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

刘建井 边海曼 马文娟 王子阳 陈薇 朱磊 戴东 徐文贵

引用本文:
Citation:

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

    通讯作者: 徐文贵, wenguixy@163.com

The predictive value of 18F-FDG PET/CT derived multivariate radiomic mdodel in HER-2 status for primary breast cancer

    Corresponding author: Wengui Xu, wenguixy@163.com
  • 摘要: 目的 评估基于18F-氟脱氧葡萄糖(FDG) PET/CT图像建立的多元影像组学模型对乳腺癌原发灶人表皮生长因子受体2(HER-2)表达状态的预测价值。 方法 回顾性分析2010年1月1日至2019年12月31日于天津医科大学肿瘤医院行18F-FDG PET/CT检查的273例女性乳腺癌患者的临床和影像学资料,年龄26~78(51.8±10.8)岁。根据乳腺癌原发灶HER-2表达状态的不同将患者分为HER-2阳性组和HER-2阴性组,比较2组患者的临床特征和PET/CT代谢参数的差异。勾画原发灶的感兴趣区,提取所有影像组学特征并建立基于PET/CT图像的影像组学特征模型,将样本中70%的患者作为训练集,剩余30%的患者作为测试集,采用受试者工作特征曲线比较PET/CT代谢参数及影像组学模型对乳腺癌原发灶HER-2表达状态的预测能力,采用十折交叉验证计算预测模型的平均性能。采用Wilcoxon秩和检验比较组间各PET代谢参数是否存在差异。计数资料的比较采用χ2检验,计量资料的比较采用两独立样本t检验和Mann-Whitney U秩和检验。 结果 HER-2阳性组患者106例、阴性组患者167例。HER-2阴性组患者合并腋下淋巴结转移的比例较HER-2阳性组患者高[85.03%(80/106)对75.47%(142/167)],且差异有统计学意义(χ2=3.900,P<0.05)。除腋下淋巴结转移情况外,2组患者的年龄、病理学类型及肿瘤分期间的差异均无统计学意义(t=−0.028,χ2=5.429、1.891,均P>0.05)。2组患者的PET代谢参数最大标准化摄取值、平均标准化摄取值、标准化摄取值峰值、肿瘤代谢体积、病灶糖酵解总量之间的差异均无统计学意义(Z=−1.583~−0.064,均P>0.05)。最终筛选出具有较好预测价值的37个影像组学特征建立组学特征模型,其中,PET影像组学参数8个、CT影像组学参数29个。在训练集中,影像组学特征模型曲线下面积(AUC)、准确率、灵敏度和特异度分别为0.913(95% CI:0.871~0.954)、0.882(95%CI:0.832~0.922)、0.849(95%CI:0.759~0.910)和0.910(95%CI:0.841~0.952);在测试集中,影像组学特征模型AUC、准确率、灵敏度和特异度分别为0.820(95%CI:0.723~0.918)、0.830(95%CI:0.738~0.900)、0.875(95%CI:0.701~0.959)和0.807(95%CI:0.683~0.892);经十折交叉验证后,影像组学模型的AUC、准确率、灵敏度、特异度的均值分别为0.818、0.847、0.908、0.764。 结论 相较于传统的PET代谢参数,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表达状态有较好的预测价值,有助于临床医师筛选曲妥珠单抗受试人群,改善患者预后。
  • 图 1  HER-2阳性患者与HER-2阴性患者乳腺癌原发灶18F-FDG PET/CT显像对比图

    Figure 1.  18F-FDG PET/CT images comparison of primary lesions of breast cancer between HER-2 positive and HER-2 negative patients

    图 2  原发性乳腺癌PET/CT代谢参数的最小绝对收缩选择算子十折交叉验证图(A)及影像组学特征降维图(B)

    Figure 2.  The least absolute shrinkage and selection operator cross validation diagram (A) and dimension reduction diagram of image omics characteristics (B) of PET/CT metabolic parameters of primary breast cancer

    图 3  273例原发乳腺癌患者影像组学模型纳入特征及对应权重系数

    Figure 3.  Inclusion characteristics and corresponding weight coefficients of imaging omics model in 273 patients with primary breast cancer

    图 4  273例原发性乳腺癌患者的影像组学分数散点图

    Figure 4.  Scatter plot of image omics scores of 273 primary breast cancer patients

    图 5  PET代谢参数和影像组学模型对乳腺癌HER-2表达状态预测性能的受试者工作特征曲线

    Figure 5.  Receiver operator characteristic curve of PET metabolic parameters and imaging omics model for predicting performance of HER-2 expression in breast cancer

    表 1  273例原发性乳腺癌患者的临床特征

    Table 1.  Clinical characteristics of 273 patients with primary breast cancer

    项目例数(%)
    病理学类型
     导管内癌 4(1.47)
     浸润性导管癌 245(89.74)
     浸润性小叶癌 3(1.10)
     浸润性乳头状癌 5(1.83)
     混合癌 14(5.13)
     其他类型癌 2(0.73)
    雌激素受体
     阳性 181(66.30)
     阴性 92(33.70)
    孕激素受体
     阳性 156(57.14)
     阴性 117(42.86)
    HER-2
     阳性 106(38.83)
     阴性 167(61.17)
    Ki-67
     <20% 34(12.45)
     ≥20% 239(87.55)
    合并腋下淋巴结转移
     是 222(81.32)
     否 51(18.68)
    肿瘤分期
     Ⅰ期 19(6.96)
     Ⅱ期 139(50.92)
     Ⅲ期 60(21.98)
     Ⅳ期 55(20.14)
    分子分型
     Luminal A型 20(7.33)
     Luminal B(HER-2阴性)型 106(38.83)
     Luminal B(HER-2阳性)型 61(22.34)
     HER-2过表达型 45(16.48)
     三阴性型 41(15.02)
    注:HER-2为人表皮生长因子受体2;Ki-67为细胞增殖核抗原
    下载: 导出CSV

