文献速递胸部技术与安全CT

肺神经内分泌肿瘤CT影像组学特征在不同扫描仪间的可重复性

Reproducibility of CT radiomic features in lung neuroendocrine tumours (NETs) patients: analysis in a heterogeneous population.
PubMed 文献 · Radiol Med · 2023-01-13

单中心回顾性研究纳入60例肺NET患者,提取基线与静脉期CT的107个影像组学特征,用Spearman相关矩阵和Ward聚类验证不同扫描仪、对比剂和重建核所致偏倚。结果显示无偏倚;静脉期7个特征与Ki-67分组相关,基线3个特征(MCC、ClusterProminence、Strength)同时区分Ki-67分组和纵隔淋巴结转移。

要点

  • 基线的MCC、ClusterProminence、Strength可同时区分Ki-67分组和纵隔淋巴结转移。
  • 静脉期一阶特征(Median、Maximum、RMS等)在低Ki-67组更高,提示低级别肿瘤更均匀。
  • 不同CT扫描仪、对比剂和重建核未对所选影像组学特征引入偏倚。

核心结论

  • 部分影像组学特征在基线和静脉期CT上可重复地预测肺NET的Ki-67分级及纵隔淋巴结转移。
  • 基线期MCC、ClusterProminence、Strength三个特征可同时判断肿瘤分级和侵袭性。

研究设计与样本

  • 单中心、观察性、回顾性研究,2008年9月至2021年10月纳入60例经组织学确诊的肺NET患者(男29例、女31例,年龄35–90岁,平均71岁)。
  • 使用多种CT扫描仪,行基线及静脉期(注射对比剂后70秒)扫描,层厚1–5 mm,120 kVp;对比剂为Ultravist®370或Iomeron®400。
  • 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逐层勾画全肿瘤容积ROI,经SlicerRadiomics提取107个特征(一阶、形状、GLCM、GLSZM、GLRLM、NGTDM、GLDM)。

关键影像表现/征象

  • CT上肺NET多表现为肺实质内实性实变灶,常呈多分叶状,低级别者增强后明显强化,可呈支气管内或混合成分,支气管阻塞时可伴肺不张。

诊断标准与关键数值

  • Ki-67分组依据WHO 2019 GEP-NENs分级:G1为Ki-67<3(18/60,30.0%),G2为3≤Ki-67≤20(24/60,40.0%),G3为Ki-67>20(18/60,30.0%)。
  • 静脉期区分Ki-67分组有7个特征显著:Correlation(p=0.046)、Median(p=0.004)、Maximum(p=0.005)、RootMeanSquared(p=0.002)、90th Percentile(p=0.001)、10th Percentile(p=0.020)、Mean(p=0.006)。
  • 基线区分Ki-67分组有3个特征显著:MCC(p=0.048)、ClusterProminence(p=0.046)、Strength(p=0.040)。
  • 静脉期区分纵隔淋巴结转移有3个一阶特征显著:Median(p=0.049)、RootMeanSquared(p=0.045)、90th Percentile(p=0.030)。
  • 基线区分纵隔淋巴结转移有15个特征显著,包括MCC(p=0.016)、ClusterProminence(p=0.033)、Strength(p=0.003)。

临床应用与阅片要点

  • 报告肺NET时除描述形态和强化外,可提示基线期MCC、ClusterProminence、Strength与Ki-67分级及纵隔淋巴结转移相关。
  • 静脉期Median、RMS、90th Percentile在低Ki-67组更高、无转移者更高,可辅助提示低级别、低转移风险肿瘤。
  • 不同扫描仪、对比剂和重建核下所选特征未见偏倚,支持跨设备使用这些特征。

局限性

  • 样本量相对较小(60例),作者正在收集更多病例用于后续影像组学应用。
  • 缺乏对照组验证结果。
  • ROI由一名放射科医生手动勾画,未采用深度学习自动分割。
  • 增强检查使用了两种对比剂,可能影响NET的CT纹理,但本研究未专门分析。
全文中译6 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:Radiol Med. 2023 Jan 13;128(2):203–11. doi: 10.1007/s11547-023-01592-y

背景

肺神经内分泌肿瘤(NETs)是一组肿瘤,约占所有NETs的25%和肺癌的2%,根据其侵袭性分为不同组别[1, 2]。具体而言,NETs被分类为低级别或典型类癌(TCs)、中级别或非典型类癌(ACs)以及高级别,后者分为大细胞神经内分泌癌(LCNECs)和小细胞肺癌(SCLC)[3]。这种分为侵袭性递增形式的分类基于组织学评估中核分裂数目进行性增加和坏死的存在:通常典型类癌不显示坏死,与非典型类癌不同,而最高百分比的核分裂见于SCLC,即NETs中最具侵袭性的形式[4–7]。

