双能CT衍生生物标志物联合常规CT衰减值改进原发性肺癌与肺转移瘤的鉴别
本研究回顾性分析168例双能CT扫描(79例原发性肺癌,89例肺转移瘤),评估碘浓度、有效Z及常规HU对两者的鉴别价值。单参数仅碘浓度在单变量分析中有统计学意义(p=0.03);IC+HU模型AUC为0.73,优于各单参数(AUC 0.55–0.57),提示联合参数可能改善鉴别。
要点
- 双能CT碘浓度联合常规HU的AUC为0.73,优于单参数碘浓度(AUC 0.57)、有效Z(AUC 0.57)和HU(AUC 0.55)。
- 单变量分析中仅碘浓度对鉴别原发性肺癌与肺转移瘤有统计学意义(p=0.03)。
- 碘浓度与有效Z高度相关(r=0.91),两者在诊断模型中可互换使用。
关键影像表现/征象
- 在固定碘浓度或有效Z值时,原发性肺癌的HU值显著高于肺转移瘤(回归模型a p<0.0001,模型b p=0.0003)。
- 在固定碘浓度时,原发性肺癌与肺转移瘤的有效Z无显著差异(模型c)。
- 碘浓度与有效Z相关性最高(r=0.91,p<0.0001),其次为碘浓度与HU(r=0.76,p<0.0001)及有效Z与HU(r=0.73,p<0.0001)。
诊断标准与关键数值
- 鉴别原发性肺癌与肺转移瘤的AUC:碘浓度+HU为0.73,有效Z+HU为0.69,碘浓度+有效Z+HU为0.73,碘浓度为0.57,有效Z为0.57,HU为0.55。
- 联合HU的模型AUC显著高于单参数及碘浓度+有效Z组合(p<0.005)。
- 单变量分析中仅碘浓度为显著预测因子(p=0.03)。
临床应用与阅片要点
- 临床评估未知 origin 的肺部肿瘤时,不应仅依赖单一参数,应同时考虑常规CT衰减值和双能CT衍生参数。
- 在已知原发肿瘤患者出现新肺部病灶时,特征性双能CT参数值可能有助于确认临床怀疑并启动治疗,避免额外侵入性组织采样。
- 部分肺癌与肺转移瘤亚组间影像参数相似,影像学 alone 可能无法实现明确鉴别,联合诊断模型可提供额外诊断提示。
局限性
- 分析为回顾性且限于单一参考中心。
- 部分组织病理学亚组的CT扫描数量相对较少,且未评估良性肺部病变和所有恶性肺部肿瘤。
- 除双层光谱CT外未使用其他双能CT技术,因本机构无其他系统可用。
- 未纳入肿瘤边缘、大小、钙化或坏死区等额外影像特征,这些特征可能改善模型诊断性能。
- 本研究为证明鉴别可行性的第一步,未来机器学习或深度学习模型将需要更大数据集。
全文中译8 节 · 点击展开
引言
计算机断层扫描(CT)是肺部恶性肿瘤成像的基石模态。肺癌(LC)是美国最常见的癌症,并且是各器官部位中癌症相关死亡最多的原因 [1]。然而,肺部最常见的恶性肿瘤是源自其他原发癌的肺转移瘤(PM)[2]。原发LC与PM之间的鉴别至关重要,因为它决定了诊断和治疗流程。例如,PM的诊断通常需要进一步的影像学检查以确定原发恶性肿瘤(如乳腺X线摄影和其他器官特异性影像学检查),而LC则需要完整的 staging 检查才能开始确定性治疗。此外,患者可能同时存在同步性PM和原发LC [3],或者已知原发肿瘤并出现来源不明的新肺部病变(PM或LC)。直到最近,当CT上出现不明肺部病变时,放射科医生使用形态学标准,如密度、边缘和大小,来缩小可能的鉴别诊断列表 [4, 5]。这些标准对于恶性和良性肺部病变的鉴别特别有用。然而,在大多数情况下,仅基于常规CT无法对病变进行进一步亚分类,最终需要活检或随访检查以明确诊断。
在过去几年中,双能CT(DE-CT)已成为一种有前景的诊断技术,用于各种临床应用 [6–10],导致其在临床实践中广泛采用。先前探索使用DE-CT评估肺部病变的研究一方面集中在肺癌(LC)与炎性肿块之间的鉴别 [11],另一方面集中在PM的鉴别 [12, 13]。据我们所知,尽管具有给定的临床相关性,先前没有研究调查通过常规CT或DE-CT鉴别LC和PM。在先前的DE-CT研究中,最常用的成像参数是碘浓度(IC)。最近,组织的有效原子序数(Zeff)分解被引入肿瘤学应用。与IC类似,使用Zeff的基本原理是准确量化碘摄取,这被认为是肿瘤灌注的替代测量指标。这两种成像参数现在在商业DE-CT分析软件包中均可 readily 获得。然而,这在临床实践中给放射科医生带来了进一步的困境:应使用哪些定量成像参数来表征肺部病变,或者它们是否可以互换使用?此外,常规Hounsfield单位(HU)是否仍提供增量诊断价值,或者当IC或Zeff测量可用时该参数是否已过时?只有少数研究同时评估了所有后述成像参数,并且对于肺部恶性肿瘤,尚未提出关于应优先选择哪种定量成像参数的形式分析。
