18F-FDG纹理分析预测透明细胞肾细胞癌Fuhrman核分级
本研究回顾性分析49例ccRCC患者的术前PET/CT图像,提取纹理参数和SUV指标,建立预测Fuhrman核分级的模型。结果显示PET/CT纹理参数模型AUC最高(0.926),显著优于SUVmax模型(P=0.02),但未显著优于SUL模型(P=0.053);前瞻性验证中SUL模型和PET/CT纹理模型AUC分别为0.727和0.792。结论认为纹理参数模型能提高预测能力,但SUL模型可能是更准确简便的方法。
要点
- PET/CT纹理参数模型预测ccRCC高/低级别的AUC为0.926,优于SUVmax模型(0.803)。
- SUL模型(肿瘤SUVmax/肝脏SUVmean)AUC为0.819,特异性高达96.3%,简便且预测能力好。
- 前瞻性验证中PET/CT纹理模型和SUL模型AUC分别为0.792和0.727,仍具预测能力。
核心结论
- PET和PET/CT纹理参数模型可提高预测ccRCC Fuhrman核分级的能力,但SUL模型可能是更准确且简便的预测方法。
研究设计与样本
- 回顾性分析49例经手术病理证实为ccRCC患者的术前18F-FDG PET/CT图像,其中低级别27例、高级别22例,另前瞻性内部验证25例。
- 使用LIFEx软件提取PET和CT图像的纹理参数及SUV指标,通过ROC曲线和二元logistic回归筛选参数并建立模型。
- 采用DeLong检验比较PET纹理模型、PET/CT纹理模型与SUVmax模型、SUL模型的AUC。
诊断标准与关键数值
- SUVmax模型预测ccRCC Fuhrman核分级的AUC为0.803,灵敏度68.18%,特异度88.89%,PPV 71.4%,NPV 75%。
- SUL模型AUC为0.819,灵敏度59.09%,特异度96.3%,PPV 92.9%,NPV 74.3%。
- PET纹理参数模型AUC为0.873,灵敏度81.82%,特异度88.89%,PPV 88.2%,NPV 78.1%。
- PET/CT纹理参数模型AUC为0.926,灵敏度86.36%,特异度88.89%,PPV 86.4%,NPV 88.9%。
- 前瞻性验证中SUL模型和PET/CT纹理参数模型的AUC分别为0.727和0.792。
临床应用与阅片要点
- 日常阅片可关注肿瘤SUVmax与肝脏SUVmean比值(SUL),其预测ccRCC高级别特异性高且简便。
- 纹理参数模型较SUVmax模型能更好反映肿瘤异质性,但需软件提取,SUL模型可作为更易用的替代。
- ROI应画在CT图像上并包括囊变坏死区,排除肾盂输尿管生理性摄取干扰,以减少观察者差异。
局限性
- 回顾性分析样本量较小(49例),前瞻性验证样本量也较小(25例)。
- ROI由两名医师共同绘制,不同观察者间差异可能影响纹理特征分析。
- 18F-FDG PET图像空间分辨率不高,且ccRCC对FDG摄取常较低,可能影响纹理参数稳定性。
全文中译15 节 · 点击展开
引言
根据美国癌症协会2021年公布的数据,肾癌新发病例数为76,080例,肾癌新增死亡病例数为13,780例[1]。肾细胞癌约占所有肾癌的80%。Saad等[2]对美国过去20年肾细胞癌的流行病学进行了研究。他们发现,自2008年以来肾细胞癌的发病率保持稳定,总体死亡率自2001年开始下降。然而,作为肾细胞癌最常见的亚型,透明细胞肾细胞癌(ccRCC)的发病率持续上升,其死亡率直到2012年才开始下降。因此,对ccRCC的研究对于提高肾肿瘤的治愈率具有重要意义。Fuhrman核分级是公认的ccRCC预后指标。研究表明[3, 4],低级别ccRCC与良好预后相关,高级别ccRCC与更高的浸润能力、更高的转移可能性和不良预后相关。