进展期胃癌与胃淋巴瘤的CT鉴别诊断及其判别模型的初步建立

林少帆，林黛英，吴先衡，杨江爽，郑旭峰，吴耀滨

胃恶性肿瘤的发病率、病死率较高，其中胃癌(Gastric Carcinoma,GC)是最常见的胃恶性肿瘤，是常见的恶性肿瘤之一，也是常见的致死原因之一[1,2]。胃淋巴瘤(Gastric Lymphoma,GL)占胃恶性肿瘤的1%～5%[3]，属于非上皮源性肿瘤，病变起源于黏膜下层，早期内镜检查容易漏诊，且活检取材困难，容易出现误诊[4]。GC与GL的治疗方案及预后差异较大，GC以早期根治性手术为主，放化疗为辅；GL以化疗联合局部放疗为主。因此，治疗前准确区分两者有重要的临床意义。

目前CT已成为辅助诊断胃恶性肿瘤的重要方法之一。早期GC出现CT异常表现的概率不高，以往大量研究总结了进展期胃癌(Advanced Gastric Carcinoma, AGC)与GL的CT表现特征以及两者的鉴别要点，但由于GL相对罕见，样本量相对不足，文献报道多以两组之间的单因素比较为主，忽视了各鉴别因素之间的相互影响[5-8]；且AGC与GL有许多相似的CT表现，临床工作中对不典型病例的鉴别诊断仍有困难。本研究回顾性分析AGC和GL患者的影像资料，总结两者的CT鉴别诊断要点，并采用逐步判别分析及分批筛选变量的方法，初步建立两者的CT判别模型。

材料与方法

1.病例资料

回顾性分析2018年9月-2019年9月间50例AGC患者以及2013年1月-2019年9月间23例GL患者的病例资料，所有患者均为首诊病例，未接受过相关治疗，均在本院行CT平扫及增强扫描，获得完整影像学资料。50例AGC患者中男44例，女6例，发病年龄33～82岁，平均62岁。23例GL患者中男10例，女13例，发病年龄23～81岁，平均63岁。50例AGC患者均为进展期胃腺癌，其中低分化腺癌29例，中分化腺癌13例，高分化腺癌8例。23例GL患者中弥漫性大B细胞淋巴瘤11例，黏膜相关淋巴组织淋巴瘤9例，套细胞淋巴瘤1例，T细胞淋巴瘤2例。

2.研究方法

CT检查方法：CT检查采用GE Light-speed VCT，扫描前患者禁食8～10 h，检查前适量口服温开水。扫描参数：120 kV，400 mA，准直0.625 mm×64，螺距0.984，机架旋转时间0.6 s。扫描范围由膈顶至髂棘水平，层厚5 mm(薄层1 mm)，层间距5 mm(薄层1 mm)。增强扫描对比剂采用碘普罗胺(300 mg I/mL)，剂量1.5～2.0 mL/kg，注射流率3.0 mL/s。注射对比剂后25 s、60 s分别行动脉期、静脉期扫描。

图像分析方法:本研究将胃分为贲门、胃底、胃体、胃窦4个部位，当病变累及部位数≥2时，定义为多部位受累。胃壁增厚的类型分为以下3种：①局限性增厚：胃壁局限性增厚；②节段性增厚：胃壁不均匀增厚，且范围小于胃周径的50%；③弥漫性增厚：胃壁不均匀增厚，且范围大于胃周径的50%[9]。胃壁厚度测量时选择病变段胃壁最厚处进行测量。“白线征”定义为增强扫描肿瘤黏膜面条带状相对明显强化[8,10]，腹腔淋巴结短径≥7 mm定义为淋巴结异常[11]。

