增强CT影像组学预测早期NSCLC脏层胸膜侵犯
本回顾性研究纳入523例经手术病理证实的早期非小细胞肺癌(NSCLC)患者,其中195例有脏层胸膜侵犯(VPI)。利用增强CT影像组学建立模型,测试集中影像组学模型AUC为0.812,优于CT特征模型的0.714,联合模型AUC为0.825,提示影像组学对术前预测VPI具有较好价值。
要点
- 影像组学模型预测VPI的AUC高于单纯CT特征模型,可辅助术前决策。
- 肿瘤与胸膜关系类型、实性成分、较大径及毛刺征是VPI的CT风险特征。
- 增强CT动脉期3D影像组学特征可反映肿瘤异质性,提示脏层胸膜侵犯风险。
核心结论
- 基于增强CT的影像组学模型术前预测早期NSCLC脏层胸膜侵犯(VPI)表现良好,测试集AUC为0.812,优于CT特征模型(0.714)。
- 联合影像组学与CT特征后AUC为0.825,较单纯影像组学模型提高有限。
研究设计与样本
- 回顾性单中心研究,纳入2019年12月至2022年6月武汉协和医院523例手术切除的NSCLC患者,其中VPI阳性195例、阴性328例。
- 所有患者术前临床分期为IA(≤3cm、无淋巴结及远处转移),术后经弹性染色确认VPI状态。
- CT扫描使用两台多层螺旋CT(64×0.6mm和128×0.6mm),120kV,自动曝光控制,层厚1.5mm或1mm,增强动脉期图像用于分割。
- 数据集按5:2:3随机分为训练集264例、验证集114例、测试集145例。
- 分割采用Residual U-Net半自动完成,由两名资深放射科医师审核,并由一名医师手动分割50例用于ICC稳定性评估(ICC>0.8纳入特征)。
关键影像表现/征象
- 肿瘤与胸膜关系分为五型:I型线状胸膜牵拉、II型线状牵拉伴胸膜端软组织、III型粗索条伴胸膜端软组织、IV型肿瘤贴邻胸膜无扭曲、V型直接接触致胸膜扭曲。
- VPI组中实性结节更多见,肿瘤最大径更大,毛刺征和分叶征更常见。
- 训练集中VPI组I型占7.6%、V型占50.0%,测试集趋势相似。
- 实性结节较纯磨玻璃结节VPI风险高8.8倍,混合磨玻璃结节也呈风险增加趋势。
- CT特征间阅片一致性Kappa值为0.775–0.886,最大径ICC为0.940(95%CI 0.891–0.967)。
诊断标准与关键数值
- CT特征模型纳入肿瘤与胸膜关系、密度、最大径和毛刺征,训练集、验证集、测试集AUC分别为0.741、0.762、0.714。
- 影像组学模型经mRMR和Spearman相关筛选后由LASSO选出10个非零系数特征,训练集AUC 0.883、验证集0.891、测试集0.812。
- 联合模型训练集AUC 0.878(95%CI 0.835–0.921)、验证集0.905(95%CI 0.847–0.963)、测试集0.825(95%CI 0.757–0.893)。
- DeLong检验显示训练集中影像组学模型(p<0.001)和联合模型(p<0.001)均优于CT特征模型,但联合模型与影像组学模型间差异无统计学意义(p>0.05)。
- 随机森林在CT特征模型上AUC为0.807,但在影像组学模型和联合模型上AUC分别降至0.802和0.799,逻辑回归为最优算法。
临床应用与阅片要点
- 术前CT阅片时关注肿瘤与胸膜关系类型、实性成分比例、最大径和毛刺征,有助于初步评估VPI风险。
- 影像组学模型可提取肉眼难以识别的纹理和空间异质性特征,对VPI预测优于常规CT形态学评估。
- 联合模型列线图纳入四类CT特征和RadScore,可作为术前分层和手术方式选择(肺段切除或肺叶切除)的辅助工具。
- 决策曲线分析显示影像组学模型和联合模型较CT特征模型具有更高的净临床获益。
- 日常应用需注意本研究仅纳入亚胸膜下且至少有一种胸膜关系类型的肿瘤,不适用于所有外周型结节。
局限性
- 回顾性单中心研究设计存在选择偏倚,结论需多中心前瞻性验证。
