双层光谱CT多参数影像组学鉴别良恶性实性肺结节
本研究回顾性纳入441例经病理证实的实性肺结节患者,提取双层光谱CT动脉期和静脉期的常规图像、40/70 keV虚拟单能量图像及碘密度、有效原子序数、电子密度图的影像组学特征。最优影像组学模型由静脉期碘密度及动静脉期有效原子序数特征构成,训练、内部、外部验证AUC分别为0.835、0.804、0.772。联合年龄和分叶征的临床-影像组学模型在各队列均优于临床-影像模型(AUC:0.889对0.816、0.865对0.795、0.825对0.743,p<0.05)。
要点
- 双层光谱CT静脉期碘密度图(ID_VP)影像组学对鉴别良恶性实性肺结节价值最高,应重点关注碘密度参数。
- 联合年龄和分叶征的影像组学模型对≤10 mm实性结节识别能力强,可辅助术前决策。
- 该模型敏感度低于有经验放射科医师(0.802对0.977),提示不能替代医师对恶性可能性的综合判断。
核心结论
- 基于双层光谱CT多参数影像组学联合年龄和分叶征的模型可术前无创鉴别良恶性实性肺结节。
- 联合模型在各验证队列均优于临床-影像模型,对≤10 mm和>10 mm结节均保持稳健诊断性能。
- 最优影像组学模型由静脉期碘密度(ID_VP)、动脉期有效原子序数(Zeff_AP)和静脉期有效原子序数(Zeff_VP)特征构成。
研究设计与样本
- 回顾性研究,共441例经手术病理证实的实性肺结节,训练集252例、内部测试集112例、外部测试集77例。
- 所有患者术前两周内行双层光谱CT胸腹部双期增强扫描,重建12组光谱图像用于影像组学特征提取。
- 以术后组织病理为参考标准,由两位放射科医师在内部测试集独立评估并与联合模型比较。
关键影像表现/征象
- 训练集中恶性结节更常表现为较大直径、不规则形态、边界模糊、分叶、毛刺、空泡征、血管汇聚和胸膜凹陷。
- 训练集中恶性结节钙化更少见,胸膜凹陷和分叶征具有独立预测价值。
- 静脉期碘密度图(ID_VP)的纹理特征权重最高,体现肿瘤微血管灌注特征。
诊断标准与关键数值
- 联合模型测试集AUC为0.865(内部)和0.825(外部),临床-影像模型对应AUC为0.795和0.743,p<0.05。
- 影像组学模型训练、内部、外部验证AUC分别为0.835(95%CI:0.776-0.893)、0.804(95%CI:0.694-0.913)、0.772(95%CI:0.633-0.912)。
- 联合模型对≤10 mm结节AUC为0.875(内部,95%CI:0.683-1.000)和1.000(外部),对>10 mm结节AUC为0.888(95%CI:0.802-0.975)和0.794(95%CI:0.664,0.923)。
- 与放射科医师相比,联合模型敏感度较低(0.802对0.977),特异度较高(0.808对0.692-0.731),AUC略优(0.865对0.835-0.854)。
- 结节钙化为良性独立预测因素,分叶征为恶性独立预测因素。
临床应用与阅片要点
- 临床报告影像组学工具时应注明包括静脉期碘密度在内的双能量定量信息。
- 对于形态学不典型的实性肺结节,可考虑利用双能量碘密度和有效原子序数影像组学提高良性结节的特异度。
- 放射科医师对不确定结节的恶性过度判断倾向可引起不必要的活检或手术,该模型可作为特异度更高的辅助手段。
局限性
- 回顾性单中心设计存在选择偏倚,外部验证仅一个中心,普适性需进一步验证。
- 训练队列恶性肿瘤比例达71%,明显高于常规筛查人群,可能造成谱偏倚和验证偏倚。
- 多参数影像组学存在特征冗余并增加模型复杂度,需要更多前瞻性数据验证其可重复性和临床可行性。
全文中译15 节 · 点击展开
引言
