文献速递胸部心血管CT

基于CT阈值分割的多组分模型预测≤30 mm肺腺癌脏层胸膜侵犯

Multi-component radiological model based on intratumoral CT threshold segmentation for predicting visceral pleural invasion in lung adenocarcinoma ≤ 30 mm.
PubMed 文献 · Insights Imaging · 2026-07-24

回顾性双中心研究纳入816例≤30 mm肺腺癌患者,基于瘤内CT阈值分割提取实性、磨玻璃及瘤周组分,构建影像组学、ViT及二者联合模型预测脏层胸膜侵犯。联合模型在外部队列中敏感度最高达95.4%,AUC为0.823,提示多组分特征融合对术前VPI预测具有价值。

要点

  • 联合模型敏感度最高(内、外部测试集约90.5%、95.4%),适合需要尽量降低漏诊的术前评估场景。
  • ViT模型特异度最高(内、外部测试集约77.9%、70.5%),更利于避免过度治疗。
  • 多组分分割需以-190 HU为阈值区分实性与磨玻璃成分,并向肿瘤外扩3 mm生成瘤周组分。

核心结论

  • 多组分影像组学-ViT联合模型对≤30 mm肺腺癌VPI预测具有较高敏感度,外部测试集AUC为0.823、敏感度95.4%。

研究设计与样本

  • 回顾性双中心研究,纳入816例手术切除的浸润性肺腺癌患者,术前4周内接受≤1 mm薄层平扫CT。
  • 中心1患者按手术时间分为训练集591例与内部测试集98例,中心2患者为外部测试集127例。
  • 以弹性纤维染色病理结果为参考标准,弹性层断裂判为VPI阳性,完整判为VPI阴性。
  • 影像组学采用随机森林分类器,DL采用在三个组分上微调的预训练ViT模型,联合模型整合两路特征。

关键影像表现/征象

  • 以-190 HU为阈值对瘤内成分分割,≥-190 HU为实性成分,<-190 HU为磨玻璃成分。
  • 将肿瘤边界向外扩展3 mm生成瘤周成分,以反映肿瘤与胸膜的空间关系。
  • SHAP显示联合模型中贡献最大的前六位特征均为ViT特征,提示其对VPI预测贡献最大。

诊断标准与关键数值

  • 影像组学模型AUC在训练、内部测试、外部测试集分别为0.865、0.865、0.844。
  • ViT模型AUC在训练、内部测试、外部测试集分别为0.858、0.844、0.816。
  • 联合模型AUC在训练、内部测试、外部测试集分别为0.895、0.852、0.823,训练集优于单一模型(p<0.05)。
  • 联合模型敏感度在训练、内部测试、外部测试集分别为92.8%、90.5%、95.4%,为三者中最高。
  • ViT模型特异度在训练、内部测试、外部测试集分别为79.1%、77.9%、70.5%,为三者中最高。

临床应用与阅片要点

  • 需要在肺窗(窗宽1500 HU,窗位-400 HU)上评估胸膜贴附与胸膜牵拉,二者均无的病例被排除。
  • 实性成分比例越高的肺腺癌VPI风险越高,阅片时应特别关注实性部分与胸膜的关系。
  • 联合模型高敏感度但伴随假阳性风险,临床用于筛选高风险患者而非直接确诊。

局限性

  • 未纳入临床特征、血液学标志物和CT常规征象,模型性能仍有提升空间。
  • 分割阈值-190 HU来自既往文献和经验,未经系统内部优化。
  • 注意力图突出区域的病理特征未进行影像-病理精准配准验证。
全文中译14 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:Insights Imaging. 2026 Jul 24;17:194. doi: 10.1186/s13244-026-02351-z