在本研究中,我们试图系统评估来自DL-CT的IC和Zeff以及常规HU在表征众多肺部恶性肿瘤中的诊断价值。我们假设将IC、Zeff和HU纳入诊断模型可能改善肺转移瘤与LC之间的鉴别,从而有助于简化来源不明肺部病变患者的诊断流程。
材料与方法
患者人群
这项回顾性、符合HIPAA、单中心研究经我院机构审查委员会批准,并获得了知情同意豁免。2016年至2018年间,1007例疑似PM或疑似原发性肺肿瘤的患者接受了胸部DL-CT检查。主要纳入标准为(a)组织病理学确诊的原发性LC,(b)组织病理学确诊的PM,以及(c)临床确诊的PM。PM的临床诊断基于> 6个月的随访显示PM进展,进展定义为出现新病灶或病灶大小进展> 20%。组织病理学亚组小于10例的患者被排除在进一步分析之外。此外,因既往治疗(局部、全身)和病灶大小小于5 mm的患者被排除。我们最终分析了79例原发性LC患者(腺癌,n = 45;鳞状细胞癌(SCC),n = 16;小细胞LC(SCLC),n = 18)和89例来自原发性乳腺(浸润性导管腺癌,n = 17)、结直肠(CRC)(腺癌,n = 27)、头颈部(鳞状细胞癌,n = 17)、肾脏(RCC)(透明细胞肾细胞癌,n = 10)和胰胆管(PBC)(腺癌,n = 18)恶性肿瘤的PM患者。研究人群流程图见图1。
双能CT技术
所有患者使用双层光谱CT(IQon;Philips Healthcare)的检查均遵循相同的常规方案。扫描开始前,进行前后位定位像以确定扫描范围。静脉注射对比剂(Imeron 400 MCT,400 mg/ml;Bracco Imaging),标准剂量为80 ml,流率为2–2.5 ml/s,随后以相同流率给予30 ml生理盐水冲管。所有扫描均在静脉期进行(对比剂开始注射后70 s扫描延迟)。使用以下扫描参数:120 kVp;自动管电流选择,所产生的曝光量为37–84 mAs;512 × 512矩阵;准直64 × 0.625 mm;重建层厚和间隔0.9 mm/0.9 mm,采用软组织核。视野根据患者体型调整。常规和光谱基图像使用iDose4(Philips Healthcare)算法重建。完整方案的平均容积加权CT剂量指数(CTDIvol)和剂量长度乘积(DLP)分别为4.4 mGy和180 mGy*cm, corresponding to an effective dose of 2.5 mSv(转换因子0.014)。
图像分析
光谱CT图像的定量分析使用市售软件(IntelliSpace Portal v. 10.1,Philips Healthcare)进行。图像分析由一名放射科住院医师回顾性完成,并由一名资深放射科医师(11年放射学经验)监督。使用半自动3D分割算法,为每个肺部病灶创建感兴趣容积。在降主动脉中手动放置圆形二维感兴趣区。获取以下成像参数:常规(多色)亨斯菲尔德单位(HU)、碘浓度(IC)(mg/ml)和有效原子序数(Zeff)。为考虑患者间血流动力学差异,PM感兴趣容积中测量的参数值按先前描述的方法对胸主动脉进行归一化[13]。所有分析均基于归一化测量值进行。
统计分析
报告遵循诊断准确性报告标准[14]。所有统计分析均使用R 3.6.1版(R Foundation for Statistical Computing)及以下R软件包完成:caret(6.0–84版)、boot(1.3–22版)、car(3.0–3版)、pROC(1.15.3)[15]。所有分析的置信区间均采用2000次重复的bootstrap抽样得出。均值之间的差异采用成对Welch t检验评估,以校正组间方差不齐。多重检验校正p值采用Benjamini-Hochberg校正[16]计算,也称为错误发现率。仅在转移瘤与LC的亚组之间评估差异。影像参数之间的关系采用Pearson相关系数(r)和线性回归分析评估。