- 排除边界不清难以勾画的肿瘤,可能导致样本偏向更容易分割的病变。
- 训练、验证、测试集之间密度分布存在统计学差异(p=0.013),可能影响模型泛化评估。
- VPI阳性判断依赖弹性染色,但所有病例由一位病理科医师复核,缺少多观察者一致性评估。
- 研究未报告影像组学特征的ICC具体数值,仅报告了纳入ICC>0.8的稳定特征。
全文中译15 节 · 点击展开
引言
肺癌是癌症相关死亡的首要原因 [1]。了解是否存在脏层胸膜侵犯(VPI)非常重要,因为它直接影响肿瘤分期和治疗方式的选择 [2]。无 VPI 的早期非小细胞肺癌(NSCLC)通常需要肺段切除术,而如果存在 VPI,则通常施行肺叶切除术 [3, 4]。VPI 是复发的高危病理因素,伴有 VPI 的患者可能从术后辅助化疗中获益 [5]。然而,术后病理证实 VPI 可能会延迟手术方式和辅助治疗方案的决策。
VPI 与结节密度、肿瘤最大径及桥索征相关 [6–8]。多项研究发现 VPI 与 CT 上的肿瘤-胸膜关系存在更密切的关联 [9–11]。Hsu 等提出,2 型胸膜标签在 VPI 早期诊断中的准确率可达 71% [9]。然而,Kim 等报道,CT 特征诊断 VPI 的阳性预测值为 44.1%~56.4%,基于 CT 的 VPI 预测中近半数为假阳性 [11]。仅凭 CT 特征准确诊断 NSCLC 中的 VPI 仍具挑战性。
影像组学通过分析定量影像特征(包括纹理模式和空间关系),经特征筛选和模型建立来支持肺癌管理,辅助诊断、疗效评估和预后预测 [12–15]。若干研究 [16, 17] 已建立预测 VPI 的模型,其影像组学模型的受试者工作特征曲线下面积(AUC)分别为 0.824 和 0.771。然而,Wei 等使用二维图像进行特征提取,Cai 等的研究仅纳入实性结节,且两者样本量均较小。考虑到这些局限性,本研究旨在评估基于 CT 的影像组学模型对早期 NSCLC 术前 VPI 预测的价值,同时建立纳入肿瘤-胸膜关系的 CT 特征模型,并构建联合模型以比较其预测效能。
材料与方法
本研究遵循 2013 年修订版《赫尔辛基宣言》开展。研究经武汉协和医院伦理委员会批准(批件号:S254),本回顾性分析免除知情同意。
患者纳入
回顾性收集了2019年12月至2022年6月期间在武汉协和医院经手术确诊的1039例小于3 cm的NSCLC患者。所有患者根据国际肺癌研究协会(IASLC)第8版TNM分期,基于术前影像均被临床分期为IA期。VPI状态经术后病理检查确认,部分肿瘤可能已被上调为病理IB期。纳入标准如下:[1] 经手术切除且病理证实的NSCLC;[2] 肿瘤小于3 cm;[3] 无淋巴结转移及远处转移;[4] 手术与末次术前CT检查间隔不到一个月;[5] 行特异性弹力纤维染色以评估是否存在VPI;[6] 所有肿瘤均位于胸膜下,且至少表现出一种肿瘤与胸膜的关系类型。其中,516例患者根据以下排除标准被排除:[1] 既往有肿瘤性肺部手术史或接受过新辅助治疗的患者(n = 237);[2] 边界不清、难以勾画的肿瘤(n = 125);[3] 术前一个月内无薄层CT(n = 108);[4] CT图像质量差,定义为存在运动伪影,掩盖病灶边界并干扰肿瘤精确勾画(n = 46)。患者筛选流程图见图1。最终,523例患者(195例有VPI,328例无VPI)被纳入,并按5:2:3的比例随机分为训练集(264例)、验证集(114例)和测试集(145例)。验证集用于避免模型过拟合和调整超参数,测试集用于评估模型性能和泛化能力。从患者病历中获取临床特征,包括年龄、性别和吸烟史。
组织病理学分析
一位经验丰富的病理学家(J.F.,拥有12年病理学经验)在不了解临床发现的情况下,对所有纳入患者的特异性弹力纤维染色标本进行了重新评估。VPI定义为癌组织穿透弹力层,包括侵犯至脏层胸膜表面[18]。
CT采集