引言

肺癌是全球最常见且最致命的恶性肿瘤[1],其中肺腺癌(LUAD)是最常见的组织学类型。脏层胸膜侵犯(VPI),定义为肿瘤细胞侵犯超出胸膜弹力层,是肺腺癌中重要的病理学和预后因素。VPI已被纳入T分期[2],从而使≤30 mm的肿瘤从IA期升期为IB期。即使在早期肿瘤中,VPI也与显著较差的总生存期和无病生存期相关[3, 4]。对于≤30 mm伴VPI的肿瘤,系统性淋巴结清扫和肺叶切除术是推荐的手术方式[5, 6]。对于根治性术后的IB期患者,经多学科团队评估后,伴有VPI者可考虑辅助化疗[7]。因此,术前及时检测VPI对于优化手术计划和启动辅助治疗至关重要。

诊断VPI的金标准是病理学证实肿瘤侵犯超出弹力纤维层;然而,由于弹力纤维染色耗时较长,无法在术中完成。自体荧光和共聚焦激光显微内镜等替代技术也仍处于研究阶段[8, 9]。因此,CT成像作为术前VPI评估的重要无创工具发挥着关键作用。某些语义CT特征,如水母征[10],已被确定为VPI的可靠指标,但受观察者变异性的影响。人工智能的进展,包括影像组学和深度学习(DL)[11, 12],使得对整个肿瘤进行定量和客观分析成为可能。这些方法展现出良好的可重复性和诊断效能。此外,自然语言处理及其Transformer架构的普及将视觉Transformer(ViT)引入图像分类领域,能够捕获全局结构背景和空间依赖关系[13]。

然而,既往研究基于整个肿瘤的分割构建模型,将其视为单一区域,未明确考虑肿瘤内异质性[14–17]。纯磨玻璃、亚实性和实性成分表现出不同的生物学行为[18]。与亚实性结节相比,实性肿瘤与淋巴管、血管和胸膜侵犯的相关性更强[19]。此外,瘤周特征在VPI预测中发挥着关键作用[20]。

因此,本研究的主要目的是开发和评估多成分影像组学、ViT以及影像组学-ViT联合模型用于VPI预测,并辅以肿瘤内阈值分割和瘤周扩展。

材料与方法

患者选择

本回顾性研究经复旦大学附属中山医院伦理审查委员会(B2021-128)和上海交通大学医学院附属胸科医院(IS23088)批准。已豁免获取知情同意的要求。

这项双中心研究最初纳入了1582例接受外科手术治疗的肺腺癌(LUAD)患者:其中1343例来自复旦大学附属中山医院(2018年11月1日至2019年6月30日),239例来自上海交通大学医学院附属胸科医院(2022年8月1日至31日)。所有参与者均在术前四周内接受了术前平扫薄层(≤1 mm)CT扫描。在回顾所有病例后,符合以下任一标准的患者被排除:(1)黏液腺癌或其他罕见亚型;(2)轴位CT图像上最长径>30 mm或图像质量差;(3)临床或病理资料不完整;(4)有其他恶性肿瘤病史;(5)CT检查前有介入活检史或接受过新辅助治疗;(6)同时无胸膜附着和胸膜牵拉(图1)[21]。胸膜附着和胸膜牵拉由两名分别具有5年和10年经验的放射科医师在肺窗(窗宽:1500 HU;窗位:−400 HU)上的轴位、冠状位和矢状位CT图像上独立评估。意见不一致时,由一名具有20年经验的高年资放射科医师做出最终决定。最终共纳入816例患者,详细的纳入和排除流程见图2。来自中心1的患者根据手术时间分为训练集(591例)和内部测试集(98例)。来自中心2的患者构成外部测试集(127例)。

图1 胸膜侵犯示意图及CT阈值分割。a 胸膜牵拉(蓝色箭头)。b 胸膜附着(红色箭头)。c 胸膜牵拉与胸膜附着并存(蓝色和红色箭头)。d 轴位CT图像。e 阈值分割演示。f 肿瘤三维可视化 查看原图 ↗
图2 患者纳入和排除流程图 查看原图 ↗

CT图像采集与病理评估

所有患者均在术前四周内接受了平扫薄层(≤1 mm)胸部CT扫描。扫描在仰卧位屏气状态下进行。根据各CT扫描仪的扫描方案,使用骨算法或标准成像算法进行重建,轴位层厚为0.625或1 mm。两个中心使用了多种多层螺旋CT扫描仪,包括来自西门子医疗、GE医疗、联影医疗、佳能医疗系统和飞利浦的16至512层CT扫描仪。详细扫描参数见补充表S1和S2。病理评估由两名病理科医师使用弹力纤维染色进行。弹力纤维层中断的患者被归类为存在脏层胸膜侵犯(VPI),而弹力纤维层完整的患者被归类为无VPI。

