文献速递胸部CT

表现为纯磨玻璃结节的肺腺癌影像组学:浸润性预测

Radiomics for lung adenocarcinoma manifesting as pure ground-glass nodules: invasive prediction.
PubMed 文献 · Eur Radiol · 2020-03-11

本研究纳入395个纯磨玻璃结节(pGGN),从CT图像提取396个影像组学特征,用LASSO构建Rad-score,并结合影像学特征建立联合模型及列线图预测浸润性病变。验证集中联合模型AUC 0.77,优于影像学模型(AUC 0.71)和Rad-score(AUC 0.72)。作者认为基于影像组学的列线图可能作为无创生物标志物用于pGGN浸润性评估。

要点

  • 联合影像组学-影像学模型在验证集AUC 0.77(95%CI 0.69-0.86),优于单独影像学模型和Rad-score。
  • 列线图纳入Rad-score、边缘、毛刺和大小四个独立预测因子,决策曲线分析支持其临床效用。
  • pGGN平均大小<10 mm时,大小单独预测浸润性的AUC在训练集仅0.68、验证集0.65。

核心结论

  • 基于Rad-score、边缘、毛刺和大小构建的影像组学列线图,可能作为无创生物标志物用于pGGN患者浸润性预测。
  • 联合影像组学-影像学模型在验证集AUC 0.77(95%CI 0.69-0.86),优于影像学模型(AUC 0.71;95%CI 0.62-0.81)和Rad-score(AUC 0.72;95%CI 0.63-0.81)。
  • 决策曲线分析显示,当阈值概率>10%时,使用含Rad-score的模型预测浸润性病变比不含Rad-score的模型和临床模型更有益。

研究设计与样本

  • 回顾性研究,纳入2011年1月至2017年10月本院1512例连续手术病理确诊患者中的395个pGGN(385例患者),随机分为训练集277个和验证集118个。
  • 另采用外院53个连续pGGN作为测试集(20男33女;平均年龄54.04±9.75岁;范围28-86岁)。
  • 使用4种CT系统(GE Discovery CT750 HD、64排LightSpeed VCT、Somatom Definition Flash、Somatom Sensation 16),层厚≤1.5 mm。
  • 参考标准为手术病理,按IASLC/ATS/ERS分类将pGGN分为非浸润性(良性、AAH、AIS)和浸润性(MIA、IPA)两组。
  • 从每个标注结节提取396个影像组学特征,用LASSO(λ=0.038)构建Rad-score,多因素logistic回归建立影像学模型和联合模型。

关键影像表现/征象

  • 非浸润性与浸润性pGGN在大小、边缘、毛刺和分叶方面差异有统计学意义(p<0.001)。
  • 多因素分析显示大小、边缘和毛刺为独立预测因子(p=0.001、p<0.001、p<0.001)。
  • Rad-score在训练集非浸润性组0.10±0.60 vs 浸润性组0.56±0.51(p<0.001),验证集非浸润性组−0.03±0.71 vs 浸润性组0.47±0.60(p<0.001)。
  • 肿瘤大小在非浸润性与浸润性组间差异有统计学意义(0.74 cm vs 0.90 cm,p<0.001)。

诊断标准与关键数值

  • 联合模型AUC:训练集0.80(95%CI 0.75-0.86)、验证集0.77(95%CI 0.69-0.86)、测试集0.82(95%CI 0.70-0.94)。
  • 影像学模型AUC:训练集0.75(95%CI 0.69-0.81)、验证集0.71(95%CI 0.62-0.81)、测试集0.66(95%CI 0.51-0.82)。
  • Rad-score的C-index:训练集0.73(95%CI 0.66-0.79)、验证集0.72(95%CI 0.63-0.81)、测试集0.62(95%CI 0.46-0.78)。
  • 大小单独分类非浸润性与浸润性病变的AUC:训练集0.68、验证集0.65。
  • 表面体积比单独分类非浸润性与浸润性病变的AUC:训练集0.72、验证集0.70。