所有患者术前均行胸部增强CT扫描,CT在两台多层螺旋CT扫描仪(SOMATOM Definition AS+,西门子医疗,以及东芝Aquilion One)上进行。CT参数的详细信息如下:探测器准直宽度,64 × 0.6 mm和128 × 0.6 mm;管电压,120 kV。管电流由自动曝光控制系统(CARE Dose 4D)调节。经静脉注射非离子型碘对比剂(碘海醇350 mg/mL,北陆药业股份有限公司)。注射速率为2–3 mL/s。采用1.5 mm或1 mm的层厚及1.5 mm或1 mm的层间距重建图像。从图像存档与通信系统(PACS)中获取医学数字成像与通信(DICOM)图像,随后导入开源3D Slicer软件(版本5.2.2;https://www.slicer.org)进行进一步分析。
图像评估
两名放射科专业医师(H.S.和X.H.,分别具有35年和8年胸部放射学经验)在PACS上共同评价了所有CT图像。所评估的CT形态学特征包括:肿瘤最大径(肺窗)、肿瘤密度类型[实性、混合磨玻璃影(mGGO)和纯磨玻璃影(pGGO)]、肿瘤与胸膜的五种关系类型(I型:一条或多条线状胸膜牵拉;II型:一条或多条线状胸膜牵拉,胸膜端有软组织成分;III型:一条或多条粗线状胸膜牵拉,胸膜端有软组织成分;IV型:肿瘤附着于胸膜而无明显牵拉变形;V型:肿瘤直接接触胸膜,引起胸膜牵拉变形;图2)、受累胸膜(非叶间裂胸膜、叶间裂胸膜及两者均有)、是否存在与胸膜接触的实性成分、肿瘤位置、毛刺征、分叶征、淋巴结肿大、空洞、胸膜增厚、胸腔积液和钙化。两名放射科医师在轴位和多平面重建图像上评价CT特征,并对临床和病理结果设盲。
肿瘤分割与影像组学特征提取
两名低年资放射科医师(H.L.和Q.L.)对CT图像上的感兴趣区(ROIs)进行了半自动分割,勾画病灶边界,同时排除血管结构和钙化。我们从数据集中随机选取了100张CT图像,并使用3D Slicer软件对其进行勾画。两名放射科医师在知晓肿瘤位置的情况下,无法获取任何临床或病理诊断信息。随后使用MONAI训练了一个Residual U-Net,这些图像按8:2的比例随机分为训练集和验证集[19,20]。应用训练好的Residual U-Net模型后,对其余图像进行自动分割。为保证准确性,由两名高年资放射科医师检查并调整自动分割的ROIs。此外,采用组内相关系数(ICCs)评估分割准确性。一名放射科医师(Q.L.)使用3D Slicer对随机选取的50张CT图像进行了手动分割。以ICC > 0.8为截断值,用于识别稳定且可重复的特征。
使用PyRadiomics软件包(版本3.0.1;https://pyradiomic.readthedocs.io/en/v3.0.1/)从ROI中自动提取影像组学特征。提取在增强CT动脉期图像上进行,该期相可提供清晰的肿瘤-胸膜对比和一致的图像质量。应用以下参数:影像数据采用均值标准差居中法进行归一化,随后进行B样条插值重采样以获得1 × 1 × 1 mm³体素尺寸,灰度离散化以25 HU箱宽为标准[21]。每个ROI共提取1291个影像组学特征(图3),包括455个loG特征、108个原始特征和728个小波特征。这些特征涵盖以下类别:252个一阶特征、17个形状特征、308个灰度共生矩阵(GLCM)特征、196个灰度依赖矩阵(GLDM)特征、224个灰度游程矩阵(GLRLM)特征、224个灰度大小区域矩阵(GLSZM)特征和70个邻域灰度差分矩阵(NGTDM)特征。
特征选择与模型构建
我们在训练集内采用三步程序进行降维并筛选稳健的影像组学特征。首先,对提取的影像组学特征值使用Z-score进行归一化。其次,采用最大相关最小冗余(mRMR)和Spearman秩相关系数法消除无关和冗余变量。最后,进行10折交叉验证的最小绝对收缩与选择算子(LASSO)分析以确定最佳影像组学特征[21]。