结节勾画与阈值分割

所有CT图像均导入3D Slicer(版本5.6.2;https://www.slicer.org)进行人工勾画,该软件为一款开源医学图像处理软件。分割主要在轴位图像上使用肺窗(窗宽:1500 HU;窗位:-400 HU)进行,必要时使用纵隔窗(窗宽:350 HU;窗位:40 HU)和多平面重组。一名具有5年经验的初级放射科医师逐层勾画感兴趣区(ROI),避开肿瘤邻近的大血管和支气管。随后,一名具有10年经验的高级放射科医师审核所有ROI,并随机重新勾画30个病灶。通过计算两名观察者独立勾画病灶的组内相关系数(ICC)来评估放射组学特征的观察者间可重复性。ROI勾画完成后,采用-190 HU的阈值将原始肿瘤ROI分割为两个亚区域:实性成分(≥−190 HU)和磨玻璃成分(<−190 HU)。随后,将肿瘤边界向所有方向外扩3 mm生成瘤周成分。阈值分割过程如图1所示。所有原始图像和分割掩膜均重采样为0.8×0.8×0.8 mm³的各向同性体素尺寸。

放射组学模型构建

使用SlicerRadiomics(版本:8426cdf)分别从实性、磨玻璃和瘤周ROI中提取放射组学特征。SlicerRadiomics是3D Slicer的一个扩展模块,为PyRadiomics库提供接口,由哈佛医学院人工智能医学项目开发和维护。数据采用25 HU的箱宽进行离散化,并进行Z-score标准化。每个ROI共提取107个原始特征,包括14个形状特征、18个一阶统计特征、24个灰度共生矩阵(GLCM)特征、14个灰度依赖矩阵(GLDM)特征、16个灰度游程矩阵(GLRLM)特征、16个灰度区域大小矩阵(GLSZM)特征和5个邻域灰度差分矩阵(NGTDM)特征。此外,小波变换使用八种滤波器组合(LLH、LLL、HHH、HHL、HLL、HLH、LHL、LHH)生成了744个特征。

特征选择在训练集上进行。首先,使用方差分析和互信息去除不相关特征。然后,应用最小绝对收缩和选择算子(LASSO)筛选最具信息量的特征。基于所选特征,使用Scikit-learn(版本1.2.2)构建随机森林分类器。采用五折交叉验证,以曲线下面积(AUC)作为优化目标。使用Optuna(版本3.1.0)进行贝叶斯优化以选择最佳参数。

ViT模型构建

采用了一个预训练的三维(3D)ViT骨干网络(https://github.com/AliAfs/SiT_3D/tree/main),并针对本任务增加了额外的输入分支和融合层。该预训练模型由十二个顺序编码器层组成,每层有十二个注意力头。从实性、磨玻璃和瘤周感兴趣区(ROI)提取的容积数据作为三个独立输入。在迁移学习过程中,前十一层编码器被冻结,以保留用于通用特征提取的预训练参数,最后一层保持可训练以适配VPI预测任务。训练在NVIDIA A100-80GB GPU上进行,使用Adam优化器,以AUC作为目标指标。模型架构见补充图S1。

Radiomics-ViT模型构建

最终提取了256个ViT特征,并将其与影像组学特征结合用于特征选择和模型构建,流程与影像组学模型所用方法相同。使用Shapley加性解释(SHAP)对联合模型做进一步解释,该方法基于合作博弈论中的Shapley值,量化每个特征对预测的贡献。整个工作流程见图3。

