联合CT细胞外容积分数与临床病理参数的多变量模型对胃癌隐匿性淋巴结转移的术前预测价值
该回顾性单中心研究纳入129例术前CT未见淋巴结肿大的胃癌患者,利用CT细胞外容积分数联合内镜病理与血液学指标构建多变量模型术前预测隐匿性淋巴结转移,联合模型AUC为0.843,优于临床病理模型(0.768)和CT参数模型(0.774),高风险组中位无复发生存期显著短于低风险组(14个月 vs 16个月,p=0.008)。
要点
- N(+)组CT细胞外容积分数和肿瘤面积显著高于N(−)组(p=0.008和p<0.001)。
- 联合模型预测隐匿性淋巴结转移AUC为0.843,高于临床病理模型0.768和CT参数模型0.774。
- 联合模型高风险组中位无复发生存期14个月,显著短于低风险组16个月(p=0.008)。
核心结论
- 联合CT细胞外容积分数与临床病理特征的术前联合模型对胃癌隐匿性淋巴结转移显示出较好的预测性能,并可分层术后复发风险。
研究设计与样本
- 回顾性研究,2019年4月至2021年8月连续收集129例术后病理确诊胃癌患者,N(−)组49例、N(+)组80例。
- 采用64排CT(uCT 780,联影),注射对比剂后40秒、70秒、180秒分别采集动脉期、静脉期和延迟期。
- 以术后病理淋巴结状态为参考标准,按第8版美国癌症联合委员会分类分为N(−)和N(+)组。
关键影像表现/征象
- N(+)组CT测量的肿瘤面积和细胞外容积分数显著高于N(−)组(分别为p<0.001和p=0.008)。
- N(+)组细胞外容积分数>50%的比例显著高于N(−)组(p=0.001)。
- N(+)组内镜病理低黏附性癌和低分化比例均显著高于N(−)组(均p<0.001)。
- 两组间 stromal 肿瘤浸润淋巴细胞百分比无显著差异(p>0.05)。
诊断标准与关键数值
- 细胞外容积分数计算公式为(1−血细胞比容)×(ΔHU肿瘤/ΔHU动脉)×100%。
- 细胞外容积分级分为≤50%和>50%两级,细胞外容积分级是隐匿性淋巴结转移的独立预测因子(OR=3.119,95%CI:1.084–8.978,p=0.035)。
- 临床病理模型(WHO类型、分化程度、血细胞比容)AUC为0.768,CT参数模型(细胞外容积分级、肿瘤面积)AUC为0.774,联合模型AUC为0.843。
- 联合模型与临床病理模型AUC比较p=0.013,与CT参数模型比较p=0.020,临床病理模型与CT参数模型比较p=0.905。
- 联合模型最佳风险截断值为0.82,据此分为高风险组和低风险组。
临床应用与阅片要点
- 术前CT未见胃周淋巴结肿大(短径≥10 mm定义为肿大)时,仍应结合细胞外容积分数和肿瘤面积评估隐匿性淋巴结转移风险。
- 细胞外容积分数>50%提示隐匿性淋巴结转移风险升高,可作为独立预测指标纳入术前评估。
- 联合模型可用于术后复发风险分层,高风险组中位无复发生存期较短。
- 细胞外容积分数和肿瘤面积的观察者间ICC分别为0.870(95%CI:0.821–0.907)和0.891(95%CI:0.741–0.943)。
局限性
- 本研究为回顾性研究,样本量相对较小且为单中心,需要更大样本和多中心队列进一步验证。
全文中译20 节 · 点击展开
引言
胃癌(GC)是全球第五大常见癌症,也是癌症相关死亡的第五大原因[1]。淋巴结(LN)转移是GC最主要的转移形式之一,对临床治疗策略和预后评估具有深远影响[2–4]。在临床实践中,GC的术前LN评估主要依赖CT,其主要利用LN大小来评估LN状态。然而,即使术前CT上LN未增大,部分LN仍被证实为转移[2, 5]。因此,评估GC中的隐匿性LN对临床医生而言是一个巨大挑战。
细胞外容积(ECV)分数涵盖血管内和血管外间隙[6–8],已成为评估细胞外基质(ECM)容积的定量生物标志物,可反映肿瘤微环境[7, 9]。近年来,ECV在肿瘤的诊断和评估中日益受到探索[6, 7, 9–11]。例如,Li等[7]利用CT-ECV预测直肠癌的术前病理分级。Chen等[6]证实了CT-ECV在预测晚期GC术前免疫化疗后肿瘤退缩分级方面的有效性。