基于所选特征,采用多变量逻辑回归(LR)算法开发分类模型。CT特征模型利用区分两组有显著意义的CT特征构建,影像组学模型则由最具影响力的影像组学特征构建。最后,通过将CT特征与RadScore整合,开发组合模型。此外,我们还使用支持向量机(SVM)、K近邻(KNN)、决策树(DT)、随机森林(RF)和XGBoost机器学习算法构建模型。基于拟合性能和泛化性能的评估选择最优机器学习算法。
统计学分析
统计分析使用SPSS软件(SPSS,26版,IBM,芝加哥,伊利诺伊州,美国)和R软件(4.3.3版,可从http://www.rproject.org/获取)进行。连续变量以中位数及四分位距(IQR)表示,分类变量以频数及百分比表示。连续变量采用Mann–Whitney U检验,分类变量采用卡方检验或Fisher精确检验。我们计算了Kappa值和ICC以评估两位阅片者(H.S.和X.H.)之间的一致性。通过绘制受试者工作特征(ROC)曲线并计算相应的AUC来评价所提模型的性能。采用Delong检验比较模型间的诊断效能。此外,使用决策曲线分析(DCA)评估各模型的临床效用。LASSO回归采用“glmnet”包,ROC分析采用“pROC”,多因素LR及校准采用“rms”,DCA采用“rmda”。双侧p值<0.05被认为具有统计学意义。
结果
临床特征与CT特征
本研究共纳入523例符合条件的患者(195例有VPI,328例无VPI)。除密度外(p = 0.013),训练集、验证集和测试集的其余基线特征均无统计学显著差异(表S1)。如表1所示,在训练集中,VPI在男性中的发生率较低(50/92 vs 64/172,p = 0.007)。在验证集中,VPI患者年龄更大(63岁 vs 57岁,p = 0.001)。在测试集中,VPI组与非VPI组在年龄、性别或吸烟史方面均无统计学显著差异(均p > 0.05)。
在训练集(p = 0.004)和测试集(p = 0.043)中,与胸膜的关系与VPI状态显著相关。在训练集中,VPI组中I型占7.6%,V型占50.0%,测试集中也观察到相似趋势。然而,在验证集中,与胸膜的关系未发现统计学差异(p = 0.136)。单因素分析显示,两组在CT形态学特征方面存在显著差异(均p < 0.05),包括肿瘤密度、最大直径、毛刺征、分叶征以及与胸膜接触的实性成分的存在。值得注意的是,VPI组表现出更高比例的实性结节、更大的尺寸和更多的分叶。其他CT征象,如肿瘤位置、空洞、胸腔积液和钙化,在两组间未显示任何显著差异(均p > 0.05)。阅片者间对CT特征的一致性良好,kappa值为0.775至0.886(表S2)。最大直径的ICC为0.940[95%置信区间(CI):0.891–0.967]。
进行多因素LR分析,将肿瘤与胸膜的关系以及密度、最大直径和毛刺征纳入CT特征模型,以预测早期NSCLC中的VPI。该模型在训练集、验证集和测试集中的AUC分别为0.741、0.762和0.714(图4和表S3)。
影像组学模型的建立与验证
采用mRMR和Spearman秩相关系数法筛选出用于预测VPI的最佳14个影像组学特征。随后,通过LASSO分析在训练集中识别出10个具有非零系数的特征(4个一阶特征和6个二阶特征,包括GLCM、GLDM、NGTDM和GLSZM),并用于构建影像组学模型(图5)。该模型在训练集中AUC为0.883,验证集中为0.891,测试集中为0.812,表现出良好的性能(图4)。
使用以下公式计算每个病灶的RadScore:
