使用增强CT与非增强CT预测非小细胞肺癌患者EGFR突变状态:影像组学列线图分析
该回顾性研究纳入412例病理确诊的非小细胞肺癌患者,利用在增强CT与非增强CT间无显著差异的影像组学特征构建通用影像组学标签及列线图,用于预测EGFR突变状态。通用列线图在两个测试集中AUC分别为0.833/0.842和0.839/0.850,作者认为该列线图可能成为无创检测EGFR突变状态的工具。
要点
- 通用影像组学列线图整合通用影像组学标签、吸烟史、肺气肿和间质性肺病,在测试集1的NE-CT与CE-CT上AUC分别为0.833和0.842。
- 通用影像组学标签在两个测试集中最高AUC分别为0.756和0.739,应用于同类型CT时性能相似于或高于仅用NE-CT或CE-CT特征构建的模型。
- 测试集1中当使用NE-CT预测时,列线图显著优于NE模型(p=0.013)和G-NC模型(p=0.027)。
核心结论
- 联合NE-CT和CE-CT构建的通用影像组学标签对EGFR突变状态预测表现良好,列线图预测能力最优,且适用于NE-CT和CE-CT。
- 作者认为,在临床实践中该列线图可能成为检测EGFR突变状态的无创工具。
研究设计与样本
- 回顾性研究,共纳入412例病理确诊的NSCLC患者,分为训练集327例(167例NE-CT和160例CE-CT)、测试集1共66例(66例NE-CT和66例CE-CT)和测试集2共19例(19例NE-CT和19例CE-CT)。
- 使用两种多探测器CT系统(Brilliance CT, Philips Healthcare;Toshiba CT)行胸部CT扫描,扫描参数为100–120 kVp、100 mA、探测器准直64×或128×0.625 mm、视野350×350 mm、矩阵512×512。
- CE-CT经肘前静脉以3.0 mL/s注射85 mL非离子型碘对比剂(350 mg碘/mL,Omnipaque,GE Healthcare),注射后延迟25秒再次扫描。
- 参考标准为聚合酶链反应检测并经直接测序确认的EGFR突变状态。
- 采用五折交叉验证选择最佳机器学习算法,用ROC-AUC评价判别能力,用决策曲线分析评价临床有用性。
关键影像表现/征象
- EGFR突变在女性中显著高于男性,在非吸烟者中显著高于吸烟者。
- 组织学类型、COPD、ILD(p < 0.001)、病变类型(p = 0.008)、大小(p = 0.001)和肺气肿(p < 0.001)在EGFR突变型与野生型间差异有统计学意义。
- EGFR突变更常见于体积较小、腺癌以及不伴肺气肿、COPD和ILD的组。
- 密度、支气管扩张、淋巴结增大和阻塞性肺炎在EGFR突变型与野生型间差异不显著。
诊断标准与关键数值
- 通用影像组学标签在两个测试集中最高AUC分别为0.756和0.739。
- 测试集1中列线图使用NE-CT和CE-CT的AUC分别为0.833和0.842,准确度分别为0.727和0.758,敏感度均为0.784,特异度分别为0.655和0.724。
- 测试集2中列线图使用NE-CT和CE-CT的AUC分别为0.839和0.850,准确度均为0.842,敏感度均为0.889,特异度均为0.800。
- 测试集1中使用NE-CT预测时,列线图显著优于NE模型(p = 0.013)和G-NC模型(p = 0.027)。
- 列线图预测同一受试者NE-CT与CE-CT结果的一致性相关系数在测试集1和测试集2分别为0.772和0.660。
临床应用与阅片要点
- 列线图由性别、肺气肿、ILD和影像组学标签构成,可同时适用于患者的NE-CT或CE-CT。
- 测试集1中,阈值概率>70%时使用NE-CT预测的列线图带来最大获益;测试集2中,阈值概率<70%时使用CE-CT预测的列线图带来最大获益。
- 两个测试集中,在任何给定阈值概率下,使用列线图预测带来的获益均多于或等于「全部EGFR-TKI治疗」和「无EGFR-TKI治疗」策略。
局限性
- 本研究为回顾性和单中心研究,虽构建了基于时间的测试集,但仍需来自其他机构的更多样本进行外部验证。
- 将所有同时具有NE-CT和CE-CT的患者分入测试集,可能引入样本选择偏倚。
