文献速递胸部CT

瘤内与瘤周CT影像组学联合预测原发性肺癌EGFR基因突变的价值

Role of intratumoral and peritumoral CT radiomics for the prediction of EGFR gene mutation in primary lung cancer.
PubMed 文献 · Br J Radiol · 2022-09-26

回顾性纳入478例手术切除并接受EGFR基因检测的原发性肺癌患者,基于术前平扫高分辨率CT提取瘤内和瘤周(距肿瘤边界3mm)影像组学特征,用随机森林建模。联合瘤内和瘤周影像组学较单用瘤内影像组学显著提高预测EGFR突变的AUC(0.774 vs 0.730,p<0.001),联合临床特征后AUC达0.826,显著高于单用临床特征(0.777,p=0.005)。

要点

  • 联合瘤内和瘤周影像组学可提高EGFR突变预测效能,优于单用瘤内影像组学。
  • 瘤周影像组学特征(如LAHGLE)对EGFR突变预测有独立附加价值。
  • 联合影像组学与临床特征(年龄、性别、吸烟指数、分期)预测效能最高。

关键影像表现/征象

  • 瘤周区域定义为距肿瘤边界3mm以内的肺实质,包括肺内空气、肺血管和支气管,不包括胸壁和纵隔。
  • EGFR突变肿瘤多为腺癌(161/162),组织学亚型以贴壁为主型、乳头状或腺泡型多见。
  • 最重要的瘤周特征为LAHGLE,高值与EGFR突变相关;最重要的瘤内特征为瘤内90th percentile,低值与EGFR突变相关。

诊断标准与关键数值

  • 全部病例(n=478)中,瘤内影像组学预测EGFR突变的AUC为0.730(95%CI 0.682–0.777),联合瘤周后AUC为0.774(95%CI 0.730–0.817),p<0.001。
  • 全部病例中,影像组学联合临床特征AUC为0.826(95%CI 0.788–0.864),显著高于单用临床特征的0.777(95%CI 0.734–0.821),p=0.005。
  • 腺癌亚组(n=348)中,瘤内影像组学AUC为0.630(95%CI 0.572–0.689),联合瘤周后AUC为0.687(95%CI 0.632–0.743),p<0.001。
  • 腺癌亚组中,影像组学联合临床特征AUC为0.744(95%CI 0.693–0.796),显著高于单用临床特征的0.703(95%CI 0.648–0.758),p=0.045。
  • 仅使用SOMATOM Force扫描仪的患者(n=317)中,联合瘤内和瘤周影像组学AUC为0.780(95%CI 0.727–0.832),显著高于单用瘤内的0.740(95%CI 0.684–0.795),p=0.003。

临床应用与阅片要点

  • 对拟行基因检测的肺癌患者,可参考影像组学预测的EGFR突变概率,高概率时活检可多取材以降低假阴性,极低概率时可考虑避免仅为基因检测而活检。
  • 瘤周特征LAHGLE高值提示EGFR突变可能,对应瘤周高密度结构(如粗大肺血管)较多、蜂窝和肺气肿较少。
  • 瘤内90th percentile低值提示EGFR突变可能,对应肿瘤内含磨玻璃影或空气等低密度成分。

局限性

  • 回顾性研究,仅纳入手术切除病例,除1例外均为东亚人群,存在选择偏倚。
  • 未确定距肿瘤边界3mm是否为瘤周特征评估的最佳距离,未比较不同范围或包含胸壁/纵隔的瘤周提取方式。
  • 未评估增强高分辨率CT的预测性能,仅使用平扫图像。
全文中译15 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:Br J Radiol. 2022 Sep 22;95(1140):20220374. doi: 10.1259/bjr.20220374

引言

表皮生长因子受体(EGFR)基因突变是原发性肺癌(PLC)的致癌驱动突变,常见于不吸烟的亚洲女性。1,2 EGFR突变的发现为PLC治疗带来了革命性变化,因为突变型肿瘤对EGFR酪氨酸激酶抑制剂(TKI)反应良好。3