所有图像均由2位经验丰富的影像科医师采用盲法独立分析，意见不一致时通过协商达成一致。

3.统计学分析

采用SPSS 22.0软件进行统计学分析。两个样本率的比较采用χ2检验或Fisher确切概率法，两个样本均数的比较采用t检验。本研究对AGC与GL两组间的鉴别因素，先采用单因素分析方法，选出单因素比较中差异有统计学意义的变量，进一步做多因素分析。本研究中GL患者共23例，基于样本量≥研究因素个数的5倍，逐步判别分析采用分批法筛选变量，每批随机分配4个变量，再逐步将筛选出的有效因素重新组合，继续筛选，采用Fisher准则建立判别函数。并采用交互验证法验证判别函数的诊断效果，一般认为正确判别率≥80%有鉴别诊断应用价值。以P<0.05为差异有统计学意义。

结 果

1.病变部位

AGC最常累及胃窦，其次是贲门及胃底，GL最常累及胃窦及胃体(表1)。16例(32%)AGC累及多部位，11例(47.8%)GL累及多部位，两者差异无统计学意义(χ2值=1.693，P=0.193)。

表1 AGC、GL累及部位 (n,%)

2.胃壁增厚的范围及程度

本组50例AGC和23例GL均表现为不同范围的胃壁增厚，弥漫性胃壁增厚和节段性胃壁增厚在两组间差异无统计学意义；局限性胃壁增厚多见于AGC患者，两组间差异有统计学意义(P=0.036，表2，图1、2)。

表2 AGC与GL胃壁增厚范围的组间比较 (例)

注：*Fisher确切概率法。

50例AGC病变段胃壁厚度为7～24 mm，平均(14.16±4.32)mm，23例GL病变段胃壁厚度为9～36 mm，平均(20.35±7.47)mm，两组间差异有统计学意义(t=-3.699，P=0.001)。

胃壁厚度鉴别AGC与GL的受试者工作特征(receiver operating characteristic，ROC)曲线下面积为0.754(P=0.001)，以14.5 mm为阈值鉴别诊断AGC与GL的敏感度和特异度分别为82.6%、56.0%，Youdern指数为0.386(图3)。

3.胃腔形态

50例AGC中34例(68%)表现为病变段形态固定，胃腔局限性明显狭窄，23例GL中仅8例(34.8%)表现为形态固定，胃腔局限性明显狭窄，两组间差异有统计学意义(χ2值=7.114，P=0.008)。

4.增强特征

强化程度及强化方式:50例AGC中35例(70%)表现为明显强化，15例(30%)为轻度/中度强化；23例GL仅2例(8.7%)表现为明显强化，21例(91.3%)为轻度/中度强化，两组间的强化程度差异有统计学意义(χ2值=21.297，P=0.000，图1、2、4)。

50例AGC中35例(70%)表现为不均匀强化，15例(30%)均匀强化；23例GL中8例(34.8%)表现为不均匀强化，15例(65.2%)均匀强化，两组间的强化方式差异有统计学意义(χ2值=8.071，P=0.004)。

白线征、胃黏膜面细线样强化:50例AGC中29例(58.0%)肿瘤黏膜面可见白线征，23例GL中2例(8.7%)可见白线征，两组间差异有统计学意义(χ2值=13.721，P=0.000，图4)。

50例AGC中仅1例(2.0%)可见黏膜面细线样强化，23例GL中16例(69.6%)可见黏膜面细线样强化，两组间差异有统计学意义(Fisher确切概率法，P=0.000，图5)。

5.胃浆膜面脂肪间隙

50例AGC中35例(70.0%)胃浆膜面脂肪间隙模糊，23例GL中6例(26.1%)胃浆膜面脂肪间隙模糊，两组间差异有统计学意义(χ2值=12.339，P=0.000)。

6.腹腔淋巴结异常

50例AGC中28例可见腹腔内淋巴结异常，其中5例可见腹主动脉下部旁淋巴结异常；23例GL中20例可见淋巴结异常，其中6例可见腹主动脉下部旁淋巴结异常。腹主动脉下部旁淋巴结异常的发生率在两组间差异无统计学意义(χ2值=3.186，P=0.074)。50例AGC中6例可见腹腔淋巴结坏死(图6)，23例GL中未出现腹腔淋巴结坏死。

