基于18F-FDG PET影像組學(xué)區(qū)分結(jié)節(jié)/腫塊性肺結(jié)核與非小細(xì)胞肺癌

周見遠(yuǎn), 鄒思娟, 湯明, 朱小華

肺癌是中國乃至世界范圍內(nèi)最為致命的腫瘤之一，其中非小細(xì)胞肺癌(non-small cell lung cancer,NSCLC)占比超過85%。NSCLC的生存期主要取決于初診時的腫瘤分期，其晚期5年生存率低于5%[1]。因此，早期診斷和準(zhǔn)確分期對于NSCLC治療尤為重要。在諸多非侵入性檢查方法中18F-FDG PET/CT是NSCLC診斷和分期的重要手段[2]，然而，在NSCLC臨床實踐中仍存在諸多假陽性[3,4]。其中，結(jié)節(jié)性或腫塊性肺結(jié)核(pulmonary tuberculosis,PTB)可能表現(xiàn)出類似NSCLC的形態(tài)學(xué)和FDG代謝特征，使二者鑒別診斷存在困難。據(jù)報道在結(jié)核流行地區(qū)PTB使得NSCLC的假陽性率高達(dá)57.1%～92%[5]。由于最大標(biāo)準(zhǔn)化攝取值(maximum standarduptakevalue,SUVmax)在結(jié)核和惡性病變之間存在重疊且難以反映腫瘤內(nèi)部豐富的空間代謝信息，限制了18F-FDG PET/CT的診斷特異性。影像組學(xué)從醫(yī)學(xué)圖像中高通量提取信息，量化病灶特征，從而成為影像學(xué)標(biāo)志物[6]。近期多篇基于CT影像組學(xué)的研究嘗試區(qū)分良惡性肺結(jié)節(jié)[7,8]，不過利用FDG PET影像組學(xué)鑒別PTB與NSCLC研究報道有限[9]。

本研究探討PTB和NSCLC的FDG代謝差異的影像組學(xué)特征，以提高對PTB和NSCLC的鑒別助力臨床治療決策。

材料與方法

1.研究對象

回顧2017年7月至2020年8月本院行18F-FDG PET/CT的肺結(jié)節(jié)或腫塊患者2854例。納入標(biāo)準(zhǔn)：①首發(fā)癥狀為肺結(jié)節(jié)或腫塊；②病歷資料保留；③疾病診斷明確為NSCLC(腺癌和鱗癌)和PTB。初步篩選1304例患者，隨后排除以下病例：①肺內(nèi)多發(fā)結(jié)節(jié)或腫塊(682例)；②肺部病灶直徑<1cm(156例)；③純磨玻璃結(jié)節(jié)(99例)；④PET/CT前行抗腫瘤治療(134例)；⑤伴發(fā)其他系統(tǒng)腫瘤(13例)；⑥肺癌合并肺結(jié)核(2例)。最終共218例NSCLC(n = 178)和PTB(n = 40)納入研究。本研究符合《赫爾辛基宣言》原則。

2.18F-FDG PET/CT顯像

以歐洲核醫(yī)學(xué)協(xié)會(European Association of Nuclear Medicine,EANM)腫瘤成像程序2.0版指南作為標(biāo)準(zhǔn)圖像采集協(xié)議[10]。使用GE Discovery Elite 690型 PET/CT行全身PET/CT 斷層顯像。檢查前患者空腹6 h以上，血糖≤11.1 mmol/L。每位患者靜脈注射3.7MBq/kg18F-FDG(由住友回旋加速器及FDG合成模塊制備，放化純>95%)，注射藥物無外滲，靜息60 min后顯像。掃描范圍自顱底至股骨中段，5～7個床位，2 min/床位，重建矩陣128×128。PET圖像行衰減校正及迭代法重建。CT掃描參數(shù)：管電壓120 kV，管電流120 mA，層厚3.75 mm，重建矩陣512×512。兩位有經(jīng)驗核醫(yī)學(xué)醫(yī)師行18F-FDG PET/CT圖像處理。勾畫出肺部病灶ROI，采用固定閾值法，以SUVmax 40%作為閾值，在橫斷面、矢狀面及冠狀面上對病灶進(jìn)行容積分割得出原發(fā)病灶SUVmax。

