肺神经内分泌肿瘤的影像组学研究
单中心回顾性观察研究纳入27例经组织学确诊的肺神经内分泌肿瘤患者,采用同一台16排CT行平扫及静脉期增强扫描并提取107个纹理特征。增强CT上Skewness与ClusterShade在Ki-67分级组间及有无纵隔淋巴结转移组间差异有统计学意义(p<0.01),平扫无显著关联。作者认为CT纹理分析可能用于预测肺NET亚型及其侵袭性。
要点
- 增强CT上Skewness与ClusterShade在Ki-67分级组间及纵隔淋巴结转移有无组间差异有统计学意义(p<0.01)。
- 平扫CT纹理特征与Ki-67分级及纵隔淋巴结转移均无显著关联。
- 典型类癌多表现为边界规则、明显强化,较大病灶(>3 cm)更常见钙化(11例中9例)。
核心结论
- CT纹理分析可能作为预测肺NET亚型及其侵袭性的有效工具,有助于准确的多学科决策。
- Skewness与ClusterShade两个特征似乎能评估疾病严重程度,与Ki-67分级及纵隔淋巴结转移相关。
研究设计与样本
- 单中心、观察性、回顾性研究,2008年9月至2020年1月回顾分析,最终纳入27例(男11例、女16例,年龄48–81岁,平均70.4岁)。
- 所有检查使用同一台CT(Sensation 16-slice,Siemens),方案为平扫后静脉注射对比剂70秒延迟增强扫描(流速3 mL/s,随后40 mL生理盐水,按总体重计算)。
- 由两名分别有5年和15年胸部影像经验的放射科医生用3DSlicer 4.10.2软件以容积ROI分割整个原发肿瘤体积,经SlicerRadiomics提取107个PyRadiomics特征。
- 以组织学诊断、Ki-67指数和随访FDG-PET/CT检出的纵隔淋巴结转移为参考。
关键影像表现/征象
- 21例典型类癌中11例(52.4%)为实质性肿块(直径大于3 cm),全部边界规则并明显强化;其余10例(47.6%)为直径小于3 cm的结节,其中8/10(80%)边界规则并明显强化。
- 钙化更多见于较大的典型类癌(11例肿块中9例、10例结节中2例);支气管狭窄相关征象见于6/21例典型类癌(28.6%),主要见于大于3 cm者。
- LCNEC和SCLC大小不一,边缘不规则,强化以不均匀为主;钙化仅1例,支气管狭窄更常见(4/6例,66.7%)。
诊断标准与关键数值
- 按WHO 2019胃肠胰神经内分泌肿瘤分级以Ki-67分组:Group 1为Ki-67<3(13/27,48.2%),Group 2为3<Ki-67<20(7/27,25.9%),Group 3为Ki-67>20(7/27,25.9%)。
- Ki-67组间比较用Kruskal–Wallis检验并以Dunn检验事后分析(Bonferroni校正);转移有无组间比较用Mann–Whitney检验;显著性阈值p=0.05。
- 增强CT上多个一阶及高阶特征与Ki-67分级相关(p<0.05),平扫直接采集的统计分析不显著。
- 与纵隔淋巴结转移相关:增强CT上一项直方图特征Skewness和一项GLCM特征ClusterShade有统计学意义,p<0.01。
临床应用与阅片要点
- 作者认为CT纹理分析可能用于预测肺NET亚型及其侵袭性,并有助于准确的多学科决策。
- 作者指出平扫CT提供的信息不超过解剖-形态学信息,肿瘤病理分期至少需要一个增强后时相。
- 作者指出影像组学尚未转化为临床实践,但基于影像组学特征评估原发肺NET有预测隐匿性转移的潜力。
局限性
- 作者指出本研究局限首先是入选病例数少。
- 作者指出尽管只使用一台CT,但分析方案并不相同(层厚1–5 mm)。
- 作者指出结果缺乏标准化,仅考虑一台CT部分限制了该问题。
- 作者提出今后需要在不同患者数据集(可能使用不同CT机和采集方案)上重复评估,以确认或不确认这两个特征与疾病严重程度的关联。
