高分辨率CT影像组学联合传统影像学征象预测肺腺癌微血管浸润的价值

苗文杰 杨光杰 聂佩 颜蕾 郭柄州 龚爱迪 赵钰鋆 崔景景 王振光

引用本文:
Citation:

高分辨率CT影像组学联合传统影像学征象预测肺腺癌微血管浸润的价值

    通讯作者: 王振光, doctorwzg2002@hotmail.com

Value of HRCT radiomics combined with traditional imaging features in predicting microvascular invasion of lung adenocarcinoma

    Corresponding author: Zhenguang Wang, doctorwzg2002@hotmail.com
  • 摘要: 目的 探讨高分辨率CT(HRCT)影像组学联合传统影像学征象的综合模型预测肺腺癌微血管浸润的价值。 方法 回顾性分析2015年6月至2019年4月于青岛大学附属医院就诊的微血管浸润状态明确的肺腺癌患者65例(微血管浸润阳性30例、阴性35例),其中,男性33例、女性32例,年龄34~83(60.7±10.3)岁。以患者HRCT检查时间为编号,通过系统随机抽样方法将患者按约3∶1等距抽样分为2组:训练组46例,验证组19例。训练组用于模型的建立,验证组用于模型的效能评价。通过两独立样本t检验、χ2检验或Fisher确切概率法筛选训练组中微血管浸润阳性与阴性患者间差异有统计学意义的传统影像学征象。勾画2组患者的肿瘤三维感兴趣区并提取影像组学特征,通过单因素方差分析和Lasso-Logistic回归分析筛选训练组中有鉴别价值的最优影像组学特征,计算影像组学得分。通过Logistic回归分析构建联合影像组学得分和传统影像学征象预测肺腺癌微血管浸润的综合模型,并绘制列线图,进行效能评价。 结果 共提取影像组学特征1308个,最终得到6个最优影像组学特征。传统影像学征象中仅肿瘤最大径在微血管浸润阳性与阴性患者间的差异有统计学意义[(28.10±11.39)mm对(22.32±6.26) mm;t=5.580,P=0.035],其在训练组中的曲线下面积(AUC)为0.648(95%CI:0.493~0.783)、灵敏度为38.1%、特异度为88.0%;在验证组中的AUC为0.783(95%CI:0.538~0.936)、灵敏度为88.9%、特异度为70.0%。预测肺腺癌微血管浸润的综合模型在训练组中的AUC为0.880(95%CI:0.750~0.957),灵敏度为90.5%,特异度为72.0%;在验证组中的AUC为0.811(95%CI:0.568~0.951),灵敏度为88.9%,特异度为80.0%。 结论 基于HRCT影像组学联合传统影像学征象的综合模型对肺腺癌微血管浸润具有较高的预测价值,有助于肺腺癌患者的术前评估。
  • 图 1  肺腺癌(患者男性,50岁)HRCT图像上病灶区域ROI勾画图

    Figure 1.  Region of interest segmentation of lung adenocarcinoma(male,50 years old)

    图 2  65例肺腺癌患者的HRCT影像组学得分图

    Figure 2.  Radiomic scores histogram of 65 patients with lung adenocarcinoma

    图 3  基于影像组学联合HRCT的传统影像学征象的综合模型列线图

    Figure 3.  Comprehensive nomogram based on radiomic scores combined with traditional imaging features

    图 4  基于影像组学联合HRCT的传统影像学征象的综合模型预测肺腺癌微血管浸润的受试者工作特征曲线 图中,A:训练组;B:验证组。HRCT:高分辨率CT

    Figure 4.  Receiver operating characteristic curve for prediction model of microvascular invasion of lung adenocarcinoma based on radiomic scores combined with traditional imaging features

    表 1  65例肺腺癌患者的临床资料及HRCT的传统影像学征象

    Table 1.  Basic information and traditional imaging features of 65 patients with lung adenocarcinoma