3.影像組學(xué)特征提取

利用3D slicer軟件(www.slicer.org)對18F-FDG PET圖像實現(xiàn)半自動分割，勾畫出原發(fā)病灶3D感興趣區(qū)。兩名研究者進(jìn)行感興趣區(qū)勾畫和特征提取，檢驗感興趣勾畫和特征提取可靠性。隨機(jī)選擇50個病例進(jìn)行感興趣區(qū)勾畫，其中第二名研究者在>2周的時間間隔內(nèi)分別進(jìn)行前后兩次勾畫。隨后，通過組內(nèi)相關(guān)系數(shù)(intraclass correlation coefficient,ICC)分別計算觀察者間和觀察者內(nèi)一致性，評估其可靠性。

利用Python(www.radiomics.io)軟件提取影像組學(xué)特征。首先，使用wavelet 和LoG(Laplacian of Gaussian)濾波器分別對原始圖像進(jìn)行處理，進(jìn)一步從PET原始圖像和衍生圖像中分別提取影像組學(xué)特征。其中，形狀特征僅能從原始圖像中提取，而其他類型特征則可同時從原始圖像和衍生圖像中分別提取。特征包括一階特征(first order statistics)、形狀特征(shape)、灰度共生矩陣(gray level cooccurrence matrix,GLCM)、灰度游程長度矩陣(gray level run length matrix,GLRLM)、灰度區(qū)域大小矩陣(gray level size zone matrix,GLSZM)、灰度依賴矩陣(gray level dependece matrix,GLDM)。

4.影像組學(xué)特征選擇和組學(xué)標(biāo)簽構(gòu)建

先后通過最大相關(guān)性最小冗余算法(maximum relevance minimum redundancy,mRMR)和最小絕對收縮和選擇算子(least absolute shrinkage and selection operator,LASSO)進(jìn)行數(shù)據(jù)降維，減少冗余特征，優(yōu)化擬合模型。①利用mRMR算法對訓(xùn)練集中每個特征的相關(guān)性和冗余性進(jìn)行綜合排序，選取前50個最重要特征作為候選特征。②對上述50個特征進(jìn)行LASSO回歸運算，隨著調(diào)節(jié)參數(shù)lambda(λ)的增加變量系數(shù)絕對值降低直至為零，選取變量隨之減少。③基于訓(xùn)練集LASSO回歸結(jié)果構(gòu)建影像組學(xué)標(biāo)簽(radiomics signature score,Rad-score)。④利用多因素logistic回歸篩選獨立影響因素進(jìn)一步構(gòu)建復(fù)合模型。

利用受試者工作特征(receiver operator characteristics analysis,ROC)曲線評估和比較SUVmax、模型或變量辨別病理類型的能力。根據(jù)Rad-score和臨床變量數(shù)據(jù)勾畫列線圖直觀反映個體化預(yù)測模型并進(jìn)一步使用校正曲線和Hosmer-Lemeshow test檢驗預(yù)測模型擬合優(yōu)度。

5.統(tǒng)計分析

所有數(shù)據(jù)統(tǒng)計分析通過R語言(http://www.r-project.org)實現(xiàn)。使用“mRMRe”包進(jìn)行mMRM分析；“glmnet”包實現(xiàn)LASSO回歸分析；“pROC”包實現(xiàn) ROC曲線分析。使用組內(nèi)ICC評價觀察者間和觀察者內(nèi)一致性；組間差異使用Mann-WhitneyU或卡方檢驗；多因素logistics回歸分析各變量與病理類型的關(guān)系；ROC曲線計算模型曲線下面積(area under curve,AUC)、靈敏度、特異性。Delong test比較不同模型之間AUC值是否存在顯著性差異。以P<0.05為差異有統(tǒng)計學(xué)意義。

結(jié) 果

1.研究人群基線特征(表1)