7.逐步判别分析(分批筛选)

设置变量、分批筛选有效变量:将AGC与GL设置为因变量(Y):AGC=1，GL=2。将单因素比较差异有统计学意义的8个观察指标设置为自变量(X)，并给其中分类变量赋值：X1胃壁增厚的范围(局限性=1；节段性或弥漫性=2)，X2胃壁厚度(mm)，X3胃腔形态(形态固定，胃腔局限性明显狭窄=1；相对柔软，胃腔无局限性明显狭窄=2)，X4强化程度(明显强化=1；轻度/中度强化=2)，X5强化方式(不均匀强化=1；均匀强化=2)，X6白线征(有=1；无=2)，X7黏膜面细线样强化(无=1；有=2)，X8浆膜面脂肪间隙(模糊=1；清晰=2)。经过分批筛选变量，最终筛选出4个有效变量，分别为X2胃壁厚度、X3胃腔形态、X4强化程度及X7黏膜面细线样强化。4个纳入判别函数的自变量对正确区分AGC与GL均有价值(P值均为0.000)；各因素容忍度均>0.1，不存在多重共线性现象，模型合理。Wilks′Lambda χ2=82.455，P=0.000，说明判别函数有统计学意义。4个纳入判别函数的自变量，其标准化典型区别函数系数见表3。标准化典型区别函数系数由大到小反映各因素对鉴别AGC与GL的重要性由高到低依次排列，其中最重要的影响因素是X7黏膜面细线样强化及X2胃壁厚度。

采用Fisher准则建立判别函数并验证其诊断效果:根据分类函数系数，AGC判别式为Y1=-22.357+0.706X2+8.236X3+6.652X4+13.547X7，GL判别式为Y2=-47.881+0.989X2+10.763X3+9.920X4+22.107X7。今后临床工作中遇到新的病例按标准赋值后，分别代入Y1、Y2两类判别函数，计算出函数的分数，得分高的一类就是该病变的属性。

交互验证法验证结果显示，判别函数对AGC正确判别率为96%，对GL正确判别率为82.6%，对两组的总体正确判别率为91.8%。

表3 判别函数的标准化典型区别函数系数及分类函数系数

讨 论

1.主要CT征象的鉴别诊断价值

本研究结果显示AGC最常累及胃窦，GL最常累及胃体及胃窦，与文献报道基本相符[6]。相关研究认为GL沿胃黏膜下生长、增殖，病变范围较广，常累及多部位，且多见节段性或弥漫性胃壁增厚[6,7,10,12]。本组23例GL中11例累及多部位，17例见弥漫性胃壁增厚，与文献报道基本一致。本研究发现AGC表现为多部位受累(32%)、节段性胃壁增厚(24%)和弥漫性胃壁增厚(52%)并不少见，多部位受累、节段性或弥漫性胃壁增厚在AGC与GL两组间的发生率差异均无统计学意义，用于鉴别AGC与GL存在局限性，这可能与AGC患者就诊时所处病程阶段有关，晚期AGC患者病变累及范围可能增大，增加了与GL鉴别诊断的难度。另外本研究发现胃壁局限性增厚多见于AGC，GL较少见，两组间差异有统计学意义，因此局限性病灶多提示AGC可能。

有研究认为GL病变段胃壁增厚程度大于AGC，可能与AGC呈浸润性生长而GL肿瘤细胞于黏膜下层增殖较明显有关[13]。本研究结果显示GL组胃壁厚度大于AGC组，差异有统计学意义(P值=0.001)。胃壁厚度鉴别AGC与GL的ROC曲线下面积为0.754(P=0.001)，以14.5 mm为阈值鉴别诊断AGC与GL的敏感度和特异度分别为82.6%、56.0%，Youdern指数为0.386，说明胃壁厚度用于鉴别AGC与GL有一定的临床应用价值。

