文献速递腹部技术与安全CT

结肠癌体成分预测癌症相关死亡:AI容积分析

Body composition as a predictor of cancer-related death in colon cancer: an AI-based volumetric analysis.
PubMed 文献 · Radiol Med · 2026-06-20

该回顾性研究纳入293例II-III期非转移性结肠癌患者,利用AI自动分割软件从术前腹部CT提取76项体成分参数。结果显示多层分析中内脏脂肪和皮下脂肪平均HU值与癌症相关死亡直接相关,内脏脂肪平均HU值在多变量分析中仍是独立预测因子。

要点

  • 多层分割的内脏脂肪和皮下脂肪平均HU值升高与结肠癌相关死亡风险增加相关。
  • 内脏脂肪平均HU值在多层和容积分析中均为癌症相关死亡的独立预测因子。
  • BMI和骨骼肌指数在本研究中未显示对癌症相关死亡的预测价值。

核心结论

  • 内脏脂肪和皮下脂肪的密度参数与II-III期非转移性结肠癌患者的癌症相关死亡显著相关。
  • 内脏脂肪平均HU值在多层和容积分析中均为癌症相关死亡的独立预测因子。

研究设计与样本

  • 回顾性多中心研究,纳入293例II-III期非转移性结肠癌患者,均接受根治性手术并有术前基线CT。
  • 采用AI自动分割软件DeepCatch对术前腹部CT进行2D单层、多层3D和全腹容积三种分割方式。
  • 使用128层CT行门静脉期增强扫描,以ROC曲线、Cox回归和Kaplan-Meier法进行统计。

关键影像表现/征象

  • 癌症相关死亡组内脏脂肪平均HU值(多层−77HU,容积−75HU)高于非癌症相关死亡组(多层−82HU,容积−80HU)。
  • 癌症相关死亡组皮下脂肪平均HU值(多层−87HU)高于非癌症相关死亡组(−90HU)。

诊断标准与关键数值

  • 多层分析内脏脂肪平均HU值预测癌症相关死亡:AUC=0.61,HR=1.03,P=0.004。
  • 多层分析皮下脂肪平均HU值预测癌症相关死亡:HR=1.04,P=0.002。
  • 容积分析内脏脂肪平均HU值预测癌症相关死亡:HR=1.02,P=0.04。
  • 多变量Cox回归中内脏脂肪HU值独立预测癌症相关死亡:多层分析HR 1.02,95% CI 1.006–1.038,P=0.007。
  • 多变量Cox回归中皮下脂肪HU值仅在多层分析中显著:HR 1.022,95% CI 1.005–1.040,P=0.012。

临床应用与阅片要点

  • 术前腹部CT自动体成分分析可无额外检查地提供结肠癌预后信息。
  • 内脏脂肪密度升高提示炎症性改变和预后不良,可作为风险分层的补充指标。
  • 多层分割方式(末肋至髂嵴)在生存预测上优于全容积和2D单层分割。

局限性

  • 回顾性研究设计且样本量相对较小。
  • BMI数据仅覆盖不到30%的患者,限制其与CT衍生指标的比较可靠性。
  • 未定义临床可用的HU阈值,未评估不同扫描设备间的变异性。
  • 探索的参数数量较多,可能增加I类错误风险。
全文中译11 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:Radiol Med. 2026 Jun 20;131(8):1305–14. doi: 10.1007/s11547-026-02232-x

引言

结肠癌是全球最常见的癌症之一,患者的预后主要取决于临床分期、肿瘤行为、组织学及基因检测组合 [1–3]。这些方面影响在先行手术(最终可能继以辅助化疗)与新辅助治疗之间的选择 [2, 4]。然而,并非所有患者对治疗的反应都相同,原因涉及多个方面,其中最常见的是术前CT扫描中的临床T和N分期 [5]、肿瘤的不同侵袭性,或患者不同的身体成分或营养状况 [6–8]。大量研究已凸显了结肠癌检查评估的不足 [6–8],目前正在提出多种解决方案,以推动患者走向更加个体化的诊疗路径 [5]。

