基于CT影像组学结合临床影像特征预测局部晚期鼻咽癌诱导化疗疗效

王卓，刘世莉，丁伟，周云舒，张若弟，张自新，陈志强

研究报道约70%的鼻咽癌是局部晚期鼻咽癌(Locoregionally advanced nasopharyngeal carcinoma,LA-NPC)[1]。由于NPC复杂的解剖结构和对放疗的高度敏感，放疗是治疗早期NPC的主要方法。但对于LA-NPC患者来说,在标准治疗的基础上增加诱导化疗(Induction chemotherapy，ICT)有助于改善其预后[2,3]，然而只有不到50%的患者对ICT敏感[4,5]，因此在治疗前确定LA-NPC患者对ICT的反应显得尤为重要。影像组学作为反映肿瘤异质性的新方法，可以无创预测肿瘤治疗反应及预后[6]，有研究报道基于MRI的影像组学在预测LA-NPC患者的ICT疗效方面都表现出了较好的性能[7，8]。相比于MRI检查，CT更加经济、快速、实惠，且在评估NPC病灶颅底骨质破坏方面更为敏感，然而目前基于增强CT的影像组学在NPC疗效预测方面在国内尚未见报道。本研究旨在探讨基于增强CT的影像组学结合临床影像特征的列线图在预测LA-NPC患者ICT疗效方面的价值。

材料与方法

1.病例资料

回顾性搜集2014年7月至2022年3月经病理确诊的178例LA-NPC患者。病例纳入标准：①Ⅲ、Ⅳ期(AJCC第7版)[9]NPC初诊患者；②ICT前1～2周行CT增强扫描；③既往未行任何抗NPC治疗；④鼻咽黏膜增厚>5 mm。病例排除标准：①鼻咽黏膜增厚<5 mm或图像质量不佳者；②只进行了1周期ICT治疗。分析入组LA-NPC患者的性别、年龄、TNM分期、强化程度等14个临床因素纳入统计分析(表1)。依据ΔHU=CT值动脉期-CT值平扫期，将强化程度分为两个等级，即明显强化(ΔHU≥40 HU)和轻中度强化(ΔHU<40 HU)。本研究经我院伦理委员会批准(编号：KYLL-2022-0403)。

2.检查方法

所有LA-NPC患者均行颈部CT平扫+增强扫描，患者取仰卧位，扫描范围上至颅底上方3 cm，下至下颈部；CT检查采用GE Revolution 128排螺旋CT(自动管电流，管电压120 kV，噪声指数4.0，探测范围80 mm，螺距0.992)和GE Light speed 16排螺旋CT(管电流200 mA，管电压120 kV，噪声指数12，探测范围20 mm，螺距1.375)；两者矩阵均为512×512，层厚及层间距均为2.5 mm，视野均为25 cm×25 cm。增强扫描经肘前静脉以3.0 mL/s流率注射非离子型对比剂碘海醇，剂量1～2 mL/kg，动脉期延迟扫描时间为20～25 s，静脉期延迟扫描时间为50～60 s。

3.化疗方案和疗效的评估

所有入组患者均接受2～3周期的2联TP(顺铂+紫杉醇)或3联TPF(顺铂+多西他赛+氟尿嘧啶)的治疗方案，21天为一个周期。用药方法如下：2联TP：顺铂40 mg/m2ivd第2～4天+紫杉醇210 mg/m2ivd第1天；3联TPF：顺铂75 mg/m2ivd第2～3天+多西他赛75 mg/m2ivd第1天+氟尿嘧啶750 mg/m2ivd第1～5天。由2位有10年工作经验的放射科医师根据RECIST 1.1标准[10]在放疗科Pinnacle治疗计划系统上进行疗效评估，病灶最大径的变化率参照化疗前后两次勾画的靶区做出修改，靶区外扩部分不计入病灶最长径本身。2位医师分别于ICT前1～2周内、2～3周期ICT后1～2周内在CT增强动脉期图像上测量每一层面肿瘤最长径，取平均值，计算消退率。将疗效分为完全缓解(癌灶完全消退，淋巴结短径<10 mm)、部分缓解(消退率≥30%)、疾病稳定(消退率介于部分缓解和疾病进展之间)、疾病进展(出现新病灶或病灶进展率≥20%)，将部分缓解和完全缓解归为有效组，疾病稳定和疾病进展归为无效组。以7：3随机将178例患者分为训练组(n=125)和验证组(n=53)。