    项目训练组(n=46)验证组(n=19)
    微血管浸润
    阳性(n=21)
    微血管浸润
    阴性(n=25)
    检验值P微血管浸润
    阳性(n=9)
    微血管浸润
    阴性(n=10)
    检验值P
    男性/女性(例) 11/10 8/17 χ2=1.955 0.162 5/4 9/1 χ2=2.898 0.238
    年龄(岁) 62.90±12.57 59.36±8.09 t=4.574 0.254 60.78±12.97 59.20±7.93 t=4.169 0.750
    肿瘤最大径(mm) 28.10±11.39 22.32±6.26 t=5.580 0.035 32.56±11.05 23.40±9.87 t=0.128 0.073
    所在肺(左肺/右肺,例) 9/12 10/15 χ2=0.038 0.845 2/7 1/9 χ2=0.532 0.921
    所在肺叶(上/中/下,例) 14/1/6 18/2/5 χ2=0.581 0.748 6/1/2 6/1/3 χ2=0.148 0.929
    形状(类圆/不规则,例) 13/8 15/10 χ2=0.017 0.895 5/4 8/2 χ2=1.310 0.515
    成分(实性/磨玻璃及混杂,例) 18/3 17/8 χ2=1.968 0.161 9/0 9/1 χ2=0.950 1.000
    分叶征(有/无,例) 20/1 25/0 χ2=1.217 0.457 9/0 9/1 χ2=0.950 1.000
    毛刺征(有/无,例) 10/11 17/8 χ2=1.955 0.162 6/3 8/2 χ2=0.434 0.891
    空洞(有/无,例) 4/17 4/21 χ2=0.074 1.000 1/8 1/9 χ2=0.006 1.000
    支气管充气征(有/无,例) 4/17 9/16 χ2=1.618 0.203 2/7 5/5 χ2=1.571 0.437
    胸膜凹陷征(有/无,例) 15/6 20/5 χ2=0.461 0.497 7/2 8/2 χ2=0.014 1.000
    血管集束征(有/无,例) 12/9 19/6 χ2=1.847 0.174 8/1 10/0 χ2=1.173 0.474
    注:表中,HRCT:高分辨率CT
    下载: 导出CSV

    表 2  肺腺癌微血管浸润预测模型的受试者工作特征曲线分析结果

    Table 2.  Receiver operating characteristic curve analysis results of microvascular invasion prediction model for lung adenocarcinoma

