CT影像组学联合CT特征预测肺亚实性结节侵袭性

吴雯丽,宋庆平,董连军,杨 帅,于秋凤,朱 正,赵燕风*

(1.聊城市肿瘤医院影像中心,2.胸外科,山东 聊城 252000;3.国家癌症中心/国家肿瘤临床医学研究中心/中国医学科学院北京协和医学院肿瘤医院影像诊断科,北京 100021)

目前以部分实性和纯磨玻璃为主要影像学表现的肺亚实性结节多可被及时检出[1],其病理类型包括非典型腺瘤样增生(atypical adenomatous hyperplasia, AAH)、原位腺癌(adenocarcinoma in situ, AIS)、微浸润性腺癌(minimally invasive adenocarcinoma, MIA)及浸润性腺癌(invasive adenocarcinoma cancer, IAC),后者恶性程度更高、侵袭性更强,术前准确鉴别IAC与其他3种病理类型对指导治疗决策具有重要意义,而单纯基于CT鉴别存在困难[2-3]。本研究观察CT影像组学联合CT特征术前预测肺亚实性结节侵袭性的价值。

1 资料与方法

1.1 一般资料 回顾性收集2019年1月—2022年10月170例于聊城市肿瘤医院就诊并经手术病理证实的肺亚实性结节患者,男60例、女110例,年龄28～79岁、中位年龄59.0岁;包括单发结节141例、多发结节29例(20例2个结节、9例3个结节,对多发结节以较大者进行分析);其中6例AAH、12例AIS、58例MIA、94例IAC,将前3者纳入非侵袭组、IAC归为侵袭组。纳入标准:①术前2周胸部薄层CT发现亚实性结节长径≤3 cm;②接受CT引导下肺结节定位及胸腔镜下肺结节切除术;③术后病理诊断为AAH、AIS、MIA或IAC。排除术前未接受胸部薄层CT或CT检查时间与手术间隔>2周者。按7∶3比例将患者分为训练集(n=119,含5例AAH、9例AIS、36例MIA、69例IAC)和验证集(n=51,含1例AAH、3例AIS、22例MIA及25例IAC)。检查前所有患者均签署知情同意书。

1.2 仪器与方法 采用东软NeuViz 128精睿CT机,管电压120 kV、管电流270 mA行胸部平扫CT,螺距0.9,转速0.6 s/rot,FOV 30～35 cm,矩阵512×512;以肺算法进行重建,层厚及层间距均为1 mm。

1.3 分析图像 由具有8年及17年胸部影像学诊断经验的主治医师及副主任医师各1名采用盲法共同阅片,观察肺结节大小(长径、短径)、CT值(平均值、最大值、最小值、标准差)、是否部分实性及有无分叶、毛刺、空洞、支气管充气征、血管穿行及胸膜凹陷。见图1。

1.4 提取影像组学特征 由上述2名医师应用ITK-SNAP软件于薄层CT图中逐层勾画肺结节ROI,以戴斯相似系数(Dice similarity coefficient, DSC)≥0.75为一致性好[4]。采用Python软件pyradiomics (v3.0.1)[5]以B-Spline内插法对体素间距进行标准化,将图像重采样为体素1 mm×1 mm×1 mm,灰度离散化设置为固定bin宽度(25 HU),之后提取1 218个影像组学特征,包括18个一阶特征(First Order)、14个形状特征(Shape)、22个灰度共生矩阵(gray level co-occurrence matrix, GLCM)、16个灰度区域大小矩阵(gray-level size zone matrix, GLSZM)、16个灰度游程矩阵(gray level run length matrix, GLRLM)、14个灰度相关矩阵(gray level dependence matrix, GLDM)、688个小波(wavelet)及430个高斯拉普拉斯(LoG)滤波器特征。

1.5 筛选影像组学特征 基于训练集数据去除变异较小、Person相关系数(r)>0.8及存在共线性的特征,以最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)及logistic回归筛选最优影像组学特征。