此外,高级别与低级别ccRCC患者术后复发率存在显著差异,级别越高的肿瘤术后复发风险显著增加[5]。因此,对ccRCC级别的预测有助于临床医生制定管理决策。在简化Fuhrman核分级系统中,ccRCC病例被分为低级别(Fuhrman I/II)和高级别(Fuhrman III/IV),这不仅减少了观察者之间的差异,提高了可重复性,节省了时间和费用,而且不影响预测癌症特异性死亡率的能力[6]。影像引导下细针穿刺活检是术前肾肿瘤分级的金标准。然而,由于ccRCC具有高度的时空异质性,活检组织仅代表病变的一部分,可能导致选择偏倚,不能很好地反映整个肿瘤的Fuhrman核分级。此外,这种有创操作存在可重复性差和并发症等缺点。因此,无创方法对于ccRCC的术前评估至关重要。
由于恶性肿瘤的Warburg效应,葡萄糖转运蛋白1(GLUT1)上调,其他酶过表达,尤其是乳酸脱氢酶(LDH),在18F-氟脱氧葡萄糖(18F-FDG)正电子发射断层扫描—计算机断层扫描(PET/CT)上表现为高代谢灶。因此,PET/CT广泛应用于各种肿瘤的诊断、分级、治疗反应监测、疗效评估和预后判断。然而,ccRCC不具有典型的Warburg效应,且18F-FDG通过肾脏排泄,难以区分肿瘤代谢与背景。因此,在美国泌尿外科协会(AUA)、欧洲肿瘤内科学会(ESMO)和欧洲泌尿外科协会(EAU)发布的专业实践指南中,通常不推荐使用FDG作为肾肿瘤显像剂[7–9]。但这并不意味着PET/CT检查对ccRCC的诊断毫无用处。多项研究表明,最大标准化摄取值(SUVmax)作为传统PET/CT参数,与病理Fuhrman分级存在一定相关性[10–12]。
近年来兴起的影像组学可以通过对计算机断层扫描(CT)、磁共振成像(MRI)、正电子发射断层扫描(PET)等图像中感兴趣区(ROI)进行图像分割和特征提取,利用获得的大量高通量信息建立模型。研究者将患者的医学图像输入具有数学算法功能的计算机软件,通过勾画目标ROI一键式操作获得定量影像组学特征。这些特征主要包括病灶的形状和几何特征、一阶体素强度直方图特征、反映体素强度空间排列的二阶纹理特征以及通过滤波器或数学变换的高阶特征。影像组学可以通过对海量图像数据进行更深入的挖掘和分析来辅助医生做出决策[13]。纹理分析是影像组学的一种工具,通过它可以以无创的方式从图像中提取纹理特征,这些特征可以在分子水平上表征活体肿瘤的组织病理学特征[14]。尽管基于标准摄取值(SUV)的PET参数有助于判断恶性肿瘤的分级,但它们无法通过肿瘤中代谢活动的空间分布来反映瘤内异质性(ITH)。纹理分析是量化图像上ITH的最突出方法之一。它是一种图像处理技术,能够以定量方式提取纹理信息,并对视觉上不可察觉的像素强度变化进行数学分析。尽管纹理特征通常不用于PET图像的临床分析,但越来越多的证据表明它们在常见癌症的诊断、预测分级和治疗中具有补充作用[15–17]。然而,肾脏肿瘤的PET/CT影像组学受到ROI分割困难以及特征提取过程中影响因素众多等许多问题的限制。因此,我们质疑PET/CT的纹理特征是否会显著提高传统参数SUV以及肿瘤SUVmax与肝脏SUVmean比值(SUL)对ccRCC分级的预测能力。因此,我们建立了PET纹理参数模型、PET/CT纹理参数模型、SUVmax模型和SUL模型,并评估这四种模型的预测能力。
方法
患者选择
对2017年2月至2019年1月在哈尔滨医科大学附属第一医院接受18F-FDG PET/CT扫描并检出肾脏肿瘤的患者的原始图像数据和基本临床信息进行回顾性分析。通过收集2019年2月至2019年12月的患者数据完成相应的前瞻性内部验证。纳入标准:(1)手术病理为ccRCC;(2)病理Fuhrman核分级明确。排除标准:(1)在18F-FDG PET/CT扫描前接受过任何形式治疗的患者,包括手术、化疗、放疗或其他方法;(2)病理Fuhrman核分级不确定,如Fuhrman核分级II至III级的患者;(3)通过穿刺活检而非手术获得病理结果的患者。