临床应用与阅片要点

  • 列线图纳入Rad-score、边缘、毛刺和大小,可用于pGGN浸润性预测的个体化评估。
  • 决策曲线分析显示阈值概率>10%时,含Rad-score模型较不含Rad-score模型和临床模型更有益。
  • 作者认为影像组学列线图可能作为决策支持工具识别浸润性pGGN,避免盲目随访。

局限性

  • 单中心回顾性研究,仅纳入手术切除的pGGN,验证偏倚为研究设计固有。
  • 需要可靠稳健的自动方法简化复杂耗时的边界提取过程。
  • 影像学模型与Rad-score预测pGGN浸润性表现相似,但未进一步分析,无法评估影像组学与影像学特征之间的相关性。
  • DeLong检验显示验证集中大小、表面体积比与联合模型AUC差异不显著(p=0.38、p=0.12),可能受数据量影响,需进一步验证。
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:Eur Radiol. 2020 Mar 11;30(7):3650–9. doi: 10.1007/s00330-020-06776-y

引言

计算机体层成像(CT)扫描仪的改进和体检意识的提高使得磨玻璃结节(GGN)的检出数量增加,并引起了前所未有的关注。GGN定义为在高分辨率CT上密度轻度增高、不掩盖其下支气管结构或血管边缘的结节[1]。根据实性成分的存在,GGN可分为纯磨玻璃结节(pGGN)和部分实性结节。大约20%的肺腺癌在CT影像上表现为pGGN,在随访CT上显示稳定或极缓慢生长,且预后良好[2–4]。大多数国际指南(包括美国胸科医师学会、国家综合癌症网络和英国胸科学会)对pGGN采取保守治疗态度;然而,在一项研究[5]中,≤ 5 mm的pGGN中有10%出现生长,1%在3.5年后发展为浸润性病变。在另外两项研究[6, 7]中,分别高达52%和58%的pGGN在随访期间进展。这些数据表明许多pGGN是活跃的,不应被忽视。此外,多项研究表明40.2–55.3%的pGGN为浸润性病变[8–11]。浸润性成分的出现被认为是肿瘤细胞打破惰性期平衡并进入快速生长期的标志。因此,对伴有或不伴有浸润性成分的pGGN采用相同的随访策略或干预措施是不恰当的。

既往研究表明,大体积、高体素衰减、边缘不光滑、胸膜凹陷、血管改变和空泡征有助于pGGN中浸润性病变的诊断[12–16],但基于CT影像仍难以诊断。原因如下:(1)这些特征的测量和观察容易受到多种因素的影响(如测量重复性、扫描参数、重建算法和观察者经验),(2)某些特征在pGGN中发生率低,对识别浸润前病变的价值有限,(3)大多数特征在浸润性和非浸润性病变中存在重叠。

人工智能(AI)利用影像组学对肺部病变进行特征描述,使用计算机软件提取大量预先定义的高通量特征,随后采用统计方法筛选与结果最相关的特征。最后,采用机器学习方法建立诊断和预测模型[17]。影像组学在肺结节诊断和评估中的应用目前受到广泛关注。Hwang等[18]研究了纹理在诊断纯磨玻璃结节(pGGNs)中的重要性;然而,病例数较少(64例),因此提取的特征较少。我们先前的研究[10]表明,基于影像组学的模型在预测亚厘米级磨玻璃结节(GGNs)方面具有更好的诊断性能,但本研究同时纳入了部分实性结节和pGGNs。由于CT图像上的实性成分与病理浸润成分具有良好的相关性[19, 20],部分实性结节的诊断较为简单,而pGGNs的诊断较为困难,且浸润性常被低估。因此,本研究旨在基于传统CT特征和影像组学建立pGGNs的综合模型,以提高pGGNs的诊断准确性,并为合理的临床决策提供依据。