- 通用特征选择方法可能过滤掉一些可能有利于预测EGFR突变状态的影像组学特征。
- NE和CE模型均包含的小波-LHH_ngtdm_Strength特征因在NE-CT与CE-CT间差异显著而被排除于通用影像组学标签构建过程,未来有必要开发更全面的方法以更有效地利用NE-CT和CE-CT提取的影像组学特征。
全文中译16 节 · 点击展开
引言
随着对肺癌分子机制认识的不断深入,非小细胞肺癌(NSCLC)的治疗重点已转向确定致癌驱动基因突变亚型。NSCLC中最常见的基因突变是表皮生长因子受体(EGFR)突变[1, 2]。近期一项研究显示,接受第三代EGFR-TKI奥希替尼治疗的患者甚至具有更长的总生存期[3]。因此,治疗前检测EGFR突变状态非常重要。
EGFR突变状态的检测依赖于手术或组织活检获取的肿瘤组织,这是一种侵入性采样方法。受基因组学和肿瘤异质性的启发,影像组学方法将任何类型的医学图像转化为定量数据以指导临床决策[4, 5]。研究表明,平扫CT(NE-CT)或增强CT(CE-CT)均可用于构建影像组学模型来预测EGFR突变状态[6–9]。CE-CT在识别EGFR突变类型方面显示出优于NE-CT的诊断能力[10]。影像组学比较研究表明,部分影像组学特征在NE-CT与CE-CT之间无显著差异[11]。然而,从NE-CT和CE-CT中提取的影像组学特征能否联合用于构建EGFR突变状态预测模型仍不清楚。
本研究的目的是开发一种方法,利用来自不同患者的不同类型CT同时构建影像组学标签和列线图,使其不仅能识别NSCLC患者的EGFR突变状态,还能适用于不同类型的CT。
材料与方法
研究人群
本研究经我院机构审查委员会批准。作为回顾性研究,豁免患者知情同意。本研究包括来自不同研究时间段的两组患者。第一组共纳入2017年1月至2019年6月期间经病理确诊的784例NSCLC患者。第二组来自2020年6月至2020年12月期间,回顾性纳入共44例术前接受配对NE-CT和CE-CT检查的NSCLC患者。排除标准如下:(I)未进行EGFR突变分子检测;(II)术前未进行CT检查;(III)有其他恶性肿瘤病史;(IV)在检测EGFR突变前接受过治疗。EGFR突变状态采用聚合酶链反应检测并经直接测序确认[12]。临床信息包括年龄、性别、吸烟史、肺功能检查、病理类型及分子检测结果,均从个人病历中收集。
如图1所示,纳入患者被分为三组:(I)训练集(n = 327),由扫描时间在2019年6月之前且仅有一种类型CT的患者组成(167例NE-CT和160例CE-CT);(II)测试集1(n = 66),由扫描时间在2019年6月之前且同时具有NE-CT和CE-CT的患者组成(66例NE-CT和66例CE-CT);(III)测试集2(n = 19),由扫描时间在2020年6月至2020年12月期间且同时具有NE-CT和CE-CT的患者组成(19例NE-CT和19例CE-CT)。
CT扫描方案
所有接受胸部CT扫描的患者均使用两种多探测器CT系统之一(Brilliance CT,Philips Healthcare;Toshiba CT)。所有受试者均在仰卧位深吸气状态下接受检查,使用或不使用对比剂。扫描参数如下:100–120 kVp,100 mA,探测器准直为64 ×或128 × 0.625 mm;视野为350 × 350 mm;矩阵为512 × 512,使用肺重建核。对于增强CT(CE-CT),在常规CT后,使用自动注射器(Ulrich CT Plus 150,Ulrich Medical)以3.0 mL/s的速率将85 mL非离子碘对比剂(350 mg碘/mL,Omnipaque,GE Healthcare)注入肘前静脉。注射后延迟25秒再次进行CT扫描。从图像存档与通信系统(PACS)工作站以DICOM格式调取5 mm的平扫CT(NE-CT)和增强CT(CE-CT)图像。
CT评估
一位具有15年经验的胸部放射科医师解读CT影像学特征,包括大小、位置、肿块或结节、形态、肿瘤密度、肺间质改变、支气管炎、支气管扩张、肺气肿、淋巴结肿大、胸膜增厚和胸膜牵拉。她描述了肿瘤在五个肺叶中的位置,包括上叶、中叶和下叶。肿瘤的影像学形态特征分为分叶、毛刺、空洞和胸膜牵拉。肿瘤密度分为实性、部分实性、大部分实性或磨玻璃结节[13]。间质性肺疾病(ILD)的诊断参照美国胸科学会(ATS)/欧洲呼吸学会(ERS)2013年更新的诊断标准[14]。
