Logistic回歸分析高分別率CT的紋理特征對孤立性肺結(jié)節(jié)診斷價值

孔令重， 姜壯國， 曹小江, 彭昌勇

(1瀘州市中醫(yī)醫(yī)院放射科， 四川 瀘州 646000; 2達(dá)州市中西醫(yī)結(jié)合醫(yī)院CT室， 四川 達(dá)州 635000)

肺癌是世界上最常見的惡性腫瘤之一，其病死率位居惡性腫瘤的首位[1]。早期診斷和早期手術(shù)仍然是降低肺癌死亡率最有效的方法。 在臨床實踐中，多數(shù)肺癌患者在確診時已喪失手術(shù)時機(jī)，僅有不到2%的肺癌在發(fā)現(xiàn)時處于早期[2]。高分別率CT成像應(yīng)用，使得肺癌篩選陽性率不斷提高，早期肺癌的診斷率也進(jìn)一步提高，但假陽性率也非常高[3]。因為肺結(jié)節(jié)的評估取決于各種因素，包括結(jié)節(jié)的生長、大小、位置、內(nèi)部特征、形態(tài)及邊緣等[4]。 有研究顯示，相當(dāng)多良性結(jié)節(jié)和癌性肺結(jié)節(jié)具有重疊性的影像特征[5]，臨床鑒別起來比較困難。近幾年，圖像紋理分析逐漸成為影像圖像量化的熱點，這種技術(shù)可提供許多肉眼無法觀察到的圖像信息，能更加準(zhǔn)確反映病灶內(nèi)部異質(zhì)性信息[1,6]。本研究通過對孤立性肺結(jié)節(jié)CT圖像紋理參數(shù)提取，并進(jìn)行多變量分析，旨在建立用于早期肺癌診斷的數(shù)據(jù)模型。

1 資料與方法

1.1臨床資料選取從 2016年6月-2017年12月在瀘州市中醫(yī)醫(yī)院檢查并經(jīng)手術(shù)或穿刺病理證實的72例表現(xiàn)為孤立性肺結(jié)節(jié)的患者，其中惡性42例，良性30例；男性35 例，女性37例；年齡27 ～85歲，平均年齡(52.0±10. 8)歲。納入標(biāo)準(zhǔn)：(1)無既往腫瘤史，單一病灶(直徑≤3 cm)；(2)經(jīng)手術(shù)或穿刺病理確診；(3)CT資料完整。

1.2檢查方法采用德國西門子64層螺旋CT 掃描設(shè)備，掃描范圍：屏氣后從肺尖覆蓋至肺底；掃描參數(shù)：管電壓/管電流120 kV/300 mAs， 螺距為0.828～0.875， 旋轉(zhuǎn)時間為每周 0.5～0.8 s， 掃描層厚/層距 5 mm/5 mm，肺窗窗寬/窗位1400 HU/-600 HU，縱隔窗窗寬/窗位350 HU/40 HU，重建間隔1 mm。

1.3圖像分析采用雙盲法，由2名胸部副主任醫(yī)師分析肺結(jié)節(jié)CT影像圖像，觀察其影像學(xué)特征，包括大小、邊界、邊緣、有無分葉征、毛刺征、血管集束征、胸膜牽拉征、空氣支氣管征、空泡征、空洞等。將圖像的窗寬、窗位調(diào)成一致，以“Dicom”格式導(dǎo)出，在FireVoxel軟件上進(jìn)行紋理提取。由1名經(jīng)驗豐富的胸部診斷醫(yī)生對結(jié)節(jié)進(jìn)行手動勾畫感興趣區(qū)(圖1A)，F(xiàn)ireVoxel軟件自動提取8種紋理參數(shù)：平均值、方差、偏度、峰度、能量、自相關(guān)、對比度及熵值。

1.4統(tǒng)計學(xué)處理采用SPSS 21．0軟件對數(shù)據(jù)進(jìn)行統(tǒng)計學(xué)分析。計數(shù)資料采用χ2檢驗進(jìn)行組間比較；計量資料比較采用獨(dú)立樣本t檢驗。以具有統(tǒng)計學(xué)差異的參數(shù)為自變量，進(jìn)行多參數(shù)Logistic回歸分析，建立預(yù)測惡性肺結(jié)節(jié)的數(shù)學(xué)診斷模型。構(gòu)建ROC曲線分析Logistic回歸模型的診斷效能,P<0.05表示差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1良、惡性肺結(jié)節(jié)CT影像學(xué)特征比較良、惡性肺結(jié)節(jié)患者年齡分布無統(tǒng)計學(xué)差異(P>0.05)；而結(jié)節(jié)直徑、邊界光滑、分葉征、毛刺征、血管集束征、胸膜牽拉、空氣支氣管征、空泡及空洞征方面差異均有統(tǒng)計學(xué)意義(P均<0.05)。72例肺結(jié)節(jié)CT影像學(xué)特征單因素分析結(jié)果見表1。