    项目训练组(n=46)验证组(n=19)
    AUC(95%CI灵敏度(%)特异度(%)AUC(95%CI灵敏度(%)特异度(%)
    肿瘤最大径 0.648(0.493~0.783) 38.1 88.0 0.783(0.538~0.936) 88.9 70.0
    影像组学得分 0.870(0.739~0.951) 90.5 72.0 0.800(0.556~0.945) 88.9 90.0
    综合模型a 0.880(0.750~0.957) 90.5 72.0 0.811(0.568~0.951) 88.9 80.0
     注:表中,a:基于影像组学联合传统影像学征象的综合模型;AUC:曲线下面积;CI:可变区间
    下载: 导出CSV
  • [1] Ettinger DS, Akerley W, Borghaei H, et al. Non-small cell lung cancer, version 2.2013[J]. J Natl Compr Canc Netw, 2013, 11(6): 645−653. DOI: 10.6004/jnccn.2013.0084.
    [2] Usui S, Minami Y, Shiozawa T, et al. Differences in the prognostic implications of vascular invasion between lung adenocarcinoma and squamous cell carcinoma[J]. Lung Cancer, 2013, 82(3): 407−412. DOI: 10.1016/j.lungcan.2013.09.001.
    [3] 张静渊, 尹荣, 徐新宇. 非小细胞肺癌的脉管内侵犯与微转移、微血管密度关系的研究[J]. 南京医科大学学报: 自然科学版, 2013, 33(7): 887−891. DOI: 10.7655/NYDXBNS20130706.
    Zhang JY, Yin R, Xu XY. Microvessel density and micrometastasis in patients with vascular-invaded non-small cell lung cancer[J]. J Nanjing Med Univ: Natur Sci, 2013, 33(7): 887−891. DOI: 10.7655/NYDXBNS20130706.
    [4] Bodendorf MO, Haas V, Laberke HG, et al. Prognostic value and therapeutic consequences of vascular invasion in non-small cell lung carcinoma[J]. Lung Cancer, 2009, 64(1): 71−78. DOI: 10.1016/j.lungcan.2008.07.011.
    [5] Patel AJ, Daniel G, Naidu B, et al. The significance of microvascular invasion after complete resection of early-stage non-small-cell lung cancer[J]. Interact Cardiovasc Thorac Surg, 2016, 22(1): 101−105. DOI: 10.1093/icvts/ivv287.
    [6] Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data[J]. Radiology, 2016, 278(2): 563−577. DOI: 10.1148/radiol.2015151169.
    [7] Balagurunathan Y, Gu YH, Wang H, et al. Reproducibility and prognosis of quantitative features extracted from CT images[J/OL]. Transl Oncol, 2014, 7(1): 72−87[2019-09-02]. https://www.sciencedirect.com/science/article/pii/S1936523314800107. DOI: 10.1593/tlo.13844.
    [8] Kumar V, Gu YH, Basu S, et al. Radiomics: the process and the challenges[J]. Magn Reson Imaging, 2012, 30(9): 1234−1248. DOI: 10.1016/j.mri.2012.06.010.
    [9] Wu Y, Xu L, Yang PF, et al. Survival prediction in high-grade osteosarcoma using radiomics of diagnostic computed tomography[J/OL]. EBioMedicine, 2018, 34: 27−34[2019-09-02]. http://www.ncbi.nlm.nih.gov/pmc/articles/PMC6116348. DOI: 10.1016/j.ebiom.2018.07.006.
    [10] 温焕舜, 梁朝阳. 非小细胞肺癌肿瘤组织血管浸润对预后的影响[J/OL]. 中华胸部外科电子杂志, 2016, 3(4): 239−242[2019-09-02]. http://rs.yiigle.com/CN119357201604/1072582.htm. DOI: 10.3877/cma.j.issn.2095-8773.2016.04.010.
    Wen HS, Liang CY. Impact of blood vessel invasion on prognosis of non-small cell lung cancer[J/OL]. Chin J Thorac Surg (Electron Ed), 2016, 3(4): 239−242[2019-09-02]. http://rs.yiigle.com/CN119357201604/1072582.htm. DOI: 10.3877/cma.j.issn.2095-8773.2016.04.010.
    [11] Tsubokawa N, Mimae T, Miyata Y, et al. Prognostic significance of vascular invasion in intermediate-grade subtype of lung adenocarcinoma[J]. Jpn J Clin Oncol, 2016, 46(11): 1015−1021. DOI: 10.1093/jjco/hyw113.
    [12] Hishida T, Yoshida J, Maeda R, et al. Prognostic impact of intratumoural microvascular invasion and microlymphatic permeation on node-negative non-small-cell lung cancer: which indicator is the stronger prognostic factor?[J]. Eur J Cardiothorac Surg, 2013, 43(4): 772−777. DOI: 10.1093/ejcts/ezs396.