关于身体成分和营养,该研究领域仍处于开放状态,有时甚至尚不明确。迄今为止,营养和身体成分变化的作用已在多个癌症患者群体中进行了研究,并在生存率和手术结局方面获得了预后意义。事实上,肌少症的存在已被证明是众多癌症中最重要的身体成分生物标志物之一,与较差的生存率、手术并发症及较高的治疗相关毒性相关 [9, 10]。然而,将身体成分简化为单纯的肌少症研究是片面的;实际上,还可以提取大量其他参数,尤其侧重于内脏脂肪组织(AVF)和皮下脂肪(SF)的分析 [9, 11]。

CT成像可以评估AVF和SF的质量,因为密度与脂肪细胞大小呈负相关。较低的密度值提示存在肥大的脂肪细胞,而低密度已被证实与较高的心血管代谢疾病风险相关 [11];此外,高密度在老年人和癌症患者中已成为一个负面预后因素 [12]。

迄今为止,主要使用了两种分割方法:在第三腰椎(L3)水平进行手动2D分割,以及使用基于AI的软件对整个腹部进行自动3D分割。容积分割可提取多个身体成分参数,并克服了2D手动分割的已知局限性,如耗时的方法、低可重复性风险以及图像采样减少。据我们所知,目前尚无研究通过使用能够提供容积分析的基于人工智能(AI)软件的术前CT扫描分析,探讨身体成分和营养状况作为非转移性结肠癌(II期和III期)生存生物标志物的作用。

本研究旨在通过使用AI驱动的软件从术前CT中提取容积测量值,探讨身体成分参数是否可作为生存生物标志物(就癌症相关死亡而言)整合到非转移性结肠癌患者的临床工作流程中。

材料与方法

研究人群

这项回顾性分析是在一项为期5年的多中心试验框架内进行的,该试验由AIRC IG 2020—ID 24974资助,经圣安德烈亚大学医院伦理委员会批准(编号:CE 6597/2021),并在ClinicalTrials.gov上注册(NCT06108310)。

2015年1月至2020年12月期间,对初始的557例个体进行了筛选,所有患者均为结肠癌II–III期,依据AJCC第8版分期标准[13]。患者来自两个中心:罗马萨皮恩扎大学的Sant’Andrea医院和Policlinico Umberto I医院。所有患者均提供了知情同意。纳入标准要求如下:(I)有术前腹部基线CT图像;(II)有临床和组织病理学数据;(III)先行根治性手术。排除标准为符合以下任一条件:(I)转移性疾病;(II)接受过新辅助治疗;(III)合并或既往有任何其他恶性肿瘤;(IV)无术前CT图像。

临床数据

收集所有患者的临床数据,如性别、年龄、辅助化疗情况,以及组织病理学数据,如T、N、壁外血管侵犯(EMVI)和肿瘤组织学类型。同时收集所有患者的体重和身高。此外,术后对患者进行了36个月的随访,以评估疾病进展、总生存期及癌症相关死亡(CRC相关死亡)的发生情况。患者癌症相关死亡通过医院死亡登记系统获取。根据死亡数据,将人群分为第1组(CRC相关死亡)和第2组(非CRC相关死亡)。

CT图像采集

所有患者在分期时均接受了增强CT检查,使用128层CT扫描仪(GE Revolution EVO CT Scanner,GE Medical Systems),取仰卧位,深吸气,足头方向扫描,CT参数如下:管电压100 kVp,自动管电流调制范围100–240 mA(Auto-mAs,GE Healthcare),探测器准直器配置采用z轴飞焦点技术:0.625 × 64 mm;螺距:0.984:1;机架转速:0.6 s;射束准直:40 mm。

高浓度碘对比剂(碘美普尔400 mgI/mL,Iomeron 400;Bracco Imaging)经18号肘前静脉通路以3 mL/s的流速静脉注射。对比剂注射量按去脂体重使用James公式计算[14],随后用50 mL生理盐水冲管。扫描延迟时间采用团注追踪技术(SmartPrep,GE Healthcare)确定,在腹主动脉内放置感兴趣区(ROI),阈值为100 Hounsfield单位(HU)。检查包括平扫和门静脉期(阈值后70 s)。后续随访CT扫描采用相同的CT方案。本研究在入组方面为多中心研究;但所有CT采集均在Sant’Andrea大学医院集中完成。