肺癌仍然是全球范围内癌症相关发病率和死亡率的最主要原因 [1]。如第9版TNM分期系统所述,IA1期非小细胞肺癌(NSCLC)患者的5年生存率为88%,但在IIIC期病例中显著下降至21% [2],凸显了早期检测的至关重要性。在早期阶段,肺癌常表现为孤立性肺结节 [3]。高分辨率CT(HRCT)和人工智能技术的广泛采用已大幅提高了肺结节的检出率 [4]。在基于密度的亚型中,实性肺结节(SPNs)值得特别关注,因为恶性SPNs比亚实性结节表现出更具侵袭性的生物学行为,包括生长更快、预后更差以及更易早期转移 [3, 5, 6]。然而,准确鉴别良性与恶性SPNs仍然是一个重大的临床挑战。
传统CT评估主要依赖形态学和强化特征,由于良性与恶性SPNs之间存在显著重叠,常常面临困难,导致诊断不确定 [7]。因此,现行指南建议对不确定的结节进行定期随访,这会造成心理困扰和累积辐射暴露 [8]。此外,美国国家肺癌筛查试验的数据表明,低剂量CT检出并切除的结节中有28%最终被证实为良性,凸显了不必要手术的风险 [9]。虽然侵入性活检和手术仍是诊断金标准,但它们存在并发症风险和潜在过度治疗的问题 [6]。这凸显了迫切需要一种无创、可靠的生物标志物,以便在术前区分良性与恶性SPNs。
双层光谱CT(DLCT)在传统CT之外提供了额外的定量物质分离数据 [10],包括能谱曲线斜率、虚拟单能量图像(VMIs)、碘密度(ID)、电子密度(ED)和有效原子序数(Zeff)。越来越多的证据支持DLCT在肺癌管理的多个方面的应用价值,包括组织学亚型分型 [11]、转移预测 [12]、肿瘤分期 [13] 和治疗监测 [14]。至关重要的是,多种定量能谱参数的提供为增强良性与恶性SPNs的鉴别带来了巨大潜力 [15–17]。考虑到传统影像的局限性以及DLCT日益增长的诊断潜力,迫切需要探索能够充分利用其多参数数据的先进分析方法。
影像组学涉及从医学图像中高通量地提取定量特征,从而通过分析人类视觉无法辨识的细微模式,对肿瘤异质性进行客观表征 [18, 19]。虽然基于常规CT的影像组学已在实性肺结节(SPNs)鉴别诊断中得到广泛研究 [3, 8, 20, 21],但将双层光谱CT(DLCT)与影像组学相结合的研究仍然有限。目前的DLCT影像组学研究主要集中于单参数分析(如40–70 keV虚拟单能量图像或碘密度图)[7, 22, 23],忽视了整合多参数光谱信息的潜在协同价值。本研究旨在开发并验证一个基于机器学习的影像组学模型,该模型整合多参数DLCT数据(虚拟单能量图像、碘密度图、电子密度图、有效原子序数图),用于术前鉴别良性与恶性实性肺结节,以术后组织病理学结果作为参考标准。该模型还在亚厘米结节上进行了评估,并与放射科医师的诊断表现进行比较,以评估其作为不确定实性肺结节术前无创决策支持工具的潜力。
材料与方法
研究人群
本回顾性研究经上海交通大学医学院附属仁济医院(中心1)(批准号:LY2025-036-B)和中山大学肿瘤防治中心(中心2)(批准号:B2025-189-01)的机构审查委员会批准,豁免知情同意。2021年7月至2024年1月期间,从中心1连续招募了364例经病理证实的结节患者,并按7:3的比例随机分配至训练队列和内部测试队列。独立测试队列由2023年1月至2024年6月期间从中心2纳入的76例患者(77个结节)组成。患者筛选流程总结于图1。
纳入标准为:(1)经手术切除病理证实的肺结节;(2)术前两周内行DLCT检查;(3)肺结节最大径≤3 cm;(4)CT图像层厚小于1 mm。排除标准包括:(1)近期接受过抗肿瘤治疗;(2)严重影响图像质量的严重呼吸伪影或金属伪影;(3)亚实性结节(纯磨玻璃或部分实性)。
CT扫描方案
