基于CT影像组学术前预测纯磨玻璃结节肺腺癌浸润性
该回顾性研究纳入382例手术切除的纯磨玻璃结节(pGGN)肺腺癌患者,提取CT影像组学特征并结合临床-影像特征构建联合模型预测浸润性。联合模型在训练、测试和外部验证组的AUC分别为0.856、0.859和0.765,决策曲线分析显示其临床有用性。
要点
- 联合模型(临床+影像组学)预测pGGN浸润性优于单独影像组学或临床模型。
- 影像组学模型在三个队列中AUC为0.854、0.846、0.814,敏感度0.883、0.840、0.955。
- Rad-score截断值为-1.66,可用于区分非浸润性病变与浸润性腺癌。
核心结论
- 基于CT影像组学结合临床-影像特征的分析能准确预测pGGN的浸润性,为个体化精准医疗提供无创生物标志物。
研究设计与样本
- 单中心回顾性研究,纳入382例经手术病理证实的单发pGGN患者,年龄35-73岁。
- 330例随机按7:3分为训练组和测试组,52例来自第三台CT扫描仪作为外部验证组。
- 使用Siemens和GE设备行胸部增强CT,层厚≤1.50mm,肺窗宽1200HU、窗位-600HU。
- 参考标准为手术病理结果,将AAH、AIS和MIA归为非浸润性病变,IAC为浸润性。
- 采用LASSO和多变量逐步回归筛选特征,构建临床-影像模型、影像组学模型和联合模型。
关键影像表现/征象
- pGGN定义为肺窗上模糊密度增高影,纵隔窗无实性成分,不掩盖血管和支气管结构。
- 多变量分析选出年龄、性别和平均CT值构建临床-影像模型。
- LASSO筛选出3个影像组学特征:Log.5.0_glszm_SmallAreaHighGrayLevelEmphasis、wavelet.LHL_glcm_MCC和wavelet.LLL_glcm_SumAverage。
- 浸润性腺癌的平均CT值高于非浸润性病变。
诊断标准与关键数值
- 联合模型在训练组、测试组和外部验证组的AUC分别为0.856、0.859和0.765。
- 影像组学模型在训练组、测试组和外部验证组的AUC分别为0.854、0.846和0.814。
- 影像组学模型在训练组、测试组和外部验证组的敏感度分别为0.883、0.840和0.955,特异度分别为0.663、0.644和0.633。
- Rad-score截断值为-1.66,依据Youden指数确定。
- 临床-影像模型在训练组、测试组和外部验证组的AUC分别为0.729、0.652和0.692。
临床应用与阅片要点
- 联合模型可辅助术前无创区分pGGN的浸润性腺癌与非浸润性病变,指导手术方式选择。
- 决策曲线分析显示联合模型在训练组和测试组比单独临床或影像组学模型提供更多净获益。
- 形态学特征(分叶、毛刺、空泡征、胸膜牵拉)因早期肺癌不典型且依赖阅片者经验,未纳入最终临床模型。
局限性
- 单中心回顾性研究,样本量小,需多中心大样本验证。
- CT图像来自不同扫描仪,扫描和重建参数标准化有待进一步研究。
- 外部验证组样本量相对较小,需扩大病例数验证模型性能。
全文中译15 节 · 点击展开
引言
肺癌是全球范围内最常见、最严重的癌症相关死亡原因之一[1]。随着高分辨率计算机断层扫描(CT)的发展及低剂量CT筛查的普及,纯磨玻璃结节(pGGN)的检出率迅速增加[2, 3]。pGGN可定义为肺窗上呈模糊密度增高的结节,纵隔窗观察无实性成分,且不掩盖血管和支气管结构[4, 5]。根据国际肺癌研究协会、美国胸科学会和欧洲呼吸学会提出的新分类,肺腺癌包括不典型腺瘤样增生(AAH)、原位腺癌(AIS)、微浸润性腺癌(MIA)和浸润性腺癌(IAC)[6]。持续存在超过三个月的pGGN已被证实与早期肺腺癌相关,包括AAH、AIS、MIA和IAC[7–11]。大多数纯GGN为浸润前病变;然而,近期组织学研究显示,约20%至50%含有浸润性成分[12–15]。在近期研究中,Ye等人在988个肺结节中发现,10.8%的纯磨玻璃肺腺癌结节为IAC亚型[16]。