计算机断层扫描(CT)是诊断该病变的首选影像学方法,不仅能够检测与病变存在相关的变化,而且对于疾病的局部区域分期也是必需的[8, 9]。CT上最常见的表现是肺实质内存在实性实变病灶,常呈多叶状,尤其在低级别形式中,增强后显示明显强化。病灶也可表现为支气管内型或具有混合的实质和支气管成分。在支气管阻塞的情况下,也可能存在肺实质肺不张[10, 11]。

通过增殖细胞表达的核抗原(Ki-67)的相关性,在评估肿瘤侵袭性以及因此在这些患者预后中的意义方面越来越重要。尽管这一分类尚未纳入肺NETs的分级系统,但目前根据2019年WHO分类用于胃肠神经内分泌肿瘤(GEP-NENs)。高分化NENs进一步仅基于Ki-67增殖指数和核分裂指数分为不同级别:1级(G1,核分裂率< 2,Ki-67指数< 3)、2级(G2,核分裂率2–20,Ki-67指数在3至20之间)和3级(G3,核分裂率> 20,Ki-67指数> 20)[12, 13]。已有研究探讨这些分级值如何在预后评估和区分各种肿瘤组织型中发挥基础性作用,特别是在区分TCs和ACs肿瘤或高级别SCLS和LCNEC与类癌肿瘤方面[12, 13]。

近年来,放射组学借助纹理分析的应用正日益成为一种使用越来越广泛的工具,能够提供更精确的结构信息,这些信息并非总能被人眼所见,且不受个体间变异性的影响[14–21]。因此,放射组学是一种创新技术,用于表征给定组织的不均匀性,更具体地说,如在本研究的情况下,通过从不同成像模式(如CT、磁共振成像(MRI)或正电子发射断层扫描CT(PET-CT))中研究感兴趣区域(ROI)所提取和分析的特征来表征肺NET病变[22–26]。因此,纹理分析在肺NET中的应用可能在诊断和早期区分不同NET肿瘤组织学亚型方面有用[27, 28]。在本文中,我们面对了使用不同CT扫描仪时肺NET中CT放射组学特征的可重复性问题,试图整合不同特征或寻找评估肿瘤侵袭性和组织学亚型的新指标,这些指标在日常实践中可能具有可重复性。

材料与方法

患者与伦理问题

这是一项单中心、观察性、回顾性研究。2008年9月至2021年10月期间,通过检索我们的图像归档与通信系统(PACS),选取了所有经组织学诊断为肺NET且接受了治疗前CT检查的患者。纳入标准为:年龄在18至99岁之间的患者;经活检或手术标本确认的肺NET组织学诊断;Ki-67值;在我科进行的包含平扫采集和静脉期的CT检查;随访中至少有一次CT或PET-CT。患者选择的工作流程如图1所示。初始人群包括91例患者;其中15例未在我院进行治疗前CT检查。为使样本更加同质,我们排除了没有基线CT者(6例)和没有静脉期采集者(10例)。我们的研究人群最终为60例患者,29例男性和31例女性。由于在使用Ki-67指数对肺NET进行使用和分类分级方面仍无标准化,我们在研究中依据最新的WHO 2019 GEP-NENs分级。随后将所选患者分为三组:Ki-67 < 3(第1组)、3 ≤ Ki-67 ≤ 20(第2组)和Ki-67 > 20(第3组)。这项回顾性观察性研究经我院伦理委员会批准(研究方案编号:14776_oss)。

图1 患者选择的工作流程 查看原图 ↗

图像采集与分析

CT图像使用不同的CT扫描仪采集,如表1所示。研究方案包括基线采集,随后在静脉注射对比剂(流速3 mL/s,随后推注40 ml生理盐水)后延迟70秒进行静脉期采集。注射了两种对比剂:Ultravist®370(Bayer Healthcare)和Iomeron®400(Bracco Imaging Italia)。平扫的采集参数为:矩阵大小512 × 512像素,层厚1至5 mm,120 kVp,145 ± 97 mAs,CTDIvol为10.3 ± 6.7 mGy,DLP在237–1226 mGy*cm范围内;增强扫描的采集参数为:矩阵大小512 × 512像素,层厚1至5 mm,120 kVp,156 ± 101 mAs,CTDIvol为11.4 ± 6.6 mGy,DLP在253.5–1228 mGy*cm范围内。所有研究均由两名放射科医师审阅,分别具有5年和15年胸部影像学经验。使用3DSlicer软件版本4.10.2(开源软件;https://www.slicer.org/)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。对每位患者逐层勾画ROI。纹理特征提取通过SlicerRadiomics工具完成。共选取PyRadiomics列表中的107个特征,属于一阶、基于三维形状、灰度共生矩阵(GLCM)、灰度区域大小矩阵(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。