所有患者均使用DLCT扫描仪(IQon Spectral CT,飞利浦医疗)接受平扫及双期对比增强胸部扫描。中心1和中心2扫描方案的详细信息见S1。
由后处理工作站(IntelliSpace Portal 12,飞利浦医疗)为每位患者重建出12组光谱图像集,包括动脉期和静脉期(VPs)的常规图像、碘密度(ID)图、有效原子序数(Zeff)图、电子密度(ED)图以及40 keV和70 keV的虚拟单能量图像(VMI)。
临床及影像学特征分析
临床数据和病理诊断,包括年龄、性别和吸烟史,均从电子病历中收集。一名初级放射科医师(放射科医师A,3年经验)初步评估CT图像,随后由一名中级放射科医师(放射科医师B,8年经验)复核。分歧由一名高级放射科医师(放射科医师C,25年经验)裁决。所有放射科医师均对临床和病理信息设盲。图像采用肺窗和纵隔窗进行评估。记录的CT征象如下:(1)直径(在CT肺窗轴位图像上测量的最长径);(2)结节位置;(3)形状;(4)边界清晰;(5)其他影像学特征:分叶征、毛刺征、棘突征、空泡征、空洞、空气支气管征、血管集束征、胸膜凹陷征和钙化[3, 4]。
影像组学工作流程
图像分割:将动脉期(AP)和静脉期(VP)的CT图像导入ITK-SNAP软件(版本3.80,http://www.itksnap.org)。使用肺窗,放射科医师A基于阈值算法对感兴趣区(ROI)进行半自动分割,随后逐层手动调整以排除大血管、支气管、胸壁和纵隔结构。为评估可重复性,训练队列中随机选择30例由放射科医师A和放射科医师B在1个月后重新分割。可重复性采用组内相关系数(ICC)评估,基于双向混合效应模型(观察者内)和双向随机效应模型(观察者间),均采用绝对一致性和单次测量[24]。仅保留两个ICC均> 0.75的特征。
特征提取:在常规CT图像上勾画的ROI自动配准到重建的光谱图像上。12组光谱图像经过各向同性重采样预处理至1 × 1 × 1 mm³体素大小,灰度离散化采用固定箱宽25。使用PyRadiomics软件包(版本3.1.0;pyradiomics社区),遵循图像生物标志物标准化倡议(IBSI)指南,每个ROI共提取1118个影像组学特征。在特征选择之前,应用z-score标准化对所有结节特征进行标准化。
特征选择:首先,保留ICC ≥ 0.75的特征以确保可重复性。其次,应用最小冗余最大相关(mRMR)算法识别最具信息量的特征,同时排除具有高共线性(Spearman相关系数≥ 0.8)的特征。最后,使用带五折交叉验证的最小绝对收缩和选择算子(LASSO)选择具有非零系数的特征。
模型构建:共构建了12个单光谱影像组学模型,每个模型对应动脉期(AP)和静脉期(VP)中的一种光谱图像类型。在训练队列中采用五折交叉验证的逻辑回归进行模型开发。平均曲线下面积(AUC)> 0.75的模型被认为性能较高。为确定最具信息量的光谱图像类型,我们评估了交叉验证过程中每种图像类型对高性能模型的贡献频率。随后选取排名靠前的图像类型进行组合,开发多参数影像组学模型,并计算相应的影像组学评分(Radscore)。最后通过逻辑回归构建整合了筛选出的临床、影像学特征及多参数Radscore的联合模型,并以列线图形式可视化。工作流程见图2。
诊断效能评估
两名放射科医师(医师B和医师C)独立评估内部测试集中的孤立性肺结节(SPNs)。采用受试者工作特征(ROC)分析比较联合模型与放射科医师的诊断效能。
统计分析