肺叶切除术是IAC的标准手术治疗方式;然而,AIS和MIA可考虑行亚肺叶切除[17]。既往研究表明,AIS和MIA患者的5年无病生存率(DFS)可达100%或接近100%,而IAC患者的DFS为40–85%[18]。因此,术前区分IAC与浸润前病变及MIA对于pGGN患者的临床管理和预后预测至关重要。
临床特征包括年龄、性别和吸烟史已被发现是结节生长和病理诊断的预测因素[8, 19, 20]。腺癌在女性患者肺部肿瘤中也占较大比例[21]。Huang等人发现,不吸烟的女性肺癌患者更可能为腺癌[22]。IAC更多见于老年患者;Hu等人发现,年龄≥60岁是pGGN组织学浸润性的独立预测因素之一[23]。
CT是检测和鉴别pGGN浸润性最常用的技术[24]。既往研究表明,IAC的鉴别主要基于影像学特征,包括形态学特征(边缘、形状、血管改变、空泡征和胸膜凹陷征)和定量特征(病灶大小、CT值和体积)[14, 15, 19, 20, 25, 26]。形态学特征在很大程度上取决于观察者的经验,而定量特征受扫描参数(如测量一致性)的影响,且pGGN中某些特征存在重叠;这在尺寸<6 mm的小结节中尤为明显[27]。
放射组学可从医学图像中提取高通量数据,并通过大量定量描述符进行分析,以研究影像特征与各种终点之间的关联,在评估pGGN浸润方面具有广阔前景[28–30]。大多数既往研究仅从非增强CT图像中提取纹理特征,且纳入的病灶数量较少。如果在评估pGGN时利用临床、影像学和放射组学特征来区分IAC与MIA及浸润前病变(AAH和AIS),将对确定最佳治疗方案非常有帮助。
因此,本研究作者假设临床、影像学和放射组学特征的组合可以提高判断表现为pGGN的腺癌组织学浸润性的诊断能力。本研究的目的是开发一个联合预测模型,以帮助指导个体化的术前手术方案设计。
材料与方法
研究人群
本回顾性研究经机构研究委员会批准,并豁免知情同意要求。
回顾性审查了术前接受胸部CT检查的pGGN患者的记录和图像。所有结节均经手术切除后病理证实为肺腺癌(AAH、AIS、MIA和IAC),时间为2017年1月至2020年12月(图1显示研究人群流程图),IAC患者行肺叶切除术,而AAH、AIS或MIA患者行局限性切除。
纳入标准:(1)在薄层(≤ 1.50 mm)CT肺窗图像(窗宽:1200 HU和−600 HU)上表现为单个pGGN的患者;(2)结节直径< 30 mm的患者;(3)在接受CT扫描后一周内进行手术切除(包括肺叶切除术和局限性切除)的患者。
排除标准:(1)接受术前治疗或活检且pGGN周围发生出血或渗出的患者;(2)有恶性肿瘤病史的患者;(3)术前CT图像有明显伪影影响进一步分析的患者,该决定由一名经验丰富的放射科医师在分组前做出;(4)多发性GGN(mGGN)患者。
最终,本研究纳入382例年龄35–73岁(平均年龄= 56 ± 10岁)的患者,共382个pGGN。患者包括123例男性,年龄35–67岁(平均年龄= 54 ± 11岁)和259例女性,年龄38–73岁(平均年龄= 58 ± 13岁)。在这些患者中,231例被随机分配至训练队列,99例被分配至测试队列,按7:3的比例随机分配至训练和测试队列;同时,52例在第三次CT时扫描的患者被分配至外部验证队列。根据病理结果(AAH、AIS、MIA和IAC),浸润前腺癌和MIA被视为非浸润性病变。所有纳入的pGGN分为两组:非IAC组(n = 275;72%)和IAC组(n = 107;28%)。
CT成像采集
所有患者均接受对比增强胸部CT检查,使用Siemens SOMATOM Definition Flash、Siemens SOMATOM Sensation Open CT或GE Revolution。详细扫描参数见表1。对比增强CT在静脉注射碘对比剂(2 mL/kg)25 s后进行,注射速率为3 mL/sec。所有患者均取仰卧位于深吸气末采集CT扫描。扫描覆盖范围从肺底至胸廓入口。
图像预处理