    [13] Wang J, Wang BC, Bi JW, et al. Prognostic significance of microvascular invasion and microlymphatic permeation in non-small-cell lung cancer[J]. Eur J Cardiothorac Surg, 2013, 43(6): 1269. DOI: 10.1093/ejcts/ezs632.
    [14] Hamanaka R, Yokose T, Sakuma Y, et al. Prognostic impact of vascular invasion and standardization of its evaluation in stage I non-small cell lung cancer[J/OL]. Diagn Pathol, 2015, 10: 17[2019-09-02]. https://diagnosticpathology.biomedcentral.com/articles/10.1186/s1300-015-0249-5. DOI: 10.1186/s13000-015-0249-5.
    [15] National Comprehensive Cancer Network. Non-Small Cell Lung Cancer, NCCN Guidelines Version 2.2019[EB/OL]. Fort Washington: NCCN, 2018 (2018-11-21)[2019-09-02]. http://www.nccn.org/patients/guidelines/cancers.aspx#lung.
    [16] Owens CA, Peterson CB, Tang C, et al. Lung tumor segmentation methods: impact on the uncertainty of radiomics features for non-small cell lung cancer[J/OL]. PLoS One, 2018, 13(10): e0205003[2019-09-02]. https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0205003. DOI: 10.1371/journal.pone.0205003.
    [17] Shi Z, Deng JJ, She YL, et al. Quantitative features can predict further growth of persistent pure ground-glass nodule[J]. Quant Imaging Med Surg, 2019, 9(2): 283−291. DOI: 10.21037/qims.2019.01.04.
    [18] Wu WM, Parmar C, Grossmann P, et al. Exploratory study to identify radiomics classifiers for lung cancer histology[J/OL]. Front Oncol, 2016, 6: 71[2019-09-02]. http://www.frontiersin.org/articles/10.3389/fonc.2016.00071/full. DOI: 10.3389/fonc.2016.00071.
  • [1] 张榕毛莉莉杨少民刘子蔚周翠铷胡秋根 . 肺磨玻璃结节高分辨率CT影像特征及其与血管内皮生长因子、Ki-67、p53的相关性研究. 国际放射医学核医学杂志, 2022, 46(11): 661-668. doi: 10.3760/cma.j.cn121381-202110008-00235
    [2] 刘建井边海曼马文娟王子阳陈薇朱磊戴东徐文贵 . 基于18F-FDG PET/CT图像建立的多元影像组学模型对乳腺癌原发灶HER-2表达状态的预测价值. 国际放射医学核医学杂志, 2022, 46(7): 430-440. doi: 10.3760/cma.j.cn121381-202203015-00206
    [3] 林红东张志艳叶新苗周玉祥 . 薄层CT对早期肺腺癌的浸润性征象分析. 国际放射医学核医学杂志, 2022, 46(6): 334-340. doi: 10.3760/cma.j.cn121381-202106009-00186
    [4] 姜雯雯房娜靳飞李超伟林帅刘翠玉曾磊王艳丽18F-FDG PET/CT对浸润性肺腺癌磨玻璃结节危险程度的诊断价值. 国际放射医学核医学杂志, 2021, 45(12): 750-758. doi: 10.3760/cma.j.cn121381-202010010-00124
    [5] 曹胜男舒政陈艾琪卫军杜小萌马宜传 . 基于骰骨MRI的糖尿病足影像组学特征. 国际放射医学核医学杂志, 2021, 45(12): 759-766. doi: 10.3760/cma.j.cn121381-202011036-00122
    [6] 侯震李双双闫婧 . 影像组学与深度学习在肿瘤放疗中的研究进展. 国际放射医学核医学杂志, 2020, 44(12): 744-749. doi: 10.3760/cma.j.cn121381-202004004-00107
    [7] 陈相猛段晓蓓龙晚生冯宝张嘉瑜孙丽霞李荣岗谭国强张朝桐柳学国 . 高分辨CT影像学特征对非实性肺结节微浸润性腺癌与浸润性腺癌的鉴别诊断. 国际放射医学核医学杂志, 2020, 44(5): 309-316. doi: 10.3760/cma.j.cn121381-201909041-00038
    [8] 于荭张胜男段丽莎孔蒙娟崔建岭 . 基于MRI DWI的影像组学模型对骨肉瘤新辅助化疗疗效的评估价值. 国际放射医学核医学杂志, 2023, 47(9): 555-561. doi: 10.3760/cma.j.cn121381-202211019-00344
    [9] 张卉王姝李雪娜李亚明 . 长链非编码RNA UCA1对肺腺癌A549细胞糖代谢及侵袭转移的影响. 国际放射医学核医学杂志, 2020, 44(7): 435-440. doi: 10.3760/cma.j.cn121381−201903036−00057
    [10] 董佳佳章斌 . 多种影像学方法评价乳腺癌新辅助化疗疗效的价值比较. 国际放射医学核医学杂志, 2014, 38(6): 427-432. doi: 10.3760/cma.j.issn.1673-4114.2014.06.018
    [11] 彭静韩星敏 . 前列腺癌的影像学诊断方法及PET/CT显像剂应用进展. 国际放射医学核医学杂志, 2021, 45(11): 715-720. doi: 10.3760/cma.j.cn121381-202011016-00109
  • 加载中
图(4)表(2)
计量
  • 文章访问数:  11200
  • HTML全文浏览量:  9397
  • PDF下载量:  38
出版历程
  • 收稿日期:  2019-09-03
  • 刊出日期:  2020-09-25

