全肺定量CT分析改善偶发肺结节恶性风险估计
该回顾性研究纳入251例偶发肺结节患者,利用定量CT分析全肺及结节所在肺叶的肺实质参数,发现全肺肺气肿指标较高、纤维化指标较低者结节更可能为恶性;将平均肺密度和周围肺气肿指数加入Mayo Clinic和Brock模型后AUC分别从0.91升至0.93、0.88升至0.91。
要点
- 全肺肺气肿定量指标较高、纤维化指标较低的偶发肺结节患者恶性风险更高。
- 结节所在肺叶的肺气肿程度低于同侧其余肺组织。
- 将平均肺密度和周围肺气肿指数加入Mayo Clinic或Brock模型可小幅提升风险预测性能。
关键影像表现/征象
- 恶性结节组全肺平均肺密度更低(-790 HU vs. -766 HU),周围肺气肿指数更高(44.7% vs. 40.1%)。
- 恶性结节组全肺肺气肿指数更高、肺体积更大,纤维化指数和磨玻璃影指数更低。
- 结节所在肺叶的肺气肿程度低于同侧其余肺组织,良性结节组肺气肿指数0.5% vs. 0.7%(p<0.001),恶性结节组1.2% vs. 1.7%(p=0.001)。
- 结节所在肺叶的纤维化指数和气道壁百分比高于同侧其余肺组织。
诊断标准与关键数值
- 基于平均肺密度和周围肺气肿指数的QCT模型AUC为0.69(95%CI 0.61–0.76)。
- Mayo Clinic模型加入平均肺密度和周围肺气肿指数后AUC从0.91(95%CI 0.86–0.96)升至0.93(95%CI 0.88–0.97,p=0.02)。
- 简化Brock模型加入平均肺密度和周围肺气肿指数后AUC从0.88(95%CI 0.84–0.93)升至0.91(95%CI 0.88–0.95,p<0.001)。
局限性
- 缺乏外部验证,模型仅在建模数据上评估,AUC可能因过拟合而高估。
- 样本量较小,仅51例恶性结节,未划分训练集和验证集。
- 算法未能分割并排除结节,可能影响密度相关参数(平均肺密度、肺气肿指数、纤维化指数)。
- 单中心回顾性研究,招募自专科胸科医院,结果可能不适用于筛查人群。
- 定量结果可能因CT扫描仪和设置不同而变化。
全文中译12 节 · 点击展开
引言
胸部CT的使用日益增多(例如用于肺癌筛查),以及层厚的普遍减小,导致临床常规中小型肺结节的发生率升高。由于其良性和恶性结节的影像学特征模糊,临床医生对其管理仍面临挑战[1]。既往一项研究提示,胸部影像学检查和结节检出的显著增加产生了更多假阳性结果,但同时未能识别出更多肺癌病例[2]。除了通过长期影像学随访监测生长、组织学检查或PET/CT外,临床常规中可通过统计预测模型无创地估计> 8 mm的偶然性肺结节的肺癌概率[3, 4]。最常用的两个模型是用于偶然性结节的Mayo Clinic模型和用于筛查检出结节的Brock University模型[5, 6]。这两个模型已在多项基于不同人群、包含两种类型结节的研究中得到广泛验证[7–11]。然而,一项基于23’789名偶然性肺结节参与者大型队列的近期研究报告,两个模型的预测价值仅为“可接受”,且倾向于高估肺癌风险[12]。一些研究团队尝试通过将瘤周环境纳入考量来改善风险和结局预测[13–16]。例如,Lee等报告,将瘤内影像组学与瘤周影像组学相结合可提高非小细胞肺癌(NSCLC)患者结局预测的预测价值[16]。因此,不禁令人推测全肺方法是否能为现有模型增加进一步的价值。
定量计算机断层扫描(QCT)早已被确立为一种客观方法,用于评估COPD和间质性肺疾病(ILD)等多种疾病中的肺实质和气道异常[17–20]。由于COPD和ILD与肺癌风险增加相关,我们假设QCT可能对恶性肿瘤具有预测价值;然而,迄今为止其潜力几乎未被探索。因此,本研究的目的是在一个高危人群中,采用全肺以及基于肺叶的方法,探索潜在的QCT指标以解释251名受试者中偶然性肺结节的恶性性质。随后,最有前景的指标可在更大数据集中进一步研究,并有可能整合到Mayo Clinic模型和Brock University模型中。
材料与方法
