基于DCE-MRI影像组学列线图预测乳腺浸润性导管癌PD-L1表达状态的研究

张 慧,赵楠楠,朱 芸,张舒妮,李 阳,杨静茹,汤晓敏,杨 丽,王玲玲,谢宗玉

乳腺癌(breast cancer,BC)是女性中最常见的癌症类型,近年来其发病率有所增加,严重危害了女性人群的生活质量[1]。浸润性导管癌(invasive ductal carcinoma,IDC)是BC最常见的病理类型[2],约占所有新诊断BC病例的85.7%,通常被认为是免疫原性最低的肿瘤之一。早期IDC的常见治疗包括乳腺根治术、保乳手术及放疗乳房切除术等,随着医疗技术的发展,免疫治疗已成为近年来兴起的研究热点,通过免疫正常化的策略,即消除微环境中的免疫抑制因素[3]。PD-L1已成为肿瘤领域的研究热点[4],作为在T细胞上表达的检查点蛋白,已被证明是一种关键的免疫检查点分子,它可以通过与肿瘤细胞表达的配体结合,诱导T细胞耗竭和抑制效应T 细胞功能,使肿瘤细胞从宿主免疫反应中逃逸[5]。PD-L1的多态性不仅显著影响BC分期,而且影响化疗有效性以及肿瘤切除后的总体和无病生存率[6]。FDA批准的伴随诊断免疫组织化学(IHC) 试验作为评估PD-L1状态的金标准,由于评估的检验间异质性[7]、侵入性、PD-L1的时间和空间特异性[8]及送检样本染色的偶然性[9],仍具有一定的局限性。因此,开发能够实现非侵入性和可重复评估源自整个肿瘤的PD-L1表达的成像生物标志物是十分必要的。乳腺MRI成像不仅提供了病变的横截面形态信息,还提供了功能性病变特征信息[10]。MRI有较高的软组织分辨率,不仅能提供病灶的血流动力学及肿瘤生理学信息,亦可对肿瘤的病理反应进行早期预测[11],使更多的BC病人在未来受益。本研究旨在建立基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)影像组学和临床、MRI影像特征相关高危风险因素的列线图模型,预测IDC病人的PD-L1表达状态,从而更深入、更全面、更具体和更客观地评价IDC早期免疫治疗的敏感性,优化病人的治疗方案,减少不必要的药物资源浪费。

1 资料与方法

1.1 一般资料 回顾性分析2020-2022年蚌埠医学院第一附属医院BC病人临床病理及影像资料。纳入标准:(1)有完整的病理标本且确诊为IDC病例;(2)行乳腺MRI检查前未行任何治疗;(3)在我院病理科行PD-L1检测,且行PD-L1检测前1个月内进行过乳腺MRI扫描。排除标准:(1)临床、病理、影像资料不全;(2)病灶边缘显示不清的,不能完成病灶勾画;(3)全身病变明显或合并其他肿瘤;(4)术前行放疗、化疗等任何治疗病人。最终纳入病例91例,均为女性,年龄27～87(48.46±9.42)岁。按照6∶4的比例随机分为训练集(54例)及测试集(37例)。训练集与测试集所有临床及影像资料间均具有可比性,可用于模型的构建、验证。本研究获得了医院伦理委员会的审核通过,MRI图像AI标记前均隐去病人的个人信息并对图像进行均质化处理。

1.2 仪器与方法 使用Philips Achieva 3.0 T双梯度MRI扫描仪,SENSE 7乳腺专用线圈,仰卧位,双乳置于线圈中央。主要序列及相关参数:(1)T1WI,TR 400 ms,TE 10 ms,FOV 350 mm×350 mm,矩阵234×225,层厚4.5 mm,层间距1 mm;(2) T2WI SPAIR,TR 5 000 ms,TE 60 ms,FOV 350 mm×350 mm,矩阵 336×303,层厚 4.5 mm,层间距 1 mm;(3)扩 散 加 权 成 像(diffusion-weighted imaging,DWI),TR 3 000 ms,TE 59 ms,FOV 350 mm×350 mm, 矩阵188×186,层厚 4.5 mm,层间距 1 mm,b=0、800 s/mm2;(4)DCE-MRI,TR 4.8 ms,TE 2.4 ms, FOV 350 mm×350 mm,矩阵 320×350,层厚 2 mm,层间距1 mm。共采集 6期图像,第一期为蒙片,然后迅速用高压注射器注射对比剂钆喷酸葡胺(拜耳先灵医药公司,德国),剂量 0.2 mmol/kg,注射速率2 mL/s。