CT图像分析

入组患者的腹盆腔CT图像在上传至专用工作站前进行了匿名化处理。匿名化流程遵循医院内部方案。图像使用基于人工智能的自动分割软件(DeepCatch,v1.3.0.8486,MEDICAL IP Co. Ltd.,首尔,大韩民国)进行分析(图1),该软件可对患者腹部CT扫描进行自动分割,与人工分割相比准确率约为97%[15]。

该软件执行了三种不同的分割:(I)2D分割:在L3水平对腹部CT扫描进行单层分割;(II)在最后一根肋骨与髂嵴上缘之间进行多层3D分割;以及(III)包括整个腹部容积的容积3D分割,涵盖所有在无解剖参考条件下采集的层面。

从这些分割结果中提取了身体成分参数,包括以下解剖成分的体积(cm³)、面积(cm²)和以亨氏单位(HU)表示的平均密度:皮肤、骨骼、肌肉、内脏脂肪组织(AVF)、皮下脂肪(SF)、内部器官(IO)和中枢神经系统(CNS),涵盖单层、多层区域和全容积。同时分析了肌肉质量、所检椎体的骨密度、腹主动脉的直径及钙化情况,以及肝脏密度的定量分析,即脂肪变性(PDFF)。最后,通过录入所有患者的体重和身高,得出了骨骼肌指数(SMI)以及肝脏和脾脏指数(分别为肝脏体积和脾脏体积与身高平方的比值)。

图1 基于AI的自动分割工作流程,展示容积(A)、轴位(B)、冠状位(C)和矢状位(D)图像 查看原图 ↗

统计分析

统计分析使用SPSS软件(版本27.0;IBM公司,美国纽约州阿蒙克)完成。身体成分参数以均值±标准差表示。根据是否符合高斯正态分布,分别采用Student t检验和Mann–Whitney U检验进行比较。所有分类变量均以例数和百分比表示。对两组(第1组与第2组)之间的身体成分参数进行了显著性比较,并以患者结直肠癌相关死亡为主要终点,对具有显著性的参数进一步行受试者工作特征曲线(ROC)分析,以得出曲线下面积(AUC)、灵敏度、特异度和截断值。

为分析结直肠癌相关死亡与身体成分参数之间的相关性,进行了Cox比例风险回归分析。构建多变量模型时纳入了年龄、辅助化疗以及病理T分期和N分期作为协变量。计算了风险比(HR)及其95%置信区间(CI)。对于成为结直肠癌相关死亡独立预测因素的参数(HR>1,P<0.05),采用Kaplan–Meier曲线和log-rank检验进行生存分析,以总生存期作为时间指标。P值<0.05视为具有统计学意义。

结果

研究人群

根据本研究的纳入与排除标准,共纳入293例II–III期结肠癌患者。收集所有患者的结肠癌相关死亡数据,从医院死亡登记处确认101/293例(34.5%)结直肠癌相关死亡。在结直肠癌相关死亡亚组分析中,101例患者死于结肠癌相关原因,归为第1组(结直肠癌相关死亡);192例患者仍存活或死于与癌症无关的原因,归为第2组(非结直肠癌相关死亡)(图2)。临床资料分析显示,第1组中57/101例(56.4%)为男性(中位年龄76.5岁)。第2组中105/192例(54.6%)为男性(中位年龄68岁)。关于辅助化疗,第1组中有20/101例(19.8%)患者接受了辅助化疗,第2组中有83/192例(43.2%)。

由于本研究为回顾性研究,仅计算了部分人群(84/293,28.7%)的BMI,其中28/84例(33.3%)为结直肠癌相关死亡(第1a组),54/84例(66.7%)为非结直肠癌相关死亡(第2a组)。第1a组的BMI为26.13 kg/m²,第2a组的BMI为26.19 kg/m²(P = 0.96)。