18F-FDG PET/CT图像采集与重建
所有患者禁食6–8小时,空腹血糖低于8 mmol/L,根据体重指数经背静脉或肘静脉注射3.7–7.4 MBq/kg 18F-FDG示踪剂。18F-FDG显像剂由日本住友公司HM-12回旋加速器合成,放射化学纯度大于98%。患者排尿后在安静避光环境中休息1小时后采集图像。所有患者均使用Gemini GXL PET/CT扫描仪(Philips Medical System)行全身18F-FDG PET/CT检查。采用低剂量CT扫描对PET图像进行衰减校正,参数如下:管电流50mAs;管电压120 kV;层厚5.0 mm。随后行PET扫描。PET数据按1.5分钟/床位采集,每例患者采集6至7个床位行全身PET扫描。患者无需口服或静脉注射对比剂,也无需改变体位。按照本机构标准临床方案,扫描范围从头部至大腿上部。PET扫描后,为保证图像质量,加行标准剂量CT扫描,参数如下:管电流300mAs;管电压120 kV。图像配准及PET与CT扫描图像的融合使用荷兰阿姆斯特丹Philips公司的Syntegra软件完成。图像采用响应线(LOR)重建,体素为2 mm × 2 mm × 2 mm,并校正散射和随机符合,重建后无需滤波。
影像组学纹理分析
使用LifeX软件包(版本6.00,http://www.lifexsoft.org)在PET和CT图像上提取纹理参数和SUV指标。采用软件包的默认参数值。对于PET和CT图像,空间重采样参数分别为4.0 mm × 4.0 mm × 4.0 mm和1.169921875 mm × 1.169921875 mm × 2.5 mm,强度离散化分别为64.0 bin和400.0 bin,强度重标定分别为0.0 ~ 20.0和− 1000.0 ~ 3000.0HU。
肿瘤分割:ROI绘制于相应标准剂量CT扫描图像上,包括囊变和坏死部分(图1),并排除融合图像上邻近肾盂和输尿管内残留生理性18F-FDG的干扰。在不知最终组织病理学结果的情况下,由两名经验丰富的放射科和核医学科副主任医师共同绘制ROI。若存在分歧,则由另一名经验丰富的主任医师参加,共同讨论并确定。若ROI未达到最小64个体素,则该病例被排除。
肿瘤纹理提取:使用LifeX软件包在PET和CT图像上提取SUV指标和纹理特征。肿瘤组织的SUV指标包括最小标准化摄取值(SUVmin)、平均标准化摄取值(SUVmean)、最大标准化摄取值(SUVmax)和总病灶糖酵解(TLG)。所有纹理参数分为六组:直方图(HISTO)、形状(SHAPE)、灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRLM)、邻域灰度差值矩阵(NGLDM)和灰度区域长度矩阵(GLZLM)。共发现42个纹理参数,包括:(1)五个直方图特征:偏度、峰度、熵_log10、熵_log2和能量。(2)五个形状特征:体积(ml)、体积(vx)、球形度、表面积(mm2)和致密度。(3)七个GLCM函数:均匀性、能量、对比度、相关性、熵_log10、熵_log2和相异性。(4)十一个GLRLM函数:短游程 Emphasis(SRE)、长游程 Emphasis(LRE)、低灰度游程 Emphasis(LGRE)、高灰度游程 Emphasis(HGRE)、短游程低灰度 Emphasis(SRLGE)、短游程高灰度 Emphasis(SRHGE)、长游程低灰度 Emphasis(LRLGE)、长游程高灰度 Emphasis(LRHGE)、游程灰度非均匀性(GLNU)、游程长度非均匀性(RLNU)和游程百分比(RP)。