确认EGFR突变需要进行组织检查;然而,活检具有侵入性并存在并发症风险。因此,CT检查作为一种非侵入性且易于获取的工具,在预测突变方面发挥着重要作用。

放射组学是一种图像分析方法,可提取大量人眼无法评估的定量特征,4 近年来在预测EGFR突变方面受到了相当大的关注。5–8 在肿瘤学中,放射组学主要分为瘤内和瘤周放射组学。然而,许多既往研究在预测EGFR突变时仅关注瘤内放射组学特征。5–7 因此,瘤周放射组学特征在检测突变中的重要性尚不明确。鉴于瘤周放射组学与PLC的许多方面相关,如预后、9–12 组织学、13,14 以及化疗反应,15,16 我们假设瘤周及瘤内特征均可为预测EGFR突变提供有用信息。

本研究的目的是确定联合瘤内和瘤周CT放射组学在预测PLC中EGFR突变方面的附加价值。

方法与材料

患者

本单中心回顾性研究按照《赫尔辛基宣言》进行,并获机构伦理委员会批准(批准号:2020–0420)。由于本研究的回顾性性质,免除知情同意要求。2015年11月至2020年12月期间接受手术切除的共599例连续PLC患者被纳入本研究考虑范围。我们排除了121例患者,原因如下:(1)未进行EGFR基因检测(n = 66);(2)术前三个月内未在本机构进行平扫高分辨率CT(HRCT)(n = 43);(3)术前接受过化疗或放疗(n = 10);(4)HRCT上肿瘤边缘不清(n = 2)。最终,478例患者共478个PLC(288例男性,190例女性;中位年龄70岁;范围29–87岁)纳入本研究。发现肺癌的原因多种多样,包括健康体检、相关症状和偶然发现。术前进行了胸部及腹部CT、脑CT或MRI以及18F-氟脱氧葡萄糖PET/CT以确定临床分期。

CT采集

使用以下三种CT扫描仪之一进行成像:(1)SOMATOM Force(西门子,德国),(2)Aquilion ONE(佳能,日本),或(3)Ingenuity Elite(飞利浦,荷兰)。其中,SOMATOM Force使用最多(317/478,66.3%)。患者取仰卧位后,于深吸气相进行从肺尖到肺底的扫描。大多数患者接受了平扫和增强CT以进行术前分期。然而,8例患者因肾功能不全或碘过敏仅接受了平扫CT。尽管增强CT是肺癌分期的标准,但除非存在造影剂禁忌证,我们常规进行平扫和增强CT,因为增加平扫CT可以准确评估病灶的强化程度。当术前活检无法确认肺结节诊断时,强化程度可用于对其定性。17 增加平扫CT还有助于鉴别高密度纵隔囊肿与淋巴结增大,后者仅在增强CT上可能造成误判。本研究使用平扫高分辨率CT(HRCT)图像进行分析。HRCT扫描参数如下:管电流,自动曝光控制;管电压,120 kVp;探测器螺距,0.813–1.172 mm;探测器准直,64–96 × 0.5–0.625 mm;机架旋转时间,0.4–0.5 s;视野,200 × 200 mm;像素间距,512 × 512;重建层厚,1.0 mm。所有重建因子均使用锐利算法。

基因检测

基因检测在通过手术获取的标本(n = 330)或经支气管镜获取的标本(n = 148)上进行。本回顾性研究使用了多种基因检测技术,但大多数(403/478,84.3%)为基于聚合酶链反应钳的检测。18