表1 本研究中使用的计算机断层扫描(CT)扫描仪列表 查看原表 ↗

统计分析

由于使用了不同的对比剂、扫描仪和重建核,数据库的固有异质性可能导致患者分类组的统计学区分存在偏倚;为验证该偏倚不存在,使用R软件(https://www.R-project.org/)创建了Spearman相关矩阵并结合Ward层次聚类。进行了非参数检验以识别在三类Ki67(Ki-67 < 3(第1组)、3 ≤ Ki-67 ≤ 20(第2组)和Ki-67 > 20(第3组))之间或在纵隔淋巴结转移存在或不存在之间显示显著差异的特征。该统计分析分别使用SPSS(IBM SPSS Statistics for Windows,版本27.0。Armonk,NY:IBM Corp)在平扫和增强CT扫描数据库上进行。对于Ki-67分类区分,使用Kruskal–Wallis检验,事后分析采用Dunn检验,并考虑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。

结果

本回顾性观察性研究经我院伦理委员会批准(研究方案编号:14776_oss)。入选的60例患者年龄在35至90岁之间(平均年龄71岁;女性35例,男性25例)。组织病理学分析显示45例为典型类癌(TCs,75.0%),12例为小细胞肺癌(SCLCs,20.0%),3例为大细胞神经内分泌癌(LCNECs,5.0%)。根据Ki-67表达,第1组患者为18/60(30.0%),第2组为24/60(40.0%),第3组为18/60(30.0%)。典型类癌的平均Ki-67值为7.02,而SCLCs为74.58,LCNECs为80.0。在首次通过CT或PET-CT进行的随访中,30/60(50.0%)存在纵隔淋巴结转移。通过Spearman相关矩阵结合Ward层次聚类验证了数据库中由于可能的混杂因素所致偏倚的缺失,如图2所示。未发现与这些因素相关的偏倚证据。在表2和表3中,分别列出了在Kruskal–Wallis检验结合Dunn事后检验后,在Ki-67类别之间显示显著差异的特征,分别针对平扫和增强CT扫描(表2、表3)。同时还报告了由Mann–Whitney检验得出的在区分转移缺失(0)与存在(1)方面的显著特征列表。

在不同类型肿瘤与Ki-67类别之间的相关性分析中,三个特征在平扫扫描中具有统计学显著性:MCC(p = 0.048)、ClusterProminence(p = 0.046)和Strength(p = 0.040)。而在增强扫描中,七个特征具有统计学显著性:Correlation(p = 0.046)、Median(p = 0.004)、Maximum(p = 0.005)、RootMeanSquared(p = 0.002)、90th Percentile(p = 0.001)、10th Percentile(p = 0.020)、Mean(p = 0.006)。除Correlation外,其余均为一阶类别特征。

在评估肿瘤组织学类型与转移存在之间的相关性时,在静脉期对比剂图像的 feature 统计分析中发现了三个特征(Median(p = 0.049)、RootMeanSquared(p = 0.045)和90th Percentile(p = 0.030))。在平扫图像上进行的分析中,15个特征具有统计学显著性,包括那些在对比剂增强采集后也能区分转移存在与否的特征,即MCC(p = 0.016)、ClusterProminence(p = 0.033)和Strength(p = 0.003)。

图2 热图。热图表示平扫(a)和增强(b)CT采集的Spearman相关矩阵结合Ward层次聚类。热图颜色从红色(高相关性)到蓝色(低相关性)。矩阵顶部显示聚类树状图以及三个彩色条,代表可能导致组间统计相关性偏倚的检查特征(CT型号、卷积核和对比剂)。可以看出,所有这些特征在数据库中呈随机分布,且均不能与特定聚类相关联。 查看原图 ↗
表2 在平扫CT扫描中Kruskal–Wallis检验显示Ki-67类别之间具有显著差异的特征列表 查看原表 ↗
表3 在增强CT扫描中Kruskal–Wallis检验显示Ki-67类别之间具有显著差异的特征列表。 查看原表 ↗