    表 2  HER-2阳性组、阴性组原发性乳腺癌患者临床特征的比较

    Table 2.  Comparison of clinical characteristics between HER-2 positive group and HER-2 negative group of primary breast cancer patients

    临床特征HER-2阳性组(n=106)HER-2阴性组(n=167)检验值P
    年龄($\bar x\pm s $,岁) 51.8±11.4 51.7±10.5 t=−0.028 0.978
    病理学类型[例(%)] χ2=5.429 0.366
     导管内癌 2(1.89) 2(1.20)
     浸润性导管癌 99(93.40) 146(87.43)
     浸润性小叶癌 0   3(1.80)
     浸润性乳头状癌 2(1.89) 3(1.80)
     混合癌 3(2.83) 11(6.59)
     其他类型癌 0   2(1.20)
    合并腋下淋巴
    结转移[例(%)]
    χ2=3.900 0.048
     是 80(75.47) 142(85.03)
     否 26(24.53) 25(14.97)
    肿瘤分期[例(%)] χ2=1.891 0.595
     Ⅰ期 5(4.72) 14(8.38)
     Ⅱ期 58(54.72) 81(48.50)
     Ⅲ期 23(21.70) 37(22.16)
     Ⅳ期 20(18.87) 35(20.96)
     注:HER-2为人表皮生长因子受体 2
    下载: 导出CSV

    表 3  HER-2阳性组、阴性组原发性乳腺癌患者PET代谢参数的比较($\bar x\pm s $

    Table 3.  Comparison of PET metabolic parameters between HER-2 positive group and HER-2 negative group of primary breast cancer patients ($\bar x\pm s $)