1.3 临床及MRI影像资料的收集 记录所有病人的临床资料,包括:性别、年龄、是否绝经、中性粒细胞-淋巴细胞比率(neutrophil lymphocyte ratio,NLR)。

由2名具有10年以上工作经验的放射科医师,在对病人既往临床病理资料均不知情的情况下,依照第5版美国放射学院的乳腺影像报告和数据系统[12](Breast Imaging Reporting and Data System,BI-RADS)进行MRI图像分析。包括(1)背景实质增强(background parenchymal enhancement,BPE): 指纤维腺体组织的正常强化,包括极少、轻度、中度、重度;(2)T2WI瘤内有无高信号;(3)肿瘤MRI最大径:横轴位DCE序列上肿瘤的最大径,当病灶数量≥2 个,仅对最大病灶进行测量;(4)肿块边缘:清晰、不清晰;(5)有无毛刺;(6)病灶强化类型:分为肿块、非肿块样强化,肿块为具有三维空间的占位性病变,伴或不伴周围正常组织移位或浸润;非肿块样强化的占位效应不明显,既非点状强化(<5 mm的强化)亦非肿块的强化,可表现为多种多样,如线状、局灶性、段样、区域性、多区域或弥漫性强化;(7) 时间-信号强度曲线(TIC):持续上升型(Ⅰ型)、平台型(Ⅱ型)和速升速降型 (Ⅲ型);(8)是否伴有腋窝淋巴结 (axillary lymph node,ALN)转移;(9)病灶数目:单发、多发;(10)表观扩散系数(ADC)。通过单-多因素 logistic 回归筛选出能预测PD-L1阳性表达的临床、影像特征,作为独立危险因素,构建临床模型。

1.4 PD-L1检测 标本的PD-L1表达水平采用肿瘤比例评分(tumorproportionscore,TPS)法判定,由2位病理医生在对病人既往临床资料和病理结果均不知情的情况下对检测结果进行评估。使用TPS评价PD-L1的表达程度,即染色阳性的肿瘤细胞数占总活肿瘤细胞数的比例。选取1%及50%两个截断值对TPS染色程度进行分类。(1)TPS<1%:PD-L1表达阴性,即表达PD-L1呈现局部或全部细胞膜染色(≥1+)的肿瘤细胞数占所有肿瘤细胞数的比例<1%;(2)TPS 1%～<50%:PD-L1低表达,即呈现局部或全部细胞膜染色(≥1+)的肿瘤细胞数占所有肿瘤细胞数的比例为1%～<50%;(3)TPS≥50%:PD-L1高表达,即呈现局部或全部细胞膜染色(≥1+)的肿瘤细胞数占所有肿瘤细胞数的比例≥50%。

1.5 影像组学分析过程

1.5.1 图像分割 感兴趣区(region of interest,ROI)的分割是在医准智能科技有限公司推出的“达尔文智能科研平台”进行,由2名有五年以上工作经验的放射科医师勾画。勾画者在进行ROI的分割前均未接触病人资料,其中一位勾画者在勾画完成一周后再次勾画ROI。以前的研究发现在DCE-MRI序列的60～120 s是乳腺恶性肿瘤相对腺体背景的信号高峰值时段[13],故本研究选择在DCE-MRI注药后的第2期图像上勾画ROI,因考虑到MRI为断层图像,病灶边界会受到部分容积效应影响,ROI勾画边界略小于病灶边界,在病灶的所有层面逐层进行勾画,勾画3D-ROI(见图1、2)。

1.5.2 影像组学特征提取及模型构建 在特征降维前需要对特征进行标准化预处理,采用最大绝对值归一化的方法将所有特征转化至[-1,1]之间。选取两勾画者间和勾画者前后提取的标准化特征,计算组间及组内相关系数(inter-/intra-class correlation coefficient,ICC),保留ICC≥0.75的特征。采用“Select K Best”的方法并选择f_calssif函数降维,设置K值为20,通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)选择出与IDC病人PD-L1阳性高度相关的影像组学特征(见图3)。通过支持向量机(support vector machine,SVM)方法根据筛选后的影像组学特征建立影像组学模型,根据其在模型中的加权系数得出影像组学评分(radiomics score,Rad-score)。

