基于CT 增强扫描纹理分析术前预测胃腺癌病理分化程度的价值

王 海，颜显杰，何伟荣，连永伟

（广东省梅州市中医医院医学影像科，广东 梅州 514000）

胃癌是全球范围内最常见的恶性肿瘤之一，病理类型以腺癌为主，发病率位居恶性肿瘤第3 位，也是癌症相关死亡第2 大病因［1］。胃癌病理分化程度是影响患者术后复发风险、辅助化疗效果及预后生存的重要危险因素之一［2-3］，因此，准确评估胃癌病理分化程度具有一定的临床意义。目前病理学检查是评估胃癌病理分化的金标准，但仍存在有创及术前活检取材不足等客观性缺陷。因此，寻求一种无创、可靠的术前胃癌病理分化程度评价方法尤为重要。纹理分析通过提取大量反映图像灰阶分布特征、像素间关系及空间特征的深层次特征，用于肿瘤的诊断、疗效预测及预后评价，成为近年来的研究热点［4］。本研究初步探讨基于CT 增强扫描纹理分析预测胃腺癌病理分化程度的价值。

1 资料与方法

1.1 一般资料 回顾性分析我院2013 年1 月至2019 年12 月经手术病理证实的85 例胃腺癌患者的临床、病理及CT 资料。其中男50 例，女35 例；平均年龄（44.2±18.4）岁；病理结果示低分化腺癌52 例（低分化组），中高分化腺癌33 例（中高分化组）。纳入标准：①术前行腹部CT 增强扫描；②行手术切除，病理证实为腺癌；③术前未行化疗或其他治疗；④病灶CT 可测量。本研究经我院伦理委员会批准（批准号2020001）。

1.2 仪器与方法 85 例均行上腹部平扫及3 期增强扫描，采用Philips 128 排螺旋CT 扫描仪，患者检查前空腹饮水约800 mL。扫描参数：120 kV，200 mA，准直器宽度0.6 mm×64，螺距1.0，视野350 mm×350 mm，机架转速0.6 s/周，重建层厚2 mm，层距2 mm。增强扫描对比剂采用碘佛醇注射液（碘浓度320 mg/mL）高压注射，流率2.5 mL/s，剂量1.5 mL/kg体质量，于注射后30、60、180 s 分别行动脉期、门静脉和延迟期增强扫描。

1.3 CT 纹理分析 由2 位分别具有6、10 年腹部影像诊断经验的医师在PACS 工作站共同阅片，选取胃癌病灶显示最大层面的动态门静脉期图像，以“.dicom”格式导入移动硬盘。由2 位分别具有5、8 年图像处理经验的主治医师，采用MaZda 软件对图像进行纹理分析，沿肿瘤边缘绘制ROI（图1）。纹理特征计算前，将图像灰阶水平标准化在μ±3σ（μ 为平均灰度值，σ 为标准差）。参考文献报道方法［5-6］，在每个ROI 内，软件共计算279 个来源于6 种统计算法（直方图、灰度共生矩阵、游程检验、绝对梯度、小波转换及自回归模型）的纹理特征。先联合交互信息（MI）、Fisher 系数、分类错误概率联合平均相关系数（POE+ACC）3 种方法，筛选30 个最具预测能力的纹理特征；然后采用主要成分分析（PCA）、原始数据分析（RDA）、线性分类分析（LDA）和非线性分类分析（NDA）纹理分类方法，评估纹理分析预测胃腺癌病理分化程度的效能，输出结果以错判率表示。

图1 胃腺癌ROI 绘制示意图 注：患者，男，62 岁；于肿瘤最大层面（图1a）绘制ROI（图1b 红色区域）

1.4 统计学方法 采用SPSS 16.0 软件分析数据。2 位医师对纹理特征的分析行组内相关系数（intraclass correlation coefficient，ICC）一致性检验，ICC≥0.75 为一致性良好，一致性良好的纹理特征用于后续统计分析。纹理特征分类方法对胃腺癌病理分化程度的预测结果以错判率（%）表示，依据中高分化组与低分化组的纹理分析判别情况，计算敏感度、特异度，采用ROC 曲线评估预测的整体效能，分类准确率组间比较行χ2检验。计量资料以表示，计数资料以例（%）表示。以P＜0.05 为差异有统计学意义。

2 结果

低分化组和中高分化组患者的性别、年龄、肿瘤位置及血清CA19-9、CEA 水平比较，差异均无统计学意义（均P＞0.05，表1）。

表1 低分化组与中高分化组胃腺癌的基本临床特征比较

2 位医师测量的279 个纹理特征中，189 个特征的ICC≥0.75，一致性良好，可用于后续统计分析。通过联合3 种纹理选择方法，筛选出30 个最具预测能力的特征，包括直方图特征2 个（Perc.10%、kewness）、灰度共生矩阵特征20 个［S（1，0）DifVarnc、S（1，1）DifVarnc、S（1，1）Correlat、S（0，2）Correlat、S（1，0）Correlat、S（2，-2）SumVarnc、S（0，2）DifVarnc、S（1，0）SumVarnc、S（3，-3）SumAverg、S（0，2）Contrast、S（0，1）Contrast、S（2，2）Correlat、S（0，1）DifVarnc、S（0，1）Correlat、S（2，2）DifVarnc、S（0，3）Correlat、S（0，3）DifVarnc、S（1，1）DifEntrp、S（3，3）Correlat、S（0，1）DifEntrp］、游程检验特征1 个（Vertl_LngREmph）、自回归模型特征3 个（Teta1、Sigma、Teta3）、绝对梯度特征2 个（GrSkewness、GrVariance）、小波转换特征2 个（WavEnLH_s-1、WavEnHL_s-4）。