- 作者指出这是初步评估,需要进一步研究以确定与NET严重程度相关的精确「影像组学特征」。
全文中译7 节 · 点击展开
引言
肺神经内分泌肿瘤(NETs)是一组异质性恶性神经内分泌疾病,约占所有NETs的25%,占所有肺部恶性肿瘤的2%[1, 2]。肺NETs起源于支气管黏膜的Kulchitzky细胞,按侵袭性递增顺序分为四组:低级别(典型类癌,TCs)、中级别(非典型类癌,ACs)、高级别(大细胞神经内分泌癌,LCNECs或小细胞肺癌,SCLC)[3–5]。这些不同的肿瘤形式显示核分裂象数量逐渐增加,典型类癌中最低,SCLC中最高,而SCLC确实是最具侵袭性的形式。类癌根据核分裂象数量和坏死存在与否分为典型和非典型;具体而言,典型类癌大于0.5 cm,显示少于2个核分裂象/2mm2且无坏死,而非典型类癌显示2至10个核分裂象/2mm2和/或坏死灶[2, 3]。TCs仅占原发性肺肿瘤的1–2%,占所有肺类癌的80–90%,发病率为每10万人1.4至2例[6, 7]。其发生与吸烟无关,无性别差异;仅高级别NETs与吸烟状态高度相关,15%的病例发生转移[8–11]。增殖细胞表达的核抗原Ki-67的检测日益受到重视。2019年WHO胃肠道神经内分泌肿瘤(GEP-NENs)分类中使用了该指标,具体而言,高分化NENs仅根据Ki-67增殖指数和核分裂指数进一步分级为1级(G1,核分裂率< 2,Ki-67指数< 3)、2级(G2,核分裂率2–20,Ki-67指数3–20)和3级(G3,核分裂率> 20,Ki-67指数> 20)[12, 13]。尽管Ki-67在肺NETs分期中的应用尚未成为当前分级系统的一部分,但近期研究表明该指数可能在预测预后、区分TCs与ACs肿瘤或区分高级别SCLC和LCNEC与类癌肿瘤方面发挥作用[3, 14, 15]。胸部计算机断层扫描(CT)成像是最有用的诊断工具,因其高分辨率以及评估肿瘤范围、定位、局部或远处转移存在的能力。NETs表现为分叶状病变,边缘不规则,可能存在偏心性钙化。病变主要向肺实质发展,有时向支气管发展,或混合存在以腔外成分为主、腔内成分极小的模式。在支气管肿块效应阻塞的情况下,伴有肺不张[16]。类癌在给予对比剂后往往呈明显强化,常为均匀强化[17]。由于各种形式NETs之间放射学特征的重叠,鉴别非常困难。然而,区分这些形式对于分期、预后和治疗至关重要。纹理分析是一种创新技术,用于基于像素值分布测量组织异质性,不受人类视觉和主观分析的影响[18]。近期研究表明,分析病变的CT纹理特征可以增加单独CT检查无法评估的肿瘤信息[18, 19]。放射组学是肿瘤学领域中用于预测预后和治疗反应的肿瘤评估的有前景的方法[19–24]。因此,本研究旨在寻找肺NETs放射组学特征与其侵袭性(以Ki-67指数率和纵隔淋巴结转移存在为表达)之间的相关性。
材料与方法
患者选择
这是一项单中心、观察性、回顾性研究。2008年9月至2020年1月期间,对所有经组织学诊断为肺神经内分泌肿瘤(NET)的患者进行回顾性分析。纳入标准为:年龄18–99岁、经组织学诊断的肺NET(经活检证实)、有Ki-67值、基线检查使用同一台CT扫描仪、至少进行一次随访CT或FDG-PET/CT。初始人群包括73例患者;其中28例未在我科进行治疗前或随访CT检查。为获得尽可能同质化的样本,选取了在同一CT扫描仪上使用同一方案进行CT检查的最大人群,最终得到45例患者。其中,5例无平扫基线CT扫描,13例未进行静脉期采集,最终得到27例患者,男性11例,女性16例(图1)。由于目前使用Ki-67指数对肺NET进行使用和分类分级仍无标准化方案,本研究依据最新的WHO 2019年胃肠胰神经内分泌肿瘤(GEP NENs)分级标准[12]。随后将入选患者分为三组:Ki-67 < 3(第1组)、3 < Ki-67 < 20(第2组)和Ki-67 > 20(第3组)。