影像组学分析

采集的CT图像经匿名化处理后,传输至一台未连接网络的个人计算机。一名具有17年经验的放射科医师使用3D Slicer 20版本4.13.0中实现的Segmentation Editor模块19对肿瘤及瘤周区域进行半自动分割。瘤周区域定义为距肿瘤边界3 mm距离内的肺实质,包括肺内空气、肺血管和支气管,但不包括胸壁和纵隔。该标准基于既往报道,即不包含胸壁或纵隔的3 mm内瘤周肺实质与肺癌总生存期显著相关。10 分割的详细步骤见电子补充文档。分割完成后,使用SlicerRadiomics 21(3D Slicer的扩展模块)从整个肿瘤(3D分析)和肿瘤最大横截面(2D分析)计算了共398个影像组学特征。分析的影像组学特征包括212个瘤内和186个瘤周特征,涵盖一阶统计量、形状和纹理特征。纹理分析使用固定箱宽25 Hounsfield单位,此为3D Slicer的默认值。各影像组学特征的描述可通过Pyradiomics文档获取:https://pyradiomics.readthedocs.io/en/latest/features.html。为评估影像组学特征值的观察者间一致性,另一名具有15年经验的放射科医师对从研究组中随机选取的50个肿瘤进行了分割。图1展示了特征提取过程。

图1. 特征提取过程。从整个肿瘤(3D分析)和肿瘤最大横截面(2D分析)中提取了共398个影像组学特征,包括212个瘤内特征(一阶统计量、形状和纹理特征)和186个瘤周特征(一阶统计量和纹理特征)。瘤周区域定义为距肿瘤边缘3 mm内的肺实质。 查看原图 ↗

无监督聚类分析

在特征选择和模型构建之前,进行无监督层次聚类分析,以根据EGFR突变的存在与否识别瘤内和瘤周影像组学特征整体表达模式的差异。采用基于SCC的Ward法作为聚类算法。22 为调整特征尺度,每个影像组学特征均归一化为均数0、标准差1。使用R软件24版本4.0.4中实现的ComplexHeatmap包23绘制热图。

构建机器学习模型

由于一些影像组学特征不稳定且彼此相似,采用组内相关系数(ICC)<0.5和斯皮尔曼相关系数(SCC)≥0.7的标准排除可重复性差和高相关性的特征。ICC计算基于ICC(2,1)。25 特征选择后,构建了以下四种随机森林分类器26用于预测EGFR突变:(1)仅使用瘤内影像组学的模型,(2)结合瘤内和瘤周影像组学的模型,(3)结合瘤内和瘤周影像组学及临床特征的模型,(4)仅使用临床特征的模型。模型构建使用在R软件中实现的ranger R包27。临床特征包括年龄、性别、Brinkman指数和临床分期。Brinkman指数计算为每天吸烟支数乘以吸烟年数。28

随机森林是一种集成机器学习算法,由许多决策树组成26;决策树是一种具有树状结构的监督学习技术。随机森林将所有决策树做出的预测整合为一个预测。在本研究中,随机森林中生成了500棵决策树。对于每棵树,通过从整个数据集中有放回抽样获得与整个数据集样本量相同(n = 478)的训练数据。由于重采样,每次抽样约有三分之一的患者(n ≈ 159)未被选中。未被选中的数据称为袋外(OOB)数据,在本研究中用作测试数据以估计对未见数据的预测性能。据报道,基于OOB数据的预测是对未来数据性能的无偏估计。26 在分裂患者组时随机选择的特征数设为特征总数的平方根;这是ranger R包的默认设置。其他超参数也设为默认值。构建500棵树后,将每棵树的预测进行整合,确定每位患者EGFR突变的预测概率。此外,我们根据基尼指数的平均减少量测量了特征重要性。29 基尼指数的减少表明某特征对区分EGFR突变阳性和阴性的贡献程度。基尼指数的平均减少量越大,该特征对区分的贡献越大。

统计分析

Fisher精确检验和Mann–Whitney U检验分别用于评估分类变量和连续变量的统计学差异。使用OOB数据的预测模型性能通过受试者工作特征曲线下面积(AUC)进行评估。我们使用DeLong方法30研究了添加瘤周影像组学是否显著改善AUC。即,AUC的比较为单侧假设检验,其中零假设为带有瘤周影像组学的模型不优于不带有瘤周影像组学的模型。其他统计分析为双侧检验。绘制校准曲线以评估OOB数据上EGFR突变的预测概率与实际概率之间的一致性。模型的拟合优度使用Hosmer-Lemeshow检验确定。统计学显著性设为p < 0.05。