表1 納入人群基線臨床特征

共納入PTB和NSCLC患者218例，其中男132(60.55%)例，女86(39.45%)例；年齡57(26～82)歲；

癌胚抗原(carcinoma embryonic antigen，CEA)：2.8(0.5～1512) ng/mL(參考值范圍0～5 ng/mL)，其中PTB：2.07(0.8～6.84) ng/mL，NSCLC：3.02(0.5～1512) ng/mL；鱗狀細(xì)胞癌抗原(squamous cell carcinoma antigen，SCCAg)：0.9(0.2～18.8) g/mL(參考值范圍≤1.5 g/mL)，其中PTB：0.8(0.3～1.4) g/mL，NSCLC：0.9(0.2～18.8) g/mL；病理類型：PTB 40(18.35%)例，NSCLC 178(81.65%)例[腺癌126(57.80%)例，鱗癌52(23.85%)例]。按照1：1比例將數(shù)據(jù)隨機(jī)分為訓(xùn)練集(總計109例；PTB 21例；NSCLC 88例)和驗證集(總計109例；PTB 19例；NSCLC 90例)。

2.影像組學(xué)特征選擇

總計提取1132個PET影像組學(xué)特征。對觀察者間和觀察者內(nèi)特征提取的一致性進(jìn)行評估，結(jié)果顯示ICC值范圍分別0.951～0.999和0.976～0.999，表明具有較強(qiáng)可靠性和可重復(fù)性。mRMR算法綜合排序并保留前50個特征作為候選特征。在LASSO回歸算法中筆者通過10折交叉驗證選擇lambda(λ), 隨著log(λ)從-10減小至0，進(jìn)入模型的變量數(shù)減少。

當(dāng)λ=0.0759、log(λ)為-2.578時，LASSO回歸模型表現(xiàn)出最佳的預(yù)測性能(圖1)，選擇具有非零系數(shù)的兩個特征log.sigma.2.0.mm.3D_glcm_Correlation、wavelet.HLL_glcm_Correlation。二者均為為灰度共生矩陣中的紋理特征。NSCLC的上述兩個組學(xué)特征值均顯著高于PTB(P<0.05，表2)。

表2 基于LASSO回歸選擇影像組學(xué)特征在PTB和NSCLC之間的差異

圖1 使用LASSO回歸進(jìn)行影像組學(xué)特征選擇。a) 通過10折交叉驗證來選擇lambda(λ)。隨著log(λ)從-10變?yōu)?，進(jìn)入模型的變量數(shù)減少，變量系數(shù)的絕對值向零下降。當(dāng)λ等于0.0759、log(λ)為-2.578時，LASSO回歸模型表現(xiàn)出最佳的預(yù)測性能, 此時2個影像組學(xué)特征被選擇; b) 50個候選影像組學(xué)特征的LASSO系數(shù)納入路徑圖。 圖2 數(shù)據(jù)集中每位患者影像組學(xué)標(biāo)簽評分?？傮w而言，非小細(xì)胞肺癌患者標(biāo)簽評分顯著高于肺結(jié)核患者(P<0.001)。

3.組學(xué)標(biāo)簽構(gòu)建與模型評價

基于上述選擇的兩個影像組學(xué)特征，計算每位患者Rad-score，其公式如下：

Rad-score=-2.667698+wavelet.HLL_glcm_Correlation×1.055339+log.sigma.2.0.mm.3D_glcm_Correlation×8.918025

總體而言，PTB比NSCLC具有較低的Rad-score值(訓(xùn)練集：Z=-5.878,P<0.001；驗證集：Z=-5.711,P<0.001；圖2、表2)。圖3～5顯示典型的PTB和NSCLC(鱗癌和腺癌)患者PET/CT圖像和灰度直方圖。其中，圖3為肺結(jié)核患者圖像，具有較低的影像組學(xué)評分和欠均勻的灰度分布。圖4為肺鱗癌患者圖像，具有較高的影像組學(xué)評分和較為均勻的灰度分布。圖5為肺腺癌患者圖像，同樣具有較高的影像組學(xué)評分和均勻的灰度分布。ROC曲線分析顯示Rad-score在訓(xùn)練集和驗證集的AUC分別為0.914 (95%CI,0.845～0.959)和0.918 (95%CI,0.850～0.962)。與此相比，年齡的AUC值鑒別能力較低，分別為0.811(訓(xùn)練集)、0.740(驗證集)，其余臨床變量的AUC值低于年齡，分別為[訓(xùn)練集:AUC(性別、吸煙、SCCag、CEA)=0.487、0.525、0.554、0.704；驗證集：AUC(性別、吸煙、SCCag、CEA)=0.428、0.494、0.594、0.637]。

