多时相CT影像组学模型预测胸腺瘤风险分类
2023-09-27谢朝邦范如雪骆书颖李邦国
吴 辉,犹 露,彭 娟,余 虹,谢朝邦,李 爽,范如雪,骆书颖,李邦国*
(1.遵义医科大学附属医院放射科 贵州省医学影像中心,贵州 遵义 563000;2.遵义市红花岗区人民医院影像科,贵州 遵义 563000)
胸腺瘤是前纵隔最常见上皮性肿瘤[1],主要分为A型、AB型、B1型、B2型和B3型[2],手术治疗方式存在差异,预后亦有所不同;其中A型、AB型及B1型为低风险、B2型及B3型则属高风险胸腺瘤[1]。既往研究[3-4]多基于单一时相CT提取影像组学特征构建模型评估胸腺瘤风险。本研究构建多时相CT影像组学模型,评估其预测胸腺瘤风险分类的价值。
1 资料与方法
1.1 一般资料 收集2012年1月—2022年4月86例于遵义医科大学附属医院经病理证实的单发胸腺瘤患者,男39例、女47例,年龄20~80岁、平均(50.4±11.5)岁;其中高风险胸腺瘤32例、低风险胸腺瘤54例;均接受胸部CT平扫加动、静脉期增强检查并于其后2周内获得病理结果,且临床资料完整;按照7∶3比例分为训练集(59例,其中22例来自高风险组、37例来自低风险组)、验证集(27例,10例来自高风险组、17例来自低风险组)。排除标准:①图像伪影明显;②复发胸腺瘤;③肿瘤平均径线小于10 mm;④曾接受相关治疗。
1.2 仪器与方法 采用Siemens Sensation 16、Siemens Somatom Definition AS或GE Optima CT680 CT机行胸部CT平扫及增强扫描。嘱患者仰卧、上抬双臂,于吸气末屏气后接受扫描,扫描范围包括肺尖至肺底;参数:管电压120 kV,自动管电流,螺距0.6~1.0,层厚5 mm,层间距5 mm。完成平扫后经肘静脉以流率2.5 ml/s团注非离子对比剂碘海醇(300 mgI/ml)1.5 ml/kg体质量,延迟35、70 s采集动脉期(arterial phase, AP)及静脉期(venous phase, VP)图像。
1.3 分析图像及分割病灶 由具有10年及15年工作经验的主治医师及副主任医师各1名以盲法独立阅片,测量肿瘤长、短径,观察其位置、形态、密度、有无钙化、囊变坏死及强化程度(轻中度强化/明显强化),是否浸润周围脂肪、包绕纵隔结构、侵犯周围血管及邻近肺,有无胸腔积液、胸膜结节、纵隔淋巴结肿大及远处转移;对CT图像进行重采样等预处理后,采用开源软件3D Slicer(Version 4.11 https://www.slicer.org)于各时相CT图像中逐层手动勾画病灶ROI,获得病灶3D图像(图1);意见有分歧时经协商达成一致。3个月后由其中1名医师随机选取50例再次勾画病灶ROI。
图1 于胸部轴位增强VP CT图中勾画病灶ROI(A,绿色区域)并获得病灶3D图像(B)示意图
1.4 提取及筛选影像组学特征 应用3D Slicer软件共于各期病灶3D图像中提取1 223个影像组学特征,包括一阶特征、形状特征及纹理特征;以RStudio软件筛选组内相关系数(intra-class correlation coefficient, ICC)≥0.75的特征并予以标准化,获得平扫、AP、VP、平扫+AP、平扫+VP、AP+VP及平扫+AP+VP共7个数据集;以独立样本t检验及最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)算法降维,筛选其最优影像组学特征,计算影像组学评分(radiomics score, Rad-score)。见图2。
图2 基于AP+VP CT图像筛选影像组学特征 A.以LASSO进行特征系数压缩; B.选出4个最优特征
1.5 统计学分析及构建模型 采用SPSS 18.0及R软件(Version 3.6.3)进行统计学分析并建立模型。以±s表示符合正态分布的计量资料,以中位数(上下四分位数)表示不符合正态分布者。先行单因素logistic回归分析,将结果显示P<0.1者纳入多因素logistic回归分析,基于训练集筛选胸腺瘤分类的临床及CT相关特征并构建临床-CT模型;以受试者工作特征(receiver operating characteristic, ROC)曲线评估各影像组学模型预测胸腺瘤风险分类的效能,筛选最佳影像组学模型。以最佳影像组学模型及临床-CT模型构建联合模型。绘制ROC曲线,计算曲线下面积(area under the curve, AUC),评估各模型的效能,采用DeLong检验比较其AUC差异。P<0.05为差异有统计学意义。