高分辨率CT影像组学联合传统影像学征象预测肺腺癌微血管浸润的价值

    通讯作者: 王振光, doctorwzg2002@hotmail.com
  • 1. 青岛大学基础医学院 266071
  • 2. 青岛大学附属医院PET/CT中心 266000
  • 3. 青岛大学附属医院放射科 266000
  • 4. 哈尔滨师范大学数学科学学院 150025
  • 5. 慧影医疗科技有限公司,北京 100192

摘要:  目的 探讨高分辨率CT(HRCT)影像组学联合传统影像学征象的综合模型预测肺腺癌微血管浸润的价值。 方法 回顾性分析2015年6月至2019年4月于青岛大学附属医院就诊的微血管浸润状态明确的肺腺癌患者65例(微血管浸润阳性30例、阴性35例),其中,男性33例、女性32例,年龄34~83(60.7±10.3)岁。以患者HRCT检查时间为编号,通过系统随机抽样方法将患者按约3∶1等距抽样分为2组:训练组46例,验证组19例。训练组用于模型的建立,验证组用于模型的效能评价。通过两独立样本t检验、χ2检验或Fisher确切概率法筛选训练组中微血管浸润阳性与阴性患者间差异有统计学意义的传统影像学征象。勾画2组患者的肿瘤三维感兴趣区并提取影像组学特征,通过单因素方差分析和Lasso-Logistic回归分析筛选训练组中有鉴别价值的最优影像组学特征,计算影像组学得分。通过Logistic回归分析构建联合影像组学得分和传统影像学征象预测肺腺癌微血管浸润的综合模型,并绘制列线图,进行效能评价。 结果 共提取影像组学特征1308个,最终得到6个最优影像组学特征。传统影像学征象中仅肿瘤最大径在微血管浸润阳性与阴性患者间的差异有统计学意义[(28.10±11.39)mm对(22.32±6.26) mm;t=5.580,P=0.035],其在训练组中的曲线下面积(AUC)为0.648(95%CI:0.493~0.783)、灵敏度为38.1%、特异度为88.0%;在验证组中的AUC为0.783(95%CI:0.538~0.936)、灵敏度为88.9%、特异度为70.0%。预测肺腺癌微血管浸润的综合模型在训练组中的AUC为0.880(95%CI:0.750~0.957),灵敏度为90.5%,特异度为72.0%;在验证组中的AUC为0.811(95%CI:0.568~0.951),灵敏度为88.9%,特异度为80.0%。 结论 基于HRCT影像组学联合传统影像学征象的综合模型对肺腺癌微血管浸润具有较高的预测价值,有助于肺腺癌患者的术前评估。

English Abstract

  • 肺癌是在我国发病率和病死率最高的恶性肿瘤[1],其中,肺腺癌由于较早发生局部浸润和远处转移,其预后比肺鳞癌更差[2]。研究结果表明,微血管浸润状态可反映肿瘤的侵袭能力,是影响肺腺癌预后的重要因素,且美国国立综合癌症管理网络(NCCN)指南中也将血管浸润作为肺腺癌的高危险因素[2-5]。尽管术前鉴别肺腺癌是否发生微血管浸润对术后治疗策略的制定和预后有重要意义,但在实际临床工作中,传统影像学在判断肿瘤是否发生微血管浸润中的价值有限,甚至由于微血管浸润评估的工作量较大,国内大多数病理检查并未将微血管浸润作为常规检测项目。影像组学通过从医学图像中提取海量信息并进行处理,可获取传统影像学所不能反映的微观生物学信息,在疾病的诊断、疗效评价及预后评估等方面具有独特优势[6-9]。因此,有望通过影像组学对肺腺癌微血管浸润状态进行无创性预测。我们基于影像组学联合传统影像学征象建立综合模型,并验证该模型预测肺腺癌微血管浸润的效能。

    • 回顾性分析2015年6月至2019年4月于青岛大学附属医院就诊的65例肺腺癌患者的临床资料,其中,男性33例、女性32例,年龄34~83(60.7±10.3)岁;微血管浸润阳性30例、阴性35例。纳入标准:(1)术前1周行胸部高分辨率CT(high resolution CT,HRCT)检查;(2)术后病理结果证实为肺腺癌,且明确微血管浸润状态(病理组织切片发现肿瘤细胞存在于微血管内);(3)术前未行放化疗。排除标准:(1)合并其他恶性肿瘤;(2)HRCT图像质量较差。本研究已获得青岛大学附属医院伦理委员会批准(批准号:QYFY WZLL 25580)。

    • 采用德国Siemens公司Sensation 64螺旋CT行胸部扫描。扫描条件:管电压120 kV,管电流150~300 mA,转速0.7 s/周,矩阵512×512。获得容积数据后,通过AW4.4工作站系统进行高空间分辨率算法重建,层厚1.25 mm,间隔1.25 mm。

    • 将HRCT图像从图像存储与传输系统(PACS)中以“DICOM”格式导出。采用3D Slicer软件(版本4.11.0,https://www.slicer.org)中的“Growcut”模块对肿瘤进行半自动勾画ROI,并进行手工修正(图1)。采用Radcloud™大数据智能分析云平台(版本2.1.2,慧影医疗科技有限公司,https://www.huiyihuiying.com)进行影像组学特征提取。影像组学特征包括强度特征、形状特征、纹理特征、图像滤波特征4部分,其中图像滤波特征使用了包括指数、平方、平方根及对数4种类型的滤波器,共采用8种小波变换滤波器,即3维度高通滤波器(H)和低通滤波器(L)的所有组合(wavelet-LLL、wavelet-HHH、wavelet-HLL、wavelet-HHL、wavelet-LLH、wavelet-HLH、wavelet-LHL、wavelet-LHH)。