1.6 构建影像组学列线图模型 选取Rad-score值联合单因素筛选出的临床、影像特征做多因素logistic回归分析,筛选出最终有意义的特征构建影像组学列线图模型,绘制影像组学模型、临床模型、影像组学列线图模型受试者工作特征(receiver operating characteristic,ROC)曲线,比较3种不同模型的曲线下面积(area under the curve,AUC)值、敏感度、特异度,得出预测IDC病人PD-L1阳性表达的最优预测模型,使用校准曲线、决策曲线评估模型的预测效能及临床实用性。

1.7 统计学方法 采用t检验和χ2检验或Fisher精确检验。

2 结果

2.1 临床、MRI影像特征与PD-L1表达的相关性 按照PD-L1病理结果分为阳性组56例和阴性组35例。训练集54例IDC中,PD-L1阴性组21例,阳性组33例。测试集37例IDC中,PD-L1阴性组14例,阳性组23例。PD-L1阳性组和阴性组在BPE、T2WI瘤内高信号、有无毛刺、是否绝经及NLR间差异均有统计学意义(P<0.05)(见表1),训练集及测试集中得到的结果一致。通过多因素logistic回归分析训练集5个危险因素,最终筛选出T2WI瘤内高信号及NLR(P<0.05)2个独立危险因素(见表2),构建临床模型。

表1 BC病人基本临床资料及影像学表现表现[n;百分率(%)]

表2 训练组多因素logistic回归分析

2.2 不同模型诊断效能的比较 选择Rad-score 与训练集中BPE、T2WI瘤内高信号、有无毛刺、是否绝经及NLR这5个有意义的临床、影像特征做多因素logistic回归分析,最终筛选出NLR(P<0.05)、T2WI瘤内高信号(P<0.05)及Rad-score(P<0.01)构建影像组学列线图模型,并可视化(见图4)。分别绘制3种模型ROC曲线(见图5),得到影像组学模型、临床模型、影像组学列线图模型的预测效能(见表3),影像组学列线图模型AUC在训练集及测试集中均最高,高于单独影像组学模型和单独临床模型,表明列线图模型是最优模型,表现出更高的诊断性能。此外绘制的校准曲线(见图6)提示列线图模型对IDC病人PD-L1表达的预测效能好,决策曲线(见图7)提示列线图模型的临床适用性较高,具有一定的临床价值。

表3 各模型预测效能比较

3 讨论

近年来,影像组学技术已被广泛应用于不同类型的恶性肿瘤中的早期筛查、诊断、分型、预测病理分级、淋巴结转移、瘤周浸润侵犯[14-16];同时在评估预后、疗效、生存率、基因的相关性等方面也被一些学者报道[17-19],均体现出了一定的价值。影像组学在预测PD-L1表达方面,也有一些学者做了初步研究[20-21]。张慧媛等[22]探究了18F-FDG PET/CT影像组学在肺腺癌病人PD-L1表达水平的预测价值,结果表明最佳预测模型(临床资料+CT+PET)的AUC为0.83,联合临床资料、PET/CT影像组学特征、传统代谢参数可以有效预测PD-L1表达水平。MONACO等[23]探讨了FDG PET/CT影像组学特征在预测非小细胞肺癌病人PD-L1表达状态中研究,得到模型的敏感度、特异度分别为81%、82%,结果表明FDG PET影像组学可能在预测PD-L1的高表达中起作用。影像组学评估可以在整个治疗期间重复进行,不需要额外的侵入性方法来从手术或活检中获取肿瘤组织,动态地反映PD-L1表达状态,辅助临床筛选出免疫治疗获益的人群,以潜在地指导药物更换和停药。目前,关于影像组学在预测BCPD-L1表达方面的研究较少,本研究以IDC为研究对象,开发并验证了一种利用SVM机器学习算法基于DCE-MRI影像组学特征,并分析了临床因素及术前MRI影像特征与PD-L1表达状态之间的相关性,建立多种预测模型,筛选出最优模型。研究结果表明,基于DCE-MRI的影像组学特征联合临床、影像特征构建的列线图模型能较好地预测PD-L1表达状态,该模型具有较高的诊断性能及临床价值。

