方法;他们通过从脑转移瘤的CT分割中提取定量特征,探讨了影像组学的作用。结果在AUC方面令人鼓舞,支持了定量成像可作为有价值的预测工具这一概念,帮助医生更好地理解癌症表型,并提供活检的替代方案,尤其是在具有挑战性的病例或虚弱患者中。
上述所有研究都强化了定量成像在治疗前环境中提供肺部组织学正确概览方面的作用,并给出了有前景且出色的数据。然而,分析这些研究,主要局限性在于患者数量有限和人群不平衡,这可能在几乎所有研究中导致相关局限性,并在所有影像组学模型中被进一步放大。总体而言,在性能方面的最佳结果是通过将影像组学与临床数据整合而取得的,优于影像组学或临床模型,但在临床数据的选择上仍需要一致性。“临床”一词包括数量众多的不同参数,从流行病学到临床分期。这是一个关键方面,凸显了开展大型多中心前瞻性研究的必要性,此类研究可标准化方法学,使定量方法在临床实践中可行且可重复。
在个性化医疗和靶向治疗的新时代,理解肿瘤的所有方面对于制定针对每位患者的治疗策略至关重要,我们的研究可能具有相关影响。历史上,鳞状细胞癌(SCC)在生存率和诊断时临床分期方面预后较差[31]。最近有研究表明,SCC的新辅助化疗联合免疫治疗可能改变SCC的自然病程,包括病理完全缓解、无进展生存期和总生存期[32, 33]。这些数据支持了这样一个观点:治疗前对癌症表型进行评估对于为患者提供最佳治疗选择至关重要,同时也需要减少与传统活检固有偏倚相关的任何风险[34]。在这种情况下,影像组学可能在治疗前肺癌评估中具有未来作用。然而,将影像组学视为万能药是不正确的,它只是临床医生的辅助工具,用于在开始治疗前更准确地了解肿瘤微环境和微结构,并且应永久性地与临床数据整合。
必须承认与影像组学分析相关的固有局限性。具体而言,相对较小的样本量可能影响了所衍生特征的稳健性和模型性能。此外,研究的回顾性性质引入了潜在偏倚,在解释结果时应予以考虑。最后,扫描仪内或扫描仪间的变异性应作为混杂因素进行评估,其可能改变最终结果和分析的可重复性[35]。鉴于我们的局限性,我们通过纳入多达300名患者来尝试克服小样本量的问题。此外,我们的人群相当平衡,包括200例腺癌(ADC)和100例鳞状细胞癌(SCC),维持了每种组织学类型的流行病学发病率[1]。在局限性中,同样重要的是要认识到验证队列的样本量较小,其获得了接近显著的结果,证实了测试队列的趋势,但若受试者数量更多则会更好。
一个关键的未来方向涉及建立前瞻性、多中心队列以严格验证联合模型。这种前瞻性设计将减轻回顾性分析固有的偏倚,并促进评估模型在不同患者人口统计学和临床环境中的可推广性,从而增强其临床实用性。
总之,在本研究中,我们开发了一种基于基线CT扫描的放射学-影像组学模型,用于区分腺癌(ADC)和鳞状细胞癌(SCC),其表现优于仅影像组学和仅放射学模型。这种定量方法可能提供一种准确且无创的方法来在诊断时确定肺癌组织学类型,协助肿瘤科医生进行临床决策,并减少因传统活检固有局限性导致的未纠正诊断的任何风险。
引用
- Palmeri F, Zerunian M, Polici M, et al. Virtual biopsy through CT imaging: can radiomics differentiate between subtypes of non-small cell lung cancer? Radiol Med. 2025. PMID: 40402434. doi:10.1007/s11547-025-02022-x
- 全文:PMC12454503(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12454503/
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。