感兴趣体积(VOI)分割与影像组学特征提取
图2显示了本研究的工作流程。CT图像上的整个肿瘤被定义为感兴趣体积(VOI)。同一位胸部放射科医师使用研究平台(InferScholar;https://www.infer-vision.com/)逐层手动分割VOI。通过三次插值将VOI的体素大小重采样为1*1*1 mm3,以减少因体素大小不同而导致的影像组学特征值变异[15]。
对于每个VOI,使用PyRadiomics[16]自动提取定量影像组学特征。影像组学特征提取在VOI及经不同滤波器转换的VOI上进行。具体而言,提取了六类影像组学特征,包括一阶特征(18个特征)、灰度共生矩阵(GLCM,22个特征)、灰度大小区域矩阵(GLSZM,16个特征)、灰度游程长度矩阵(GLRLM,16个特征)、邻域灰度差矩阵(NGTDM,5个特征)和灰度依赖矩阵(GLDM,14个特征)。在计算纹理特征和两个一阶特征时,CT值以32亨斯菲尔德单位(HU)的固定箱宽进行离散化。总体上,共提取了1092个定量影像组学特征。影像组学特征的详细信息见补充表1。
可重复性方面的特征选择
为评估放射组学特征的可重复性,1个月后从训练集中随机选取50例患者,由前一位放射科医师重新分割。采用组内相关系数(ICC)评估两次重复分割的观察者内一致性;值>0.80表明可重复性良好,否则在后续特征选择过程中予以排除[8]。
一般特征
为探讨平扫CT(NE-CT)和增强CT(CE-CT)获得的放射组学特征是否可同时用于分析,我们比较了三种数据使用方法。在此,我们提出了一种一般特征方法,称为G-NC(General NE-CT and CE-CT)。在训练集中应用了包含三个步骤的一般特征选择。第一步是根据CT类型(NE-CT或CE-CT)将数据分为两组。第二步使用Mann-Whitney U检验比较两组提取的放射组学特征的差异。第三步排除两组间差异显著的放射组学特征(p < 0.05),其余特征保留作为一般特征。第二种数据使用方法称为NE,即使用从NE-CT提取的放射组学特征。最后一种数据使用方法是使用从CE-CT提取的放射组学特征,即CE。
预测因素的筛选与预测模型的建立
我们采用三阶段特征选择方法进行预测因素筛选。第一阶段对所有放射组学特征在EGFR野生型与EGFR突变型患者之间进行Mann-Whitney U检验。将p < 0.05的特征输入第二阶段。第二阶段计算每对输入特征之间的Pearson相关系数,定义为r。若存在一对特征|r|> 0.85,则仅保留第一阶段计算所得p值较小者。最后阶段通过一种名为Boruta的特征选择算法评估所有剩余特征的重要性。该算法设计为随机森林分类算法的包装器,可从信息系统中无偏且稳定地选择重要和非重要属性。特征选择后,采用五折交叉验证策略选择最佳机器学习方法构建放射组学模型[17]。所使用的机器学习方法包括支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)、梯度提升决策树(GBDT)和朴素贝叶斯分类(NBC)。
列线图构建
放射组学特征为放射组学模型的预测评分(详见补充材料)。在训练集中,所有在EGFR野生型与EGFR突变型之间差异显著的临床和影像学特征以及放射组学特征均纳入多因素逻辑回归,采用向前逐步选择法筛选独立预测因素。最后,基于独立预测因素构建列线图。
统计分析
采用Mann–Whitney U检验评估连续变量在EGFR野生型与EGFR突变型之间的所有特征差异,采用Fisher精确检验或卡方检验评估分类变量。通过受试者工作特征曲线下面积(ROC-AUC)评估区分度。决策曲线分析(DCA)通过量化列线图在两个测试集中的净获益来评估临床实用性[18]。DeLong检验[19, 20]用于ROC曲线的统计比较。所有统计分析均使用R软件(版本3.5.0;http://www.Rpro-ject.org)和SPSS软件(版本22.0,IBM)完成。双侧p值小于0.05被认为具有统计学意义。
结果
临床与影像学特征