GC患者的术前内镜病理可常规获得,其提供了细胞水平的肿瘤特征。值得注意的是,GC的不同组织病理学亚型表现出不同的LN转移风险[12–14]。低黏附性癌是GC的一种独特亚型,其特征为孤立的或小簇状黏附性差的癌细胞,具有高浸润风险[15],包括印戒细胞癌等。Kao等[14]分析了2971例GC患者的临床病理特征,证明在T2-T4期GC中,印戒细胞癌较非印戒细胞癌有更多的LN转移。
大多数既往研究主要集中于单独使用CT参数或临床病理特征来预测GC的LN转移,而非将其整合。因此,我们旨在开发一个术前联合模型,整合CT参数(包括ECV分数)和内镜病理特征,以预测GC中的隐匿性LN转移,并进一步评估该联合模型的预后价值。
材料与方法
患者
本回顾性研究获得机构审查委员会批准并豁免知情同意(编号2024-081-02)。
自2019年4月至2021年8月,回顾性且连续收集我院GC病例。纳入标准如下:(1)术后病理确诊为GC;(2)术前2周内可获得增强CT、内镜活检和血细胞比容;(3)CT图像上未见胃周LN增大(轴位CT上短径≥10 mm的LN定义为LN增大)[5]。排除标准如下:(1)术前有GC治疗史;(2)胃充盈不足;(3)图像质量差及严重CT伪影;(4)CT图像上原发肿瘤病灶无法识别。入组患者的流程图见图1。本研究的整体工作流程见图2。
血液学指标
收集血液学指标,包括红细胞压积、淋巴细胞绝对值、中性粒细胞和血小板计数。然后计算中性粒细胞-淋巴细胞比值(NLR)、血小板-淋巴细胞比值(PLR)和全身免疫炎症指数(SII)[4, 16, 17](补充材料)。
内镜病理评估
由一名病理科医师(具有10年消化系统病理诊断经验)参照2019年WHO消化系统肿瘤分类[15],对术前内镜活检的WHO分型及组织学分化程度进行回顾性评估。WHO分型包括管状腺癌、低黏附性癌及其他类型。分化程度分为低分化、高分化和中分化。管状腺癌由扩大或扩张或裂隙状分支的腺管组成,而低黏附性癌由孤立或小簇排列的肿瘤细胞组成,不形成结构良好的腺体[15, 18]。此外,评估间质肿瘤浸润淋巴细胞(TILs)百分比[19],并分为≤ 10%(低水平)、11–40%(中等水平)和> 40%(高水平)。
CT技术
CT扫描采用64排扫描仪(uCT 780,联影)。动脉期、静脉期和延迟期(DP)分别在注射对比剂后40 s、70 s和180 s获得。CT采集参数的详细信息见补充材料。
图像分析
CT图像由一名放射科医师(具有6年腹部诊断经验)独立评估,除肿瘤大致位置外,对临床病理信息设盲。另一名放射科医师(具有12年腹部诊断经验)重复上述流程以评估观察者间可重复性。
在胃癌病灶最大层面绘制感兴趣区(ROI),并沿病灶边缘手动分割以测量CT值,避开邻近血管、胃腔和坏死区域[11]。记录肿瘤在平扫和延迟期的平均CT衰减值。参照动脉期、静脉期和多平面重建图像,在5 mm层厚CT图像上勾画肿瘤ROI。同时记录每位患者延迟期的肿瘤面积。
ECV分数分析
ECV分数(%)采用以下公式计算:
ECV分数(%)=(1 − 红细胞压积)×(ΔHU肿瘤/ΔHU动脉)× 100% [6, 9, 20, 21]
其中ΔHU肿瘤和ΔHU动脉分别代表延迟期肿瘤和血池(腹主动脉)的CT衰减值减去平扫对应的CT值。
腹主动脉的CT值通过在平扫和延迟期绘制圆形ROI进行测量。主动脉ROI尽可能在与肿瘤ROI相同层面绘制,以标准化测量并尽量减少与心功能和血流动力学相关的变异性[10]。圆形ROI尽可能大地勾画,避开任何钙化和附壁血栓的血管壁[6]。
术后病理评估
在我们的研究中,所有患者均接受了标准胃切除术联合D2淋巴结清扫术。检出的淋巴结总数为11至63枚,每位患者淋巴结中位数为24枚。