图3 数据处理与建模工作流程 查看原图 ↗

统计分析

临床和病理数据采用SPSS 27.0软件进行分析。定量变量首先进行正态分布检验。符合正态分布的变量以均值±标准差( )表示,不符合正态分布的变量以中位数和四分位距(IQR)表示。分类变量采用频数和比例描述。定量变量比较采用两独立样本t检验,分类变量比较采用Pearson卡方检验或Fisher精确检验。采用MedCalc 23.0.9软件中的DeLong检验比较各模型间AUC的差异。同时进行敏感性、特异性和决策曲线分析(DCA)以进一步评估模型。双侧p < 0.05认为差异有统计学意义。

结果

临床与最终病理特征

在所有数据集中,VPI阳性组与VPI阴性组在最长径、实性肿瘤比(CTR)、Ki67和高级别组织学类型方面均存在显著差异(p < 0.05)。所有数据集中年龄、性别和吸烟状态均未发现显著统计学差异(p > 0.05)。临床统计结果见表1。

表1 VPI阳性与VPI阴性患者的临床和病理特征 查看原表 ↗

模型性能

影像组学模型基于随机森林分类器构建,共纳入15个筛选特征(补充表S3),在训练集、内部测试集和外部测试集中的AUC分别为0.865、0.865和0.844。最佳ViT模型在三个数据集中的AUC分别为0.858、0.844和0.816。影像组学-ViT模型纳入了19个筛选特征(补充表S4),在训练集、内部测试集和外部测试集中的AUC分别为0.895、0.852和0.823。表2总结了所有模型的性能,包括敏感性和特异性。观察者间一致性分析表明,影像组学特征的平均ICC值为0.930。

基于肿瘤大小进行了亚组分析,采用TNM分期和手术决策中常用的20 mm截断值。20–30 mm的肿瘤发生脏层胸膜侵犯(VPI)的风险高于≤20 mm的肿瘤[22–24]。因此,分别在≤20 mm和20–30 mm亚组中评估了模型性能(补充图S2)。

表2 影像组学、ViT及影像组学–ViT模型的预测性能 查看原表 ↗

模型性能比较

三种模型在所有数据集中的受试者工作特征(ROC)曲线见图4。在所有数据集中,影像组学模型的AUC值在数值上高于ViT模型,但差异无统计学意义。在训练集中,影像组学–ViT模型较两个单一模型均显示出有统计学意义的改善(p < 0.05)。然而,在内部和外部测试集中,联合模型表现出与ViT模型相当的性能。详细的DeLong检验结果见补充表S5。联合模型取得了最高的敏感性(92.8%、90.5%和95.4%),而ViT模型表现出最高的特异性(79.1%、77.9%和70.5%)。所有模型和数据集的Brier评分范围为0.104至0.128,表明总体校准良好,无严重校准不良的证据。校准曲线见补充图S3。决策曲线分析(DCA)(图4)表明,在训练集中联合模型较ViT和影像组学模型显示出更高的净获益,而在测试集中仅在有限的阈值概率范围内优于单一模型。在亚组分析中,比较了内部和外部测试集之间的模型性能。尽管在≤20 mm的病灶中性能从内部测试集到外部测试集有所下降,但仅有影像组学模型显示出有统计学意义的下降(补充表S6)。

图4 影像组学、ViT和影像组学–ViT模型在训练集(a)、内部测试集(b)和外部测试集(c)中的受试者工作特征(ROC)曲线;影像组学、ViT和影像组学–ViT模型在训练集(d)、内部测试集(e)和外部测试集(f)中的DCA 查看原图 ↗

模型解释

联合模型的SHAP解释见图5。该图根据特征对模型整体预测的贡献对特征进行排序。在贡献最大的前十项特征中,前六项来自ViT,表明其对模型决策具有重要贡献。为进一步增强ViT模型的可解释性,生成了注意力图以突出与预测最相关的图像区域(补充图S4)。

图5 影像组学–ViT模型的SHAP解释图 查看原图 ↗

讨论

这项回顾性研究基于实性、磨玻璃和瘤周成分构建了影像组学、ViT和影像组学–ViT模型,用于预测≤30 mm肺腺癌(LUAD)的VPI。所有模型的AUC均大于0.8,外部测试集中性能无显著下降。影像组学–ViT模型在训练集中表现出性能改善。这些发现提示影像组学和ViT在识别VPI方面提供了互补信息。整合多种瘤内成分和瘤周区域有助于稳健预测,支持其潜在的临床价值。