材料与方法

研究人群

本回顾性研究经机构审查委员会批准(批准号:2017K062),并豁免知情同意。2011年1月至2017年10月期间,连续1512例患者接受了完整手术切除,并经病理确诊为不典型腺瘤样增生(AAH)、原位腺癌(AIS)、微浸润性腺癌(MIA)和浸润性肺腺癌(IPA)。对包括临床特征、组织病理学结果和系列胸部CT扫描在内的病历资料进行了回顾性分析。本研究的纳入标准如下:(1)CT图像上为纯磨玻璃结节、无任何实性成分的患者;(2)接受薄层胸部CT检查(层厚≤1.5 mm)的患者;(3)CT扫描可获取且在一次检查中连续采集、距手术切除2周以内的患者;(4)接受完整手术切除的患者。pGGNs为无实性成分、不完全遮蔽肺实质的GGNs[21],或在肺窗设置(窗宽1500 HU;窗位−700 HU)下可观察到底层肺结构的GGNs。在这1512例患者中,1178例被排除出本研究,其中1035例为部分实性结节,47例使用层厚大于1.5 mm的CT切片进行分析,45例有既往治疗史(图1)。

最终,385例患者(男121例,女264例;平均年龄53.13 ± 12.25岁;范围23–81岁)中的395个pGGNs符合标准,并被随机分配至训练集(n = 277)和验证集(n = 118)(图2)。

我们发现,TCIA(https://www.cancerimagingarchive.net/)中收集的公共数据集用于外部验证的可用数据很少,主要原因是缺乏详细的病理结果,因此使用另一家医院的53例连续数据作为测试集(男20例,女33例;平均年龄54.04 ± 9.75岁;范围28–86岁)。在测试集中进一步验证了模型的诊断性能。

图1 研究的工作流程 查看原图 ↗
图2 表现为纯磨玻璃结节(GGN)的非侵袭性病变和侵袭性病变。a–d 右中叶一个11 mm纯GGN的横断面、冠状面、矢状面和病理图像(苏木精-伊红染色,×100)。该结节被证实为非肿瘤性病变(纤维化,伴肺泡上皮增生和不典型增生、血管畸形)。e–h 一位72岁女性右上叶一个18 mm边界清楚的纯GGN的横断面、冠状面、矢状面和病理图像(苏木精-伊红染色,×100)。该结节在肺叶切除术后被证实为IPA 查看原图 ↗

CT扫描

胸部CT成像使用以下四台CT系统中的一台进行:GE Discovery CT750 HD、64排LightSpeed VCT(GE Medical Systems)、Somatom Definition Flash和Somatom Sensation 16(Siemens Medical Solutions)。详细的扫描和重建参数列于表1。

表1 CT扫描参数 查看原表 ↗

病理分析

所有切除标本均按照我院常规规定进行福尔马林固定和苏木精-伊红染色。一位经委员会认证的病理科医师(具有10年肺癌病理诊断经验)审阅了标本,并根据国际肺癌研究协会(IASLC)/美国胸科学会(ATS)/欧洲呼吸学会(ERS)分类记录每个肿瘤的病理亚型。所有pGGN被分为非侵袭性组(良性、AAH和AIS)和侵袭性组(MIA和IPA)。

影像学特征评估

影像学特征由两位经验丰富的胸部放射科医师(分别具有6年和13年胸部CT判读经验)独立评估,他们对病理结果不知情。观察者之间判读的差异通过共识解决。对每个pGGN分析的影像学特征包括(1)边缘(清楚、模糊),(2)分叶(无、有),(3)毛刺(无、有),(3)空泡透亮影(无、有),(4)蜂窝征(无、有),(5)血管改变(无、有),以及(6)胸膜附着,包括胸膜牵拉征和凹陷征(无、有)。所有CT表现均基于高分辨率CT(HRCT)图像进行评估。