手术后,所有胃标本均按照标准病理流程处理。参照美国癌症联合委员会第8版分类[22],回顾性记录病理淋巴结状态。胃癌分为两组:N(−)组和N(+)组。
随访
回顾性收集每位患者术后随访数据,主要基于影像学检查。无复发生存期(RFS)定义为从手术至首次复发、转移或末次随访的时间间隔[23, 24]。随访截止日期为2024年12月31日。
统计分析
连续变量和分类变量根据需要分别采用Mann–Whitney U检验、卡方检验或Fisher精确检验进行分析。从单因素分析中具有统计学显著性(p < 0.05)的变量开始,采用基于进入法的多因素二项logistic回归分析构建预测隐匿性淋巴结转移的多因素模型。采用Hosmer-Lemeshow检验衡量拟合优度。通过曲线下面积(AUC)评估预测模型的诊断性能,不同模型间AUC的两两比较采用DeLong检验。基于多因素logistic回归分析构建列线图。
定量测量的观察者间一致性通过组内相关系数(ICC)和Bland–Altman分析评估。RFS采用Kaplan–Meier法估计,并通过log-rank检验进行比较。预后模型的最佳截断值通过X-tile软件(版本3.6.1;耶鲁大学医学院,康涅狄格州纽黑文)[25, 26]获得。模型性能采用Harrell一致性指数(C-index)评估。为评估和校正潜在乐观偏倚,我们进行了1000次重复的bootstrap内部验证。
所有统计分析通过SPSS(版本22.0)、MedCalc统计软件(版本11.4.2.0)或R软件(版本3.5.2)进行。双侧p < 0.05表示具有统计学显著性。
结果
本研究最终纳入129例胃癌患者(男性84例;女性45例;中位年龄64岁;年龄范围30–91岁),分为N(−)组(n = 49)和N(+)组(n = 80)。
基线人口学和术后病理特征
表1总结了N(−)组和N(+)组的基线人口学和术后病理特征。两组间性别和年龄均无显著差异(均p > 0.05)。与N(−)组相比,N(+)组中T3-4、低分化、脉管侵犯(LVI)阳性和神经侵犯(PNI)阳性的比例显著更高(均p < 0.001)。N(+)组中弥漫型比例显著更高(p < 0.001)。
血液学指标、内镜活检和CT参数
血液学指标
N(+)组的血细胞比容值显著低于N(−)组(p = 0.041,表2)。然而,两组间PLR、NLR和SII值均无显著差异(均p > 0.05)。
内镜活检
如表2所示,N(+)组中低黏附性癌的比例显著高于N(−)组(p < 0.001)。N(+)组中低分化的比例显著更高(p < 0.001)。两组间间质肿瘤浸润淋巴细胞(TILs)百分比无显著差异(p > 0.05)。
肿瘤面积与ECV
N(+)组基于CT的肿瘤面积和细胞外容积(ECV)分数值显著高于N(−)组(分别为p < 0.001和p = 0.008)(表2)(图3a、b)。我们进一步将ECV值分为两个等级(≤ 50%和> 50%),显示N(+)组中ECV值> 50%的比例显著更高(p = 0.001)。隐匿性淋巴结(LN)转移阴性和阳性胃癌的代表性CT图像及显微照片见图4。
多因素模型的建立与性能
多因素logistic回归显示ECV分级是隐匿性LN转移的独立预测因子(OR = 3.119,95% CI:1.084–8.978,p = 0.035)。肿瘤面积、WHO分型和分化程度也被确定为独立预后因素(均p < 0.05)(表3)。
如表4所示,临床病理模型(模型A)结合WHO分型、分化程度和红细胞压积,得出的AUC为0.768。CT参数模型(模型B)整合了ECV分级和肿瘤面积,AUC值为0.774。联合模型(模型C)整合了临床病理和CT参数,得出的AUC为0.843(图5a)。在DeLong检验中(表5),模型C与模型A的AUC之间(p = 0.013)以及模型C与模型B的AUC之间(p = 0.020)显示出显著差异。模型A与模型B的AUC之间未见统计学显著性(p = 0.905)。