统计分析使用SPSS(26.0版)和R软件(4.4.2版;https://www.r-project.org)进行。采用Kolmogorov–Smirnov检验评估连续变量的正态性。正态分布数据以均值±标准差表示,非正态分布变量以中位数(四分位距)表示。分类变量以频数和百分比进行汇总。采用Levene检验评估方差齐性。连续变量的组间比较酌情使用独立样本t检验或Mann–Whitney U检验,分类变量使用卡方检验。采用单变量和多变量逻辑回归分析确定临床及CT变量中的独立预测因素。模型性能通过ROC曲线评估,报告AUC、准确度、敏感度和特异度。采用DeLong检验比较模型间AUC的差异。列线图的校准度通过校准曲线和Hosmer–Lemeshow拟合优度检验进行评估。临床效用通过决策曲线分析(DCA)进行评估。进行亚组分析评估联合模型在按大小分层(≤10 mm与>10 mm)的结节中的表现。p值<0.05认为差异具有统计学意义。
结果
患者特征
本研究共纳入441个SPN,其中训练队列252个结节(72个良性,180个恶性),内部测试队列112个结节(26个良性,86个恶性),外部测试队列77个结节(14个良性,63个恶性)。中心1和中心2的组织学类型见表S1。临床和影像学特征总结于表1。在训练队列中,年龄在良恶性鉴别中显示出显著差异(p < 0.001),而性别和吸烟史无统计学差异。在训练队列中,恶性结节更倾向于表现出更大的直径、不规则形状、边界模糊、分叶征、毛刺征、空泡征、血管聚集征、胸膜凹陷征,且钙化较少见(均p < 0.05)。
临床-影像学模型
多因素logistic回归确定年龄、直径、分叶征、胸膜凹陷征和钙化为良恶性SPN鉴别的独立预测因素(表2)。临床-影像学模型在训练、内部验证和外部验证队列中的AUC分别为0.816(95%置信区间(CI):0.755–0.877)、0.795(95% CI:0.711–0.880)和0.743(95% CI:0.594–0.892)(表3)。
影像组学模型
基于重复交叉验证,筛选出三个最佳单一能谱模型:Zeff_AP、Zeff_VP和ID_VP。随后将这些模型与基于Conventional_VP和Conventional_AP的影像组学模型进行比较。五种单一能谱影像组学模型的诊断性能总结于表S2。在训练队列中,基于Zeff_AP、Zeff_VP和ID_VP的单一能谱模型均显示出优于常规CT图像的诊断性能。其中,ID_VP取得了最高的AUC,为0.816(95% CI:0.755–0.876)。从性能排名前三的模型中提取的十个影像组学特征被整合以构建多参数影像组学模型,在训练、内部测试和外部测试队列中的AUC分别为0.835(95% CI:0.776–0.893)、0.804(95% CI:0.694–0.913)和0.772(95% CI:0.633–0.912)。详细结果见表3。特征系数和贡献权重详见图3。
联合模型
通过逻辑回归构建的组合模型纳入了两个临床-影像学变量(年龄和分叶征)以及多参数Radscore,并以列线图形式展示(图S1)。与临床-影像学模型相比,组合模型在所有队列中均取得了显著更高的诊断性能:训练集(AUC:0.889 vs. 0.816)、内部测试集(AUC:0.865 vs. 0.795)和外部测试集(AUC:0.825 vs. 0.743)(图4a–c及表3)。比较组合模型与临床-影像学模型的DeLong检验得出p值< 0.05(表S3)。Hosmer-Lemeshow检验证实了该模型在所有数据集上均具有良好的校准度(p > 0.05;图5a–c),决策曲线分析(DCA)表明该模型相较于其他替代模型提供了更大的临床净收益(图5d–f)。
亚组分析与放射科医生比较