本研究通过多因素筛选出NLR及T2WI瘤内高信号作为预测IDC病人PD-L1表达状态的独立危险因素。目前已经有很多炎症标志物被证实与肺癌、胰腺癌以及食管胃肠道的恶性肿瘤的预后相关,其中NLR是一种最常用的炎症标志物。ZHOU等[24]进行meta分析纳入了17项研究共5 504例BC病人,评估了NLR水平与新辅助化疗和无病生存期之间的相关性,结果表明,NLR显著升高的病人新辅助化疗后不易达到病理完全缓解,并且无病生存期较短,NLR<2.3的病人更易达到病理完全缓解。本研究结果发现,NLR显著升高的病人往往PD-L1表达阴性,提示病人可能从免疫治疗上获益的概率偏小,尤其是使用单药的免疫治疗,有效率可能更低,甚至目前PD-L1阴性的病人并不适用于单药免疫治疗。NLR明显减低的病人更易发生PD-L1高表达。随着NLR水平的升高导致肿瘤病人预后不良的机制尚不清楚,这可能是由于肿瘤微环境中的炎症成分促进肿瘤细胞的生成、进展、增殖、播散和存活,降低了肿瘤细胞对免疫治疗的反应,产生了一定的耐药性[25]。本研究得到T2WI瘤内高信号与PD-L1的表达有一定的相关性,T2WI序列上,肿瘤内部出现斑片状高信号影的病人往往PD-L1高表达,并且PD-L1表达越高,常提示病人免疫治疗效果就会越好,这可能与肿瘤细胞实性成分减少,内含有一些囊变坏死、出血等成分有关。

MRI检查的多方位、多参数、多序列成像,能获取更多的信息,其中DCE-MRI可以显示肿瘤的形态及其强化方式、强化程度、血流动力学等。本研究基于DCE-MRI提取了7个PD-L1表达状态高度相关的影像组学特征,构建了影像组学模型。所提取的组学特征中,与模型的相关性最高是一阶峰度系数,峰度是图像ROI中信号强度分布的“峰值”度量,反映组织结构的复杂性,提示本组IDC的异质性高;大依赖高灰度强调,该值越高,则依赖越大,图像纹理越均匀;灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息,最大相关系数(MCC)为小波特征的参数之一,代表图像纹理的复杂度,且值越低表示纹理越复杂,提示本组IDC病灶异质性更高,侵袭性更强。基于NLR及T2WI瘤内高信号构建了临床模型;基于影像组学特征及临床、影像特征(NLR及T2WI瘤内高信号)构建了影像组学列线图模型。其中影像组学列线图模型训练集、测试集的 AUC 值(分别为 0.938、0.904)均高于影像组学模型(分别为 0.851、0.817)及临床模型(分别为 0.880、0.857),表现出更高的诊断性能。列线图模型中训练集及测试集的特异度均高于影像组学模型和临床模型,但敏感度低于临床模型,这可能与本研究纳入样本量偏少以及随机分组有关。因此,列线图模型较单一模型在预测IDC病人PD-L1表达状态方面体现了较好的预测价值。LO GULLO等[26]研究了基于DCE-MRI影像组学模型是否可以预测三阴性BC病人的PD-L1表达状态,研究结果发现,预测PD-L1状态的最终影像组学模型利用3个MRI参数,即FO、RLM和LZLGLE,敏感性为90.7%,特异性为85.1%,诊断准确性为88.2%。定性评估的DCE-MRI成像特征与PD-L1状态之间没有显著关联。这项初步研究表明,基于机器学习的DCE-MRI影像组学模型是一种很有前途的方法,可以获得预后和预测信息。这项技术也可以用于监测PD-L1的表达,因为它可以随着时间和肿瘤的不同区域而变化,从而避免重复的活检。

本研究的局限性与不足:(1) 本研究为样本量较小的单中心研究,可能存在一定的选择性偏倚,后续需要扩大样本量、采用多中心的研究进一步进行验证;(2) 放射科医师人工阅片获取的MRI影像特征,可能存在一定的主观误差;(3)本研究仅提取单一模态DCE-MRI图像的影像组学特征,以后的研究中会进一步提取多模态(T2WI、DWI等)影像组学特征进行研究。

综上所述,基于DCE-MRI影像组学特征及临床、影像特征(NLR、T2WI瘤内高信号)建立的影像组学列线图模型具有较高的诊断效能,是一种无创的可以预测乳腺IDC病人PD-L1表达状态的新方法,对临床的诊疗具有一定的指导意义。