本研究经当地伦理委员会批准,并按照赫尔辛基宣言的原则进行。
人群
在这项回顾性探索性研究中,筛查了2010年1月至2021年12月期间包含肺结节的胸部CT扫描患者。严格应用排除标准后,251名受试者符合最终分析条件(图1)。值得注意的是,每位患者仅允许一次检查,且仅分析一个预定义的索引结节,即最可疑或最大的病灶。临床信息从电子病历中获取。
胸部计算机断层扫描参数
所有患者均在64排CT扫描仪(Definition AS64,Siemens,Siemens Medical Solutions)上于深吸气仰卧位、未行静脉对比剂给药的情况下接受检查。采用以下采集参数:100–120 kV和70 mAs参考值并采用剂量调制(Caredose 4D,Siemens),准直0.6 mm,重建层厚1.0 mm,增量0.8 mm,采用迭代中软组织核(I40f,SAFIRE level 3,Siemens)。
定量后处理
先前经过充分评估的院内软件YACTA(版本2.9.4.16)对胸部CT图像进行全自动分析。按先前描述的方法[21–25]分割气道树和肺实质,并计算全肺以及各肺叶的QCT参数(表1)。分割后的肺体素总体被再分为50%中央肺区和50%周围肺区。
统计分析
所有统计分析均在专业统计学家的指导下使用SPSS Statistics 25.0版(IBM Corp. 2017)和GraphPad Prism(GraphPad Software,Inc.,第8版)完成。连续参数在不宜假定为正态分布时以中位数和四分位距(IQR)报告,否则给出均值和标准差(SD)。组间比较采用Mann-Whitney U检验。分类变量以绝对数和百分比报告,组间比较采用卡方检验。除描述性分析外,对那些存在描述性差异(基于中位数和Mann-Whitney U检验)的QCT变量采用单变量logistic回归进行分析。由于恶性肿瘤患者数量较少(n = 51),随后以这些QCT变量为起点进行基于似然比检验的后向变量选择,以免危及模型的稳定性。logistic回归模型基于所有可用数据采用受试者工作特征曲线下面积(AUC)进行评估。不同模型采用似然比检验进行描述性比较。对于含结节肺叶分析,参数按其占全肺体积的相对比例进行加权,然后采用配对样本Wilcoxon检验与其余肺组织进行比较。这是一项探索性分析。因此,所有p值均为描述性性质,未进行正式的样本量计算。
结果
严格应用入选标准后,连续纳入251例患者,每例均有一个明确的索引病灶(图1)。
该队列的中位[IQR]年龄为65[57–73]岁,37%(n = 92)为女性。63%为当前吸烟者或既往吸烟者,且这些曾经吸烟者在良性结节组与恶性结节组之间的比例略有差异(61 vs. 71%)。
所有恶性结节均进行了组织学检查;良性结节的性质通过组织学(n = 11/200)或至少1年随访(n = 189/200)得到证实。随访期间,13%的良性结节体积缩小或完全消失。所有患者的平均[SD]结节直径为9.5 [6.9] mm,良性结节组与恶性结节组之间存在差异(7.9 [3.3] vs. 16.0 [11.8] mm)(表2)。关于所用的有效剂量,良性结节组与恶性结节组之间在中位[IQR]体型特异性剂量估计方面无差异(5.1 [4.4–5.8] vs. 5.0 [4.1–5.9] mSv)。
全肺定量CT(QCT)与结节恶性度的关联
组间比较显示多个全肺QCT参数存在差异(表3)。例如,恶性结节患者的平均肺密度(MLD)较低、肺气肿指数(EI)较高、肺体积较大(图2)。然而,其纤维化指数(FIBI)和磨玻璃影指数(GGOI)较低。各组之间未观察到气道参数的差异。
MLD和pEI与恶性风险增加相关
单因素逻辑回归分析显示,多个参数是肺结节恶性的影响因素。这些结果与按恶性度分组的QCT变量描述一致。
MLD、Perc15、GGOI或FIBI显示与恶性度呈保护性关联(OR < 1)。EI、pEI或BI与恶性风险增加相关(OR > 1)。为建立多因素QCT参数模型,进行了向后变量选择,从所有单因素p值 < 0.05的参数开始。最终得到一个由MLD和pEI组成的模型(表4)。基于所有可用数据为该模型构建了ROC曲线,相应的AUC为0.69(95%-CI,0.61–0.76)。