从病理分期来看,第1组中,11/101例(1%)患者为pT1,10/101例(9.9%)患者为pT2,57/101例(56.4%)患者为pT3,22/101例(21.8%)患者为pT4a,11/101例(10.9%)患者为pT4b;62/101例(61.4%)患者为pN0,39/101例(38.6%)患者为pN+。而在第2组中,5/192例(2.6%)患者为pT1,27/192例(14.1%)患者为pT2,109/192例(56.8%)患者为pT3,37/192例(19.2%)为pT4a,14/192例(7.3%)患者为pT4b;此外,134/192例(69.8%)患者为pN0,58/192例(30.2%)为pN+。完整结果列于表1。

图2 患者招募流程图 查看原图 ↗
表1 临床及肿瘤特异性特征 查看原表 ↗

身体成分与生存之间的关联

第1组与第2组在多层分析和体积分析中的比较显示,AVF的平均HU值差异具有统计学意义(均P < 0.05)。同一参数在ROC分析中,在多层分析和体积分析中均具有显著性,AUC为0.61(P < 0.05)。来自体积、多层、肌肉、心血管和肝脏分析的其余参数,尽管统计学结果显著,但AUC < 0.05,表明其表现远低于随机水平(AUC = 0.50),提示存在一贯的错误分类倾向。最具临床相关性的参数列于表2和表3。

在单变量分析中,多层分析显示AVF和SF的平均HU值与结直肠癌相关死亡相关。具体而言,第1组的衰减值低于第2组,AVF(第1组 vs. 第2组,−77HU vs. −82HU)和SF(第1组 vs. 第2组,−87HU vs. −90HU),且两个参数均与结直肠癌相关死亡直接相关(分别为P = 0.004、HR = 1.03;P = 0.002、HR = 1.04)。此外,在体积分析中,仅AVF的平均HU值(第1组 vs. 第2组,−75HU vs. −80HU)与结直肠癌相关死亡直接相关(P = 0.04,HR = 1.02)(表3)。

在多变量Cox回归分析中,校正了年龄、辅助治疗、病理T分期和病理N分期后,内脏脂肪组织衰减值在多层面分析(HR 1.02,95% CI 1.006–1.038,P = 0.007)和容积分析(HR 1.021,95% CI 1.005–1.038,P = 0.011)中仍然是结直肠癌相关死亡的独立预测因子。皮下脂肪组织衰减值仅在多层面分析中保持显著性(HR 1.022,95% CI 1.005–1.040,P = 0.012),而在容积模型中不显著(P = 0.933),提示其预后作用较不稳健。

来自容积、多层面、肌肉、心血管和肝脏分析的其余参数未显示出统计学显著差异。

在标准化参数中,BMI、肌肉分析(AVF指数、SF指数、总脂肪指数、体重-肌肉比和骨骼肌指数)以及肝脏分析(肝脏指数和脾脏指数)在ROC曲线和Cox回归分析中均无统计学显著结果(P > 0.05)。

表2 从多层面和容积分析中提取的最具临床相关性的参数使用ROC(受试者工作特征)曲线预测结直肠癌相关死亡的性能 查看原表 ↗
表3 身体成分参数与结直肠癌相关死亡之间的相关性分析 查看原表 ↗

生存分析

随访中位时间为诊断后36个月。在第1组中,中位总生存期(OS)为23个月,24/101(23.8%)的患者在随访期间出现疾病进展,中位无进展生存期(PFS)为12个月。在第2组中,23/192(12%)的患者在随访期间出现进展,中位PFS为13个月。

在使用log-rank检验的Kaplan–Meier分析中,多层面分析的内脏脂肪面积(AVF)和皮下脂肪面积(SF)具有统计学显著性(分别为P = 0.033和< 0.001,卡方值分别为4.56和11.7)(图3)。而容积参数的Kaplan–Meier分析未获得显著结果。在标准化参数中,BMI、肌肉分析(AVF指数、SF指数、总脂肪指数、体重-肌肉比和骨骼肌指数)以及肝脏分析(肝脏指数和脾脏指数)均无统计学显著结果。