    组别SUVmaxSUVmeanSUVpeakMTV(cm3)TLG(g)
    HER-2阳性组(n=106) 10.65±5.67 6.59±3.45 7.88±4.54 14.53±30.69 143.06±359.39
    HER-2阴性组(n=167) 9.94±6.31 6.08±3.84 7.40±5.32 21.37±76.88 191.89±741.13
    Z −1.508 −1.583 −1.549 −0.660 −0.064
    P 0.132 0.113 0.121 0.509 0.949
    注:PET为正电子发射断层显像术;HER-2为人表皮生长因子受体2;SUVmax为最大标准化摄取值;SUVmean为平均标准化摄取值;SUVpeak为标准化摄取值峰值;MTV为肿瘤代谢体积;TLG为病灶糖酵解总量
    下载: 导出CSV
  • [1] Sung H, Ferlay J, Siegel RL, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2021, 71(3): 209−249. DOI: 10.3322/caac.21660.
    [2] Haque W, Verma V, Hatch S, et al. Response rates and pathologic complete response by breast cancer molecular subtype following neoadjuvant chemotherapy[J]. Breast Cancer Res Treat, 2018, 170(3): 559−567. DOI: 10.1007/s10549-018-4801-3.
    [3] Holm J, Eriksson L, Ploner A, et al. Assessment of breast cancer risk factors reveals subtype heterogeneity[J]. Cancer Res, 2017, 77(13): 3708−3717. DOI: 10.1158/0008-5472.CAN-16-2574.
    [4] Aitelhaj M, Lkhoyaali S, Rais G, et al. First line chemotherapy plus trastuzumab in metastatic breast cancer HER2 positive-observational institutional study[J/OL]. Pan Afr Med J, 2016, 24: 324[2022-03-11]. https://panafrican-med-journal.com/content/article/24/324/full. DOI: 10.11604/pamj.2016.24.324.4058.
    [5] Jeon SH, Shin KH, Kim JH, et al. Effects of trastuzumab on locoregional recurrence in human epidermal growth factor receptor 2-overexpressing breast cancer patients treated with chemotherapy and radiotherapy[J]. Breast Cancer Res Treat, 2018, 172(3): 619−626. DOI: 10.1007/s10549-018-4966-9.
    [6] Tabernero J, Hoff PM, Shen L, et al. Pertuzumab plus trastuzumab and chemotherapy for HER2-positive metastatic gastric or gastro-oesophageal junction cancer (JACOB): final analysis of a double-blind, randomised, placebo-controlled phase 3 study[J]. Lancet Oncol, 2018, 19(10): 1372−1384. DOI: 10.1016/S1470-2045(18)30481-9.
    [7] Wu YT, Xu Z, Arshad B, et al. Significantly higher pathologic complete response (pCR) after the concurrent use of trastuzumab and anthracycline-based neoadjuvant chemotherapy for HER2-positive breast cancer: evidence from a meta-analysis of randomized controlled trials[J/OL]. J Cancer, 2018, 9(17): 3168−3176[2022-03-11]. https://www.jcancer.org/v09p3168.htm. DOI: 10.7150/jca.24701.
    [8] Brufsky A. Trastuzumab-based therapy for patients with HER2-positive breast cancer: from early scientific development to foundation of care[J]. Am J Clin Oncol, 2010, 33(2): 186−195. DOI: 10.1097/COC.0b013e318191bfb0.
    [9] O'Toole SA, Selinger CI, Millar EKA, et al. Molecular assays in breast cancer pathology[J]. Pathology, 2011, 43(2): 116−127. DOI: 10.1097/PAT.0b013e3283430926.
    [10] Leahy DJ. A molecular view of anti-ErbB monoclonal antibody therapy[J]. Cancer Cell, 2008, 13(4): 291−293. DOI: 10.1016/j.ccr.2008.03.010.
    [11] Grosselin K, Durand A, Marsolier J, et al. High-throughput single-cell ChIP-seq identifies heterogeneity of chromatin states in breast cancer[J]. Nat Genet, 2019, 51(6): 1060−1066. DOI: 10.1038/s41588-019-0424-9.
    [12] Turner NH, Di Leo A. HER2 discordance between primary and metastatic breast cancer: assessing the clinical impact[J]. Cancer Treat Rev, 2013, 39(8): 947−957. DOI: 10.1016/j.ctrv.2013.05.003.
    [13] Koo HR, Park JS, Kang KW, et al. 18F-FDG uptake in breast cancer correlates with immunohistochemically defined subtypes[J]. Eur Radiol, 2014, 24(3): 610−618. DOI: 10.1007/s00330-013-3037-1.
    [14] Yoon H, Kang KW, Chun IK, et al. Correlation of breast cancer subtypes, based on estrogen receptor, progesterone receptor, and HER2, with functional imaging parameters from 68Ga-RGD PET/CT and 18F-FDG PET/CT[J]. Eur J Nucl Med Mol Imaging, 2014, 41(8): 1534−1543. DOI: 10.1007/s00259-014-2744-4.
    [15] An Y, Kang DK, Jung YS, et al. Tumor metabolism and perfusion ratio assessed by 18F-FDG PET/CT and DCE-MRI in breast cancer patients: correlation with tumor subtype and histologic prognostic factors[J]. Eur J of Radiol, 2015, 84(7): 1365−1370. DOI: 10.1016/j.ejrad.2015.03.026.
    [16] Sasada S, Masumoto N, Suzuki E, et al. Prediction of biological characteristics of breast cancer using dual-phase FDG PET/CT[J]. Eur J Nucl Med Mol Imaging, 2019, 46(4): 831−837. DOI: 10.1007/s00259-019-4259-5.
    [17] Kitajima K, Fukushima K, Miyoshi Y, et al. Association between 18F-FDG uptake and molecular subtype of breast cancer[J]. Eur J Nucl Med Mol Imaging, 2015, 42(9): 1371−1377. DOI: 10.1007/s00259-015-3070-1.
    [18] Koolen BB, Vrancken Peeters MJ, Wesseling J, et al. Association of primary tumour FDG uptake with clinical, histopathological and molecular characteristics in breast cancer patients scheduled for neoadjuvant chemotherapy[J]. Eur J Nucl Med Mol Imaging, 2012, 39(12): 1830−1838. DOI: 10.1007/s00259-012-2211-z.
    [19] Blagus R, Lusa L. SMOTE for high-dimensional class-imbalanced data[J/OL]. BMC Bioinformatics, 2013, 14: 106[2022-03-11]. https://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-14-106. DOI: 10.1186/1471-2105-14-106.
    [20] Sreejith S, Khanna Nehemiah H, Kannan A. Clinical data classification using an enhanced SMOTE and chaotic evolutionary feature selection[J]. Comput Biol Med, 2020, 126: 103991. DOI: 10.1016/j.compbiomed.2020.103991.
    [21] Xia CF, Dong XS, Li H, et al. Cancer statistics in China and United States, 2022: profiles, trends, and determinants[J]. Chin Med J (Engl), 2022, 135(5): 584−590. DOI: 10.1097/CM9.0000000000002108.
    [22] Huang F, Shi QN, Li YZ, et al. HER2/EGFR–AKT signaling switches TGFβ from inhibiting cell proliferation to promoting cell migration in breast cancer[J]. Cancer Res, 2018, 78(21): 6073−6085. DOI: 10.1158/0008-5472.CAN-18-0136.
    [23] von Minckwitz G, Huang CS, Mano MS, et al. Trastuzumab emtansine for residual invasive HER2-positive breast cancer[J]. N Engl J Med, 2019, 380(7): 617−628. DOI: 10.1056/NEJMoa1814017.
    [24] Zhang J, Jia Z, Zhou M, et al. The SUVmax for 18F-FDG correlates with molecular subtype and survival of previously untreated metastatic breast cancer[J]. Clin Nucl Med, 2013, 38(4): 256−262. DOI: 10.1097/RLU.0b013e3182816318.
    [25] 汤泊, 张银, 周锦, 等. 18F-FDG PET-CT代谢参数与乳腺癌临床病理特征的关系[J]. 中华肿瘤杂志, 2017, 39(4): 280−285. DOI: 10.3760/cma.j.issn.0253-3766.2017.04.008.
    Tang B, Zhang Y, Zhou J, et al. The relationship between 18F-FDG PET/CT metabolic parameters and clinicopathological features of breast cancer[J]. Chin J Oncol, 2017, 39(4): 280−285. DOI: 10.3760/cma.j.issn.0253-3766.2017.04.008.
    [26] Cokmert S, Tanriverdi O, Karapolat I, et al. The maximum standardized uptake value of metastatic site in 18F-FDG PET/CT predicts molecular subtypes and survival in metastatic breast cancer: an Izmir Oncology Group study[J]. J BUON, 2016, 21(6): 1410−1418.
    [27] Chen SY, Ibrahim NK, Yan YQ, et al. Risk stratification in patients with advanced-stage breast cancer by pretreatment [18F]FDG PET/CT[J]. Cancer, 2015, 121(22): 3965−3974. DOI: 10.1002/cncr.29565.
    [28] Satoh Y, Nambu A, Ichikawa T, et al. Whole-body total lesion glycolysis measured on fluorodeoxyglucose positron emission tomography/computed tomography as a prognostic variable in metastatic breast cancer[J/OL]. BMC Cancer, 2014, 14: 525[2022-03-11]. https://doi.org/10.1186/1471-2407-14-525. DOI: 10.1186/1471-2407-14-525.
    [29] Guo WT, Li H, Zhu YT, et al. Prediction of clinical phenotypes in invasive breast carcinomas from the integration of radiomics and genomics data[J]. J Med Imaging (Bellingham), 2015, 2(4): 041007. DOI: 10.1117/1.JMI.2.4.041007.
    [30] Li H, Zhu YT, Burnside ES, et al. Quantitative MRI radiomics in the prediction of molecular classifications of breast cancer subtypes in the TCGA/TCIA data set[J/OL]. NPJ Breast Cancer, 2016, 2: 16012[2022-03-11]. https://www.nature.com/articles/npjbcancer201612. DOI: 10.1038/npjbcancer.2016.12.
    [31] Nie Z, Wang J, Ji XC. Retracted: microcalcification-associated breast cancer: HER2-enriched molecular subtype is associated with mammographic features[J/OL]. Br J Radiol, 2021: 20170942[2022-03-11]. https://pubmed.ncbi.nlm.nih.gov/29927639. DOI: 10.1259/bjr.20170942. [published online ahead of print].
    [32] Moscoso A, Ruibal Á, Domínguez-Prado I, et al. Texture analysis of high-resolution dedicated breast 18F-FDG PET images correlates with immunohistochemical factors and subtype of breast cancer[J]. Eur J Nucl Med Mol Imaging, 2018, 45(2): 196−206. DOI: 10.1007/s00259-017-3830-1.
  • [1] 林美福陈文新周硕郭莘陈彩龙陈国宝戴红峰18F-FES PET/CT显像在雌激素受体阳性乳腺癌诊疗中的初步应用. 国际放射医学核医学杂志, 2013, 37(4): 216-220. doi: 10.3760/cma.j.issn.1673-4114.2013.04.007
    [2] 袁建伟杨劼贺小红张培培肖菊梅王颖18F-FDG PET/CT与3.0T MRI联合显像在乳腺癌原发病灶诊断中的价值. 国际放射医学核医学杂志, 2013, 37(4): 199-202. doi: 10.3760/cma.j.issn.1673-4114.2013.04.003
    [3] 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
    [4] 胡鸿唐刚华聂大红 . 乳腺癌分子显像研究进展. 国际放射医学核医学杂志, 2015, 39(1): 91-95. doi: 10.3760/cma.j.issn.1673-4114.2015.01.019
    [5] 袁建伟杨劼贺小红张培培肖菊梅王颖 . 乳腺癌18F-FDG PET/CT和3.0T MRI联合显像评分与Ki-67表达水平的相关性分析. 国际放射医学核医学杂志, 2013, 37(2): 84-87. doi: 10.3760/cma.j.issn.1673-4114.2013.02.006
    [6] 康菁芬刘海燕李彩红师志勇99Tcm-3PRGD2 SPECT/CT分子影像在乳腺癌诊疗中的应用进展. 国际放射医学核医学杂志, 2021, 45(4): 251-256. doi: 10.3760/cma.j.cn121381-202012038-00040
    [7] 孙延睿田强强盛开18F-FDG PET/CT显像在心脏肿瘤中的应用. 国际放射医学核医学杂志, 2020, 44(7): 453-458. doi: 10.3760/cma.j.cn121381-201907022-00045
    [8] 付畅史大鹏徐俊玲轩昂张杰 . 不同组织学类型肺癌患者大脑静息葡萄糖代谢改变研究. 国际放射医学核医学杂志, 2014, 38(2): 75-79. doi: 10.3760/cma.j.issn.1673-4114.2014.02.002
    [9] 周倩茹丁重阳 . 胸腺上皮性肿瘤18F-FDG PET/CT显像最大标准化摄取值与WHO病理分型及Masaoka分期的关系. 国际放射医学核医学杂志, 2020, 44(8): 475-479. doi: 10.3760/cma.j.cn121381-201906023-00059
    [10] 黄筱晓崔惠勤滕才钧韦建林覃丽兰邓燕云 . 鼻咽癌18F-FDG PET/CT 代谢参数与EGFR表达水平的相关性研究. 国际放射医学核医学杂志, 2021, 45(9): 552-560. doi: 10.3760/cma.j.cn121381-202007016-00075
  • 加载中
图(5)表(3)
计量
  • 文章访问数:  2330
  • HTML全文浏览量:  1688
  • PDF下载量:  26
出版历程
  • 收稿日期:  2022-03-12
  • 网络出版日期:  2022-08-30
  • 刊出日期:  2022-07-25