加入MLD和pEI可能改善Mayo Clinic模型和Brock模型
为评估定量CT(QCT)参数对Mayo Clinic模型或(简化)Brock大学模型的潜在增益,将平均肺密度(MLD)和参数化肺气肿指数(pEI)整合入这些模型。在两个模型中,加入MLD和pEI后,基于所有可用数据的AUC均略有升高:Mayo Clinic模型的AUC从0.91(95%CI,0.86–0.96)升高至0.93(95%CI,0.88–0.97,p = 0.02),简化Brock模型从0.88(95%CI,0.84–0.93)升高至0.91(95%CI,0.88–0.95;p < 0.001)(图3)。
含结节的肺叶显示较其余肺组织更少的肺部病变
为探讨含结节肺叶的特征,进行了肺叶特异性分析,并将各肺叶的QCT参数与每位受试者其余肺组织进行比较。虽然MLD相似,但含结节肺叶中提示肺气肿的参数低于其余肺组织,且在恶性与良性结节受试者中表现相似。在两组中,含结节肺叶的纤维化指数(FIBI)和气道壁壁厚(WP)均高于其余肺组织(表5)。
讨论
在这项回顾性探索性研究中,我们发现全肺QCT指标可能有助于识别偶发肺结节中的恶性病变。此外,外周带的平均肺密度和肺气肿指数可能改善两个已建立的影像-临床风险模型的性能。我们还观察到,在两组中,含结节肺叶较同一受试者其余肺组织肺气肿更少、纤维化更多、气道壁增厚更明显。该分析可作为进一步研究QCT变量在肺结节恶性性中解释性特征的起点。
肺癌与肺气肿相关联这一事实已被充分认识[26, 27],因为二者共同以吸烟为潜在诱因;我们的发现与文献一致,因为恶性结节组的全肺EI高于良性结节组。通过使用基于肺大疱形状的特征,我们进一步表明,恶性结节组的外周带肺气肿比例和肺气肿簇体积均大于良性结节组。
本研究采用的全肺方法相较于广泛使用的肿瘤或瘤周方法具有若干优势:首先,它不受感兴趣区(ROI)选择的限制以及相关的观察者间变异性的影响。其次,它具有高度标准化,因此不仅省力省时,而且能够与随访研究实现最佳可比性。尽管现有关于使用全肺放射组学预测肺癌的文献相当稀少,但我们的发现与类似研究在一定程度上是一致的。例如,Liang等人分析了一个较小的特发性肺纤维化患者队列(n = 116),报告称基于直方图的全肺放射组学特征——峰度和能量——对肺癌发生具有显著的预测价值,尤其是与吸烟状态或年龄等传统危险因素联合时[28]。在本探索性研究中,所分析的13个参数中有9个在良性结节组与恶性结节组之间存在差异,其中6个在逻辑回归分析中显示出预测价值。与Liang等人不同的是,本研究不仅依赖于基于直方图的放射组学,还纳入了基于形状的放射组学,如肺大疱指数。正如Wiemker等人所报道的,这些特征的优势在于不仅依赖于固定的HU阈值,还可能考虑到不规则形状以及肺大疱的重叠或开放轮廓[29]。
定量CT(QCT)参数的相关优势之一在于它们经过充分评估且由常规影像学检查生成。因此,既不需要额外的问诊、检查、有创或其他令人不适的干预,也不需要昂贵的分析。
关于与标准预测模型的比较,Vachani及其同事已经指出,Mayo Clinic模型和Brock大学模型在某些队列中均可能高估癌症概率[12]。在他们的研究中,Mayo Clinic模型的AUC为0.75,略优于Brock模型(AUC为0.71)。
在本研究中,两个模型均表现出色;正如预期,Mayo Clinic模型的表现略优于Brock模型(AUC,0.91 vs. 0.88),因为它最初是为偶然发现的肺结节而设计的。