构建三参数线性回归模型,以成对的影像参数作为自变量和因变量,以肺部肿瘤类型作为分类变量(原发性 vs. 转移性),并纳入二者之间的双向交互作用。该方法可评估某一肿瘤亚组中一个影像参数值随另一影像参数的变化。构建逻辑回归模型,分别使用单独及联合的影像参数区分原发性LC与PM。采用2000次重复的bootstrap进行内部验证,以避免模型性能指标的乐观偏倚。诊断准确性以受试者工作特征(ROC)曲线下面积(AUC)衡量,并采用bootstrap检验(2000次重复)进行比较[15]。针对对应于最大Youden指数的模型阈值,计算其他诊断性能指标(敏感性、特异性、阴性和阳性预测值)。所有检验均为双侧,p < 0.05被认为具有统计学意义。
结果
本研究共分析168次DE-CT扫描中的79例LC和89例PM;LC和PM的代表性示例见图2。所有肺部肿瘤的IC、Zeff和常规CT值的定量结果见表1和图3a–c。肺腺癌与CRC来源PM(IC:p = 0.01;Zeff:p = 0.05;HU:p = 0.002)和RCC来源PM(IC:p = 0.02;Zeff:p = 0.01;HU:p = 0.04)相比,SCC与RCC来源PM相比(IC:p = 0.02;Zeff:p = 0.005;HU:p = 0.02),以及SCLC与RCC来源PM相比(IC:p = 0.009;Zeff:p = 0.003;HU:p = 0.002),所有影像参数均观察到显著差异。基于IC和Zeff,还分别注意到肺腺癌(IC:p = 0.02;Zeff:p = 0.02)、SCC(IC:p = 0.02;Zeff:p = 0.02)和SCLC(IC:p = 0.0001;Zeff:p = 0.003)与PBC来源转移性病灶之间存在额外显著差异。SCLC与头颈癌(IC:p = 0.01)和乳腺癌(IC:p = 0.04)来源转移瘤之间的显著差异仅在IC上观察到。
所有定量成像参数均显著相关,其中IC与Zeff之间的相关性最高(r = 0.91,p < 0.0001),其次为IC与HU(r = 0.76,p < 0.0001)以及Zeff与HU(r = 0.73,p < 0.0001)。我们分析了以下线性回归模型,包括肺肿瘤类型(原发性与转移性)以及成像参数对作为因变量与自变量(表2):模型(a)HU对IC(图4a);模型(b)HU对Zeff(图4b);模型(c)Zeff对IC(图4c)。双向交互项在三个回归模型中均无统计学显著性(模型a:p = 0.94;模型b:p = 0.53;模型c:p = 0.13),因此从模型中剔除。在模型a(p < 0.0001)和模型b(p < 0.0001)中观察到肺肿瘤类型对HU值(因变量)有显著影响,类别“原发性LC”的系数分别为9.85和8.43。这些结果转化为:在IC(模型a)和Zeff(模型b)固定值下,LC的HU值显著高于PM;相反,在IC固定值下,Zeff无显著差异(模型c)。
在单变量逻辑回归分析中,仅发现IC是区分原发性LC与PM的显著预测因子(p = 0.03;表3)。单变量和多变量逻辑回归模型的系数见补充表1。对所有成像参数单独及联合进行了诊断性能评估(表4;补充表2)。仅HU与IC和/或Zeff联合的逻辑回归模型的相应AUC与0.5有显著差异(分别为p < 0.0001),表明其为有用的诊断试验。相应地,这些联合模型经bootstrap乐观校正后的AUC显著高于单一成像参数及IC与Zeff联合的相应AUC(分别为p < 0.005)。包含HU的联合模型(IC+HU、Zeff+HU、IC+Zeff+HU)在其相应AUC上无显著差异。AUC最高的是IC与HU的参数联合(AUC 0.73)(表4;图5)。
讨论
我们的研究表明,使用DE-CT derived IC或Zeff与常规HU的组合来区分原发性LC与PM是可行的。单独使用任一成像参数均未能实现诊断效用。IC和Zeff在该诊断任务中未相互提供补充信息,因此可互换用于诊断模型的实施。