结果

患者和肿瘤特征

162例(33.9%)患者检测到EGFR突变,316例(66.1%)患者突变阴性。就种族而言,1例患者为白人,其余为东亚人。表1描述了基于EGFR状态的患者和肿瘤特征。EGFR突变比例在年轻患者(p = 0.010)、女性(p < 0.001)、较低Brinkman指数(p < 0.001)和早期临床分期(p < 0.001)中显著更高。除1例多形性癌外,所有突变肿瘤均为腺癌。表2总结了腺癌的组织学类型。EGFR突变腺癌为贴壁为主型、乳头状型或腺泡型(p < 0.001);其他组织学类型未显示突变。

表1. 患者和肿瘤特征(n = 478) 查看原表 ↗
表2. 腺癌类型(n = 348) 查看原表 ↗

聚类分析

图2展示了使用无监督聚类分析构建的影像组学热图。该算法将478例患者分为两个具有相似影像组学特征的聚类。发现这两个聚类的EGFR突变率显著不同(聚类1,56.3% [112/199] vs 聚类2,17.9% [50/279];p < 0.001),表明瘤内和瘤周影像组学特征与EGFR突变显著相关。

图2. 影像组学热图,x轴为478例患者,y轴为398个影像组学特征(212个瘤内特征和186个瘤周特征)。无监督聚类分析识别出两个显示相似影像组学表达模式的患者聚类。这些聚类显示显著不同的EGFR突变率[聚类1为56.3%(112/199)vs 聚类2为17.9%(50/279);p < 0.001];该结果代表了影像组学与EGFR突变之间的关联。注意,瘤内和瘤周特征在视觉上均显示两个聚类之间的热图不同。 查看原图 ↗

影像组学特征选择

图3显示了特征选择的流程图。在398个影像组学特征中,92个因可重复性低(ICC<0.5)而被排除。在剩余的306个特征中,274个随后因冗余(SCC≥0.7)而被移除。因此,保留了32个影像组学特征(14个瘤内特征和18个瘤周特征)并用于模型构建。所选的32个特征包括三个形状特征、九个一阶统计量和20个纹理特征,列于表3中。所有398个影像组学特征和ICC列于补充表1中。

图3. 使用组内相关系数(ICC)和Spearman相关系数(SCC)的特征选择算法。在排除低可重复性(ICC<0.5)和冗余特征(SCC≥0.7)后,共保留32个特征(14个瘤内特征和18个瘤周特征)。随后将32个影像组学特征和四个临床特征(年龄、性别、Brinkman指数和临床分期)纳入预测模型。 查看原图 ↗
表3. 最终保留的影像组学特征(n = 32) 查看原表 ↗

使用OOB数据的EGFR突变模型性能

表4展示了模型在OOB数据上预测EGFR突变的性能。在所有病例(n = 478)中的预测方面,瘤内影像组学的AUC为0.730(95%置信区间[CI]:0.682–0.777)。与此性能相比,瘤内和瘤周联合影像组学显示出显著更高的性能,AUC为0.774(95% CI:0.730–0.817;p < 0.001)。将临床特征加入影像组学后的AUC为0.826(95% CI:0.788–0.864),显著高于仅使用临床特征的AUC 0.777(95% CI:0.734–0.821)(p = 0.005)。

在仅限腺癌病例(n = 348)的性能方面,结果相似。瘤内影像组学的AUC为0.630(95% CI:0.572–0.689),瘤内和瘤周联合影像组学显示出显著增加的AUC为0.687(95% CI:0.632–0.743;p < 0.001)。联合影像组学和临床特征的AUC为0.744(95% CI:0.693–0.796)。该性能显著高于仅使用临床特征的AUC 0.703(95% CI:0.648–0.758)(p = 0.045)。