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

    通讯作者: 徐文贵, wenguixy@163.com
  • 1. 天津医科大学肿瘤医院分子影像及核医学诊疗科,国家恶性肿瘤临床医学研究中心,乳腺癌防治教育部重点实验室,天津市肿瘤防治重点实验室,天津市恶性肿瘤临床医学研究中心,天津 300060
  • 2. 天津医科大学肿瘤医院放射科,国家恶性肿瘤临床医学研究中心,乳腺癌防治教育部重点实验室,天津市肿瘤防治重点实验室,天津市恶性肿瘤临床医学研究中心,天津 300060
  • 3. 天津医科大学肿瘤医院乳腺影像诊断科,国家恶性肿瘤临床医学研究中心,乳腺癌防治教育部重点实验室,天津市肿瘤防治重点实验室,天津市恶性肿瘤临床医学研究中心,天津 300060
  • 4. 天津市肿瘤医院空港医院核医学科,国家恶性肿瘤临床医学研究中心,天津 300308

摘要:  目的 评估基于18F-氟脱氧葡萄糖(FDG) PET/CT图像建立的多元影像组学模型对乳腺癌原发灶人表皮生长因子受体2(HER-2)表达状态的预测价值。 方法 回顾性分析2010年1月1日至2019年12月31日于天津医科大学肿瘤医院行18F-FDG PET/CT检查的273例女性乳腺癌患者的临床和影像学资料,年龄26~78(51.8±10.8)岁。根据乳腺癌原发灶HER-2表达状态的不同将患者分为HER-2阳性组和HER-2阴性组,比较2组患者的临床特征和PET/CT代谢参数的差异。勾画原发灶的感兴趣区,提取所有影像组学特征并建立基于PET/CT图像的影像组学特征模型,将样本中70%的患者作为训练集,剩余30%的患者作为测试集,采用受试者工作特征曲线比较PET/CT代谢参数及影像组学模型对乳腺癌原发灶HER-2表达状态的预测能力,采用十折交叉验证计算预测模型的平均性能。采用Wilcoxon秩和检验比较组间各PET代谢参数是否存在差异。计数资料的比较采用χ2检验,计量资料的比较采用两独立样本t检验和Mann-Whitney U秩和检验。 结果 HER-2阳性组患者106例、阴性组患者167例。HER-2阴性组患者合并腋下淋巴结转移的比例较HER-2阳性组患者高[85.03%(80/106)对75.47%(142/167)],且差异有统计学意义(χ2=3.900,P<0.05)。除腋下淋巴结转移情况外,2组患者的年龄、病理学类型及肿瘤分期间的差异均无统计学意义(t=−0.028,χ2=5.429、1.891,均P>0.05)。2组患者的PET代谢参数最大标准化摄取值、平均标准化摄取值、标准化摄取值峰值、肿瘤代谢体积、病灶糖酵解总量之间的差异均无统计学意义(Z=−1.583~−0.064,均P>0.05)。最终筛选出具有较好预测价值的37个影像组学特征建立组学特征模型,其中,PET影像组学参数8个、CT影像组学参数29个。在训练集中,影像组学特征模型曲线下面积(AUC)、准确率、灵敏度和特异度分别为0.913(95% CI:0.871~0.954)、0.882(95%CI:0.832~0.922)、0.849(95%CI:0.759~0.910)和0.910(95%CI:0.841~0.952);在测试集中,影像组学特征模型AUC、准确率、灵敏度和特异度分别为0.820(95%CI:0.723~0.918)、0.830(95%CI:0.738~0.900)、0.875(95%CI:0.701~0.959)和0.807(95%CI:0.683~0.892);经十折交叉验证后,影像组学模型的AUC、准确率、灵敏度、特异度的均值分别为0.818、0.847、0.908、0.764。 结论 相较于传统的PET代谢参数,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表达状态有较好的预测价值,有助于临床医师筛选曲妥珠单抗受试人群,改善患者预后。