仅基于QCT参数通过后向变量选择推导出的模型在全部可用数据上的AUC已达0.69。因此,将QCT参数整合到两个标准模型中后,AUC分别提高至0.93和0.91。所有AUC均使用完整数据集计算,这意味着模型是用其创建时所使用的数据进行评估的。采用这一非常规方法的原因是数据量和恶性肿瘤患者数量都相当少。值得注意的是,如果划分为训练集、验证集和测试集,将导致测试集很小,预期仅有10例恶性患者(数据的20%),这将无法对推导出的模型进行稳健评估。因此,解释严格限于描述性,无法就QCT变量的预测价值得出明确结论。此外,必须指出,本文所提出模型的AUC很可能被高估,因为基于训练数据的评估会导致过拟合。
对QCT参数的肺叶特异性分析显示,与其他肺叶相比,含结节的肺叶具有较低的EI、外周带较低的EI以及较小的BI。有趣的是,良性结节组和恶性结节组在肺叶分析方法中未显示出任何差异。对这一发现的一种可能解释是,肺气肿区域的功能性肺实质较少且血供较少,因此任何类型的肿瘤在生长基础较少的肺叶中可能更不容易发生。关于肺气肿与肺癌关系的文献仍存在争议。例如,Hohberger等人在一个包含624个恶性结节的队列中使用半定量方法指出,较高的区域肺气肿评分与肺癌的存在相关[30]。与本研究不同,该方法基于主观估计而非客观测量值。其他使用定量方法的研究则完全未能显示肺气肿与肺癌之间的关联[31, 32]。在肺叶特异性分析中,我们观察到含结节肺叶的WP高于其余肺叶。与肺气肿相关参数类似,这一现象在良性结节组和恶性结节组中均存在,最可能是基于潜在的炎症或恶性过程。然而,这一发现需要在未来研究中进一步阐明,例如评估不同类型支气管壁增厚对恶性的预测价值。
本研究存在若干局限性。最相关的局限性是所提出的QCT模型和扩展模型缺乏外部验证,因为迄今为止它们仅在用于推导模型的数据上进行了评估。因此,有必要在独立数据集上对这些模型进行进一步验证。此外,该算法无法分割结节,因而无法将结节从分析中排除,这可能影响了QCT参数。
然而,这种影响仅会涉及基于密度的参数MLD、EI和FIBI。可以假设,在排除结节后,当前全肺分析的结果会更加显著,因为恶性结节较大,其体素贡献了肺内较高的HU值。例如,这导致组间MLD、FIBI和EI的差异会变得更大。关于肺叶分析方法,结节对基于肺叶的CT参数的相对贡献可能大于全肺分析方法。因此,排除结节确实可能影响相应肺叶的基于密度的QCT参数(MLD、EI和FIBI),并可能导致相应肺叶MLD降低、EI升高或FIBI降低。然而,其他肺气肿相关参数(pEI、EIcc120、Perc15和BI)可被认为对该影响具有稳健性,因为它们描述的是肺气肿的分布和聚集,而非仅基于体素密度。
随后,招募工作在一家专门的胸科医院进行,该院经常转诊患有严重ILD和COPD并表现为偶然发现的结节的患者。因此,我们的结果可能无法直接推广到筛查人群。样本量相对较小,仅包含51个恶性结节。然而,我们的队列在临床上特征明确,且CT方案严格标准化,这对于确保QCT参数的可比性是必要的[33, 34]。这导致大量病例被排除。最后,根据CT扫描仪及其具体设置的不同,定量结果可能会有所差异,但在同一机构内应保持一致。未来的工作应侧重于成像方案的协调统一,以促进QCT分析的进步,并推动跨机构的标准化和可重复性。
总之,本研究表明,全肺的QCT参数可考虑用于偶然性肺结节的恶性肿瘤风险评估。QCT与既有的Mayo Clinic和Brock University模型联合使用可能具有附加价值。
引用
- Peters, Weinheimer, von Stackelberg, et al. Quantitative CT analysis of lung parenchyma to improve malignancy risk estimation in incidental pulmonary nodules. Eur Radiol. 2022. PMID: 36538071. doi:10.1007/s00330-022-09334-w
- 全文:PMC10181968(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10181968/
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。