组合模型在内部和外部测试队列中,对亚厘米级(≤ 10 mm)和较大(> 10 mm)结节均保持了稳健的性能。在内部测试队列中,组合模型对≤ 10 mm结节的AUC为0.875(95% CI:0.683–1.000),对> 10 mm结节的AUC为0.888(95% CI:0.802–0.975)。在外部测试队列中,区分≤ 10 mm和> 10 mm结节的AUC分别为1.000和0.794(95% CI:0.664,0.923)(表4)。与内部测试队列中两位放射科医生的评估相比,组合模型取得了更高的特异度(0.808 vs. 0.692–0.731)和AUC(0.865 vs. 0.835–0.854),但敏感度较低(0.802 vs. 0.977)(表S4)。
讨论
本研究开发并验证了一种结合临床-影像学特征与双层探测器光谱CT(DLCT)影像组学的机器学习模型,用于区分良性与恶性实性肺结节(SPNs)。基于该模型构建的列线图利用多参数数据增强组织鉴别能力,有望作为临床评估SPNs的一种有价值的术前无创决策支持工具,尤其适用于常规影像上难以定性的SPNs。
在放射诊断领域,临床及常规CT形态学特征在鉴别恶性与良性孤立性肺结节(SPNs)中发挥着关键作用。与既往研究一致[25–27],我们的多因素分析确定年龄、直径、分叶征、胸膜凹陷征和钙化为恶性结节的独立预测因素。其中,年龄和分叶征被纳入最终列线图,分叶征提示肿瘤生长速度的空间异质性[27]。然而,对这些常规CT特征的判读本质上仍具有主观性和经验依赖性,导致观察者间差异显著且诊断准确性欠佳,尤其是对于不确定或小结节[3, 28]。相比之下,影像组学能够超越视觉评估,实现对肿瘤异质性的客观量化。
基于常规CT的影像组学已被广泛研究用于孤立性肺结节的鉴别诊断,报道的AUC范围为0.80至0.90[8, 22, 29, 30]。然而,这些模型主要依赖形态学特征或单期增强模式,可能无法捕捉血流动力学特征或成分异质性。相比之下,双层探测器光谱CT(DLCT)可提供多参数能谱信息,如碘密度(ID)、有效原子序数(Zeff)和虚拟单能量图像(VMI),从而能更全面地评估病灶灌注和组织成分。因此,对于常规CT上仍难以确定的孤立性肺结节,DLCT可能提供额外的诊断价值。迄今为止,仅有少数研究探索了基于DLCT的影像组学在鉴别良恶性肺结节中的应用。Xu等[22]基于65 keV VMI构建了影像组学模型,AUC超过0.90;Liang等[23]报道了基于70 keV VMI的模型,AUC为0.877。尽管这些单参数研究为DLCT影像组学的可行性提供了初步证据,但受限于样本量相对较小、良性病例数量不足以及缺乏外部验证。
为克服上述局限性,本研究系统评估了12种DLCT衍生参数图,并构建了一个多参数DLCT影像组学模型,该模型展现了稳健的诊断性能,在内部和外部测试集中的AUC分别为0.804和0.772。在此模型基础上,进一步构建了整合临床和放射学特征的联合模型,在内部和外部测试集中分别取得了0.865和0.825的AUC。该联合模型展现了作为术前无创决策支持工具的潜力。值得注意的是,本研究依托于相对较大的队列(n = 441),并包含内部和外部验证,与既往单中心研究相比,这可能增强研究结果的可推广性。此外,我们特别评估了模型在亚厘米结节(≤ 10 mm)中的表现,该亚组在既往DLCT影像组学研究中鲜有探索。
为鉴别良性与恶性孤立性肺结节(SPN),我们选取了源自ID_VP、Zeff_AP和Zeff_VP的10个判别性特征来构建影像组学模型。所选特征包括1个形态学参数和8个纹理参数。其中,ID_VP的log-sigma-3-0-mm-3D_glrlm_短游程低灰度强调是权重最高的特征,这印证了纹理特征在捕捉肿瘤复杂性方面优于形态学特征的既有优势 [3, 5]。ID_VP成为最佳预测因子,优于Zeff_AP和Zeff_VP [15]。这一发现 [15, 31] 证实了以下证据:静脉期碘浓度与微血管密度的相关性更好,因为在静脉期对比剂可充分渗透肿瘤间质,克服了因微血管迂曲和基底膜不完整所致的动脉期局限性。