English Abstract

  • 2020年的癌症统计数据显示,乳腺癌已取代肺癌成为全球第一大癌症,在我国女性患者中,乳腺癌的发病率占新发癌症的首位,癌症死亡人数占比位居第4[1]。乳腺癌治疗方案的制定、疗效评价及预后都与乳腺癌分子亚型密切相关[2-3]。除了外科手术及放化疗外,分子靶向药物和内分泌治疗在乳腺癌治疗中的应用越来越广泛。大量临床研究结果表明,曲妥珠单抗[Trastuzumab,商品名:赫赛汀(Hecepertin)]对高表达人表皮生长因子受体2 (human epidermal growth factor 2, HER-2)的转移性乳腺癌的疗效显著[4-7],明显延长了患者的生存期。相关研究结果表明,20%~30%的乳腺癌患者HER-2过表达,HER-2过表达常与乳腺癌的发生、发展密切相关,预示患者预后不良[8-10]。因此,及时准确地评判乳腺癌的HER-2表达状态对临床医师筛选曲妥珠单抗受试人群和预后预测至关重要。目前,临床医师需要通过对靶病灶进行组织病理学检查才能获得HER-2的表达情况,但这种方法存在有创、对标本要求高、操作难度大、容易漏诊等缺点;此外,由于肿瘤存在异质性,靶病灶的激素受体和HER-2的表达状态在时间和空间上经常存在差异[11-12]。因此,亟需一种更加安全有效的检查方法预估乳腺癌患者HER-2的表达状态,辅助临床医师更好地筛选曲妥珠单抗的受试人群,以减轻患者的经济负担,在进行个体化治疗的同时最大限度地改善患者预后。

    18F-FDG PET/CT作为一种集解剖成像与功能代谢显像为一体的检查手段,在乳腺癌诊疗中的应用日益广泛。许多临床研究结果证实,SUV等代谢参数与乳腺癌患者的激素受体状态、分子亚型及预后具有相关性,但仍存在一定的分歧[13-18]。影像组学的兴起,让人们越来越深刻地认识到PET/CT图像可能包含比我们肉眼所能看到的更多有用信息。本研究评估PET代谢参数与乳腺癌HER-2表达状态的关系,建立并评估基于PET/CT图像的多元影像组学特征模型对乳腺癌原发灶HER-2表达的预测价值。

    • 收集2010年1月1日至2019年12月31日于天津医科大学肿瘤医院分子影像与核医学诊疗科行18F-FDG PET/CT检查并经组织病理学检查结果证实的原发性乳腺癌患者的临床和影像学资料进行回顾性研究。

      纳入标准:(1)经术后或穿刺组织病理学检查结果证实为原发性乳腺癌;(2)接受18F-FDG PET/CT检查前未行放化疗、靶向药物及手术切除等抗肿瘤治疗;(3)18F-FDG PET/CT图像清晰,能够进行PET相关参数测量和靶区勾画;(4)组织病理学资料齐全,可确定乳腺癌分子分型;(5)无其他恶性肿瘤病史;(6)所有患者均签署了知情同意书。排除标准:(1)临床资料不完整;(2)图像质量不佳,影响靶区勾画或PET参数测量;(4)哺乳期或妊娠患者。本研究符合《赫尔辛基宣言》的原则。

      根据纳入和排除标准,本研究共纳入273例女性乳腺癌患者,年龄26~78(51.8±10.8)岁,89.74%(245/273)为浸润性导管癌。根据HER-2表达状态的不同,将患者分为HER-2阳性组和HER-2阴性组。比较2组患者的年龄、组织病理学类型、HER-2表达状态、分子分型、腋下淋巴结转移情况、分期等临床资料。

    • 所有患者均行18F-FDG PET/CT全身扫描,显像仪器为美国GE公司Discovery Elite型PET/CT仪,显像剂18F-FDG由天津肿瘤医院分子影像及核医学诊疗科制备,合成设备为美国GE公司MINI trace回旋加速器和Tracerlab FX-FDG化学合成器,合成试剂为德国ABX公司的FDG试剂套盒,制备的18F-FDG的pH值约为7.0,放射化学纯度≥95%。扫描前受检者需禁食4~6 h以上,测量身高(cm)、体重(kg),控制空腹血糖水平<11.1 mmol/L,18F-FDG注射剂量按照3.70~4.81 MBq/kg计算。注射显像剂后患者在安静、温暖、弱光的环境中平卧休息50~60 min,于扫描前15 min排空膀胱。患者取仰卧位,双手上举,扫描范围从颅顶至股骨中段。先进行全身螺旋CT扫描,参数:管电压120 kV、自动曝光控制技术(30~210 mA,噪声指数25)、层厚5 mm、螺距0.75。随后同机采集PET图像,采用三维+飞行时间技术+点扩展函数(SharpIR)法进行采集,采集矩阵192×192,采集时间2 min/床位,并应用迭代算法重建经CT衰减校正后的PET图像。采集数据结束后将数据传入Xeleris工作站。