为尽量减少噪声和处理伪影,尽可能避免对图像数据进行重采样,如既往类似研究所述[31]。首先,应用线性插值对CT图像进行重采样,使体素各向同性为1 × 1 × 1 mm。其次,对图像进行灰度离散化,组距设为25。第三,采用高斯拉普拉斯卷积核滤波器(σ = 3、5和7)及小波变换,以在不同空间尺度上降低噪声并增强特征。
临床特征与CT图像评估
根据肺癌相关研究文献[32],从病历中获取临床特征,包括年龄、性别、吸烟状态和临床症状。两名分别具有5年和10年经验的胸部放射科医师在不知晓患者病理结果的情况下审阅每例患者的CT图像,并识别影像学特征,包括形态学特征和定量特征。关于CT特征的判断通过共识达成。形态学特征包括分叶征、毛刺征、胸膜凹陷征和空泡征。定量特征包括病灶最大径和平均CT值。CT图像以肺窗设置(窗宽:1200 HU;窗位:−600 HU)进行阅片。
可重复性分析
为确保阅片者可重复性,随机选取50例患者进行可重复性分析。为评估影像组学特征的观察者间一致性,两名分别具有8年(阅片者1)和10年(阅片者2)胸部CT判读经验的放射科医师在没有任何患者信息的情况下完成感兴趣区(ROI)勾画。随后,阅片者1以一周为间隔重复ROI勾画,以评估观察者内一致性。影像组学特征提取的观察者间和观察者内一致性采用组间和组内相关系数(ICC)评估。ICC > 0.8的特征被视为具有可接受的一致性,并纳入后续分析。
肺结节分割
肺结节分割在薄层增强图像上以肺窗设置(窗宽1200 HU;窗位−600 HU)使用ITK-SNAP软件(版本3.8.0,https://www.itksnap.org)进行。放射科医师勾画结节长度,软件在轴位CT图像上自动绘制覆盖肿瘤整个范围的感兴趣区。放射科医师逐层手动调整并确定边界区域。结节边缘受累的胸膜、血管和支气管被排除在结节分割之外。
影像组学特征提取
使用PyRadiomics进行影像组学特征提取。每位患者从对比增强CT图像中提取了共1130个影像组学特征[33]。提取的特征包括肿瘤形状特征、一阶统计特征和纹理特征,如灰度共生矩阵(GLCM)、灰度游程长度矩阵、灰度依赖矩阵、灰度区域矩阵(GLSZM)和邻域灰度差矩阵,以反映内部异质性,如前所述[34]。
基于临床-影像学特征的模型
分析相关临床特征(包括性别、年龄、吸烟史和临床症状)和影像学特征(包括形态学特征和定量特征),以构建基于临床-影像学的模型。
临床特征选择分三步进行:(1)采用Shapiro-Wilk检验检验数据集的 normality;(2)对连续变量(平均CT值和最大直径)采用Student t检验或Wilcoxon秩和检验,对分类变量(性别、吸烟史和临床症状)采用卡方检验或Fisher精确检验;(3)采用逐步多因素logistic回归分析获得独立临床危险因素并构建基于临床特征的模型。
基于影像组学特征的模型
基于影像组学特征的模型分四步构建:(1)进行相关性分析以识别冗余特征(相关系数>0.8的特征被剔除)[28];(2)采用Mann-Whitney U检验比较两组间每个影像组学特征的差异(保留p值<0.05的影像组学特征);(3)采用最小绝对收缩和选择算子(LASSO)进行特征选择[35-38];(4)基于赤池信息准则进行逐步多因素logistic回归分析,以确定用于鉴别非浸润性病变和浸润性腺癌的最佳影像组学特征。然后,利用选定的常规特征和影像组学特征构建联合预测模型。
通过受试者工作特征(ROC)曲线评估三种模型在训练队列、测试队列和验证队列中的性能;分别计算曲线下面积(AUC)、准确率、敏感度和特异度。然后从最终模型中获得每个结果的基于影像组学特征的评分(Rad-score)。根据Youden指数准则选择用于鉴别非浸润性腺癌组和浸润性腺癌组的Rad-score截断值。为评估模型拟合优度,绘制校准曲线,并采用Hosmer-Lemeshow检验评估模型一致性[39, 40]。采用决策曲线分析(DCA)评估基于临床诊断、影像组学和联合模型在不同队列中的潜在净获益。
结果
患者人口学特征