基于联合模型构建了列线图以预测隐匿性淋巴结转移(图5b)。为进一步验证联合模型的临床实用性,在图S1中进行了决策曲线分析和校准图。
复发风险分层
129例患者中,102例患者具有完整的术后随访数据,总体复发率为20.6%(21/102),中位RFS为17个月。21例复发病例中,15例为腹膜复发,6例为非腹膜复发。N(+)组的中位RFS显著短于N(−)组(14个月 vs. 20个月,p < 0.001)。
基于0.82的最佳风险截断评分,术前联合模型被分层为高风险组和低风险组,中位RFS差异显著(14个月 vs. 16个月,p = 0.008)。术前联合模型的Kaplan–Meier曲线见图6a。Bootstrap验证(1000次重复)显示C指数下降极小(0.004),表明过拟合程度低且模型在该队列内具有良好的泛化性(原始C指数:0.638;乐观校正后C指数:0.634;乐观度:0.004)。
进行了多变量Cox回归分析,同时纳入术前模型和术后病理特征。将N(−)组与N(+)组之间差异显著的术后病理特征纳入多因素Cox回归,包括T分期、淋巴血管侵犯(LVI)、神经周围侵犯(PNI)、Lauren分型和分化程度。结果表明,术前模型仍是RFS的显著独立预测因素(HR = 3.095,95% CI:1.099–8.719,p = 0.032)。病理T分期也被确定为独立预后因素(HR = 5.576,95% CI:1.237–25.135,p = 0.025)(表S1)。
随后,我们基于Cox回归结果开发了一个用于无复发生存期(RFS)的多变量预后模型。Bootstrap验证(1000次重复)显示可接受的过拟合程度和良好的区分能力(原始C指数为0.756;乐观校正后C指数为0.724;乐观度为0.032)。基于最佳风险截断值,多变量预后模型的Kaplan–Meier曲线见图6b(p < 0.001)。
观察者间一致性
ECV分数和肿瘤面积的ICC分别为0.870(95% CI:0.821–0.907)和0.891(95% CI:0.741–0.943),表明两名放射科医师之间具有良好的一致性。我们进一步进行Bland–Altman分析以评估测量偏倚和一致性界限,结果显示良好的观察者间一致性(图3c、d)。
讨论
在本研究中,所提出的基于CT的ECV模型在术前检测隐匿性淋巴结转移方面表现出良好的诊断性能(AUC = 0.843),并在分层胃癌术后复发风险方面显示出显著差异(p = 0.008)。
我们的研究结果揭示,N(+)组在内镜病理基础上表现出显著更高比例的低黏附性癌和低分化。此外,N(+)组显示CT测量的肿瘤面积和ECV分数显著更高,红细胞压积水平显著更低。联合模型预测隐匿性淋巴结转移的AUC达到0.843,显著优于仅基于临床病理或CT参数的模型。术前联合模型高危组的中位RFS较低危组显著缩短。
与胃管状腺癌相比,低黏附性癌以细胞间黏附松散和更高的浸润风险为特征[27, 28],易于从原发肿瘤播散并促进淋巴道播散[12, 14]。Kao等[14]证明,在T2-T4期胃癌中,印戒细胞癌较非印戒细胞癌有更多的淋巴结转移(p < 0.001)。我们的结果表明N(+)组中低黏附性癌比例显著更高,这与既往研究一致。此外,低分化胃癌更具侵袭性,常表现出增强的转移潜能。既往研究显示低分化胃癌中淋巴结转移显著更高[29],与我们的结果一致。既往研究已揭示间质肿瘤浸润淋巴细胞(TILs)与肿瘤患者的临床预后相关[19, 30]。值得注意的是,本研究中两组间间质TILs百分比未见显著差异,可能提示间质TILs在预测隐匿性淋巴结转移方面价值有限。此外,N(+)组观察到红细胞压积水平显著更低。胃癌是一种消耗性疾病,常并发慢性失血或长期营养不良,可能逐渐导致贫血和红细胞压积水平降低。伴有淋巴结转移的胃癌患者可能病程更长,更易出现红细胞压积水平降低。