RadScore = −0.86309 + 0.18 × wavelet-HLL_ngtdm_Strength + 0.19 × log-sigma-2-mm-3D_firstorder_Minimum + 0.57 × wavelet-LLL_gldm_DependenceVariance + 0.27 × log-sigma-1-mm-3D_glszm_SmallAreaEmphasis + 0.51 × wavelet-LHL_ngtdm_Complexity-0.35 × log-sigma-4-mm-3D_firstorder_Skewness-0.08 × log-sigma-2-mm-3D_firstorder_90Percentile + 0.66 × original_firstorder_Mean + 0.31 × wavelet-LLL_glcm_DifferenceVariance + 0.02 × wavelet-LLH_ngtdm_Contrast
性能比较
将最佳CT特征和影像组学特征整合以构建联合模型。联合模型在训练集中的AUC为0.878(95% CI:0.835–0.921),验证集中为0.905(95% CI:0.847–0.963),测试集中为0.825(95% CI:0.757–0.893),诊断效能优于CT特征模型(图4)。三种模型预测早期NSCLC中VPI的性能指标见表2。Delong检验显示训练集中存在显著性能差异,影像组学模型(p < 0.001)和联合模型(p < 0.001)均优于CT特征模型。然而,在所有数据集中,影像组学模型与联合模型之间未观察到显著差异(p > 0.05)。三种模型在测试集上采用不同机器学习算法的预测性能见表3。SVM、DT和XGBoost算法在三个数据集中均表现出过拟合趋势。虽然RF算法在CT特征模型上的AUC优于LR(AUC:0.807 vs 0.714),但在影像组学模型和联合模型上的AUC较低(分别为0.802和0.799)。这些结果表明LR模型是术前预测VPI的最佳选择。
校准分析与临床应用
为了更好地进行临床应用和可视化展示,我们基于联合模型的输出构建了一个列线图。该列线图纳入了四个CT特征和RadScore,为VPI预测提供了一种更直观的工具(图6)。联合模型的校准曲线显示预测值与实际观测值之间具有良好的一致性(图6)。我们使用决策曲线分析(DCA)评估了三种模型的临床效用(图S1)。放射组学模型和联合模型均比CT特征模型提供了更大的净获益。
讨论
在本研究中,我们开发了一个基于增强CT的放射组学模型,该模型在预测早期NSCLC的VPI方面表现出较强的性能。该模型显著优于依赖CT形态学特征的CT特征模型。此外,联合模型的AUC略高于放射组学模型。这提示放射组学特征可能已经捕获了传统CT特征所提供的大部分判别信息。许多传统CT描述指标,如边缘和分叶,可能已在高维放射组学纹理和形状特征中得到体现。因此,添加CT特征的增量贡献有限。放射组学模型为早期NSCLC患者术前决策提供了一种可靠的预测方法。
在本研究中,肿瘤与胸膜的关系是VPI的危险因素,与既往研究一致[9, 17]。III型(一个或多个粗线状胸膜牵拉,胸膜端有软组织成分)和IV型(肿瘤附着于胸膜但无明显扭曲)显示出较高的OR值,提示胸膜牵拉[9]和肿瘤-胸膜接触长度[22]是VPI的预测因素。V型(肿瘤直接接触胸膜并导致胸膜扭曲)常伴有明显的胸膜凹陷。与Huang等[23]的发现一致,胸膜凹陷反映了更高的恶性程度和更大的VPI可能性。小叶间隔的局限性水肿、肿瘤沿淋巴管扩散、炎症反应或纤维化可能是胸膜牵拉的病理基础[8, 9]。随着肿瘤反应性纤维增生的发展和肿瘤浸润性扩散,导致邻近胸膜出现凹陷及凹陷范围的扩大,脏层胸膜侵犯的风险也随之增加。临床上,这些分型可能有助于术前风险分层和手术规划,特别是当VPI影响分期或切除范围时。当预测存在VPI时,通常推荐行肺叶切除术以改善预后[24]。
我们的研究结果表明,密度与VPI状态显著相关,实性结节中VPI的发生率更高。与pGGO相比,实性结节发生VPI的风险高出8.8倍,而mGGO也表现出风险增加的趋势。这一发现与肿瘤侵袭性随实性成分比例增加而逐渐增强的生物学行为一致[6, 23, 25]。此外,我们发现较大的肿瘤尺寸、毛刺征与VPI之间存在强相关性。如先前研究所述[6, 7],这些特征提示肿瘤具有更强的侵袭性。本研究中的患者没有淋巴结转移,淋巴结增大也较少观察到,因此淋巴结肿大未被纳入模型作为VPI的预测特征。