既往研究已经证实了CT衰减在评估高危因素中的重要性。实性结节比亚实性结节更易侵犯胸膜,而磨玻璃成分的存在降低了脏层胸膜侵犯(VPI)的可能性 [25, 26]。一些研究提供了将实性成分信息作为额外输入的模型,提高了对高危病理特征(如高级别组织学类型和经气腔播散)的预测能力 [27, 28]。此外,瘤周特征反映了肿瘤周围组织中的肿瘤相关变化,在评估肿瘤侵袭性方面发挥着重要作用 [16, 20]。因此,我们分别提供了实性、磨玻璃和瘤周区域的模型,以保留每种成分的独特特征,同时实现互补信息的整合。

SHAP分析提供了模型可解释性。从实性、磨玻璃和瘤周成分中提取并聚合的ViT特征对VPI预测的贡献最大。从这些区域分别提取特征使模型能够保留成分特异性信息,并防止具有生物学意义的信号被稀释。注意力图在肿瘤不同成分之间的某些界面区域赋予了更高的权重。一些瘤周放射组学特征也显示出较高的贡献,反映了肿瘤与胸膜之间的空间关系。其中,Wavelet-LLH_glrlm_RunVariance排名第一。该特征量化了沿指定方向连续灰度级的变异性。较高的RunVariance值反映了瘤周灰度分布更大的异质性,提示更具侵袭性的肿瘤行为及微环境变化。这些特征支持了该放射组学特征在预测与VPI相关的高危病理结局中的实用性。

在亚组分析中,模型在训练集和内部测试集的≤20 mm组中均表现出良好的性能(AUC > 0.85)。在外部测试集中性能有所下降,尽管这种下降仅在放射组学模型中达到了统计学显著性。这种下降可能归因于中心间的异质性,包括成像方案和患者群体的差异。小病灶本身包含的体素较少,这可能限制了可用于模型训练的判别性信息量。相比之下,20–30 mm亚组在所有数据集中均显示出稳定的AUC,表明在较大肿瘤中具有更强的稳健性和临床适用性。这些发现提示,未来研究应考虑针对小病灶进行有针对性的建模或增加样本量,以提高临床实用性。

值得注意的是,现实世界中的临床决策是多因素的,既包括患者特异性特征(如麻醉风险和合并症),也包括更广泛的考量(如术后辅助治疗的可及性和机构方案)。Radiomics-ViT模型在检测VPI方面显示出最高的灵敏度,表明其有潜力支持更积极的治疗策略,尤其是对肺储备良好的年轻患者。尽管这种方法可能带来一定的假阳性风险,但整体评估优先考虑将治疗不足和潜在复发的风险降至最低。相比之下,ViT模型显示出最高的特异度,这可能有助于避免过度治疗,尤其是在资源受限的环境中或对生理储备有限的患者。

本研究存在一些局限性。首先,未纳入临床特征、血液学生物标志物和CT语义特征。未来工作将加入这些因素,以进一步提高模型性能和适用性。其次,分割阈值基于既往文献和观察经验[28–30],而非通过系统性的内部优化得出。最后,注意力图所强调区域(尤其是肿瘤成分界面处)的病理特征未通过直接的影像-病理精准配准进行评估。未来研究可逐层系统比较这些区域。

总之,多组分特征提取和建模方法可有效预测VPI。多组分放射组学–ViT模型在≤30 mm的LUAD中显示出对VPI预测的高灵敏度,凸显了其作为术前治疗规划和预后评估有价值工具的潜力。

补充信息

电子补充材料

引用

  1. Sun, Chen, Wang, et al. Multi-component radiological model based on intratumoral CT threshold segmentation for predicting visceral pleural invasion in lung adenocarcinoma ≤ 30 mm. Insights Imaging. 2026. PMID: 42498861. doi:10.1186/s13244-026-02351-z
  2. 全文:PMC13400552(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13400552/

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。