使用OOB数据的校准曲线如图4所示。Hosmer-Lemeshow检验表明,结合影像组学和临床特征的模型显示出适当的校准(p = 0.456)。

表4. 使用OOB数据预测EGFR突变的模型性能 查看原表 ↗
图4. 由瘤内、瘤周和临床特征组成的预测模型的校准曲线。x轴和y轴分别对应模型预测的EGFR突变概率和实际概率;概率基于袋外数据。根据Hosmer-Lemeshow检验,模型拟合良好(p = 0.456)。黑色虚线代表完美校准。 查看原图 ↗

同一CT扫描仪上的模型性能

由于本研究使用了三种不同的CT扫描仪,评估了仅使用SOMATOM Force进行检查的患者(n = 317)中的模型性能,以确定研究结果的普遍性。使用瘤内和瘤周影像组学的AUC(95% CI)显著高于仅使用瘤内影像组学(0.780 [0.727–0.832] vs 0.740 [0.684–0.795];p = 0.003),显示出相似的结果。

特征重要性

排名前10的最重要特征为八个影像组学特征、Brinkman指数和性别(表5)。Brinkman指数和性别分别排名为第一和第三最重要的特征。在影像组学特征中,瘤内第90百分位数最重要,其次是瘤周大区域高灰度强调(LAHGLE);两者均为3D特征。具体而言,低第90百分位数和高LAHGLE与EGFR突变显著相关(两者p < 0.001)。其他特征的重要性见补充表2。图5和图6展示了有和无EGFR突变的代表性病例。

图5. 一名72岁女性(不吸烟者)伴有EGFR突变型腺泡状腺癌。(a)轴位CT图像显示左肺尖部部分实性结节。(b)捕获瘤周特征(大区域高灰度强调)的热图显示高表达。模型预测的EGFR突变概率高达88.4%。 查看原图 ↗
图6。一名74岁男性(吸烟者),患有EGFR野生型实性腺癌。(a)轴位CT图像显示右肺上叶一个实性结节。肿瘤周围可见肺气肿。(b)捕获瘤周特征(大面积高灰度强调)的热图显示低表达。模型预测的EGFR突变概率低至2.1%。 查看原图 ↗
表5。最重要的前10个特征 查看原表 ↗

讨论

本研究构建了PLC中EGFR突变的预测模型,发现结合瘤内和瘤周影像组学相比单独瘤内影像组学提高了准确性。研究还证明,结合影像组学和临床特征在预测EGFR突变方面比两者单独使用具有更高的准确性。据我们所知,很少有肿瘤学研究(包括但不限于PLC)揭示了瘤周影像组学在预测癌症基因突变中的附加价值。

尽管活检是诊断基因突变的金标准,但使用影像组学了解验前概率在临床上有用。例如,如果验前概率高,在活检时可考虑采样更多组织以降低假阴性率。相反,在验前概率非常低的情况下,医生可以决定不进行以基因检测为目的的活检,考虑到并发症风险和医疗费用增加等不利因素。

本研究中的所有患者均患有可切除的PLC。尽管EGFR突变的临床意义在术前患者中尚未确立,但对此类患者可能需要进行基因检查,以便在术后复发时规划全身药物治疗。我们认为,从原发肿瘤提取的影像组学特征可以作为复发病灶中EGFR突变的有用预测因子。此外,最近的一项系统综述报道,新辅助EGFR-TKI治疗对于可切除的PLC可能是可行的,进一步的临床试验正在进行中。31 如果有强有力的证据支持新辅助EGFR-TKI治疗用于可切除的PLC,我们的EGFR突变预测模型将具有更广泛的临床适用性。