图像采集与分析
所有检查均使用同一台CT扫描仪(Sensation 16排,Siemens)完成。研究方案为基线扫描,随后在静脉注射对比剂后延迟70秒采集(流速3 mL/s,随后推注40 ml生理盐水,按总体重计算)。平扫采集参数为矩阵512 × 512像素,层厚1至5 mm,120 kVp,145 ± 97 mAs,B10f、B20f或B30f卷积核,CTDIvol为10.3 ± 6.7 mGy,DLP范围为237/1226 mGy*cm;增强扫描采集参数为矩阵512 × 512像素,层厚1至5 mm,120 kVp,156 ± 101 mAs,B10f、B20f或B30f卷积核,CTDIvol为11.4 ± 6.6 mGy,DLP范围为253.5/1228 mGy*cm。所有图像均传送至我院图像存档与通信系统(PACS)。
图像分析
所有研究均由两名分别具有5年和15年胸部影像经验的放射科医师审阅。使用3DSlicer软件4.10.2版本[25],采用容积感兴趣区(ROI)在平扫和增强采集图像上对原发肿瘤的整个体积进行视觉分割。纹理特征提取通过SlicerRadiomics工具完成。共选取PyRadiomics特征列表中的107个特征,属于一阶统计量、基于形状的3D特征、灰度共生矩阵(GLCM)、灰度大小区域矩阵(GLSZM)、灰度游程长度矩阵(GLRLM)、邻域灰度差矩阵(NGTDM)和灰度依赖矩阵(GLDM)类别[26]。
统计分析
进行非参数检验,以识别在Ki67三类之间或在有无纵隔淋巴结转移之间显示出显著差异的特征。该统计分析分别在平扫和增强CT扫描数据库上独立进行。对于Ki67分类区分,使用Kruskal–Wallis检验,并采用Dunn检验进行事后分析,考虑Bonferroni校正。对于转移分组区分,采用Mann–Whitney检验。显著性阈值设定为p = 0.05。统计分析使用SPSS进行(IBM SPSS Statistics for Windows,版本27.0。Armonk,NY:IBM Corp)。
结果
这项回顾性观察性研究获得了我们机构伦理委员会的批准(研究方案编号:14776_oss)。最终,共选取27例患者:11例男性和16例女性,年龄在48至81岁之间(平均年龄70.4岁)。组织病理学分析显示21例为TCs(77.8%),3例为SCLCs(11.1%),3例为LCNECs(11.1%)。根据Ki-67表达,患者被分为第1组(13/27,48.2%)、第2组(7/27,25.9%)和第3组(7/27,25.9%)。在首次随访时通过FDG-PET/CT发现纵隔淋巴结转移者为12/27(44.4%)。11例TCs(52.4%)表现为实质肿块(直径大于3 cm),均具有规则边缘和明显强化(图2)。相反,其余10例(47.6%)TCs为直径小于3 cm的结节。其中,8/10(80%)显示规则边缘和明显强化。病灶内钙化的存在在较大的TCs中更常被评估到(9/11个肿块和2/10个结节中存在)。支气管狭窄相关现象报告于6/21例TCs(28.6%),主要见于大于3 cm者。相反,LCNECs和SCLCs显示大小不一、边缘不规则且强化以不均匀为主。仅1例发现钙化,支气管狭窄更常见(4/6例,66.7%)。典型类癌显示平均Ki67值为5.14,而LCNECs和SCLCs均为80.0 [27]。纹理特征与Ki-67分类以及与淋巴结转移存在之间的显著关联仅在增强CT图像上检测到;因此,在平扫图像上未检测到显著关联。表1列出了在Kruskal–Wallis检验并采用Dunn事后检验后,在Ki-67各类别之间显示显著差异的特征:还报告了每组中各特征值的中位数以及第1和第3四分位数(表1)。表2列出了在Mann–Whitney检验后,在有和无可检测淋巴结转移的患者之间显示显著差异的特征:还报告了每组中各特征值的均值、标准差和范围(表2)。值得注意的是,一些特征在不同Ki-67类别之间的数值显示出明显差异;其中,Skewness和ClusterShade在随访CT检查检测到和未检测到淋巴结转移的患者组之间也显示出明显差异,显示出非常低的p值(p < 0.01)。这些结果提示,这两个特征的值可能与疾病严重程度相关。报告了Skewness和ClusterShade箱线图及其在不同组中显示的数值(图3)。