      图  1  肺腺癌(患者男性,50岁)HRCT图像上病灶区域ROI勾画图

      Figure 1.  Region of interest segmentation of lung adenocarcinoma(male,50 years old)

    • 采用R软件(版本3.5.3,https://www.r-project.org)及MedCalc软件(版本19,https://www.medcalc.org)进行统计学分析。符合正态分布的数据采用$\bar x $±s表示。Lasso-Logistic回归分析及列线图绘制采用R软件的“glmnet”包和“rms”包;ROC曲线分析采用MedCalc软件。其他统计学方法见1.5~1.7节。P<0.05为差异有统计学意义。

    • 以患者HRCT检查时间为编号,通过系统随机抽样方法将患者按约3∶1等距抽样分为2组:训练组46例,验证组19例。训练组用于模型的建立,验证组用于模型的效能评价。对所获得的训练组影像组学特征首先进行数据标准化处理,采用单因素方差分析对组学数据进行初次降维,筛选微血管浸润阳性与阴性患者间差异有统计学意义的特征,采用Lasso-Logistic回归分析进一步对组学特征数据降维,得到最优影像组学特征,利用所得到的影像组学特征与Lasso-Logistic回归系数进行线性拟合计算影像组学得分(Radscore),计算公式见2.2节中公式(1),并根据影像组学得分绘制影像组学得分图。

    • 由2名具有5年以上胸部HRCT诊断经验的医师对病灶进行传统影像学征象分析,意见不一致时协商取得一致意见。结合患者的临床资料,共记录以下13条信息:(1)性别;(2)年龄;(3)肿瘤最大径;(4)肿瘤所在肺;(5)肿瘤所在肺叶;(6)肿瘤形状;(7)肿瘤成分(实性密度、磨玻璃密度及混杂密度);(8)分叶征;(9)毛刺征;(10)空洞;(11)支气管充气征;(12)胸膜凹陷征;(13)血管集束征。对符合方差齐性的定量资料采用两独立样本t检验,计数资料采用χ2检验或Fisher确切概率法,筛选训练组中微血管浸润阳性与阴性患者间差异有统计学意义的传统影像学征象。

    • 将影像组学得分联合有鉴别意义的传统影像学征象,采用Logistic多元回归分析构建综合模型,绘制列线图,并通过ROC曲线评估模型的效能。

    • 患者基本信息及传统影像学征象见表1。其中,训练组中仅肿瘤最大径在微血管浸润阳性与阴性患者间的差异有统计学意义(t=5.580,P=0.035),其余的组间比较差异均无统计学意义。

      项目训练组(n=46)验证组(n=19)
      微血管浸润
      阳性(n=21)
      微血管浸润
      阴性(n=25)
      检验值P微血管浸润
      阳性(n=9)
      微血管浸润
      阴性(n=10)
      检验值P
      男性/女性(例) 11/10 8/17 χ2=1.955 0.162 5/4 9/1 χ2=2.898 0.238
      年龄(岁) 62.90±12.57 59.36±8.09 t=4.574 0.254 60.78±12.97 59.20±7.93 t=4.169 0.750
      肿瘤最大径(mm) 28.10±11.39 22.32±6.26 t=5.580 0.035 32.56±11.05 23.40±9.87 t=0.128 0.073
      所在肺(左肺/右肺,例) 9/12 10/15 χ2=0.038 0.845 2/7 1/9 χ2=0.532 0.921
      所在肺叶(上/中/下,例) 14/1/6 18/2/5 χ2=0.581 0.748 6/1/2 6/1/3 χ2=0.148 0.929
      形状(类圆/不规则,例) 13/8 15/10 χ2=0.017 0.895 5/4 8/2 χ2=1.310 0.515
      成分(实性/磨玻璃及混杂,例) 18/3 17/8 χ2=1.968 0.161 9/0 9/1 χ2=0.950 1.000
      分叶征(有/无,例) 20/1 25/0 χ2=1.217 0.457 9/0 9/1 χ2=0.950 1.000
      毛刺征(有/无,例) 10/11 17/8 χ2=1.955 0.162 6/3 8/2 χ2=0.434 0.891
      空洞(有/无,例) 4/17 4/21 χ2=0.074 1.000 1/8 1/9 χ2=0.006 1.000
      支气管充气征(有/无,例) 4/17 9/16 χ2=1.618 0.203 2/7 5/5 χ2=1.571 0.437
      胸膜凹陷征(有/无,例) 15/6 20/5 χ2=0.461 0.497 7/2 8/2 χ2=0.014 1.000
      血管集束征(有/无,例) 12/9 19/6 χ2=1.847 0.174 8/1 10/0 χ2=1.173 0.474
      注:表中,HRCT:高分辨率CT

