CT影像組學預測胰腺神經(jīng)內(nèi)分泌腫瘤的病理分級

徐珊珊，毛應凡，董國強，祝瓊潔，湯盛楠，張怡帆，何 健

0 引 言

胰腺神經(jīng)內(nèi)分泌腫瘤(pancreatic neuroendocrine neoplasms, PNENs)發(fā)病率低，僅占所有胰腺腫瘤的1%～3%,但近年發(fā)病率和患病率呈上升趨勢[1-2]。根據(jù)國際癌癥研究機構(gòu)-世界衛(wèi)生組織(IARC-WHO)提出了神經(jīng)內(nèi)分泌腫瘤的通用分類框架，將PNENs分為分化好的胰腺神經(jīng)內(nèi)分泌瘤(pancreatic neuroendocrine tumors，PanNETs)和分化差的胰腺神經(jīng)內(nèi)分泌癌(pancreatic neuroendocrine carcinoma, PanNECs),根據(jù)有絲分裂數(shù)和Ki-67指數(shù)將PanNETs分為三級(G1、G2、G3)[3]。PNENs治療方法的選擇很大部分取決于腫瘤的病理分級，其中是否手術(shù)和手術(shù)方式的選擇取決于腫瘤大小、位置和組織病理學分級[4]。目前大量的研究證明胰腺神經(jīng)內(nèi)分泌腫瘤的分級系統(tǒng)與其預后具有很大的相關(guān)性，G1、G2和G3 PanNETs的5年生存率分別為75%、62%和7%，因此術(shù)前準確預測PanNETs的分級對患者的臨床治療方案選擇和后期預后評估具有重大意義[5]。CT影像檢查是胰腺腫瘤定位、TNM分期和監(jiān)測治療反應的主要影像學手段，然而CT檢查缺乏用于病理分級的影像征象[6]。目前內(nèi)鏡超聲引導下細針抽吸(endoscopic ultrasound-guided fine needle aspiration，EUS-FNA)是術(shù)前獲得PNEN的病理分級的較準確方法[7]。但是EUS-FNA是一種侵入性的有創(chuàng)方法，很多情況下穿刺抽吸獲得的組織體積有限而且難以反映腫瘤的異質(zhì)性，甚至是由于胰腺位置深度無法取到腫瘤組織[8]。影像組學是一個新興的高通量提取醫(yī)學圖像特征的研究領(lǐng)域，通過提取、分析與預測目標相關(guān)的感興趣區(qū)域的圖像特征，與臨床病理數(shù)據(jù)和影像征象結(jié)合，開發(fā)個性化的輔助臨床決策的工具或預測臨床終點事件的工具[9]。目前影像組學開始應用于胰腺病變的預后評估及良惡性腫瘤鑒別診斷，部分研究顯示影像組學在預測胰腺神經(jīng)內(nèi)分泌腫瘤的病理分級方面具有潛在的前景[10]。本研究目的是構(gòu)建基于CT檢查的影像組學特征與臨床病理數(shù)據(jù)、影像表現(xiàn)相結(jié)合的術(shù)前預測PanNETs病理學分級模型，為臨床決策提供重要的參考意義。

1 資料與方法

1.1 臨床資料回顧性收集從2017年1月至2020年5月間本院經(jīng)病理證實的48例PanNETs患者，其中男23例，女25例，年齡28～79歲，平均年齡(53±12)歲。納入標準：①術(shù)后病理證實為PanNET并有明確的組織學分級。②術(shù)前1個月內(nèi)常規(guī)行CT增強掃描。③有完整的臨床病理數(shù)據(jù)。排除標準：①手術(shù)前接受全身或局部的抗腫瘤治療病史，例如手術(shù)、放療、化療。②CT圖像部分數(shù)據(jù)丟失。③CT圖像有明顯偽影，影響了圖像質(zhì)量。

1.2 病理分析腫瘤標本均有2位具有豐富病理閱片經(jīng)驗的病理科醫(yī)師進行4%甲醛固定、石蠟包埋，行常規(guī)切片處理和免疫組織化學染色，免疫組化檢查按標準化方法進行。每個標本使用光學顯微鏡進行仔細檢查，按照WHO2017年指南[11]進行詳細評估，以確認PanNETs的組織學等級。根據(jù)有絲分裂數(shù)目(每10個高倍視野，HPF)和Ki-67指數(shù)分類，組織學等級被劃分為PanNETs的G1至G3級，其中G1：<2個/10HPF,Ki-67指數(shù)從0%到2%;G2：3～20個/10HPF,Ki-67指數(shù)從3%到20%；G3: >20個/10HPF，Ki-67指數(shù)大于20%。病理結(jié)果記錄：(A)G分級；(B)淋巴轉(zhuǎn)移;(C)脈管侵犯;(D)神經(jīng)侵犯。

1.3 研究方法

1.3.1 CT檢查方法采用GE Light-speed 64排螺旋CT掃描儀，掃描參數(shù)：管電壓120 kV, 管電流200～250 mAs,掃描層厚5 mm,層間距5 mm。CT檢查前禁食8 h,患者均采用仰臥位進行掃描,范圍:上至膈肌頂部,下至雙腎下極。行平掃后,由高壓注射器經(jīng)肘正中靜脈注射對比劑(歐乃派克)1.5 mL/kg,注射速率為3.5 mL/s,分別間隔30 s、60 s及180 s采集動脈期、靜脈期及延遲期三期動態(tài)增強圖像。