4.图像分割

从PACS上获取所有LA-NPC患者的增强CT动脉期图像，由2位分别具有3年及10年以上工作经验的头颈部放射诊断医师采用3D-Slicer(www.slicer.org,version 4.13.0 )盲法在动脉期图像上逐层勾画感兴趣区(region of interest，ROI)，最后生成全肿瘤容积感兴趣区(volume of interest,VOI)(图1)，包括出血、坏死及囊变区域，以上特点作为常规影像上肿瘤异质性的映射，与肿瘤恶性程度、侵袭性密切相关[11]，且影响化疗药物的血流动力学分布，从而影响ICT疗效，但避开骨质及周围血管等区域。医师1于两周后再勾画一次，以便于评估同一勾画者自身和不同勾画者之间手动分割的一致性。

图1 手动逐层勾画ROI示意图。a) 勾画NPC病灶第一层面的ROI；b)勾画第二层面的ROI；c)勾画第三层面的ROI；d)勾画第四层面的ROI；e)生成全肿瘤VOI。

5.提取、筛选特征及构建组学模型

为了尽量减少不同机型所得CT图像的中心效应，在提取特征前对所有原始图像进行预处理，即首先使用线性插值算法将图像重采样到1×1×1 mm3(x,y,z)使像素空间标准化，然后设置25 HU bin宽度离散体素强度，降低图像噪声[12]。采用Pyradiomics包提取特征，共提取1037个特征，该过程符合IBSI指南[13]。特征的标准化处理采用Z-score法。采用R软件(www.r-project.org，version 4.1.2)筛选特征，首先采用Student'st检验或Mann-WhitneyU检验进行初始筛选，再通过Pearson相关性分析剔除|r|≥0.8的特征，最后用glmnet统计包中的最小绝对收缩与选择算法(least absolute shrinkage and selection operator，LASSO)并结合10倍交叉验证进一步筛选得到最优特征子集，利用这些特征及其回归系数加权来计算每位LA-NPC患者的影像组学评分(radiomic score，Rad-score)。

6.统计学分析和模型的构建

使用R 4.1.2软件进行统计学分析。分析所有入组患者的临床资料，年龄的组间比较采用Student'st检验，其余分类变量使用χ2检验、矫正卡方或Fisher确切概率法。根据Youden指数确定中性粒细胞/淋巴细胞比等免疫炎性指标的最佳临界值。采用单-多变量回归分析将差异有统计学意义(P<0.05)的临床影像特征和Rad-score共同纳入Logistic回归构建列线图模型。以受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)评估和比较三种模型的预测效能。使用拟合优度(Hosmer-Lemeshow,H-L)检验评估列线图模型的拟合优度并采用决策曲线分析(decision curve analysis，DCA)观察其临床净收益。并在测试组中对模型的可重复性进行验证。以P<0.05为差异有统计学意义。

结 果

1.临床资料

本研究ICT有效组97例，平均年龄(49.97±12.20)岁；无效组81例，平均年龄(49.91±9.89)岁(表1)。

2.建立临床模型

178例LA-NPC患者的临床基线资料分析结果见表1，淋巴细胞/单核细胞比(lymphocyte-to-monocyte ratio，LMR)、血小板/淋巴细胞比(platelet to lymphocyte ratio，PLR)、中性粒/淋巴细胞比(neutrophil-to-lymphocyte ratio，NLR)的最佳临界值分别为3.855、189.8、2.970。单-多因素回归分析结果显示，强化程度(OR=2.706，95%CI：1.076～7.125，P=0.038)、T分期(OR=0.45，95%CI：0.251～0.761，P=0.004)、PLR(OR=0.289，95%CI：0.102～0.739，P=0.024)为ICT有效的独立预测因子(表2)，基于以上3个因素构建临床模型。