(5)三个NGLDM特征:粗糙度、对比度和繁忙度。(6)十一个GLZLM特征:短区域 Emphasis(SZE)、长区域 Emphasis(LZE)、低灰度区域 Emphasis(LGZE)、高灰度区域 Emphasis(HGZE)、短区域低灰度 Emphasis(SZLGE)、短区域高灰度 Emphasis(SZHGE)、长区域低灰度 Emphasis(LZLGE)、长区域高灰度 Emphasis(LZHGE)、区域灰度非均匀性(GLNU)、区域长度非均匀性(ZLNU)和区域百分比(ZP)。
勾画正常肝组织并记录健康肝组织的SUVmean:在软件中勾画正常肝组织并记录SUVmean,同时避开肝脏病灶和肝内较大血管。采用SUL作为评价指标。
组织病理学分析
所有肿瘤均经手术切除以获得组织样本,并通过病理结果获得其ccRCC Fuhrman核分级。III级和IV级病例被视为高级别肿瘤,I级和II级病例被视为低级别肿瘤。
统计分析
统计分析使用SPSS(v25.0,IBM,美国)和MedCalc(v19.4.1,奥斯坦德,比利时)软件进行。各参数的正态性采用Shapiro–Wilk检验。符合正态分布的计量资料以均值±标准差表示,不符合正态分布的计量资料以中位数(P25,P75)表示。所有代谢数据和纹理数据通过受试者工作特征曲线(ROC)分为低级别和高级别肿瘤,并计算相应的ROC曲线下面积(AUC)。当纹理参数的AUC值高于0.5时,选取具有区分和诊断能力的纹理参数。采用logistic回归分析评估ccRCC Fuhrman核分级与所选纹理参数之间的关系。模型变量选择基于逐步准则。最终模型用于生成ROC。比较AUC、灵敏度、特异度、阴性预测值(NPV)和阳性预测值(PPV)。AUC比较采用DeLong检验[18]。此外,患者基线信息采用T检验、卡方检验和Fisher精确检验进行比较。
结果
基线特征
在回顾性分析队列中,共93例患者,49例符合标准,其中低级别ccRCC 27例(Fuhrman I级5例,II级22例),高级别ccRCC 22例(Fuhrman III级16例,IV级6例)。年龄37~82(60.06 ± 1.66)岁,ccRCC Fuhrman核分级在年龄上无统计学差异(t = 0.269,P = 0.607)。男性29例,女性20例。ccRCC分级在性别上无统计学差异(χ2 = 3.032,P = 0.082)。
在前瞻性验证队列中,共53例患者,25例符合标准,其中低级别ccRCC 14例(Fuhrman I级2例,II级12例),高级别ccRCC 11例(Fuhrman III级6例,IV级5例)。年龄41~79(64.80 ± 0.35)岁,ccRCC Fuhrman核分级在年龄上无统计学差异(t = 0.069,P = 0.946)。男性16例,女性9例。ccRCC分级在性别上无统计学差异(P = 0.677)(表1)。
常规PET参数在ccRCC Fuhrman分级中的差异
除SUVmin外,常规PET参数在预测ccRCC Fuhrman核分级方面均有统计学差异(表2)。根据常规参数的AUC,预测ccRCC Fuhrman核分级的能力排序为:SUL > SUVmax > SUVmean > TLG。
影像组学参数
单个纹理参数预测ccRCC Fuhrman核分级的能力见表3。在42个PET纹理特征中,HISTO特征中有2个、GLCM特征中有4个、GLRLM特征中有3个、GLZLM特征中有4个具有良好的区分能力和诊断性能。然而,SHAPE特征和NGLDM特征在区分透明细胞癌分级方面作用有限。在CT纹理特征中,GLRLM特征中有1个、GLZLM特征中有1个具有良好的区分能力。