结节分割

由一位具有6年胸部CT判读经验的放射科医师使用开源软件(3D Slicer,版本4.8;美国国立卫生研究院;https://www.slicer.org)在体素水平手动勾画纳入的395个pGGN的感兴趣体积(VOI);随后,VOI由另一位具有13年胸部CT判读经验的放射科医师确认。大血管和支气管被排除在结节体积之外。肺部CT的数字成像和通信医学(DICOM)格式图像被导入软件进行勾画,然后使用NII(151个结节)或NRRD(244个结节)格式提取带有VOI信息的图像用于下一步分析。为评估分割变异性,第三位具有3年胸部CT判读经验的放射科医师独立分割了一组随机的60个结节。

影像组学特征提取

使用人工智能工具包软件(A.K.软件;GE医疗)共提取了396个特征,包括肿瘤大小、形状、描述符值的一阶统计量(直方图特征)以及高阶纹理特征(灰度共生矩阵和灰度游程长度)。提取的影像组学特征的详细信息见附录E1。每幅图像均进行归一化处理,使训练集和验证集的均值为零、方差为单位方差。

特征选择、Rad评分构建及诊断验证

影像组学特征提取的观察者间可重复性评估采用组内相关系数(ICC),0.81–1.00表示几乎完全一致,0.61–0.80表示高度一致,0.41–0.60表示中度一致[22]。将ICC > 0.80的特征输入最小绝对收缩和选择算子分类器,以建立区分非侵袭性组和侵袭性组的影像组学标签。在训练集上采用10折交叉验证训练分类器以确定最优参数。

个体化预测列线图的开发及临床效用

采用向后逐步选择法的多因素logistic回归分析,通过纳入所选影像组学特征和影像学特征来构建影像-影像组学模型。采用受试者工作特征(ROC)曲线分析评估影像学模型、影像组学模型及联合模型在训练集、验证集和测试集中的预测性能,并确定曲线下面积(AUC)。然后,基于多因素logistic回归构建个体化预测列线图。

统计分析

统计分析使用R软件(版本3.5.1;http://www.Rproject.org)进行。所有双侧检验的统计学显著性设定为p < 0.05。

结果

患者特征

本机构在385例患者中共检出395个pGGN。其中,375例患者检出1个pGGN,10例患者检出2个。此外,164个pGGN经病理诊断为非侵袭性病变(良性结节,n = 52;AAH,n = 20;AIS,n = 92),而231个pGGN为侵袭性病变(MIA,n = 176;IPA,n = 55)。训练集纳入115个非侵袭性和162个侵袭性纯GGN,验证集纳入49个非侵袭性和69个侵袭性纯GGN。在测试集中,22个pGGN经病理诊断为非侵袭性病变(良性结节,n = 5;AAH,n = 4;AIS,n = 13),而31个pGGN为侵袭性病变(MIA,n = 5;IPA,n = 26)。训练集、验证集和测试集之间变量的差异采用独立t检验或Mann–Whitney U检验评估连续变量,采用Fisher精确检验或卡方检验评估分类变量。临床和影像学特征方面未检测到任何显著差异。训练集和验证集中各亚组的患者特征按侵袭性进行了均衡(表2)。

此外,在大小、边缘、毛刺征和分叶征方面,非侵袭组与侵袭组之间观察到统计学显著差异(p < 0.001)。多因素分析显示,大小、边缘和毛刺征方面存在显著差异(分别为 p = 0.001、p < 0.001 和 p < 0.001)。随后,选择所有三个参数建立影像学模型。影像学模型在训练集中的 AUC 为 0.75(95% CI,0.69–0.81),在验证集中为 0.71(95% CI,0.62–0.81),在测试集中为 0.66(95% CI,0.51–0.82)(图 3)。

表 2 训练集和验证集中纳入的非侵袭组和侵袭组患者的参数 查看原表 ↗
图 3 Rad-score、影像学模型和联合模型在训练集、验证集和测试集中的 AUC。联合模型对 pGGNs 侵袭性病变的预测性能在训练集、验证集和测试集中均优于影像学模型和 Rad-score 查看原图 ↗