1.6 构建模型及统计学分析 采用R软件(v4.2.0),以中位数(上下四分位数)表示不符合正态分布的计量资料,行秩和检验比较;以χ2检验或Fisher精确概率法比较计数资料。应用二分类logistic回归构建CT模型、影像组学模型及二者联合模型以预测肺亚实性结节侵袭性,并绘制联合模型列线图以直观显示其预测结果。采用受试者工作特征(receiver operating characteristic, ROC)曲线评价各模型的诊断效能,计算曲线下面积(area under the curve, AUC),并以DeLong检验比较其差异。绘制校正曲线评估模型的校准程度。P<0.05为差异有统计学意义。

2 结果

2.1 构建CT模型 训练集所含侵袭组与非侵袭组患者年龄,以及CT所示结节长径、短径、平均CT值、最大CT值、是否部分实性、支气管充气征、胸膜凹陷差异均有统计学意义(P均<0.05,表1);结节长径和最大CT值为肺亚实性结节侵袭性的独立危险因素(P均<0.001,表2),以之构建CT模型。

2.2 构建影像组学模型 2名医师勾画肺结节ROI的一致性好[DSC=0.970±0.004(95%CI0.958,0.991)],故取其中1名的结果进行分析。基于训练集ROI提取1 218个特征,去除变异较小及r>0.8的特征后保留170个特征,再去除93个存在共线性的特征后,以LASSO算法筛选出9个特征(图2),最后经单、多因素logistic回归获得6个最佳影像组学特征(表3)并以之构建影像组学模型。

表3 筛选出的6个最佳影像组学特征

图2 基于训练集筛选影像组学特征 A.采用LASSO行特征系数压缩示意图; B.筛选出的9个特征

2.3 构建联合模型 单因素logistic回归结果显示,结节长径、最大CT值及6个最佳影像组学特征均为肺亚实性结节侵袭性的危险因素(P均<0.05);经多因素logistic回归分析,其中的结节长径及glszm_SZNN、glcm_Imc1、90th percentile为独立危险因素(表4),故以之构建联合模型并绘制列线图(图3)。

表4 logistic回归分析所获预测肺亚实性结节侵袭性的CT特征联合影像组学相关独立因素

图3 联合模型列线图

2.4 评估模型效能 CT模型、影像组学模型及联合模型在训练集中的AUC分别为0.882、0.908及0.935。验证集中,影像组学模型的AUC(0.785)与CT模型(AUC=0.772)差异无统计学意义(Z=0.250,P=0.803),联合模型的AUC(0.869)高于CT模型(Z=2.336,P=0.019)而与影像组学模型差异无统计学意义(Z=1.925,P=0.054)。见图4及表5。

表5 各模型预测验证集肺亚实性结节侵袭性的效能

校正曲线(图5)显示,联合模型对于训练集和验证集的预测结果均与实际结果具有较好一致性。

图5 联合模型的校正曲线 A.训练集; B.验证集

3 讨论

肺癌发病率和死亡率高[6-7]。2021年WHO肿瘤分类将AAH和AIS归为腺体前驱病变,可长期随访;MIA预后好,术后5年生存率可达100%;IAC预后最差[8]。

既往研究[9]发现,CT所示结节长径、CT值、部分实性是预测肺亚实性结节侵袭性的独立因素。本研究中,CT所见结节长径及最大CT值为预测肺亚实性结节侵袭性的CT相关独立因素,二者均为易于获得的客观测量值,以其构建的CT模型在验证集的AUC为0.772。

影像组学研究已在多个方面取得良好进展[10-11]。WENG等[12]认为影像组学鉴别IAC与MIA的效能优于CT形态学,而QIU等[13]发现CT形态学、影像组学及其联合的诊断效能相当。本研究基于6个最佳CT影像组学特征构建模型,加入CT相关独立因素构建联合模型。glszm_SZNN代表区域体积可变性,其值越高代表区域体积之间的异质性越强;glcm_Imc1代表相关性信息度量,其值越高则图像灰度分布越均匀;90th percentile代表结节第90%分位CT值;结节内部异质性越高、90th percentile越低,则IAC概率越大[12-13]。本研究所获联合模型在验证集中的AUC(0.869)高于CT模型(0.772)而与影像组学模型(0.785)差异无统计学意义(P=0.054),其诊断准确率较高,具有较好临床应用价值。

综上,CT影像组学联合CT特征能有效预测肺亚实性结节侵袭性。但本研究为单中心回顾性观察,难以避免选择性偏倚且未经外部验证,有待后续进一步观察。