细胞外容积(ECV)分数已成为评估细胞外基质(ECM)体积的定量生物标志物。ECM是肿瘤微环境的重要组成部分,是恶性肿瘤形成的主要驱动力,在肿瘤侵袭和转移中起着关键作用[7, 31]。N(+)组ECV分数显著较高,可能主要归因于以下两点。首先,伴有淋巴结转移的胃癌(GC)往往更具侵袭性,并表现出丰富的瘤内新生血管形成。然而,这些新生血管以结构不成熟和血管壁脆弱为特征[32],导致微血管灌注增高和血管通透性增强[10, 33]。因此,其增加了对比剂进入组织间隙,并提高了ECV分数。此外,伴有淋巴结转移的GC可能募集更多的炎性细胞浸润以及肿瘤微环境中癌症相关成纤维细胞的持续活化,促进ECM沉积并导致ECV分数升高[10]。
事实上,既往研究已应用基于CT的ECV评估多种肿瘤[6, 7, 9–11, 33–35]。大多数既往研究[7, 10, 11, 33, 34]显示,侵袭性越强的肿瘤ECV分数越高,与我们的结果一致。Zhang等[10]报道,在结直肠癌中,淋巴血管侵犯(LVI)和神经周围侵犯(PNI)阳性组的基于CT的ECV分数显著较高(p = 0.001)。Hu等[11]揭示,在侵袭性较低的微卫星不稳定(MSI)型GC组中,ECV分数显著较低(训练组和验证组分别为p = 0.002和0.008)。Liu等[34]发现,ECV较高组是膀胱癌中与较短无复发生存期和较短总生存期相关的显著危险因素(p < 0.001)。此外,我们发现N(+)组CT测量的肿瘤面积显著较大。可能的原因是较大的肿瘤往往病程较长,从而导致淋巴结转移风险更高。
通过整合CT参数(包括ECV)和临床病理特征,我们建立了临床病理模型、CT参数模型和联合模型,曲线下面积(AUC)分别为0.768、0.774和0.843。与CT模型和临床病理模型相比,联合模型显示出显著增强的诊断效能(均p < 0.05)。我们进一步构建了联合模型的列线图、决策曲线分析和校准图,这有助于临床应用。此外,我们还对联合模型进行了预后分析,以进一步验证其临床价值,提示高危组的中位无复发生存期(RFS)显著较短。此外,在调整术后病理混杂因素后,术前预后模型仍是RFS的独立预测因素。这些发现提示,联合模型可能有助于早期预测GC患者的隐匿性淋巴结转移和早期识别复发,可为临床诊断和治疗提供一定的参考价值。
本研究存在若干局限性。第一,本回顾性研究为单中心研究,样本量相对较小,尚需更大样本及多中心队列进一步验证。第二,本研究计算ECV值时采用DP图像,但计算ECV的最佳强化时间尚无统一标准。多数研究显示,3 min的平衡期是评估ECV的良好扫描时段[11, 36],本研究采用了该时段。最后,预后评估仅采用RFS,未纳入总生存期;我们将在未来研究中对此进行探讨。
总之,所提出的术前联合模型整合了CT参数(包括ECV)和内镜病理特征,在早期预测隐匿性淋巴结转移和术后复发风险分层方面表现出良好性能。这些发现可为胃癌的临床诊断和治疗提供有价值的参考。
补充信息
补充信息
引用
- Sun S, Li L, Xu M, et al. Predictive value of multivariate models combining CT-based extracellular volume fraction with clinicopathological parameters for preoperative detection of occult lymph node metastasis in gastric cancer. Insights Imaging. 2025. PMID: 41428124. doi:10.1186/s13244-025-02172-6
- 全文:PMC12722588(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12722588/
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。