特征选择、Rad-score 构建和诊断验证

基于再分割数据评估可重复性后,使用最小绝对收缩和选择算子(LASSO)逻辑回归模型(λ = 0.038)选择五个系数非零的特征来建立 Rad-score(图 4a、b)。

Rad-score = − 0.093 × ClusterShade_angle0_offset7 − 0.058 × GLCMEntropy_AllDirection_offset7_SD − 0.057 × LowGreyLevelRunEmphasis_AllDirection_offset7_SD + 0.010 × ShortRunLowGreyLevelEmphasis_angle0_offset1 − 0.574 × SurfaceVolumeRatio + 0.368

Rad-score 的直方图见图 4c。两个数据集的详细信息见附录 E2。

在训练集中,非侵袭组与侵袭组之间的 Rad-score 检测到显著差异(0.10 ± 0.60 对 0.56 ± 0.51;p < 0.001),随后在验证集中得到证实(− 0.03 ± 0.71 对 0.47 ± 0.60,p < 0.001)。Rad-score 预测侵袭性 pGGNs 在训练集中的 C-index 为 0.73(95% CI,0.66–0.79),在验证集中为 0.72(95% CI,0.63–0.81),在测试集中为 0.62(95% CI,0.46–0.78)。联合影像学-影像组学模型的 AUC 在训练集中为 0.80(95% CI,0.75–0.86),在验证集中为 0.77(95% CI,0.69–0.86),在测试集中为 0.82(95% CI,0.70–0.94)(图 3)。

尽管非侵袭组与侵袭组之间的肿瘤大小差异具有统计学意义(0.74 cm vs. 0.90 cm,p < 0.001),但大小用于区分非侵袭性和侵袭性病变的AUC在训练集中仅为0.68,在验证集中为0.65。表面积-体积比是最强的影像组学特征,在Rad-score公式中的系数为0.574。然而,表面积-体积比用于区分非侵袭性和侵袭性病变的AUC在训练集中为0.72,在验证集中为0.70。大小和表面积-体积比用于区分非侵袭性和侵袭性病变的AUC均低于影像学模型(分别为0.75和0.71)、Rad评分(分别为0.73和0.72)以及联合模型(分别为0.80和0.77)。此外,我们进行了DeLong检验以分析验证集中大小、表面积-体积比与联合模型的AUC之间的差异。结果显示差异无统计学意义(p = 0.38,p = 0.12),这可能受数据量影响,需要进一步验证。

图4 使用最小绝对收缩进行纹理特征选择以及基于所选特征的Rad-score直方图。a 基于最小准则通过10折交叉验证在LASSO模型中选择调节参数(λ)。LASSO回归交叉验证过程产生的二项偏差作为log(λ)的函数绘制。选择最优λ值为0.038。b 在a中使用10折交叉验证所选的值处绘制黑色垂直线。图中标出了5个系数非零的结果特征。c y轴表示所选的五个影像组学特征,x轴表示影像组学特征的系数 查看原图 ↗

个体化预测列线图的构建及临床实用性

使用向后逐步选择法的逻辑回归分析确定Rad-score、边缘、毛刺征和大小为独立预测因子,并将其纳入以开发个体化预测列线图(图5)。

个体化预测列线图的决策曲线分析(DCA)见图6。决策曲线显示,如果患者或医生的阈值概率> 10%,使用包含Rad-score的模型预测侵袭性病变将比不包含Rad-score的模型和临床模型更有益。

图5 在训练集中开发了基于影像组学的列线图,纳入了Rad-score、边缘、毛刺征和大小 查看原图 ↗
图6 包含和不包含Rad-score的模型的决策曲线分析。决策曲线显示,如果患者或医生的阈值概率> 10%,使用包含Rad-score的模型预测侵袭性病变将比不包含Rad-score的模型更有益 查看原图 ↗