本回顾性研究根据纳入和排除标准共纳入382例pGGNs患者。其中,275例诊断为非浸润性病变(AAH、AIS和MIA),107例诊断为IAC。训练队列由330例患者(330个pGGNs)组成;这些患者按7:3的比例采用分层抽样分为训练队列和测试队列。共52例患者(52个pGGNs)被分配至验证队列。382例患者三个队列的人口学特征列于表2。
特征选择
根据单因素分析结果,在训练队列中发现三个临床特征(性别、年龄和吸烟史)、六个影像学特征包括四个形态学特征(毛刺、分叶、空泡征和胸膜受累)以及两个定量特征(平均CT值和轴位最大长径)在鉴别非浸润性病变与IPA方面具有显著性;在外部验证队列中,仅发现一个定量特征(平均CT值)在鉴别非浸润性病变与IPA方面具有显著性。
根据多因素logistic回归,选择年龄、性别和平均CT值构建基于临床-影像学的模型。经过LASSO和逐步logistic回归分析后,最终选择三个影像组学特征构建基于影像组学特征的模型。这些特征包括Log.5.0_glszm_SmallAreaHighGrayLevelEmphasis、wavelet.LHL_glcm_MCC和wavelet.LLL_glcm_SumAverage。
临床-影像学模型、影像组学模型和联合模型的性能
三个队列的ROC曲线和AUC见图2A–C。在训练队列和测试队列中最佳模型为联合模型,AUC分别为0.856和0.859;在验证队列中,影像组学模型和联合模型的性能优于临床模型,AUC分别为0.814、0.765和0.692。影像组学模型在三个队列中区分IAC与非浸润性病变方面表现出优异的预测性能。影像组学标签在训练队列、测试队列和验证队列中的AUC分别为0.854、0.846和0.814(表3),三个队列的敏感度分别为0.883、0.840和0.955,特异度分别为0.663、0.644和0.633。
Rad-score由所选影像组学特征计算得出。相应的回归系数及其在训练队列、测试队列和验证队列中的分布见图3。Rad-score的截断值为−1.66。
校准曲线显示三个队列中预测值与观察值之间具有良好的可预测性(图4)。与验证队列的结果相比,实际预测值与理想预测值之间的一致性表明临床模型、影像组学模型和联合模型在训练队列和测试队列中具有良好的校准度。
三种模型的决策曲线分析见图5。决策曲线表明,在鉴别浸润性腺癌(IACs)与非浸润性病变时,使用联合模型预测浸润性病变比单独使用临床特征或影像组学特征能带来更多净获益;这在训练队列和测试队列中尤为明显。外部验证队列的DCA显示,联合模型和影像组学模型的平均精确率评分高于临床-影像学模型。
临床-影像学特征,包括性别、年龄、平均CT值以及影像组学特征(Log.5.0_glszm_SmallAreaHighGrayLevelEmphasis、wavelet.LHL_glcm_MCC和wavelet.LLL_glcm_SumAverage),与IACs风险增加显著相关。最高比值比(OR)在临床模型中见于性别(OR = 2.466),在影像组学模型中见于wavelet.LLL_glcm_SumAverage(OR = 2.287),在联合模型中见于wavelet.LLL_glcm_SumAverage(OR = 2.471)(表4)。
讨论
影像组学是定量影像学中一个新兴领域,可提取高通量数据特征并描述肿瘤表型特征。影像组学分析为疾病诊断、鉴别、临床治疗和评估提供了一种非侵入性的有力替代方法[34]。近期研究已在肿瘤学领域成功开展影像组学分析,显示了其诊断和预后价值[34, 41, 42]。
因此,在本研究中,从CT图像中提取放射组学特征和评估的临床特征用于预测pGGN的侵袭性;随后对这些特征进行研究,并比较了临床模型、放射组学模型和联合模型对无创病变和IAC的分类性能。
本研究结果表明,联合模型的性能优于放射组学模型和临床模型,在训练队列和测试队列中具有更高的AUC(分别为0.856、0.859),表明其是一种用于区分IAC与无创病变的无创工具。
一些研究表明,放射组学特征可用于区分pGGN的侵袭性。既往研究报道,在临床实践中,病灶大小、CT值和形态学特征与pGGN侵袭性相关[43–45]。近期研究强调了联合模型,该模型将临床特征和放射组学特征相结合用于肺癌的诊断。