    • 将入组患者的原始图像调入美国GE公司 Advantage Workstation 4.6后处理工作站,应用美国GE公司PET Volume Computed Assisted Reading软件勾画ROI,以乳腺癌原发病灶SUVmax的42%为阈值,分别测量靶病灶的SUVmax、平均标准化摄取值(mean standard uptake value,SUVmean)、标准化摄取值峰值(peak of standard uptake value,SUVpeak)、肿瘤代谢体积(metabolic tumor volume,MTV)和病灶糖酵解总量(total lesion glycolysis,TLG)。应用美国国立卫生研究院image J 1.50i软件分别对乳腺癌原发病灶最大截面及其邻近层面的PET图像、CT图像(软组织窗)进行手动勾画 ROI。上述操作均由2位具有5年以上PET/CT阅片经验的核医学科医师进行,当出现意见分歧时,由另1位具有10年以上PET/CT阅片经验的核医学科医师进行复核后做出最终判断。在分割的肿瘤 ROI上,应用MATLAB软件计算所有的影像组学特征。应用SMOTE算法来解决不同组间数据量的欠平衡[19-20]

      通过以下步骤筛选稳定的影像组学特征:(1)采用Wilcoxon检验计算具有显著差异的影像组学特征,显著性水平阈值设置为P=0.05;(2)计算两两影像组学特征之间的相关性(R),去除高维的特征冗余,冗余特征定义为相关性R>0.8的2个影像组学特征中ROC的AUC较小的特征;(3)采用最小绝对收缩选择算子(the least absolute shrinkage and selection operator,LASSO)回归筛选预测效能较高的影像组学特征组合;LASSO通过确定常数λ的值,得出降维后的影像组学特征及相应组学特征的权重;(4)将保留特征以及特征相应的特征权重进行线性组合,计算每例患者的影像组学分数(rad-score)。

      采用完全随机方法将样本中70%的患者作为训练集,剩余30%的患者作为测试集。应用AUC分别在训练集和测试集中评估PET代谢参数与影像组学模型对乳腺癌原发灶HER-2表达状态的预测性能。因本研究的样本量相对较小,故使用十折交叉验证以减小由于数据集划分带来的误差,并计算这些影像组学特征模型的平均性能。

    • 应用 SPSS 22.0及R(3.2.2版)软件进行统计学分析。符合正态分布的计量资料以$\bar x\pm s $表示,分类变量以例数或百分数表示。采用Wilcoxon秩和检验比较组间各PET代谢参数是否存在差异。计数资料的比较采用χ2检验,计量资料的比较采用两独立样本t检验(方差齐),不符合正态分布的计量资料采用Mann-Whitney U秩和检验进行比较。P<0.05为差异有统计学意义。

    • 在所有乳腺癌患者中,Luminal A型20例、Luminal B型167例、HER-2过表达型45例、三阴性(即TN)型41例。其他临床特征见表1

      项目例数(%)
      病理学类型
       导管内癌 4(1.47)
       浸润性导管癌 245(89.74)
       浸润性小叶癌 3(1.10)
       浸润性乳头状癌 5(1.83)
       混合癌 14(5.13)
       其他类型癌 2(0.73)
      雌激素受体
       阳性 181(66.30)
       阴性 92(33.70)
      孕激素受体
       阳性 156(57.14)
       阴性 117(42.86)
      HER-2
       阳性 106(38.83)
       阴性 167(61.17)
      Ki-67
       <20% 34(12.45)
       ≥20% 239(87.55)
      合并腋下淋巴结转移
       是 222(81.32)
       否 51(18.68)
      肿瘤分期
       Ⅰ期 19(6.96)
       Ⅱ期 139(50.92)
       Ⅲ期 60(21.98)
       Ⅳ期 55(20.14)
      分子分型
       Luminal A型 20(7.33)
       Luminal B(HER-2阴性)型 106(38.83)
       Luminal B(HER-2阳性)型 61(22.34)
       HER-2过表达型 45(16.48)
       三阴性型 41(15.02)
      注:HER-2为人表皮生长因子受体2;Ki-67为细胞增殖核抗原

      表 1  273例原发性乳腺癌患者的临床特征

      Table 1.  Clinical characteristics of 273 patients with primary breast cancer

      HER-2阳性组患者106例、阴性组患者167例,2组患者的临床特征比较见表2。2组患者在年龄、病理学类型及肿瘤分期间差异均无统计学意义(均P>0.05),而HER-2阴性组患者中合并腋下淋巴结转移的比例较HER-2阳性组患者稍高,且差异有统计学意义(P<0.05)。

      临床特征HER-2阳性组(n=106)HER-2阴性组(n=167)检验值P
      年龄($\bar x\pm s $,岁) 51.8±11.4 51.7±10.5 t=−0.028 0.978
      病理学类型[例(%)] χ2=5.429 0.366
       导管内癌 2(1.89) 2(1.20)
       浸润性导管癌 99(93.40) 146(87.43)
       浸润性小叶癌 0   3(1.80)
       浸润性乳头状癌 2(1.89) 3(1.80)
       混合癌 3(2.83) 11(6.59)
       其他类型癌 0   2(1.20)
      合并腋下淋巴
      结转移[例(%)]
      χ2=3.900 0.048
       是 80(75.47) 142(85.03)
       否 26(24.53) 25(14.97)
      肿瘤分期[例(%)] χ2=1.891 0.595
       Ⅰ期 5(4.72) 14(8.38)
       Ⅱ期 58(54.72) 81(48.50)
       Ⅲ期 23(21.70) 37(22.16)
       Ⅳ期 20(18.87) 35(20.96)
       注:HER-2为人表皮生长因子受体 2