2.2良、惡性肺結(jié)節(jié)CT紋理參數(shù)比較良、惡性肺結(jié)節(jié)在FireVoxel 上ROI勾畫示意圖、峰度圖、能量圖、自相關(guān)圖和熵圖見圖1、2。良性結(jié)節(jié)和惡性結(jié)節(jié)的峰度、能量、自相關(guān)及熵值之間比較，差異均具有統(tǒng)計學(xué)意義(P均<0.05)；但良、惡性肺結(jié)節(jié)的平均值、方差、對比度及偏度比較差異無統(tǒng)計學(xué)意義(P均>0.05)，結(jié)果見表2。

表1 良、惡性肺結(jié)節(jié)臨床及CT影像學(xué)特征比較

表2 良惡性結(jié)節(jié)CT紋理參數(shù)比較

2.3診斷模型建立以及效果評價通過單因素分析結(jié)果，篩選差異具有統(tǒng)計學(xué)意義的影響因素作為自變量，以肺部結(jié)節(jié)的良惡性為因變量，進(jìn)行二分類 Logistic 回歸分析 (表3)。邊界光整、分葉征、毛刺征、胸膜牽拉征、能量及熵為惡性肺結(jié)節(jié)的獨(dú)立預(yù)測因子， P=ex/(1+ex),X=-6.542-(0.862×邊界光整)+(1.301×分葉征)+(0.843×毛刺征)+(1.376×胸膜牽拉)-(1.563×能量)+(2.043×熵)。其中e為自然對數(shù) ；如結(jié)節(jié)邊界光整、分葉征、毛刺征、胸膜牽拉征記為1，無則為0；能量和熵?zé)o單位。以方程判斷早期肺癌的預(yù)測概率,繪制ROC曲線(圖3)，曲線下面積為0.894，敏感度及特異度分別為93.43%、84.18%。

(A～E分別顯示CT的ROI勾畫示意圖、峰度圖、能量圖、自相關(guān)圖和熵圖)

表3 多因素Logistic回歸分析

圖3 基于CT影像特征及紋理特征的多變量Logistic回歸分析的ROC曲線

3 討論

肺癌仍然是全球癌癥相關(guān)死亡的主要原因，是發(fā)病率和死亡率增長最為迅速的惡性腫瘤之一[7]。隨著人們健康意識的提高、影像設(shè)備的改進(jìn)，肺結(jié)節(jié)的篩選陽性率越來越高。 據(jù)報道美國大約每年150 000例診斷帶有孤立性肺結(jié)節(jié)(solitary pulmonary nodule,SPN)患者[8]。然而在肺結(jié)節(jié)篩查中僅有小部分是肺癌，大部分結(jié)節(jié)在檢測時具有不確定性，需要進(jìn)一步評估。因此肺結(jié)節(jié)的良、惡性鑒別仍是胸部影像學(xué)研究的難點及重點[9]。以往肺結(jié)節(jié)的監(jiān)測主要依靠直徑和增長率，但隨著多排螺旋CT分辨率的提高，結(jié)節(jié)許多形態(tài)學(xué)特征也被認(rèn)為是良、惡性肺結(jié)節(jié)的鑒別指標(biāo)。 這些影像學(xué)特征僅是宏觀評價肺結(jié)節(jié)特點，CT紋理分析技術(shù)的出現(xiàn)，彌補(bǔ)了傳統(tǒng)影像學(xué)特征不足。紋理分析可測量人眼無法觀察到的組織異質(zhì)特性，反映肺部紋理結(jié)構(gòu)的改變。本研究采用肺結(jié)節(jié)傳統(tǒng)影像學(xué)特征聯(lián)合紋理分析技術(shù)鑒別良、惡性肺結(jié)節(jié)，以形態(tài)學(xué)為基礎(chǔ)，旨在評估CT圖像紋理分析在預(yù)測肺結(jié)節(jié)惡性危險度中的價值。