      表 1  65例肺腺癌患者的临床资料及HRCT的传统影像学征象

      Table 1.  Basic information and traditional imaging features of 65 patients with lung adenocarcinoma

    • 每例患者共提取到1308个影像组学特征,通过单因素方差分析对组学数据进行初次降维,得到微血管浸润阳性与阴性患者间差异有统计学意义的影像组学特征共142个,通过Lasso-Logistic回归分析进一步降维,最终得到6个最优影像组学特征。影像组学得分计算公式见公式(1)。绘制的影像组学得分图见图2

      图  2  65例肺腺癌患者的HRCT影像组学得分图

      Figure 2.  Radiomic scores histogram of 65 patients with lung adenocarcinoma

      $\begin{split} {\rm{Radscore}}=&0.077 \times {\rm{square.glszm.SizeZoneNonUniformityNormalized}}- \\ &0.111 \times {\rm{squareroot.firstorder.MeanAbsoluteDeviation}}-\\ &0.230 \times {\rm{squareroot.glcm.SumSquares}}+ \\ &0.020\times {\rm{wavelet\_HHH.glszm.LargeAreaEmphasis}}+ \\ &0.173 \times{\rm{wavelet\_HLH.gldm.LargeDependenceHighGrayLevelEmphasis}}+\\ &0.199 \times {\rm{wavelet\_HLH.glszm.SizeZoneNonUniformityNormalized}}\end{split}$

    • 联合训练组中6个最优影像组学特征和传统影像学征象得到综合模型,绘制的列线图见图3。通过ROC曲线(图4)评估综合模型预测肺腺癌微血管浸润的效能,结果见表2。综合模型在训练组中的AUC为0.880(95%CI:0.750~0.957)、灵敏度为90.5%、特异度为72.0%;在验证组中的AUC为0.811(95%CI:0.568~0.951)、灵敏度为88.9%、特异度为80.0%。与传统影像学征象及影像组学得分相比,综合模型具有更好的诊断效能。

      项目训练组(n=46)验证组(n=19)
      AUC(95%CI灵敏度(%)特异度(%)AUC(95%CI灵敏度(%)特异度(%)
      肿瘤最大径 0.648(0.493~0.783) 38.1 88.0 0.783(0.538~0.936) 88.9 70.0
      影像组学得分 0.870(0.739~0.951) 90.5 72.0 0.800(0.556~0.945) 88.9 90.0
      综合模型a 0.880(0.750~0.957) 90.5 72.0 0.811(0.568~0.951) 88.9 80.0
       注:表中,a:基于影像组学联合传统影像学征象的综合模型;AUC:曲线下面积;CI:可变区间

      表 2  肺腺癌微血管浸润预测模型的受试者工作特征曲线分析结果

      Table 2.  Receiver operating characteristic curve analysis results of microvascular invasion prediction model for lung adenocarcinoma

      图  3  基于影像组学联合HRCT的传统影像学征象的综合模型列线图

      Figure 3.  Comprehensive nomogram based on radiomic scores combined with traditional imaging features

      图  4  基于影像组学联合HRCT的传统影像学征象的综合模型预测肺腺癌微血管浸润的受试者工作特征曲线 图中,A:训练组;B:验证组。HRCT:高分辨率CT

      Figure 4.  Receiver operating characteristic curve for prediction model of microvascular invasion of lung adenocarcinoma based on radiomic scores combined with traditional imaging features