讨论

本研究旨在评估影像组学在诊断pGGNs中的价值。我们系统评估了肺癌的传统影像学特征并提取了400多个影像组学特征。然后,使用向后逐步选择法开发并验证了一个纳入Rad-score、毛刺征和边缘的联合侵袭性预测模型。最后,建立了一个纳入Rad-score、毛刺征、边缘和大小的便捷列线图。

多项研究分析并比较了传统CT特征与影像组学在诊断磨玻璃结节(GGN)中的价值。Fan等[23]表明,基于影像组学的模型(AUC = 0.936)在识别浸润性病变方面优于基于传统CT特征的模型(AUC = 0.857),且仅影像组学模型被认为是浸润性GGN的独立预测因子。对于持续性磨玻璃结节(pGGN),既往研究主要基于传统CT特征[12, 13, 24]。本研究首次结合传统CT特征与影像组学,建立了pGGN的个体化预测模型。Liu等[25]也证实了影像组学在诊断浸润性GGN方面的优势,并表明联合影像组学模型的性能优于传统影像学特征。Xue等[26]表明,尽管分叶状边缘和胸膜牵拉征在浸润前病变与浸润性病变之间差异有统计学意义,但它们并未被纳入最终的预测列线图。尽管许多研究评估了传统CT特征对浸润性的预测价值,但由于早期肺癌的CT特征常不典型,且这些征象的评估需要丰富的诊断经验,它们未能形成系统且一致的标准来整合不同危险因素的贡献,以实现对GGN中微浸润腺癌(MIA)/浸润性肺腺癌(IPA)的概率预测。本研究结果显示,Rad-score(AUC = 0.72)与影像学模型(AUC = 0.71)具有相似的诊断效能;然而,两者均低于联合模型(AUC = 0.77)。本研究中影像学特征的结果由一位在小肺结节诊断方面经验丰富的专家确认,这提高了影像学特征的准确性。因此,可以观察到影像学模型与Rad-score在性能上的相似性。

结节大小是评估GGN浸润性的重要参数。既往研究表明,10 mm的截断值是pGGN浸润性病变的最佳预测指标,特异度为100%[27]。另一项研究表明,对于> 10 mm的pGGN,直径> 16.4 mm更倾向于浸润性腺癌[28]。然而,Wu等[8]表明结节大小无法区分浸润性病变与浸润前病变,且该研究中结节的平均大小< 10 mm。在本研究中,多因素分析显示大小并非独立预测因子。然而,最终列线图纳入了大小参数,但性能并非最优。与Wu等[8]的数据相似,本研究中pGGN的平均大小< 10 mm,这可能是差异因素。因此,大小作为浸润性病变预测因子的性能与结节大小相关。

然而,本研究存在若干局限性。第一,这是一项单中心回顾性研究,仅纳入了经手术切除的pGGN;因此,验证偏倚是本研究的固有设计缺陷。第二,需要一种可靠且稳健的自动方法以简化复杂且耗时的边界提取过程。第三,结果显示影像学模型与Rad-score在预测pGGN侵袭性方面表现相似;然而,我们未进行进一步分析,无法评估影像组学与影像学特征之间的相关性。

总之,影像组学特征为预测侵袭性提供了重要参考。这些偶然发现的pGGN可获得及时合理的处理方案,避免盲目随访和根治性有创治疗。因此,随着人工智能技术的逐步发展,这种基于CT影像组学特征的定量列线图预测模型,用于鉴别pGGN的非侵袭性病变与侵袭性病变,可能具有广泛的临床应用前景。

电子补充材料

ESM 1(DOCX 76 kb)

引用

  1. Sun Y, Li C, Jin L, et al. Radiomics for lung adenocarcinoma manifesting as pure ground-glass nodules: invasive prediction. Eur Radiol. 2020. PMID: 32162003. doi:10.1007/s00330-020-06776-y
  2. 全文:PMC7305264(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7305264/

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。