圖3 肺結(jié)核患者18F-FDG PET/CT顯像及對應(yīng)灰度直方圖?；颊?男，38歲，病理診斷為肺結(jié)核，18F-FDG PET/CT顯像左肺上葉腫塊(箭)，放射性攝取增高，SUVmax 9.7，Rad-score 0.603，灰度直方圖分布不均勻。a) E & I MIP圖； b) F & J PET圖； c) G & K 融合圖； d) H & L 病灶灰度直方圖。

圖4 肺鱗癌患者18F-FDG PET/CT顯像及對應(yīng)灰度直方圖?；颊?男，71歲，病理診斷為肺鱗癌，18F-FDG PET/CT顯像右肺下葉軟組織腫塊(箭)，SUVmax：20.3，Rad-score：3.210，灰度直方圖分布較為均勻。a) MIP圖； b) PET圖；c) 融合圖；d) 病灶灰度直方圖。 圖5 肺腺癌患者18F-FDG PET/CT顯像及對應(yīng)灰度直方圖?；颊?男，68歲，病理診斷為肺腺癌，18F-FDG PET/CT顯像右肺下葉軟組織腫塊(箭)，SUVmax 8.1，Rad-score 2.867，灰度分布較為均勻。a) MIP圖； b) PET圖； c) 融合圖； d) 病灶灰度直方圖。

利用ROC曲線計算SUVmax區(qū)分NSCLC和PTB的最佳臨界值為4.4，靈敏度85.39%，特異度57.5%。與之相比，影像組學(xué)診斷效能高于SUVmax(Z=3.953，P<0.001)。

將訓(xùn)練集Rad-score和臨床變量納入多因素logistic回歸研究病理類型影響因素，結(jié)果表明僅Rad-score(P<0.001)和年齡(P=0.006)是病理類型的獨立影響因素(表3)，而性別(P=0.588)、吸煙史(P=0.659)等因素均不是獨立影響因素。

表3 預(yù)測病理類型多因素logistic回歸

綜合影像組學(xué)標(biāo)簽和臨床變量(年齡、CEA)構(gòu)建復(fù)合模型。復(fù)合模型區(qū)分PTB和NSCLC的AUC值分別為[訓(xùn)練集：AUC=0.955 (95%CI,0.897～0.985)；驗證集：AUC=0.928 (95%CI,0.862～0.969)]，其余模型或變量診斷效能見表4。根據(jù)Delong檢驗結(jié)果，訓(xùn)練集和驗證集復(fù)合模型AUC值均顯著高于SUVmax(訓(xùn)練集：Z=3.930,P<0.001；驗證集：Z=2.512,P=0.012)、臨床變量(訓(xùn)練集：Z=3.528,P<0.001；驗證集：Z=2.926,P<0.003)。進(jìn)一步勾畫列線圖和校正曲線，直觀反映個體化預(yù)測模型；圖6繪制了訓(xùn)練集和驗證集組學(xué)列線圖的校正曲線。Hosmer-Lemeshow檢驗?zāi)Ｐ偷臄M合優(yōu)度為訓(xùn)練集χ2=3.478,P=0.901;驗證集χ2=4.093,P=0.849。

表4 不同變量和模型辨別PTB和NSCLC的能力

圖6 a) 通過訓(xùn)練集構(gòu)建的影像組學(xué)列線圖，經(jīng)統(tǒng)計分析得出列線圖由組學(xué)標(biāo)簽、年齡、CEA組成，可以預(yù)測肺病灶病理類型; b、c) 訓(xùn)練集和驗證集影像組學(xué)列線圖預(yù)測非小細(xì)胞肺癌的校正曲線。

討 論

18F-FDG PET/CT被公認(rèn)為是NSCLC診斷和分期的重要工具[11]。然而，感染與非感染性炎癥也往往表現(xiàn)出18F-FDG高攝取[12]。尤其在結(jié)核病流行地區(qū)，PTB是NSCLC假陽性診斷的重要原因。Li等[13]應(yīng)用FDG PET診斷肺結(jié)節(jié)良惡性發(fā)現(xiàn)超過一半的假陽性源于PTB。Sathekge等[14]認(rèn)為肺癌的代謝特征難以與PTB進(jìn)行區(qū)分，使用SUVmax 2.5閾值診斷特異度僅為25%。古等[15]證實無論使用定性指標(biāo)(是否高于縱隔血池)或定量指標(biāo)(SUVmax 2.5)均難以區(qū)分結(jié)節(jié)/腫塊型PTB和肺癌。本研究中利用ROC曲線獲得SUVmax的最佳臨界值4.4，靈敏度85.39%，特異性57.5%。與此相比，影像組學(xué)診斷效能優(yōu)于SUVmax(Z=4.026，P=0.0001)。另外，SUVmax難以反映腫瘤內(nèi)空間代謝狀況，通過肉眼也很難準(zhǔn)確識別結(jié)核和肺癌的代謝異質(zhì)性，而本研究影像組學(xué)特征能夠有效捕捉這些表型差異，并進(jìn)行量化。