在我们的研究中,影像组学方法在预测早期NSCLC中VPI的存在方面显示出良好的结果。一阶特征描述了肿瘤的灰度分布,如original_firstorder_Mean和log-sigma-4-mm-3D_firstorder_Skewness,反映了肿瘤密度、亮度和异质性的变化[26]。高阶特征,如wavelet-HLL_ngtdm_Strength和wavelet-LLL_gldm_DependenceVariance,捕获了更复杂的纹理模式,有效描述了肿瘤的结构复杂性和灰度变化[27]。这些特征共同反映了肿瘤的异质性和侵袭性,提示脏层胸膜侵犯的风险增加。
本研究中的ROC曲线分析显示,影像组学模型优于CT特征模型。这突出了影像组学特征在预测VPI方面的附加价值。Wei等人基于2D数据的纹理特征开发了一个影像组学模型,AUC达到0.824[16]。与Wei等人的研究不同,我们的3D ROI分析捕获了肿瘤的空间异质性。此外,Wei等人纳入了伴有淋巴结转移的NSCLC患者,且仅在HE染色对胸膜侵犯判定不明确时才使用弹力纤维染色,而我们的研究排除了淋巴结转移的患者,并对所有病例均应用了特异性弹力染色。Cai等人采用方差阈值法和SelectKBest进行特征选择,开发了AUC为0.771的影像组学模型,而我们应用了mRMR结合Spearman分析,AUC达到0.812[17]。此外,本研究的患者数量是上述两项研究的两倍。影像组学可能为VPI提供更多见解。
联合模型通过整合CT特征和影像组学特征实现了准确的VPI预测。各数据集间基线特征的均衡分布增强了结果的稳健性。尽管结节密度在各数据集之间存在显著差异,但其有限的绝对变异和对模型性能的微小影响(如验证集和测试集中一致的AUC > 0.80)表明,这种不均衡不太可能影响我们的结论。所有其他关键变量(如肿瘤大小)的可比性支持了跨数据集的公平评估。在测试的机器学习算法中,LR模型表现出优越的性能,这可能反映了该队列中主要预测特征的线性可分性、其对过拟合的抵抗性以及在临床实践中的可解释性。
本研究存在若干局限性。首先,由于缺乏外部验证队列,本研究无法充分评估影像组学模型特征的稳定性和泛化能力。其次,未进行评估组间生存率及术后预后的长期随访。第三,未评估胸膜侵犯的程度。已有研究表明胸膜侵犯程度会导致不同的生存结局[18],未来采用标准化PL1-3标注的研究可能有助于开发分层影像组学模型,从而同时预测胸膜侵犯的有无及其程度,进而优化辅助治疗决策。最后,回顾性设计引入了固有的选择偏倚,且允许CT与手术之间间隔最长一个月,可能导致肿瘤进展或特征不稳定。
总之,基于增强CT的影像组学模型在术前VPI预测方面表现出良好的诊断性能,有望成为早期NSCLC治疗规划中的有价值的工具。此外,影像组学模型优于CT特征模型,证明了影像组学特征在预测VPI方面的附加价值。然而,仍需进一步的前瞻性多中心研究来验证这些发现。
补充信息
电子补充材料
引用
- Luo, Li, Zheng, et al. Contrast-enhanced CT-based radiomics for predicting visceral pleural invasion in early-stage non-small cell lung cancer. Insights Imaging. 2026. PMID: 41586985. doi:10.1186/s13244-025-02184-2
- 全文:PMC12834855(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12834855/
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。