      表 2  HER-2阳性组、阴性组原发性乳腺癌患者临床特征的比较

      Table 2.  Comparison of clinical characteristics between HER-2 positive group and HER-2 negative group of primary breast cancer patients

    • 表3可知,HER-2阳性组患者的SUVmax、SUVmean、SUVpeak均略高于HER-2阴性组患者,但差异均无统计学意义(均P>0.05);2组患者的MTV和TLG间的差异也均无统计学意义(均P>0.05)。2组患者PET代谢参数差异的典型病例如图1所示。

      组别SUVmaxSUVmeanSUVpeakMTV(cm3)TLG(g)
      HER-2阳性组(n=106) 10.65±5.67 6.59±3.45 7.88±4.54 14.53±30.69 143.06±359.39
      HER-2阴性组(n=167) 9.94±6.31 6.08±3.84 7.40±5.32 21.37±76.88 191.89±741.13
      Z −1.508 −1.583 −1.549 −0.660 −0.064
      P 0.132 0.113 0.121 0.509 0.949
      注:PET为正电子发射断层显像术;HER-2为人表皮生长因子受体2;SUVmax为最大标准化摄取值;SUVmean为平均标准化摄取值;SUVpeak为标准化摄取值峰值;MTV为肿瘤代谢体积;TLG为病灶糖酵解总量

      表 3  HER-2阳性组、阴性组原发性乳腺癌患者PET代谢参数的比较($\bar x\pm s $

      Table 3.  Comparison of PET metabolic parameters between HER-2 positive group and HER-2 negative group of primary breast cancer patients ($\bar x\pm s $)

      图  1  HER-2阳性患者与HER-2阴性患者乳腺癌原发灶18F-FDG PET/CT显像对比图

      Figure 1.  18F-FDG PET/CT images comparison of primary lesions of breast cancer between HER-2 positive and HER-2 negative patients

    • 从PET/CT图像中提取了1 710个定量影像组学特征(基于PET图像和CT图像的组学特征各855个)。应用LASSO回归和十折交叉验证确定均方误差最低时的常数λ值为0.02099837,根据λ值筛选用于构建模型的PET/CT图像影像组学特征(图2)。最终筛选出具有较好预测价值的37个影像组学特征建立组学特征模型,其中,PET影像组学参数8个、CT影像组学参数29个(图3)。降维后每例患者的影像组学分数见图4

      图  2  原发性乳腺癌PET/CT代谢参数的最小绝对收缩选择算子十折交叉验证图(A)及影像组学特征降维图(B)

      Figure 2.  The least absolute shrinkage and selection operator cross validation diagram (A) and dimension reduction diagram of image omics characteristics (B) of PET/CT metabolic parameters of primary breast cancer

      图  3  273例原发乳腺癌患者影像组学模型纳入特征及对应权重系数

      Figure 3.  Inclusion characteristics and corresponding weight coefficients of imaging omics model in 273 patients with primary breast cancer

      图  4  273例原发性乳腺癌患者的影像组学分数散点图

      Figure 4.  Scatter plot of image omics scores of 273 primary breast cancer patients

      图5可见,基于18F-FDG PET/CT图像建立的多元影像组学特征模型在预测乳腺癌HER-2表达状态方面的表现显著优于传统PET代谢参数(SUVmax、SUVmean、SUVpeak、MTV和TLG)。在训练集中,该影像组学特征模型AUC、准确率、灵敏度和特异度分别为0.913(95%CI:0.871~0.954)、0.882(95%CI:0.832~0.922)、0.849(95%CI:0.759~0.910) 和0.910(95%CI:0.841~0.952);在测试集中,该影像组学特征模型AUC、准确率、灵敏度和特异度分别为0.820(95%CI:0.723~0.918)、0.830(95%CI:0.738~0.900)、0.875(95%CI:0.701~0.959)和0.807(95%CI:0.683~0.892)。

      图  5  PET代谢参数和影像组学模型对乳腺癌HER-2表达状态预测性能的受试者工作特征曲线

      Figure 5.  Receiver operator characteristic curve of PET metabolic parameters and imaging omics model for predicting performance of HER-2 expression in breast cancer

      为进一步验证其准确率和稳定性,使用十折交叉验证来计算该模型的平均预测性能。经验证,该预测模型的AUC、准确率、灵敏度、特异度的均值分别为0.818、0.847、0.908、0.764。

    • 乳腺癌已经成为世界第一大癌症,统计资料显示,自2000年以来,我国女性乳腺癌的发病率呈上升趋势[21]。肿瘤的异质性给肿瘤的临床诊疗带来了许多困难,也对乳腺癌的精准诊疗提出了挑战。从某种程度上讲,乳腺癌的分子亚型是反映乳腺癌异质性的绝佳方法,有助于患者的个性化治疗[2-3]。对于HER-2阳性的乳腺癌患者,由细胞膜上的HER-2激活启动复杂的细胞内信号传导,导致富含HER-2的乳腺癌细胞的代谢增强、侵袭性增强[22]。HER-2的靶向治疗药物曲妥珠单抗的临床疗效显著,可有效延长患者的生存期[23],其已被写入相关诊疗指南。本着精准诊疗的原则,在治疗前对靶标HER-2表达状态进行精确评估是必不可少的。及时准确地检出HER-2的表达状态有助于个性化治疗方案的制定,在改善患者预后的同时可以减轻患者和社会不必要的经济负担。然而,目前临床上检测HER-2表达水平的方式高度依赖以侵入方式获取的活体组织或手术标本的组织病理学检查,该检查流程复杂、耗时长、干扰因素多,并且可能会在操作过程中因不充分或过度固定、抗原修复和抗体敏感性等原因而导致结果偏倚。因此,临床上亟需一种非侵入性、简单、全面且稳定地预估HER-2表达状态的检测方法,这也是备受临床关注的热点问题。18F-FDG PET/CT作为一种融合影像学检查方法在乳腺癌诊疗中的价值日益突显,PET代谢参数和影像组学特征可以在一定程度上揭示肿瘤的异质性,有望对这一临床问题的解决提供一定的帮助。