在训练集、测试集1和测试集2中,分别有176例、37例和9例EGFR突变患者以及151例、29例和10例EGFR野生型患者。女性EGFR突变率显著高于男性,非吸烟者显著高于吸烟者。关于其他非影像组学特征,组织学类型、COPD、ILD(p < 0.001)、病灶类型(p = 0.008)、大小(p = 0.001)和肺气肿(p < 0.001)在两组间差异有统计学意义。EGFR突变更常见于病灶较小、腺癌以及无肺气肿、COPD和ILD的组别(表1)。
影像组学模型分析
NE、CE和G-NC的最终特征数分别为5、1和5(补充表2)。NE、CE和G-NC使用的机器学习算法分别为LR、LR和RF(补充表3)。影像组学模型的预测性能见表2。无论哪个测试集,使用CE-CT进行预测均获得更高的性能。与NE和CE相比,G-NC在两个测试集中均具有最佳的预测性能。特别是,在测试集1中使用NE-CT进行预测时,性能提升显著(AUC:0.656 vs. 0.730;p < 0.05)。
诊断性能测量
如表3和图3所示,采用多因素logistic回归构建个体化预测列线图。表4显示了在两个测试集中使用不同类型CT进行预测时列线图的预测性能。在测试集1中,列线图在NE-CT和CE-CT上的AUC分别为0.833和0.842(准确率:0.727和0.758;灵敏度:0.784和0.784;特异度:0.655和0.724)。在测试集2中,列线图在NE-CT和CE-CT上的AUC分别为0.839和0.850。NE-CT和CE-CT的准确率、灵敏度和特异度值相同(准确率:0.842;灵敏度:0.889;特异度:0.800)。
列线图在两个测试集上的ROC曲线如图4所示。在测试集1中,当使用NE-CT进行预测时,列线图显著优于NE模型(p = 0.013),也显著优于G-NC模型(p = 0.027)。当使用CE-CT进行预测时,列线图与CE模型之间无显著差异,与G-NC模型之间也无显著差异。在测试集2中,无论使用NE-CT还是CE-CT进行预测,列线图与其他模型之间均无显著差异。采用相关性分析评估列线图在预测同一受试者NE-CT和CE-CT时的一致性。测试集1和测试集2的相关系数分别为0.772和0.660。
临床使用
图5所示的决策曲线用于评估列线图使用NE-CT(蓝线)进行预测和使用CE-CT(橙线)进行预测的获益。在测试集1中,对于阈值概率> 70%,使用NE-CT进行预测的列线图增加的获益最多。在测试集2中,对于阈值概率< 70%,使用CE-CT进行预测的列线图增加的获益最多。在两个测试集中,在任何给定阈值概率下,使用列线图进行预测所增加的获益均多于或等于使用“全部接受EGFR-TKIs治疗”和“全部不接受EGFR-TKIs治疗”策略。
讨论
放射组学可以将任何类型的医学图像转化为定量数据,以辅助诊断和治疗,例如识别EGFR突变状态。大多数放射组学特征基于单一类型的医学图像,由于临床实践中患者图像类型可及性的不确定性,这限制了其使用范围。此外,仅使用一种类型的医学图像开发放射组学特征无法利用其他现有类型数据的优势。在本研究中,我们提出了一种同时使用多种类型CT构建放射组学特征的方法。我们提出的通用放射组学特征和列线图均可直接应用于患者的平扫CT(NE-CT)或增强CT(CE-CT),进一步扩展了其临床应用范围。EGFR突变状态的检测可能指导医生对患者采用不同的治疗策略。目前,从NE-CT或CE-CT提取的放射组学特征在文献中被广泛使用。既往研究显示,基于NE-CT的放射组学特征在EGFR突变检测中表现良好,测试集1中AUC为0.796;基于CE-CT的放射组学特征准确度为0.755,灵敏度为0.929 [9]。另一项研究显示,基于CE-CT的放射组学特征性能优于基于NE-CT的特征,但差异无统计学意义 [10]。受Kakino R等 [11] 的启发,我们假设基于NE-CT和CE-CT的放射组学特征均可检测EGFR突变。在两个测试集上的实验结果表明,通用放射组学特征可应用于NE-CT和CE-CT,且性能优于基于单一类型CT(NE和CE)的放射组学特征。尤其是对于NE-CT,获得了显著的性能提升。