讨论

据我们所知,这是首个通过分析结果在不同CT扫描仪上的标准化和可重复性,从而评估影像组学在考虑肺神经内分泌肿瘤(NETs)的侵袭性和肿瘤组织学分型方面疗效的研究,因此避免了由于成像所用机器异质性导致的重要偏倚。在我们之前的研究中,我们在Ki-67分级和侵袭性分层中选择了显著特征,使用少量患者试图获得最同质的受试者组,仅使用一台CT扫描仪[27]。因此,我们通过这项额外研究尝试评估更大数量的患者,评估使用层次聚类分析是否存在因使用不同CT而产生的任何偏倚。已进行了不同的研究来评估不同CT的采集参数和重建技术的变化如何影响影像组学特征[29]。Meyer等人的研究评估了大多数特征如何因采集参数变化而继发性改变:特别是层厚对这些特征的可重复性影响最大。这表明选择不受不同技术采集参数继发性变化影响的可重复特征是因此的一个基本因素[30]。我们研究的主要结果之一是,提取和选择的所有特征均不受样本异质性引起的偏倚影响。

我们研究的一个重要目标是识别能够根据Ki-67值区分肿瘤组织学类型的特征。特别是,三个特征(最大相关系数——MCC、聚类突出度和强度)在非增强 acquisitions 中显著,如结果部分所述。聚类突出度和MCC是属于灰度共生矩阵(GLCM)类的二阶特征。前者是GLCM偏度和不对称性的度量。后者代表纹理复杂性的量化。强度属于邻域灰度差矩阵(NGTDM),代表图像中基元的度量。同样,这些特征在无对比剂 acquisitions 中与转移的存在相关性也显著。

考虑到大多数患者的病灶具有高度对比增强,这是所有神经内分泌肿瘤的典型特征,因此在给予对比剂后进行评价是必需的[31–33]。关于增强CT图像中Ki-67分级与肿瘤组织学类型之间的相关性,六个一阶特征和一个二阶特征具有显著性。中位数是感兴趣区内灰阶强度的中位数,在Ki-67值较低的类别中较高,这与无坏死或坏死区域较少的实性组织存在更多有关[34]。最大值代表感兴趣区内的最高灰阶强度,由于无坏死以及在更均匀的组织结构中对比剂摄取更多,该值在典型类癌中也较高。第10和第90百分位数分别是感兴趣区内灰阶强度第10和第90百分位数的反映,而均值代表感兴趣区内的平均灰阶强度。如上所述,这些特征在类别1中也显示较高值,因此代表低级别肿瘤。均方根(RMS)是所有强度值平方的均值的平方根。在分析增强图像中与转移存在与否的相关性时,中位数、RMS和第90百分位数也具有显著性,在无纵隔淋巴结转移的肿瘤中显示较高值,强调了它们检测低级别肿瘤的能力。这是我们研究中的另一个重要点,因为它将这三个特征确定为在区分具有高转移风险和高Ki-67值的肿瘤方面高度有用:因此,这些肿瘤由于存在坏死或液化而比那些转移倾向低且分级低的肿瘤更不均匀,从而能够早期识别那些高风险肿瘤[35]。相关性是一个二阶特征,代表灰阶共生矩阵(GLCM)中灰阶值对其相应体素的线性依赖性。该特征的较高值被发现存在于第1组中:这一结果需要进一步研究,可能与真实组织不均匀性无关,后者在典型类癌中不常见。其他特征与转移的存在相关,包括属于灰度依赖矩阵(GLDM)的灰度方差,代表图像中灰阶的方差,以及灰度区域大小矩阵(GLSZM)的灰度方差,即区域灰阶强度的方差。这两个特征在有转移的肿瘤中均显示较高值,这与低分化NET的组织异质性有关。作为证据,灰度非均匀性(GLSMZ)在有转移因而更具侵袭性的肿瘤中也显示较高值。

本研究仍存在一些局限性:首先,我们承认患者数量相对较少,我们正在收集更多检查以供未来放射组学应用。此外,我们的结果缺乏对照组的验证。另一个局限性是由一名放射科医师手动进行的分割:即使是一名专家,未来基于深度学习的自动方法重复这些评估也可能是有意义的。最后,增强检查使用了两种不同类型的对比剂,这可能影响了NETs成像的CT纹理。然而,Botta等人先前的一项研究表明,放射组学特征不受不同对比剂的影响,事实上我们的研究并未对此进行调查[36–38]。

总之,纹理分析可以作为一种有用的工具,用于结合Ki-67值和转移的存在对肺NET肿瘤组织学类型进行分层。样本不均质性导致的局限性可以通过选择不受采集参数影响的特征来克服,使结果具有可重复性和标准化。尽管放射组学尚未应用于临床实践,但未来它可能成为评估NET肿瘤类别和侵袭性的有价值的辅助手段,从而在决策过程中发挥作用。

引用

  1. Bicci, Cozzi, Cavigli, et al. Reproducibility of CT radiomic features in lung neuroendocrine tumours (NETs) patients: analysis in a heterogeneous population. Radiol Med. 2023. PMID: 36637739. doi:10.1007/s11547-023-01592-y
  2. 全文:PMC9938819(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9938819/

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。