讨论
据我们所知,这是首项使用影像组学方法评估肺神经内分泌肿瘤(NET)侵袭性特征的研究,从这些结果中可以得出若干观察。主要结果是,有两个特征(偏度和ClusterShade)在不同Ki-67分级之间以及有无纵隔淋巴结转移之间存在显著差异。偏度是一种一阶特征,表示像素值分布相对于均值的非对称性:如果该值为零,则分布相对于均值对称。因此,偏度可反映病变内部结构的不均匀性,例如在坏死-液化现象中,这种情况在大体积或更具侵袭性的肿块中无疑更为常见。我们的结果显示,有转移的患者(偏度值为负)与无转移的患者(偏度值约为0)之间存在明显分层。此外,2级和3级NET的偏度值较低,表明该特征可用于评估细胞增殖率高和侵袭性强的病变[28]。ClusterShade是一种二阶特征,可衡量图像的非均匀性。结果显示其与转移的存在及Ki-67值相关,从而证实更大的组织不均匀性与疾病更高的侵袭性相关[18]。根据我们的结果,这两个特征似乎是评估疾病严重程度的良好候选指标。以下事实也支持这一点:这两个特征相互相关,且分别是一阶和二阶特征,因此相当稳健。纹理特征与Ki-67分级及转移存在之间的显著关联仅在对比增强CT图像上检测到;在平扫图像上未检测到显著关联。以下事实证实了这一点:不使用对比剂的CT检查所提供的信息并不比解剖-形态学信息多多少,至少需要一个增强后时相,尤其是在肿瘤病理分期中[29–31]。此外,在我们的结果中,大多数患者的结节或肿块具有高对比增强,这是所有神经内分泌肿瘤谱系的典型特征,甚至包括肺部神经内分泌肿瘤[21, 23, 24, 27]。本研究存在若干局限性,首先是所选病例数量较少。必须记住,NET是一种非常罕见的肺部肿瘤,并且在十二年的数据收集过程中,患者的选择经过精确设计,以获得尽可能均质的样本。然而,分析方案并不相同,尽管仅使用了一台CT扫描仪(层厚在1至5 mm之间)。此外,结果缺乏标准化,这一问题因仅考虑了一次CT扫描而得到部分限制[32, 33]。在未来的发展方向中,在不同患者数据集(可能使用不同的CT断层扫描设备和采集方案)上重复评估将是有意义的,以确认或不确认这两个特征与疾病严重程度的关联[34, 35]。这是一项初步评估,还需要进一步研究来定义与NET严重程度相关的精确“影像组学特征”。
据我们所知,文献中尚未报道肺神经内分泌肿瘤(NETs)的影像组学分析与其根据Ki-67值和有无转移进行分层之间的相关性。尽管影像组学尚未转化为临床实践,但基于影像组学特征的原发性肺NETs评估具有预测隐匿性转移的潜力。CT纹理分析可作为预测肺NET亚型及其侵袭性的有效工具,从而有助于精准的多学科决策。
引用
- Cozzi D, Bicci E, Cavigli E, et al. Radiomics in pulmonary neuroendocrine tumours (NETs). Radiol Med. 2022. PMID: 35538389. doi:10.1007/s11547-022-01494-5
- 全文:PMC9130162(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9130162/
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。