2 结果
2.1 临床-CT模型 训练集中,单因素logistic 回归分析显示,性别、有无胸痛及CT所示周围脂肪浸润、侵犯邻近肺组织及胸腔积液均为胸腺瘤风险分类的影响因素(P均<0.1,表1)。多因素logistic回归分析显示,周围脂肪浸润是胸腺瘤风险分类的独立预测因素(P<0.05,表2),以之构建临床-CT模型。
表1 基于训练集以单因素logistic回归分析胸腺瘤风险分类的预测因素
表2 多因素logistic回归分析胸腺瘤风险分类的独立预测因素
2.2 影像组学模型 分别基于CT平扫、AP及VP获得1 021、1 018及1 184个影像组学特征。经独立样本t检验和LASSO算法,分别基于CT平扫、AP、VP、平扫+AP、平扫+VP、AP+VP及平扫+AP+VP数据集筛选3、5、1、5、2、4、4个特征并构建相应影像组学模型;模型AP、模型平扫+AP、模型AP+VP及模型平扫+AP+VP预测训练集胸腺瘤风险分类的AUC均>0.800,两两比较差异均无统计学意义(Z=-0.468~1.817,P均>0.05);验证集中模型AP+VP的AUC最高(0.835),为最佳影像组学模型。见表3。
表3 各影像组学模型预测胸腺瘤风险分类的效能
2.3 各模型效能 训练集(Z=1.925、-2.464,P均<0.05)和验证集(Z=1.840、-2.137,P均<0.05)中,模型AP+VP和联合模型的AUC均高于临床-CT模型,而其间AUC差异均无统计学意义(Z=-1.180、0.291,P均>0.05)。见表4及图3。
表4 临床-CT模型和联合模型预测训练集、验证集胸腺瘤风险分类的效能
图3 临床-CT模型、最佳影像组学模型及联合模型预测胸腺瘤风险分类的ROC曲线 A.训练集; B.验证集
3 讨论
胸腺瘤CT特征与风险分类相关[5]。本研究发现,CT所示周围脂肪浸润是胸腺瘤风险分类的独立预测因素,以之建立的临床-CT模型预测训练集和验证集胸腺瘤风险分类的AUC分别为0.736和0.641。
HU等[6]认为,相比平扫CT,基于增强VP CT提取的影像组学特征对胸腺瘤风险分类价值更高,基于平扫+增强CT构建模型的预测效能更佳。ZHANG等[7-9]指出,基于平扫CT提取的影像组学特征可能与肿瘤异质性,如细胞密度、局灶性出血和坏死相关;而基于增强CT的影像组学特征可能反映肿瘤血供异质性及对比剂在血管内、外和细胞外间隙之间的分布差异。另外,相比平扫CT,增强CT显示肿瘤边界及坏死区域更为清晰,可能也是基于增强CT构建模型的AUC高于平扫CT的原因之一。DONG等[10]基于增强AP+VP CT构建的术前预测胸腺瘤风险分类的影像组学模型在验证集的AUC为0.819。本研究分别基于平扫CT、AP、VP、平扫+AP、平扫+VP、AP+VP及平扫+AP+VP 7个数据集筛选出3、5、1、5、2、4及4个最优特征,并以之构建影像组学模型,模型AP、模型平扫+AP、模型AP+VP、模型平扫+AP+VP在验证集中的AUC均>0.800,其中模型AP+VP为最佳影像组学模型;该模型由4个最优影像组学特征构成,包括3个普拉斯滤波特征和1个原始特征,均属一阶特征,分别为灰度强度的第90个百分位数、最小灰度强度和2个最大灰度强度值,主要反映病变内体素强度分布[11],其在训练集和验证集的AUC分别为0.860及0.835,均高于临床-CT模型。
既往研究[5,12-13]报道,基于临床、CT及影像组学特征构建的联合模型预测胸腺瘤风险分类的效能高于单一临床-CT模型或影像组学模型。本研究以临床-CT特征联合最佳影像组学模型构建的联合模型预测训练集和验证集胸腺瘤风险分类的AUC均高于临床-CT模型,而与最佳影像组学模型差异无统计学意义。
综上,多时相CT影像组学能有效预测胸腺瘤风险分类。但本研究为回顾性观察,样本量较小,且缺乏外部验证,有待扩大样本量行多中心研究进一步分析。