构建通用放射组学特征的训练集数据量为构建NE和CE训练集数据量的两倍,这可能导致性能不可比。然而,我们认为这正是我们提出的通用特征所带来的优势之一,即通过合并不同CT类型,我们可以在真实世界临床环境中利用更多数据,从而提高模型性能。我们进行了消融实验,以证明性能提升不仅源于数据量的增加,还源于数据的合理使用(补充材料)。一方面,直接将NE-CT和CE-CT混合建模并未带来性能提升。另一方面,即使在相同数据量下,通用放射组学特征仍具有最佳性能。
放射组学并非EGFR突变的唯一无创检测方法。此前,医师和放射科医生尝试通过临床和常规CT特征来预测EGFR突变,这些特征易于收集且不受不同CT类型的影响。我们的发现与大多数现有研究一致,即EGFR突变与女性、非吸烟者和腺癌组织学相关[21, 22]。此外,伴有COPD的NSCLC中EGFR突变率显著低于不伴COPD的NSCLC患者,这与既往发现一致[23]。过去的研究发现,最大直径、位置、密度、淋巴结肿大、毛刺征、空泡征、空气支气管征、胸膜牵拉、肺气肿和纤维化等影像学特征与EGFR突变状态相关[24, 25]。与这些研究一致,我们发现较小的尺寸、GGO、支气管扩张、淋巴结肿大、阻塞性肺炎以及无肺气肿和纤维化更可能与携带EGFR突变的肿瘤相关,尽管在密度、支气管扩张、淋巴结肿大和阻塞性肺炎方面差异不显著。我们还发现,无肺气肿或纤维化的患者中EGFR突变频率高于伴有肺气肿或纤维化的患者,这与一项先前研究的结果一致[26]。这表明肺气肿或纤维化的CT表现可能有助于预测EGFR突变的存在。因此,一个自然的下一步是将放射组学特征与临床或影像学特征相结合,以提高EGFR突变状态预测的准确性。
为此,我们构建了通用放射组学列线图,其由通用放射组学特征、吸烟史、肺气肿和ILD组成。两个测试集上的结果表明,无论使用NE-CT还是CE-CT进行预测,列线图的预测性能均优于通用放射组学特征和其他模型。相关矩阵的结果表明,列线图预测在测试集1和测试集2上对同一受试者使用CE-CT和NE-CT具有良好的相关性。决策曲线分析还表明,在任何给定阈值概率下,列线图比使用“All-EGFR-TKIs therapy”和“None-EGFR-TKIs therapy”增加更多或同等的获益。
本研究存在若干局限性。第一,这是一项回顾性、单中心研究。尽管我们在本研究中构建了基于时间的测试集,但仍需要来自其他机构的更多样本进行外部验证。第二,我们将所有同时具有NE-CT和CE-CT的患者分入测试集,这可能引入样本选择偏倚。第三,我们的通用特征选择方法可能过滤掉了一些可能有益于预测EGFR突变状态的放射组学特征。在本研究中,我们发现用于建立NE和CE的特征组均包含wavelet-LHH_ngtdm_Strength。然而,该特征在NE-CT和CE-CT之间差异显著,因此在通用放射组学特征构建过程中被排除。未来有必要开发一种综合方法,以更有效地利用从NE-CT和CE-CT中提取的放射组学特征。
总之,基于平扫CT(NE-CT)和增强CT(CE-CT)联合构建的通用影像组学特征在EGFR突变状态预测中具有良好的性能。此外,由影像组学、临床和影像学特征组成的列线图显示出最优的预测能力。通用影像组学特征和列线图均适用于NE-CT和CE-CT。因此,在临床实践中,列线图可能成为一种潜在的无创工具,用于EGFR突变状态检测。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 27 KB)
引用
- Yang X, Liu M, Ren Y, et al. Using contrast-enhanced CT and non-contrast-enhanced CT to predict EGFR mutation status in NSCLC patients-a radiomics nomogram analysis. Eur Radiol. 2021. PMID: 34807270. doi:10.1007/s00330-021-08366-y
- 全文:PMC8921110(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8921110/
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。