尽管Zeff可显示组织成分,但其易受碘干扰的特性可能解释了其性能欠佳的原因 [15, 16]。单能谱DLCT影像组学模型(ID_VP、Zeff_AP和Zeff_VP)的诊断性能优于传统CT,与既往研究一致 [22, 31]。此外,整合多参数DLCT数据的影像组学模型较基于单能谱DLCT的影像组学模型表现出进一步提升的性能。这可能是因为ID与Zeff的多参数整合产生了协同增强效应,综合了血流动力学与结构异质性信息,从而提高了诊断准确性。
为评估临床实用性,将联合模型的诊断准确性与放射科医师的判读结果进行比较。该模型的诊断性能略优(AUC = 0.865 vs. 0.835–0.854),特异度更高(0.808 vs. 0.692–0.731),但敏感度较低(0.802 vs. 0.977)。这种差异可能反映了临床上对不确定结节倾向于过度判读的偏倚,这可能导致不必要的侵入性干预。因此,我们的模型可作为一种可靠的术前工具,有助于减少不必要的侵入性操作,并具有支持临床决策的潜力,尤其是对于不确定的孤立性肺结节。此外,本研究证实了联合模型在不同结节大小亚组中具有稳定的诊断性能,尤其是对于亚厘米实性结节(≤ 10 mm)——这是一个影像特征细微、诊断困难的队列。该模型在≤ 10 mm和> 10 mm结节中均表现出稳健的泛化能力,AUC分别为0.875和0.888(内部测试集),以及1.000和0.794(外部测试集)。在外部测试队列中,≤ 10 mm结节的AUC达到1.000,可能归因于样本量较小(n = 9),这提示需要进一步验证。
然而,本研究存在若干局限性。首先,尽管样本量相对较大(n = 441),但其回顾性设计引入了潜在的选择偏倚,并可能限制结果的普适性。其次,本队列中恶性病变的占比(71%)显著高于常规临床实践。这反映了一个高危人群,即具有可疑影像学或临床特征并接受了病理证实的结节被富集。因此,这种不均衡可能引入谱系偏倚或验证偏倚,并可能限制其适用于低危人群。因此,所提出的模型适用于不确定性孤立性肺结节(SPN)患者的术前风险分层;在筛查或监测人群中开展前瞻性验证是有必要的。第三,多参数双层探测器CT(DLCT)因不同参数图之间的相关性,也可能引入特征冗余并增加模型复杂度。这可能增加特征选择的不确定性及过拟合风险,从而可能影响模型的泛化性和可解释性。未来研究应侧重于稳健的特征选择策略、标准化采集方案以及多中心外部验证,以评估模型在不同平台和临床环境中的稳定性。
结论
本研究建立并验证了一个结合临床和影像学特征的多参数DLCT影像组学模型,用于术前区分良性与恶性SPN。该模型在不同结节大小(包括亚厘米级病灶)中均保持了稳健的性能,突显了其作为一种无创、可重复的工具的潜力,可支持术前风险分层并减少SPN管理中不必要的干预。
补充信息
补充信息
引用
- Wang, Yu, Fu, et al. Noninvasive differentiation of benign and malignant solid pulmonary nodules using multiparameter dual-layer spectral CT radiomics. Insights Imaging. 2026. PMID: 42696074. doi:10.1186/s13244-026-02380-8
- 全文:PMC13545195(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13545195/
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。