在我们的研究中,瘤周影像组学与EGFR突变之间的关联是合理的结果,因为瘤周影像组学涵盖了PLC的各个方面。9–16 例如,Wu等14显示瘤周影像组学能够准确区分原位腺癌(AIS)或微浸润腺癌(MIA)与浸润性腺癌。关于肺腺癌组织学与EGFR状态的关系,EGFR突变主要见于AIS、MIA、贴壁型和乳头状型;实性和浸润性黏液型很少显示EGFR突变。32 这与我们的发现一致,其中EGFR突变见于贴壁为主型、乳头状型或腺泡型。

只有少数研究使用瘤周影像组学来预测PLCs中的EGFR突变。Choe等8开发了一个模型,同时使用瘤内和瘤周影像组学来预测肺腺癌中的EGFR突变。然而,其准确性与仅由瘤内影像组学组成的模型相比无显著差异。先前结果与我们自己结果之间的差异可能由预测模型所纳入人群的差异来解释。先前的研究8仅使用肺腺癌病例来训练预测模型,而本研究则通过纳入多种组织学类型进行训练。因此,我们的模型可能更有效地学习了EGFR突变型和野生型肿瘤之间影像组学特征的差异。

在我们的研究中,预测EGFR突变最重要的瘤周特征是LAHGLE,其高值与突变相关。该影像组学特征测量的是具有高CT值的大面积区域的范围,当肿瘤周围存在高密度结构(如大肺血管)时,该值可升高。相反,如果存在低密度结构(如蜂窝状改变和肺气肿),LAHGLE则可降低。根据先前的研究,与野生型腺癌相比,EGFR突变型腺癌更可能显示血管汇聚,但较少伴有肿瘤周围的纤维化(与蜂窝状改变的存在相关)和肺气肿。33,34这些CT特征可能影响了我们研究中的LAHGLE值。从生物学角度来看,有报道称乳腺癌的瘤周影像组学与肿瘤浸润淋巴细胞的密度相关,后者是针对肿瘤的免疫应答标志物。35这种关联是否也在PLC中观察到,尚需进一步研究。

在我们的研究中,瘤内第90百分位数是预测EGFR突变最重要的影像组学特征;低值与EGFR突变相关。较低的第90百分位数值表示较低的密度;因此,我们研究中EGFR突变型肿瘤可能包含低密度的CT特征,如磨玻璃影和空气。这一假设得到先前研究结果的支持,33,34其中EGFR突变型腺癌较野生型肿瘤具有更高频率的磨玻璃影和空气支气管征。先前Yagi等36的研究也报道了瘤内第90百分位数在评估肺腺癌组织学类型时使用纹理分析的有用性。

我们的研究存在若干局限性。首先,本研究为回顾性研究,仅纳入手术切除病例。此外,除一例患者外,所有患者均为东亚人群。这些因素可能导致选择偏倚。因此,本研究构建的预测模型应在不可手术的PLC及不同种族群体中进行验证,以明确我们模型的稳健性。其次,本研究未确定距肿瘤边界3 mm以内的距离是否为评估瘤周特征的最佳范围。尽管既往研究也采用了3 mm,但理想情况下,应从多种范围内提取瘤周影像组学特征以比较其预测性能。还可以考虑对包含与不包含胸壁或纵隔的瘤周影像组学进行性能比较。第三,本研究未评估使用增强后HRCT的性能。联合使用平扫和增强HRCT可能会提高预测性能,应在未来研究中加以探讨。

总之,联合使用瘤内和瘤周影像组学特征提高了PLC中EGFR突变预测的性能。这一结果可能有助于考虑EGFR基因检测的适应证并预测EGFR TKIs的候选者。

点击此处获取补充数据文件。

点击此处获取补充数据文件。

点击此处获取补充数据文件。

引用

  1. Yamazaki, Yagi, Tominaga, et al. Role of intratumoral and peritumoral CT radiomics for the prediction of EGFR gene mutation in primary lung cancer. Br J Radiol. 2022. PMID: 36115683. doi:10.1259/bjr.20220374
  2. 全文:PMC9733609(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9733609/

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。