    • 肺腺癌容易发生局部浸润和远处转移,其预后较差[2],寻找转移及预后相关的生物标志物一直是临床研究的热点[3]。肺腺癌微血管浸润是指肿瘤细胞突破血管壁浸润至管腔内,如果管腔内的癌灶随血液循环到达靶器官则形成转移灶。因此,微血管浸润被认为是肺癌的亚临床转移。研究结果证实肺腺癌微血管浸润是影响患者预后的重要因素[4-5, 10-11]。Hishida等[12]对1039例非小细胞肺癌患者进行回顾性分析后发现,微血管浸润是影响肺腺癌手术预后的独立因素。Wang等[13]同样证明了这个观点。Hamanaka等[14]的研究结果证实血管侵犯是无淋巴结转移的Ⅰ期肺腺癌的重要预后因素,且血管浸润可增加肿瘤术后复发的概率。Usui等[2]对255例肺腺癌的分析结果显示,血管浸润阳性的患者的预后明显差于阴性的患者。美国国立综合癌症管理网络(NCCN)指南也指出,伴有血管浸润的Ⅱb期肺腺癌患者术后应采取更积极的治疗措施[15]。由此可见,鉴别肺腺癌微血管浸润的意义重大,可以提示临床是否进行术后化疗等辅助治疗,但目前临床仍缺乏有效的肺腺癌的微血管浸润预测方法。

      影像组学可以显示更多的传统影像学不能判断的生物学信息,并且可以定量地将这些信息通过组学特征提取出来,进而对肿瘤的异质性进行表征[6-8],应用影像组学评价及预测肿瘤的生物学特征的价值已得到证实[9]。本研究通过HRCT影像组学联合传统影像学征象建立了预测肺腺癌微血管浸润的综合模型,结果证实该模型具有较高的预测价值,在训练组和验证组中的灵敏度均高于85%。

      本研究中传统影像学征象分析结果显示,肿瘤最大径是预测肺腺癌微血管浸润的独立因素(P=0.035),这与Patel等[5]的研究结论相同,该研究综合12篇文献进行分析,结果表明肺腺癌微血管浸润状态与肿瘤大小相关。可能的原因是,随着肿瘤的生长,肿瘤长径增加,更容易侵犯周围组织,造成微血管浸润。但本研究中肿瘤最大径对肺腺癌微血管浸润的鉴别效能较低(训练组AUC:0.648,验证组AUC:0.783),联合影像组学得分后,综合模型的鉴别效能明显提高(训练组AUC:0.880,验证组AUC:0.811),这表明影像组学对于鉴别肺腺癌微血管浸润具有重要的增益价值;而综合模型的鉴别效能略高于影像组学(训练组AUC:0.870,验证组AUC:0.800),这也提示肿瘤最大径在综合模型中对微血管浸润鉴别的价值权重较小。

      另外,我们选用的胸部HRCT对于部分肺部病变,尤其是较小的肺结节,能够显示更为丰富的细节,提供更全面的影像学信息。HRCT由于层厚较薄,手工勾画ROI需要投入更多的时间及人力,且由于肿瘤的异质性,部分患者肿瘤与周围邻近组织分界不清,导致勾画肿瘤ROI存在偏差。有文献证实基于“Growcut”模块的肺病灶半自动ROI勾画具有较高的精准度及可重复性[16-17]。本研究选用此种方法进行半自动ROI勾画,既大大节省了时间和劳力,也从一定程度上避免了个人主观因素对肿瘤ROI的勾画。

      本研究和Wu等[18]均采用三维ROI进行影像学特征的提取,能够更充分地反映肿瘤整体的异质性。且本研究中提取了更多的影像组学参数,能够对肿瘤特点进行更高维度的表征。Wu等[18]采用了朴素贝叶斯、随机森林、K-邻近3种建模方法,其鉴别肺腺癌与肺鳞癌的AUC略有差异,分别为0.64、0.63、0.60,故建模方法会对研究结果造成影响。但本研究只采用了Lasso-Logistic回归分析的方法,统一了建模方法,并取得了良好的鉴别效能。

      本研究为单中心研究,病例数较少,无法对其他的分层因素进行统计学分析,有待后续进行多中心的大样本量研究,纳入分化程度和分期等预后因素,研究基于影像组学的综合模型在不同亚组患者的微血管浸润中的预测价值。

      综上,本研究基于HRCT影像组学联合传统影像学征象成功构建了预测肺腺癌微血管浸润的综合模型,并证实了其具有较高的鉴别效能,有助于肺腺癌患者的术前评估。

      利益冲突 本研究由署名作者按以下贡献声明独立开展,不涉及任何利益冲突。

      作者贡献声明 苗文杰负责研究过程的实施、数据的收集与分析、论文的撰写;杨光杰负责研究命题的提出与设计、数据的分析、论文的指导与修订;聂佩、颜蕾负责论文的指导与修订;郭柄州、崔景景负责数据的分析;龚爱迪、赵钰鋆负责数据的收集;王振光负责命题的提出与设计、论文的指导与审阅。

参考文献 (18)

目录

    /

    返回文章
    返回