Sun等和Liu等[46, 47]表明,基于放射组学列线图整合临床和放射组学特征构建的IAC预测模型在区分无创病变与IAC方面表现出优异的准确性(AUC 0.831;95% CI:0.765–0.897)。尽管形态学特征,如分叶、毛刺、空泡征和胸膜牵拉征,有助于识别结节的侵袭性,但它们未被纳入本研究最终临床模型的构建中;这主要是因为早期肺癌的形态学特征通常不典型,尤其是直径小于1 cm的IAC。此外,形态学特征的识别依赖于放射科医师的诊断经验。
既往研究发现,平均结节CT值是区分pGGN侵袭性的显著预测因子。既往研究表明,平均CT值高于−600 HU的pGGN提示浸润性腺癌[23]。
Wu等[48]评估了直径≤ 10 mm的pGGN肺腺癌的CT和组织病理学特征,结果显示无创病变与IAC之间的CT值差异无统计学意义。
在本研究中,多因素logistic回归分析显示平均CT值有助于组织病理学亚型的区分;IAC的平均CT值高于无创病变。该研究还显示,在三个队列中,使用性别、年龄和平均CT值建立的临床模型的AUC低于放射组学模型的AUC(AUC分别为0.729、0.652和0.692)。
放射组学显示出作为医学影像与精准医学之间桥梁的能力[49–51]。Yang等[52]利用肺腺癌的14个放射组学特征来区分IAC和无创病变;获得了0.77的AUC。放射组学标签的性能优于最常用的临床特征,如平均CT值。Weng等[53]发现,整合形态学特征和放射组学特征的列线图在IAC和MIA的分类中表现出高性能(AUC = 0.888)。
在本研究中,影像组学特征在三个队列中表现出良好的鉴别能力(AUC 分别为 0.854、0.846 和 0.814);该能力在预测浸润性腺癌(IAC)方面显著优于临床模型。本研究的发现与既往研究结果一致,既往研究已发现多种纹理和形状特征是 IAC 的重要预测因子。
此外,影像组学特征包括肿瘤形状特征、一阶统计特征和纹理特征,以无创、三维的方式,可能比传统方式对这些经 CT 检出的 pGGN 患者实现更精准和个性化的治疗。
随后将临床模型和影像组学模型相结合以提高诊断准确性;联合模型的表现优于单独使用临床模型和影像组学模型,并在外部验证队列中取得了令人满意的结果。ROC 和 DCA 也表明,在区分 IAC 与非浸润性病变时,使用联合模型预测浸润性病变比单独使用临床特征或影像组学特征带来更多净获益,尤其是在训练队列和测试队列中。
本研究存在若干局限性。第一,这是一项单中心回顾性研究,样本量较小;未来研究将招募大型多中心队列。第二,CT 图像来自不同扫描仪,需要标准化扫描和重建参数以供进一步研究。第三,尽管构建了外部验证队列,但分配到该队列的患者数量相对较少;因此,有必要增加该组的病例数量,以确定模型的表现和影像组学特征的实用性。
结论
总之,CT 图像的影像组学特征为 IAC 预测提供了一种无创方式。影像组学特征联合临床特征在区分表现为薄层 CT 上 pGGN 的 IAC 与非浸润性病变方面,比单独使用表现更好;这可能有助于进一步工作中的临床诊断和治疗。
引用
- Feng, Shi, Xu, et al. Radiomics-based analysis of CT imaging for the preoperative prediction of invasiveness in pure ground-glass nodule lung adenocarcinomas. Insights Imaging. 2023. PMID: 36735104. doi:10.1186/s13244-022-01363-9
- 全文:PMC9898484(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9898484/
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。