表1 178例局部晚期鼻咽癌患者(LA-NPC)的基线资料 [n(%)]

表2 临床影像特征预测LA-NPC患者ICT疗效的Logistic回归分析结果

3.建立影像组学模型

首先，根据对医生1自身、医生1与医生2之间勾画VOI后所提取特征的一致性分析结果，剔除ICC<0.75的特征。通过Student'st或Mann-WhitneyU检验初始筛选得到141个特征，经Pearson相关性分析剔除41个特征，保留100个特征,最终采用LASSO回归在λ=-3.968处得到22个最优特征，包括4个一阶特征和18个纹理特征(表3、图2)。计算每个NPC癌灶的Rad-score。以Rad-score构建组学模型。

图2 基于LASSO-logistic回归选择特征。a)通过调整λ来取得最小二项式偏差；b)使用LASSO和10倍交叉验证法选择最佳模型参数λ，纵轴为二项偏差，横轴为 Log (λ) 值。垂直虚线下方对应的是最佳值，即在λ=-3.968处得到22个最优特征。

表3 Lasso筛选获得最终的组学特征及其系数

4.建立联合模型

此模型由强化程度、T分期、PLR及Rad-score 4个因素构成，绘制列线图将模型可视化(图3a)。列线图显示Rad-score相比其他3个因素在预测ICT疗效方面的贡献最大。H-L检验结果显示列线图在训练组(χ2=11.081，P=0.197)和验证组(χ2=12.033，P=0.150)中均具有较好的拟合度。且校准曲线显示模型的预测结果和实际观察结果吻合度较好(图3b)。

图3 a)列线图，由T分期、强化程度、PLR、Rad-score构成，将某一特定患者三项得分相加算出总得分，从而得到其相对应的ICT有效率，0表示PLR<189.8，1表示PLR≥189.8；b)校准曲线图。

5.各模型效能评估

ROC曲线分析结果显示，与单独临床和CT组学模型比较，列线图模型的预测效能最佳，训练组中列线图模型、临床模型、组学模型的AUC分别为0.821(95% CI：0.736～0.908) 、0.732(95% CI：0.620～0.829)、0.798(95% CI：0.701～0.876)；验证组中列线图模型、临床模型、组学模型的AUC分别为0.836(95% CI：0.727～0.926)、0.793(95% CI：0.683～0.899)、0.779(95% CI：0.672～0.872)(表4、图4)。DCA进一步表明，当风险阈概率在0.15～0.70(训练组)、0.20～0.75(验证组)范围内，列线图模型对比单纯组学模型，其人群净获益率更高(图5)。

图4 3种模型预测ICT疗效反应的ROC曲线。a)训练组；b)验证组。 图5 决策曲线图。纵轴(Y轴)为净获益率，横轴(X轴)为概率阈值。黑色横线假设所有患者对ICT无效，都没有治疗，此时，无ICT临床净获益；灰色曲线假设所有患者都对ICT敏感，都进行了治疗。曲线显示风险阈值概率在0.15～0.70(训练组)和0.20～0.75(验证组)范围内，应用列线图的净获益水平高于单纯组学模型。a)训练组；b)验证组。