紋理分析是醫(yī)學(xué)圖像處理的重要手段，可以利用已獲取的影像圖像數(shù)據(jù)進(jìn)行定量的分析。它可以依據(jù)圖像本身的灰度水平提供肉眼無法觀察的細(xì)微結(jié)構(gòu)信息。與傳統(tǒng)影像學(xué)相比，其優(yōu)勢在于不依賴影像醫(yī)師的主觀及臨床經(jīng)驗，不受專業(yè)領(lǐng)域限制，能最大限度提供當(dāng)前標(biāo)準(zhǔn)圖像信息[6]。目前國內(nèi)外多數(shù)研究利用圖像的紋理分析技術(shù)進(jìn)行肺結(jié)節(jié)良、惡性鑒別。遲淑萍[1]利用CT圖像提取5項紋理特征參數(shù)鑒別良、惡性肺結(jié)節(jié)，結(jié)果顯示能量、一致性和熵區(qū)分良惡性肺結(jié)節(jié)時，具有較高診斷效能，ROC曲線下面積分別為0．997、0．918、0．976。Suo等[10]通過對增強(qiáng)CT圖像的紋理分析，發(fā)現(xiàn)在良惡性肺結(jié)節(jié)及腫塊之間，紋理參數(shù)存在很大差異。 本研究中，除了分析肺結(jié)節(jié)傳統(tǒng)影像特征，同時還利用FireVoxel軟件提取CT圖像的8項紋理參數(shù)；單因素進(jìn)行良、惡性結(jié)節(jié)組間比較，結(jié)果顯示峰度、能量、自相關(guān)及熵值存在明顯差異。峰度是紋理分析的一階統(tǒng)計參數(shù)，主要描述灰度直方圖的分布特征；能量、自相關(guān)和熵是紋理分析的二階統(tǒng)計參數(shù)；能量反映了圖像灰度分布均勻程度及紋理粗細(xì)度，當(dāng)圖像均勻時能量較大。自相關(guān)是用來衡量圖像紋理的細(xì)致程度。當(dāng)矩陣元素值均勻相等時，圖像紋理細(xì)致，相關(guān)值就大；相反，如果矩陣像素值相差很大則相關(guān)值小。而熵是圖像具有信息量的度量，反映紋理的非均勻程度或復(fù)雜程度，若紋理復(fù)雜，熵值大；反之，若圖像中灰度均勻，共生矩陣中元素大小差異大，熵值小[1]。肺良、 惡性結(jié)節(jié)內(nèi)在像素灰階分布水平、 空間信息及像素間的聯(lián)系等紋理特性存在差異[6,10]。本研究結(jié)果顯示惡性結(jié)節(jié)能量、自相關(guān)明顯大于良性結(jié)節(jié)，而熵值小于良性結(jié)節(jié)，表明惡性結(jié)節(jié)灰度分布不均勻、紋理較復(fù)雜而亂。這個結(jié)果與惡性腫瘤病理結(jié)果一致，惡性腫瘤生長過快，容易出現(xiàn)囊變、壞死，導(dǎo)致腫瘤內(nèi)部結(jié)構(gòu)不均勻，其像素灰度變化幅度較大、分布規(guī)則較亂。

二分類 Logistic 回歸分析被廣泛地應(yīng)用于醫(yī)學(xué)研究的各個領(lǐng)域 ，既往已有學(xué)者結(jié)合臨床和CT影像特征建立了預(yù)測SPN良惡性的數(shù)學(xué)診斷模型[11]，并且取得良好的診斷效果。喻微等[12]研究通過362例表現(xiàn)為磨玻璃的孤立性肺結(jié)節(jié)的臨床及CT影像特征建立診斷模型，該模型診斷準(zhǔn)確率為85.92%，敏感度及特異度分別為91.03%、81.97%。本研究根據(jù)CT影像特征及紋理參數(shù)特征作回歸模型，將傳統(tǒng)經(jīng)驗與客觀數(shù)據(jù)相結(jié)合，使結(jié)果更加可靠 。該模型預(yù)測惡性肺結(jié)節(jié)準(zhǔn)確率為0.894，敏感度及特異度分別為93.43%、84.18%，表明該預(yù)測模型對肺結(jié)節(jié)良惡性具有較好的鑒別預(yù)測效果。

本研究由于納入樣本量較少， 可能引起選擇偏倚，未對結(jié)節(jié)實性成分進(jìn)行區(qū)分，今后將對不同成分結(jié)節(jié)進(jìn)一步分析。本研究的ROI勾畫采用二維手動勾畫，未能分析病變的三維屬性，需今后進(jìn)一步完善。

綜上 ，利用 Logistic 回歸模型對從肺結(jié)節(jié)的CT影像特征及CT圖像提取的紋理特征進(jìn)行分析，能對肺結(jié)節(jié)的良惡性鑒別提供幫助，可在一定程度上避免不同影像醫(yī)師主觀經(jīng)驗不同而造成診斷的差異。然而紋理分析技術(shù)仍處于起步階段，尚需大規(guī)模的病例做進(jìn)一步分析，才能應(yīng)用于臨床。