4 种纹理分类方法对胃腺癌病理分化的预测结果见表2。4 种纹理分类方法中，NDA 预测胃癌病理分化程度的错判率最低，为9.41%（8/85）。ROC 曲线分析显示（图2），NDA 预测胃腺癌病理分化程度的效能最优，AUC 为0.909（95%CI 0.833～0.980），敏感度、特异度、准确率均最高，分别为91.91%、90.38%和90.59%。NDA 分类准确率与PCA、RDA 比较，差异均有统计学意义（χ2=12.98，7.94，均P＜0.05）；与LDA 比较，差异无统计学意义（χ2=0.907，P=0.476）。

表2 4 种纹理分类方法预测胃腺癌病理分化程度的错判率及效能

图2 4 种纹理分类方法预测胃腺癌病理分化程度的ROC 曲线

3 讨论

CT 纹理分析在胃癌脉管侵犯、淋巴结转移及腹膜转移预测等方面已有文献报道，与平扫及动脉期图像相比，CT 门静脉期图像能更清晰地显示肿瘤边界，提取的纹理特征能更准确地反映肿瘤异质性［7-9］。黄列彬等［6］研究发现，CT 纹理分析可用于预测胃癌患者术后复发风险分层，联合影像组学标签及胆汁酸返流可提高预测性能。本研究采用纹理分析方法，探讨了基于门脉期CT 纹理特征用于术前预测胃癌病理分化程度的可行性及价值；研究发现CT 纹理分析对胃癌的病理分化程度预测具有潜在应用价值，其中NDA、LDA 纹理分类方法的预测准确率最优，纹理分析有望为胃癌病理学分化评估提供无创方法。

肿瘤病理分化程度是指肿瘤细胞与来源器官细胞的相似程度，相似度越高，肿瘤细胞分化越好，低分化的肿瘤细胞组织结构不清，很难辨认，细胞分化程度反映肿瘤侵袭性，分化差的肿瘤易发生转移，患者生存期更短。目前，临床上采用穿刺或手术切除后取标本行HE 染色，通过显微镜下观察细胞的大小、形态及密度等以评价肿瘤细胞的病理分化程度，但该方法存在有创及因取材等造成客观性不足的缺点。定量影像学分析为术前评价肿瘤病理分化程度提供了方法，能谱CT 的能量区间斜率可用于胃癌病理分化程度评估，其预测低分化胃癌的敏感度为81.3%，特异度为76.5%［10］；ADC 值与肿瘤分化程度的相关性可用于直肠癌病理分化程度的预测［11］。

近年来，随着医学图像处理技术的发展，通过提取图像纹理特征用于临床分析成为研究热点，基于医学图像的纹理分析为术前肿瘤病理分化程度评估提供了新的方法。本研究通过CT 纹理分析发现，CT增强扫描门静脉期纹理特征与胃腺癌病理分化程度相关，其中NDA 分类方法对胃腺癌病理分化程度的预测效能最高，AUC 为0.909，敏感度为91.91%，特异度为90.38%。万小婷等［12］发现CT 增强纹理分析对预测肝癌病理组织分化程度具有一定价值，其预测低分化肝癌的AUC 值为0.75，敏感度为81%，特异度为66%。本研究预测效能稍优于该研究，原因可能与本研究选择的纹理选择方法为交互信息、Fisher系数、分类错误概率联合平均相关系数3 种方法联合有关。既往研究证实，与单种纹理选择方法相比，上述3 种方法联合能获得更多、更有预测价值的纹理特征［5-6］。李小虎等［13］采用肾脏CT 容积纹理分析及机器学习评价肾透明细胞癌病理分级，发现CT 纹理特征预测肾透明细胞癌病理分级AUC 值为0.88，与本研究结果相近。

本研究中NDA 预测胃腺癌病理分化程度的错判率最低，为9.41%（8/85）。陈鑫等［14］研究发现，与PCA、RDA、LDA 3 种方法相比，NDA 鉴别诊断脑胶质瘤与单发转移瘤的效能最优，误判率为8.82%，与本研究结果相近。

本研究的不足之处：作为单中心的回顾性研究，样本量较小，缺乏外部验证，有待开展多中心大样本研究验证CT 纹理分析在胃癌病理分化预测中的价值；采用软件自动筛选的纹理特征数目较多，存在模型过拟合风险。

综上所述，CT 纹理分析有望为术前准确评价胃癌的病理分化程度提供无创、量化的可靠方法，其中NDA 纹理分析方法的预测效能最佳。