在早期的报告中,双能CT(DE-CT)衍生的参数被用于区分肺转移瘤(PM)与不同的原发肿瘤 [12, 13],以及用于评估肺癌(LC)的治疗反应 [17]。然而,据我们所知,此前尚无研究探讨过LC与PM之间的鉴别。在当前的临床实践中,对于大多数病例,这种鉴别只能基于组织病理学评估来进行。因此,患者在CT上出现新的肺部病灶时需要进行活检。除了可能的并发症(如气胸或出血)外,这一诊断路径最终可能会延误进一步的治疗。我们的研究表明,DE-CT可作为鉴别LC与PM的有用工具,这可能有助于简化不明来源肺部病变患者的诊断流程,甚至在某些情况下避免侵入性诊断操作。
我们的研究聚焦于最常用的DE-CT衍生参数碘浓度(IC)和有效原子序数(Zeff)的实用性,这些参数与常规CT值(HU)一样,大多数商业软件平台均可直接提供。虽然此前的DE-CT研究使用了多种影像特征,如能谱HU曲线斜率 [18]、虚拟单能HU值,或从DE-CT衍生的参数图中提取的影像组学特征 [19],但我们方法的优势在于其简便性,仅使用从DE-CT扫描中获得的三项“现成”影像参数,无需额外软件应用即可便于整合到临床工作流程中。
我们的研究可以证明,在许多病例中区分LC与PM是可行的。然而,如果单独使用,没有任何参数能提供可靠的预测。IC和Zeff均被认为是肿瘤血管性和灌注的替代指标。IC直接量化碘含量,而Zeff描述感兴趣组织的平均原子序数,因此可以间接提供关于对比剂蓄积的信息。逻辑回归模型中IC和Zeff的系数表明,LC蓄积的对比剂少于PM,提示肿瘤血管性存在差异。尽管如此,只有将HU加入诊断模型才能实现诊断效用。HU的这种诊断增量价值通过线性回归分析得到了证实。在IC或Zeff固定值下,LC的HU值显著高于PM。这表明,除了可通过IC或Zeff准确评估的肿瘤血管性之外,组织成分还存在细微差异,这些差异通过HU定量更为明显。因此,在临床常规中对不明来源肺部肿瘤的评估不应仅限于单一参数,而应同时考虑常规CT衰减值和DE-CT衍生参数。
在我们的研究中,并非LC和PM亚组之间的所有两两比较在所有影像参数上均产生显著差异。鉴于LC和PM若干亚组之间的相似性,在许多情况下,仅凭影像可能无法实现明确鉴别。然而,在临床背景下,我们提出的联合诊断模型可以提供额外的诊断提示,并有助于简化进一步的诊断检查。例如,当已知原发肿瘤的患者出现新的肺部病灶时,特征性的DE-CT参数值可能有助于确认临床怀疑并启动治疗,而无需额外的侵入性组织取样。
我们研究的结果应在一些局限性的背景下解读。首先,分析为回顾性研究,且局限于单一参考中心。其次,某些组织病理学亚组所纳入的CT扫描数量相对较少,并且尽管我们评估了多种肿瘤类型,但未考虑良性肺部病变,也并非所有恶性肺部肿瘤均被纳入。第三,除DL-CT外未使用其他DE-CT技术,因为本机构不具备其他系统。由于IC可通过其他系统准确测量[20],本研究结果预期可推广至其他系统。第四,我们承认,其他影像学特征如肿瘤边缘、大小、钙化或坏死区域的存在——这些是任何临床CT评估的组成部分——本可改善我们模型的诊断性能。本研究是证明区分LC与PM可行性的第一步。处理多个预定义输入变量的机器学习算法或能够自动学习和提取影像特征的深度学习模型是未来研究的有趣方向,但最终将需要更大的数据集。
总之,我们的研究证明了通过DE-CT区分LC与PM的可行性。联合使用IC和/或Zeff与HU可能有助于避免对有肺外或肺内恶性肿瘤病史的患者进行侵入性组织采样。
电子补充材料
(DOCX 21 kb)
引用
- Deniffel D, Sauter A, Fingerle A, et al. Improved differentiation between primary lung cancer and pulmonary metastasis by combining dual-energy CT-derived biomarkers with conventional CT attenuation. Eur Radiol. 2020. PMID: 32856165. doi:10.1007/s00330-020-07195-9
- 全文:PMC7813728(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7813728/
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。