图3 使用Kaplan–Meier曲线对多层面分析的内脏脂肪平均HU值(A)和皮下脂肪平均HU值(B)进行生存分析 查看原图 ↗

讨论

我们的研究通过分析非转移性结肠癌患者(II–III期)的术前CT扫描,探讨了身体成分参数作为癌症相关死亡(CRC相关死亡)潜在预测因素的作用。利用基于人工智能的体积分割工具,我们评估了多个身体隔室和组织,包括肌肉、骨骼、内脏和皮下脂肪组织(AVF和SF),涵盖定性和定量(体积、面积)两方面。我们的研究结果提示,作为密度参数的平均HU AVF和SF可被视为CRC相关死亡率的预测因素。而指数化参数,如BMI或SMI,未能显示预后相关性。我们分析中最稳健的发现之一,是癌症相关死亡组(第1组)中较高的AVF和SF密度之间存在显著相关性。尽管ROC分析显示判别能力仅为中等(AUC约为0.61),这些结果应谨慎解读,不应过度强调。在我们的研究中,ROC曲线旨在作为性能的补充指标,而非推断的主要依据。支持脂肪组织密度预后作用的主要证据来自比例风险回归分析,该分析评估时间-事件结局,并为评估独立关联提供了更合适的框架。因此,中等的AUC值并不与我们的主要发现相矛盾,而是提示脂肪组织密度单独可能具有有限的判别能力,未来预测模型中有望通过整合其他临床变量来获益。

这些发现与近期文献一致,提示脂肪组织密度反映了潜在的脂肪组成、代谢活动和炎症,可作为脂肪组织损伤的定性生物标志物 [9, 12, 16]。与经典的脂肪体积增加与不良结局相关的观点不同,近期文献表明,脂肪组织密度较高与脂质含量减少和纤维化相关,提示存在促炎性改变 [12]。特别是,Feliciano等人 [12] 证明,在皮下和内脏脂肪库中,较高的密度均与结直肠癌患者死亡率增加相关,且独立于BMI和体重变化,提示脂肪组织质量比脂肪组织数量具有更重要的作用。我们的研究与这些发现一致,并将队列扩展到了局限性结直肠癌患者。

同样,Furberg等人 [16] 证明,较高的内脏脂肪组织密度(主要提示脂质耗竭和炎症)与透明细胞肾癌的较高分级和较晚期分期独立相关。此外,Ebady等人 [17] 证明,接受选择性内放射治疗且内脏脂肪组织密度较高的HCC患者,其死亡风险是内脏脂肪组织密度较低者的两倍;有趣的是,这些患者表现出更普遍的门静脉高压临床特征和更严重的不良事件。

然而,与既往文献相比,我们的工作增加了几个新的方面;首先,我们评估了一组同质性的非转移性II–III期结肠癌患者队列,而既往研究主要纳入混合分期或转移性疾病患者。此外,我们将癌症相关死亡作为主要终点,而非总生存期。再者,较高的内脏脂肪组织密度已被观察到是代谢功能障碍的重要生物标志物,并与较高的心血管代谢风险和不良生物标志物相关,如较高的胰岛素抵抗和血压、较高的脂肪因子水平以及较低的高密度脂蛋白水平[16]。

此外,我们的研究基于使用AI驱动的CT分割软件进行身体成分参数评估,这使得特征提取具有可重复性、自动化且全面。该软件克服了支撑该领域大多数研究的2D单层分割的局限[18–20],缩短了分析时间并减少了观察者间变异性[21]。由于术前CT是结肠癌检查中的标准化方法,基于AI的自动化身体成分评估工具的潜在应用将易于整合到临床实践中,无需额外检查。我们的评估基于三种分割方法:2D L3单层、从最后一根肋骨到髂嵴的多层方法,以及全腹部容积评估。在这些不同方法中,多层评估表现最佳,AVF和SF密度在ROC和Cox回归分析中均显示出与生存率的显著相关性。这些发现表明,针对皮下和内脏脂肪评估的多层靶向身体成分方法可能在临床上更具相关性。此外,正如Lim等[22]和Kim等[23]所证实的,全容积和2D分析可能高估或低估各腔室,最终为基于AI的身体成分分析增加预后价值。