PET纹理参数模型
回归方程:
PET/CT纹理参数模型
回归方程:
展示了SUV模型与纹理参数模型在预测ccRCC Fuhrman核分级能力方面的比较(表4;图2)。SUVmax模型预测ccRCC Fuhrman核分级的灵敏度为68.18%,特异度为88.89%,PPV为71.4%,NPV为75%。SUL模型的灵敏度为59.09%,特异度为96.3%,PPV为92.9%,NPV为74.3%。SUVmax模型与SUL模型在预测ccRCC Fuhrman核分级的AUC方面无统计学差异(P = 0.725)(表5)。与SUV模型相比,PET纹理参数模型和PET/CT纹理参数模型均表现出更好的预测能力、灵敏度(81.82%和86.36%)、特异度(88.89%和88.89%)、PPV(88.2%和86.4%)、NPV(78.1%和88.9%),但两个纹理参数模型之间的AUC无统计学差异(P = 0.171)。采用logistic回归方法建立的纹理参数模型的AUC均大于SUV模型。PET纹理参数模型与SUVmax模型之间、PET/CT纹理参数模型与SUVmax模型之间的AUC差异具有统计学意义(P = 0.017,0.02)。然而,PET纹理参数模型与SUL模型之间、PET/CT纹理参数模型与SUL模型之间的AUC差异无统计学意义(P = 0.269,0.053)。
前瞻性验证
利用回顾性分析队列中的回归方程,我们分别从SUV模型和纹理参数模型中选择了一个AUC较大的模型,并在25例患者中前瞻性验证了其预测ccRCC Fuhrman分级的能力。SUL模型和PET/CT纹理参数模型的AUC分别为0.727和0.792。尽管SUL模型和PET/CT纹理参数模型的预测能力低于回顾性分析队列,但它们仍具有较好的预测能力(表6;图3),且两个模型之间的AUC无统计学显著差异(P = 0.489)。
讨论
我们的研究结果表明,18F-FDG PET/CT SUV指标和放射学参数有助于预测ccRCC Fuhrman核分级。在回顾性分析队列的四个判别模型中,PET/CT纹理参数模型具有最高的敏感度和NPV,以及较高的特异度和PPV。SUL模型具有最高的特异度、最低的敏感度、最高的PPV和最低的NPV。PET和PET/CT纹理参数模型(AUC = 0.874,0.926)比SUVmax模型(AUC = 0.803)具有更强的预测能力;与SUL模型(AUC = 0.819)相比,PET和PET/CT纹理参数模型(AUC = 0.874,0.926)可提高预测能力,但差异无统计学意义(P = 0.269,0.053)。在前瞻性验证队列中,SUL模型和PET/CT纹理参数模型的预测能力下降(AUC = 0.727,0.792),但两种模型均显示出区分ccRCC高、低Fuhrman核分级的能力,且两种模型的AUC差异无统计学意义。
据我们所知,这是第一篇研究通过PET/CT影像组学特征预测ccRCC Fuhrman核分级的文章。在既往关于18F-FDG PET/CT预测ccRCC Fuhrman核分级的研究中,SUVmax是最常用的指标[10, 19]。SUVmax可受多种因素影响,如血糖水平、温度、肌肉活动、肾脏背景代谢等。仅基于SUVmax对肾癌进行分级仍有许多不足,因此SUVmax的标准化对于区分ccRCC高分级与低分级可能更有意义。由于18F-FDG在肝血池中的摄取相对稳定,因此在一些研究中常被用作参考标准[20]。Nado等[21]对肿瘤SUVmax、肿瘤SUL与病理Fuhrman核分级之间的相关性进行了一些研究,他们发现肿瘤SUL的AUC大于肿瘤SUVmax的AUC,但差异无统计学意义,这与我们的结果一致。在ROI勾画方面,由于许多肿瘤仅表现为18F-FDG低水平摄取,无法通过手工或半自动化方法(如百分比阈值法或模糊局部自适应贝叶斯法)直接从PET图像上分割肿瘤区域。