表4 不同模型在训练组和验证组中的预测效能

讨 论

目前，已有研究表明一些功能MRI的定量参数可以早期预测LA-NPC患者ICT疗效[14,15]。孙宗琼等[14]的研究显示，高灌注血流量(TBF)值、低临床分期的NPC患者对放化疗的敏感性大于低TBF、高临床分期的患者。本研究单-多变量Logistic回归分析结果显示，病灶强化程度(OR=2.706，P=0.038)、T分期(OR=0.450，P=0.004)是ICT有效的独立预测因子。病灶明显强化、低T分期的患者对ICT更加敏感，主要原因在于强化程度越明显的病灶，其肿瘤细胞增殖越活跃，内部血供也越丰富，使得肿瘤组织中的化疗药物浓度越高，从而增强肿瘤细胞的致死性，抑制肿瘤增殖[16]。另外，T分期越高，其肿瘤体积往往越大，内部容易乏血供或发生坏死，导致化疗药物不能充分到达肿瘤间质内微血管，从而产生对化疗药物的抵抗。有研究表明一些免疫炎性指标如NLR、PLR与肿瘤患者生存率和治疗反应相关[17,18]。Cuello-López等[17]研究发现，与高PLR(≥150)组相比，低PLR组的新辅助化疗后的病理完全反应明显更高(分别为35.1%和22.2%，P=0.03)。本研究结果也显示，低PLR(<189.8)的NPC患者对ICT更敏感(OR=0.289，P<0.05)；但NLR、LMR等在不同疗效组之间的差异无统计学意义(P>0.05)，未来需要增大样本量进一步验证。

以上与ICT疗效显著相关的临床因素仅提供局限于解剖或病理生理方面的信息，不能反映肿瘤内部异质性。而影像组学可以对病灶图像信息进行无创定量分析从而深入地描述肿瘤异质性，反映肿瘤细胞的数量、增殖、血管生成、缺氧和坏死[19]，而以上因素与治疗反应和肿瘤预后密切相关[20]。既往已有研究报道了基于CT或MRI的影像组学在预测乳腺癌、直肠癌等新辅助化疗疗效方面的可行性和应用前景[21-23]。故本研究构建了基于增强CT的影像组学特征整合临床因素、CT征象以及免疫炎性指标的列线图模型，将ICT有效的贡献因子权重进行了量化，实现了对ICT反应概率的定量、可视化预测。本研究最终筛选得到22个与ICT疗效密切相关的组学特征，发现一阶特征(4个)和纹理特征(18个)对Rad-score均有不同程度贡献，一阶统计特征包括第10个百分位数、峰度和偏度；纹理特征包括3个灰度依赖矩阵(GLDM)、5个灰度共生矩阵(GLCM)、10个灰度游程长度矩阵(GLRLM)。以上特征与Liao等[7]筛选出的反映ICT疗效的大多数参数类别一致，表明这类组学特征参数在反映NPC患者对ICT敏感性方面有重要意义。本研究发现单纯的组学模型能较好地预测ICT疗效(训练组和测试组的AUC分别为0.798和0.779)，AUC值略高于Liao等建立的Radiomics模型结果(AUC分别为0.795和0.698)。本研究发现将具有统计学差异(P<0.05)的3个临床因素纳入Rad-score后所构建的联合模型的效能高于单一的临床或组学模型，训练组中联合模型、临床模型、组学模型的AUC分别为0.821、0.732、0.798；测试组中联合模型、临床模型、组学模型的AUC分别为0.836、0.793、0.779。这说明一些临床因素如T分期、PLR、病灶强化程度在预测ICT疗效方面也发挥着至关重要的作用，以上因素的加入提高了模型的预测效能。因此，在临床实际工作中，需将临床因素、影像学征象、免疫炎性指标和Rad-score相整合以区分ICT有效与无效者。本研究建立的临床影像特征联合组学特征的列线图可以对LA-NPC患者的ICT疗效进行无创、定量、个性化地预测，有助于临床决策和判断患者预后。且使用常规医学图像将影像组学应用于监测ICT疗效，为患者进行一次增强CT扫描增加了额外收益。

本研究存在以下局限性：①NPC在本地区发病率低，样本量少，难以避免选择偏倚，且本研究为单中心研究，日后有待扩大样本量并在多中心验证；②仅采用了Lasso-Logistic模型而未建立其他机器学习模型，有待后续研究纳入进而优化ICT预测模型；③仅基于动脉期而未在静脉及平扫期图像上构建模型，所得模型效能是否最佳有待进一步建立其他期相模型进行对比验证。

综上所述，基于增强CT的影像组学联合传统临床影像特征的列线图能直观、量化、个性化地预测LA-NPC患者ICT的疗效，优于单一模型，可以作为一种无创的预测工具。