目前，多個基于CT圖像的影像組學(xué)研究能夠有效鑒別良惡性肺結(jié)節(jié)[7,8]，Du等[9]運用FDG PET/CT影像組學(xué)能有效區(qū)分孤立性PTB和腺癌(AUC=0.861、 0.889)。但是，單獨運用PET影像組學(xué)診斷效能如何，腺癌和鱗癌一并是否可以取得類似的鑒別效能仍不明確。本研究組學(xué)標(biāo)簽由wavelet.HLL_glcm_Correlation和log.sigma.2.0.mm.3D_glcm_Correlation兩個特征組成。glcm_Correlation通過計算圖像中一定距離和方向灰度之間相關(guān)性,度量局部灰度相似程度，值越大同質(zhì)性程度越高。本研究中PTB的glcm_Correlation顯著低于NSCLC, 表明NSCLC局部灰度相似程度更高，而PTB具有較高的代謝異質(zhì)性。PTB的異質(zhì)性特征可能與其病理形成機(jī)制和細(xì)胞組成有關(guān)[16]。研究表明陽性顯像的PTB是以增殖性病變?yōu)橹?，且巨噬?xì)胞和淋巴細(xì)胞是結(jié)核肉芽腫18F-FDG高攝取的主要原因[5]。隨著疾病發(fā)展病灶中央出現(xiàn)干酪樣物質(zhì)，邊緣有炎癥細(xì)胞浸潤及包膜形成。干酪樣壞死和病灶邊緣肉芽組織的比例和空間分布將影響FDG代謝模式，干酪樣壞死呈現(xiàn)低代謝特征，而周圍上皮樣細(xì)胞、炎性細(xì)胞等邊緣肉芽組織則為顯著高代謝，從而可能造成PET圖像上PTB局部灰度異質(zhì)性增高。本研究納入的40例PTB病例中36例病理表現(xiàn)為典型的慢性肉芽腫性炎，其中， 26/36出現(xiàn)了明顯的干酪樣壞死、纖維化、玻璃樣變性等組織改變，這將引起結(jié)核肉芽腫局部高、低代謝不同的異質(zhì)性表現(xiàn)，而這些異質(zhì)性表現(xiàn)則可能造成glcm_Correlation特征值的降低。雖然肺癌病灶內(nèi)也可因腫瘤中心缺血、缺氧和壞死而形成FDG代謝異質(zhì)性，但更多出現(xiàn)在大體積鱗癌，而本研究中僅2/52鱗癌病理出現(xiàn)大量壞死。

本研究中影像組學(xué)標(biāo)簽在訓(xùn)練集和驗證集均有良好的鑒別診斷能力，AUC值超過0.9，初步表明影像組學(xué)標(biāo)簽在單中心研究中取得了優(yōu)異的辨別能力。另外，復(fù)合模型進(jìn)一步提高了診斷效能(AUC=0.954、0.928)，其較高的特異度(95.24%、100.00%)有望降低結(jié)核引起的PET/CT診斷NSCLC高假陽性率的限制?？傊?，影像組學(xué)標(biāo)簽和復(fù)合模型能提升影像鑒別的準(zhǔn)確性，有效區(qū)分結(jié)節(jié)性或腫塊性PTB和NSCLC且具有較好的模型泛化能力。

本研究為單中心回顧性分析，有限的PTB樣本量可能造成統(tǒng)計學(xué)偏倚，難以進(jìn)行不同大小病灶分層分析，且尚需要進(jìn)行外部驗證。今后將利用深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等算法，進(jìn)一步挖掘和利用病歷、影像學(xué)資料，優(yōu)化診斷模型。