      本研究通过对273例乳腺癌患者的临床资料和18F-FDG PET/CT图像进行回顾性研究发现,不同HER-2表达状态的乳腺癌患者在年龄、性别、病理类型、临床分期及原发灶PET代谢参数(SUV、MTV、TLG)方面的差异均无统计学意义,据此我们认为,上述临床特征和PET代谢参数对预测乳腺癌原发灶HER-2表达状态的意义不大;HER-2阴性组患者中腋下淋巴结转移的比例稍高,分析原因可能是样本量过小导致的偏倚造成的;在训练集和测试集中,基于18F-FDG PET/CT图像建立的影像组学特征模型对乳腺癌原发灶HER-2表达状态的预测性能明显优于PET代谢参数,经验证发现该模型稳定性良好,预测性能尚佳。综上,我们认为基于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表达状态有较高的预测价值,有助于临床医师筛选曲妥珠单抗受试人群,改善患者的预后。

      许多临床研究结果表明,不同分子亚型乳腺癌患者原发病灶对18F-FDG的摄取具有差异性[13-14],具有更高侵袭性的分子亚型(如非Lumianl型或三阴性型)的乳腺癌病变往往会表现出葡萄糖高代谢,这一现象可以被18F-FDG PET/CT捕获并反映在SUV参数中[17-18, 24]。本研究中2组患者间5个PET代谢参数差异均无统计学意义,分析原因可能是由于按照本研究的分组方式,将部分低葡萄糖代谢的Luminal亚型和高葡萄糖代谢的三阴性型乳腺癌都归入了HER-2阴性组,从而抵消了一部分不同亚型病灶间糖代谢的差异所致。本研究结果与一些学者的研究结果类似,汤泊等[25]的研究结果也显示,18F-FDG PET/CT常规代谢参数(SUVmax、MTV和TLG)在HER-2不同表达组间的差异均无统计学意义(均P>0.05)。但是,也有不少研究者对此结果持反对意见,其认为PET代谢参数对乳腺癌HER-2表达状态有一定的预测价值,Kitajima等[17]报道,SUVmax以6.75作为临界值时可有效预测乳腺癌HER-2的高表达状态,其预测灵敏度为65.4%、特异度为75.2%、AUC为0.704;Cokmert等[26]也进行过类似的报道,有所不同的是该研究中的SUVmax以10.05作为临界值时预测效能最佳,AUC为0.648。由此可见,不同研究报道的SUVmax临界值差异较大,结果尚存争议。不过,大多数学者认为,PET体积参数(如MTV、TLG)主要被用来表示肿瘤负荷,往往与患者预后的关系更加密切[27-28],而与肿瘤病灶的恶性程度和侵袭性关系不太紧密。

      影像组学的出现为医学图像的分析提供了新的方法,我们可以深度挖掘医学图像中蕴含的海量信息,进一步揭示病灶形态、大小、代谢、功能甚至肿瘤异质性等方面的信息。既往的一些研究结果也证实了影像组学特征与乳腺癌HER-2表达状态息息相关[29-31]。Li等[30]报道,基于MRI的放射组学特征可区分HER-2阳性和HER-2阴性表达,其AUC为0.65。Nie等[31]则使用基于乳腺X线摄影图像的影像组学特征构建模型来预测乳腺癌患者富含HER-2的分子亚型,其AUC为0.66。Moscoso等[32]发现PET纹理特征与HER-2状态相关,但AUC<0.70。与这些临床研究结果相比,本研究具有更大的样本量(273例),提取的影像组学特征参数更多,基于PET图像和CT图像总共提取了1 710个影像组学特征参数,运算数据量更大,分析更全面。本研究纳入的病例数量与提取的特征数量差异较大,属于特征数量远大于样本数量的分类问题。在特征选择中LASSO为L1正则化,会施加较大的惩罚项从而控制特征的数量,避免维度灾难。本研究基于LASSO选择后使用其权重进行模型构建更有利于模型的意义解读,若使用其他模型(如神经网络、遗传算法、集成学习等)对数据意义的解读较为困难。在进行影像组学特征筛选时,所有权重不为0的影像组学特征是按照权重系数由大到小顺序进行排列的,即权重的绝对值越大,表明其特征对结果的预测效能越好。本研究共筛选出37个影像组学特征用于构建模型,在训练集中预测模型的AUC为0.913,在测试集中预测模型的AUC为0.820,准确率、灵敏度和特异度都在0.8以上。

      经验证,该模型的稳定性和平均预测性能都较好,据此我们初步认为,与传统的PET代谢参数相比,基于PET/CT图像建立的影像组学特征模型可以较好地预测乳腺癌原发灶HER-2的表达状态,从而辅助临床筛选曲妥珠单抗的受试人群,改善患者预后。但本研究仍存在一些局限性。(1)本研究为单中心研究,样本量较小,部分结果容易产生偏倚,后续有必要进一步扩大样本量并引入第三方数据进行验证;(2)由于本研究为回顾性研究,图像采集、重建、参数测量等难以做到标准化,甚至可能影响PET代谢参数测量的准确性和可重复性;(3)本研究仅针对原发性乳腺癌病变进行研究,并未涉及转移性病变,考虑到原发灶与转移灶间可能存在的异质性,因此有必要进一步设计涉及原发性和转移性病变的相关研究加以补充。

      利益冲突 所有作者声明无利益冲突

      作者贡献声明 刘建井负责研究命题的设计、临床资料的搜集、数据的统计、论文的撰写;边海曼负责临床资料的搜集、影像资料的调取、ROI的勾画;马文娟负责影像组学模型的建立与验证;王子阳负责影像组学参数的提取、图像的绘制;陈薇、朱磊负责临床资料的搜集、图像的判读;戴东负责论文思路的指导、影像组学部分的技术支持;徐文贵负责研究思路的指导、研究过程的协调推进、论文的修改

参考文献 (32)

目录

    /

    返回文章
    返回