尽管既往文献证实了肌少症作为肿瘤患者预后生物标志物的作用[24],但我们的研究未证实这一关联。事实上,在单变量和多变量分析中,SMI和肌肉相关指数在组间均无显著差异。这种差异可能部分归因于人群的性质,实际上我们的研究仅纳入了未接受新辅助治疗的非转移性II–III期结肠癌患者。在这一背景下,晚期癌症阶段或化疗期间常见的肌肉丢失可能不太明显,从而最终降低了肌少症的预后影响。

此外,肌肉质量可能被认为是比肌肉量更敏感的生物标志物,这一方面在我们的研究中未被探索,需要更深入的评估和进一步的研究。我们的发现还提示BMI作为预后工具的效用有限,因为BMI相关和非BMI相关指数均与生存率无显著相关性;这一发现与多项文献一致,提示BMI缺乏区分脂肪和瘦体重的敏感性,不能反映身体组织的生物学活性[25]。

本研究最重要的发现之一提示,即使考虑病理分期,脂肪组织密度仍与癌症相关死亡相关。这一结果在生存分析中被证实具有显著性,有力地支持了脂肪组织密度可能与治疗反应降低或疾病更具侵袭性相关的假说。由于脂肪组织密度值可从常规随访CT扫描中自动提取,将这些指标纳入术前风险分层评估可轻松整合到临床实践中;此外,脂肪组织HU值可考虑用于制定个体化治疗方案,包括旨在改善脂肪组织健康的营养或代谢干预。

此外,身体成分参数的整体预测效能被证实具有显著性,这潜在提示包括身体成分、分子肿瘤标志物和炎症生物标志物在内的多模态方法可能在预后预测中更为有效。

尽管结果令人鼓舞,但本研究存在一些需要说明的局限性。首先,本研究具有回顾性性质,且考虑到结肠癌的患病率,我们纳入的人群相对较小。其次,BMI数据仅在不到30%的患者中可获得,这限制了与CT衍生生物标志物比较的可靠性,也提示在解释其缺乏预后意义时需谨慎。此外,我们证明了密度在死亡率预测中的潜在作用,但未评估其与手术并发症或复发率的关系。而且,我们仅提供了一次身体成分软件评估,未考虑不同扫描仪之间可能存在的变异性。另外,未确定具有临床意义的HU阈值,这限制了这些发现在临床实践中的直接应用,需要在更大规模的前瞻性队列中进一步研究。本研究的另一个潜在局限性是探索的身体成分参数数量较多,这可能增加I类错误的风险。然而,这些分析在一定程度上属于探索性分析,且许多被评估的变量之间存在高度相关性,因此严格的多次比较校正(如Bonferroni校正)可能过于保守。此外,本研究的主要推断性证据基于Cox回归模型,而非多个独立的假设检验。尽管如此,在解释结果时应考虑这一方面,且需要在独立队列中进一步验证。

结论

总之,我们的研究表明,非转移性结肠癌患者术前CT扫描中较高的内脏和皮下脂肪密度与癌症相关死亡率的增加显著相关。研究结果提示,对身体成分参数(包括脂肪组织密度)进行有针对性的定性评估,有可能作为预后结局的独立生物标志物。使用基于AI的体积身体成分分析工具可提高身体成分评估的可重复性和可行性,为风险分层提供有效工具。然而,该生物标志物的表现仅为中等(AUC = 0.61),表明这一影像生物标志物尚不完全具备临床应用价值;我们的结果应在更大规模的前瞻性队列中进一步验证加以支持。

未来方向包括评估脂肪组织HU值与癌症进展之间的生物学机制,包括组织炎症或代谢功能障碍。此外,通过运动、饮食治疗或药物调节等干预手段针对身体成分开展研究,可能有助于确定通过改变脂肪组织质量来改善结肠癌患者预后的潜力。

引用

  1. Polici, Masci, Caruso, et al. Body composition as a predictor of cancer-related death in colon cancer: an AI-based volumetric analysis. Radiol Med. 2026. PMID: 42322513. doi:10.1007/s11547-026-02232-x
  2. 全文:PMC13526035(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13526035/

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。