因此,在我们的研究中,ROI勾画于相应的CT图像上,几乎覆盖了肿瘤组织以及除肝脏病变和血管以外的全部健康肝组织。与Nado[21]的研究相比,我们的研究在反映肿瘤和肝组织代谢方面更为客观、全面和准确。不同观察者勾画的ROI可能存在差异,这会影响纹理特征的分析。基于ccRCC的图像特征,为减少观察者之间的差异,我们的研究中由两名医师参与勾画ROI。当两人意见不一致时,由第三名医师参与,三名医师共同协商确定。目前的研究主要集中在CT、MR纹理分析与ccRCC Fuhrman核分级之间的关系[22–27]。由于PET纹理分析比传统影像组学更能反映肿瘤的异质性,PET影像组学的出现为预测ccRCC Fuhrman核分级提供了新的可能。尽管18F-FDG PET图像空间分辨率不高,但其可能比传统参数或形态学特征更好地反映肿瘤情况,其通过影像组学特征量化了肿瘤内的摄取分布,这已在许多肿瘤中得到验证[28–30]。目前,研究肾癌PET影像组学的文章较少。Wang等[31]发现PET纹理参数可预测肾淋巴瘤或肾上腺淋巴瘤患者的总生存期。ZHU等[32]采用PET纹理分析方法鉴别肾细胞癌与肾淋巴瘤。他们通过对HISTO、SHAPE、PARAMS、GLCM、GLRLM、NGLDM和GLZLM的多种参数进行二元logistic回归分析,创建了一个新变量,并确定了该新变量的AUC、截断值、敏感度和特异度。然而,该研究无法消除各指标间的共线性。我们的研究选择了纹理指标中诊断能力最强、分级区分能力最强的单变量,并通过逐步回归筛选出对分级预测有统计学意义的参数,这样可以消除各参数间的共线性,避免回归方程过拟合。
我们的研究也存在一定的局限性。主要局限性是样本量相对较小。一方面,由于18F-FDG PET/CT在肾肿瘤定性诊断中的价值有限,来我们中心的患者较少。大多数确诊患者前来检查是为了排查转移或复发,而此时他们已失去了手术机会。另一方面,PET影像组学特征对采集方法、图像重建算法、迭代或子集数量以及注射后采集时间的变化非常敏感[33–35],这在很大程度上限制了多中心研究的开展。尽管目前已有一些方法可以消除多中心和不同扫描仪对纹理特征的影响[36, 37],例如使用条件生成对抗网络(cGANs)或ComBat,但这些方法仍处于研究阶段,尚无权威的标准化指南。因此,符合研究条件的患者样本量较小。随着PET影像组学的普及,未来有必要在更大样本上进行进一步研究和验证,以证实我们的发现。
结论
尽管本研究存在一些不足,但仍可证明18F-FDG PET/CT影像组学参数对ccRCC的病理Fuhrman核分级具有显著的正面作用,并将在改善肾癌的诊断和治疗方面发挥更大的作用。同时,肿瘤SUL也是一种有前景的方法,因为其操作简单且对预测ccRCC病理Fuhrman核分级的能力较强。
补充信息
以下是电子补充材料的链接。补充文件1(PPTX 600 kb)
引用
- Zhang L, Zhao H, Jiang H, et al. 18F-FDG texture analysis predicts the pathological Fuhrman nuclear grade of clear cell renal cell carcinoma. Abdom Radiol (NY). 2021. PMID: 34455450. doi:10.1007/s00261-021-03246-x
- 全文:PMC8590655(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8590655/
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。