AGC起源于胃黏膜上皮组织，容易对胃黏膜形成破坏，产生组织坏死和纤维化炎性反应，从而导致胃壁僵硬、胃腔局限性狭窄；而GL以肿瘤成分为主，纤维成分少，因此胃壁仍保留一定的扩张度和柔软度，胃腔局限性狭窄相对少见[6,10]。本研究结果显示AGC组胃腔形态固定、胃腔局限性狭窄较GL组更多见，两组差异有统计学意义。

有研究认为AGC多表现为不均匀、明显强化[6,13]，GL多表现为均匀、轻度/中度强化[13-15]，本研究结果显示AGC组与GL组的强化程度及强化方式差异有统计学意义。AGC组多表现为不均匀、明显强化，GL组多表现为均匀、轻度/中度强化，与文献报道基本相符。

白线征多见于AGC，这种分层强化的病理学基础可能与肿瘤组织的微血管生长方式有关，即AGC的血管主要分布在肿瘤表面；而GL早期以沿黏膜固有层和黏膜下层生长为主，胃黏膜基本完整，增强后黏膜面可见细线样强化。本研究结果显示AGC组增强扫描多见黏膜面“白线征”，GL组多见黏膜细线样强化，与文献报道基本一致[8,10,16]。另外AGC组多见浆膜面脂肪间隙模糊，浆膜面脂肪间隙模糊在两组间的发生率差异有统计学意义，这与AGC易侵犯浆膜层有关。

本研究结果显示AGC组与GL组均可见腹腔内淋巴结异常。腹主动脉下部旁淋巴结异常GL组相对多见于AGC组，但两组间差异无统计学意义。淋巴结坏死只见于AGC患者，GL患者未发现淋巴结坏死，因此淋巴结坏死用于诊断AGC具有较高的特异度，但敏感度较低，鉴别诊断价值有限。

2.采用Fisher准则初步建立AGC与GL的判别模型

本研究GL组23例，样本量偏少，为了提高判别模型的精确度，降低判别模型的噪声，采用分批筛选变量的方法，最终筛选出4个最有效的判别指标，即X2胃壁厚度、X3胃腔形态、X4强化程度和X7黏膜面细线样强化。4个变量对判别模型的重要性大小依据标准函数系数的大小依次排列，其中最重要的影响因素是X7黏膜面细线样强化和X2胃壁厚度。根据分类函数系数分别建立AGC、GL判别函数，用于今后临床工作中新病例的辅助诊断。交互验证法验证结果显示，判别函数对AGC正确判别率为96%，对GL正确判别率为82.6%，对两组的总体正确判别率为91.8%，正判率均>80%，说明该判别模型有临床实用价值。

3.本研究的不足

本研究GL组仅23例，样本量偏少，建立判别模型时可能导致模型噪声增大，精确度受影响。但GL是罕见病，本研究GL病例数多于国内大多数研究报道[5-8,13,15]，本研究亦符合GL的流行病学特征。另外我们采取分批筛选变量的方法，亦可降低模型噪声，提高模型精确度。交互验证法验证结果显示，判别函数对AGC、GL均有较高的正确判别率，说明该模型有临床实用价值。未来我们将继续搜集病例，增加数据库样本量，对该判别模型进行补充和修正。

综上所述，本研究结果显示胃壁增厚的范围及程度、胃腔形态、强化程度及强化方式、白线征、黏膜面细线样强化、浆膜面脂肪间隙模糊是鉴别AGC与GL的主要因素，并进一步采用逐步判别分析及分批筛选变量的方法，筛选出胃壁厚度、胃腔形态、强化程度、黏膜面细线样强化等4个最有效的指标，初步建立AGC与GL的CT判别模型。交互验证法验证结果显示，判别函数对AGC正确判别率为96%，对GL正确判别率为82.6%，对两组的总体正确判别率为91.8%，正判率均>80%，说明该CT判别模型有临床实用价值，可用于今后临床工作中新病例的辅助诊断。