1.3.2 影像征象分析CT影像征象由2名具有豐富腹部影像診斷經(jīng)驗的放射科醫(yī)師(具有10年以上經(jīng)驗)分析，經(jīng)討論得出一致診斷結(jié)果。在醫(yī)院影像存檔和通信系統(tǒng)(PACS)中調(diào)閱患者CT圖像,分析患者圖像特征[12]包括：①腫瘤位置：胰頭頸(包括鉤突)、胰體、胰尾或胰腺中的多個部位。②大小：以橫斷面測量的腫瘤最大徑線表示,單位為cm。③平掃密度：低、等、高密度。④鈣化：平掃時有無鈣化。⑤質(zhì)地；根據(jù)囊實性成分的比例, 將其分為實性為主型、囊實型、囊性為主型[13]。⑥邊界：邊界清楚(腫瘤邊緣光滑)或邊界不清(腫瘤邊緣毛糙或浸潤)。⑦增強方式：均勻和不均勻。⑧增強強度達峰值時期：測量增強各個時期病灶CT值，確定最大值時期。⑨胰管擴張：測量胰管最寬處，直徑超過0.35 cm定義為胰管擴張。⑩膽管擴張：測量胰腺上緣膽總管最寬處，直徑大于0.9 cm定義為擴張。血管侵犯：觀察肝總動脈、脾動靜脈、胃十二指腸動脈、腸系膜上動靜脈和門靜脈侵犯情況。侵犯標準是血管閉塞、狹窄或與腫瘤接觸的周長超過一半[14]。周圍器官侵犯:是否侵犯脾、十二指腸、胃。遠處轉(zhuǎn)移：出現(xiàn)肝、骨、肺或淋巴轉(zhuǎn)移。

1.3.3 影像組學特征提取CT圖像由2名具有豐富腹部影像診斷經(jīng)驗的放射科醫(yī)師進行勾畫，經(jīng)討論得出一致診斷結(jié)果。從醫(yī)院影像存檔和通信系統(tǒng)(PACS)獲得了納入患者的腹部增強CT的動脈期和靜脈期DICOM圖像，將所有CT原始圖像進行歸一化處理。本研究利用計算機自動分割算法在ITK-SNAP(開源軟件,https://www.itksnap.org/)內(nèi)對動脈期和靜脈期的CT圖像的胰腺感興趣區(qū)域(region of interest, ROI)分別進行3維多層面自動分割，避開腫瘤周圍的胰腺實質(zhì)組織、十二指腸、血管,然后以手動方式對自動分割的圖像進行逐層調(diào)整，最終多層面ROI自動融合成腫瘤的感興趣容積 (volume of interest，VOI)。將分割完畢的圖像導入PyRadiomics軟件(開源軟件，https://github.com/Radiomics/pyradiomics)中對ROI區(qū)域的強度標準化處理后提取影像組學特征，每位患者的CT圖像動脈期和靜脈期的腫瘤VOI獲得影像組學特征，包括灰度直方圖、形狀特征(3D)和基于灰度共生矩陣、灰度大小區(qū)域矩陣、灰度游程長度矩陣，相鄰灰度色調(diào)差異矩陣，灰度依賴矩陣的紋理特征。

2 結(jié) 果

2.1 臨床和病理學檢查情況本研究胰腺神經(jīng)內(nèi)分泌腫瘤患者均為手術(shù)病理確診，其中接受胰十二指腸切除術(shù)者12例，胰腺遠端切除術(shù)者25例，胰腺腫瘤切除者11例。48例PanNETs患者中，30例為G1級，15例為G2級，3例為G3級。30例G1級PanNETs中脈管侵犯1例，無淋巴轉(zhuǎn)移、神經(jīng)侵犯和肝轉(zhuǎn)移；15例G2級PanNETs中淋巴轉(zhuǎn)移2例，脈管侵犯5例，神經(jīng)侵犯1例以及肝轉(zhuǎn)移4例；3例G3級PanNETs中脈管侵犯2例，神經(jīng)侵犯1例，肝轉(zhuǎn)移1例和骨轉(zhuǎn)移1例，無淋巴轉(zhuǎn)移。G1級和G2/3級的PanNETs患者之間的Ki-67指數(shù)、腫瘤直徑、脈管侵犯以及肝轉(zhuǎn)移比較差異均有統(tǒng)計學意義 (P<0.05)，而年齡、性別、淋巴轉(zhuǎn)移和神經(jīng)侵犯差異均無統(tǒng)計學意義(P>0.05)。見表1。

表1 G1級和G2/3級PanNETs的臨床和病理特征

2.2 CT增強檢查評估PanNETs影像表現(xiàn)及模型構(gòu)建48例患者中，30例G1級PanNETs患者中血管侵犯1例，周圍器官侵犯3例，無遠處轉(zhuǎn)移；18例G2/3級PanNETs患者中血管侵犯7例，周圍器官侵犯10例，遠處轉(zhuǎn)移6例。CT影像表現(xiàn)中腫瘤邊界、增強方式、血管侵犯、周圍器官侵犯和遠處轉(zhuǎn)移在不同病理分級差異均有統(tǒng)計學意義(P<0.05),其他征象中腫瘤位置、平掃密度、鈣化、質(zhì)地、增強強度峰值時相、胰管擴張、膽管擴張差異均無統(tǒng)計學意義(P>0.05)。見表2。

表2 G1級和G2/3級PanNETs患者的影像表現(xiàn)特征[n(%)]

CT增強圖像的影像表現(xiàn)進行Logistic回歸單因素分析結(jié)果顯示：腫瘤邊界、增強方式、血管侵犯以及周圍器官侵犯在不同病理分級差異均有統(tǒng)計學意義(P<0.05)。對單因素分析有意義的影像征象進行多因素Logistic回歸分析顯示，腫瘤邊界(OR=79.927,95%CI:3.037～2103.461;P=0.009)和周圍器官侵犯(OR=19.001;95%CI:1.964～183.866;P=0.011)是PanNETs患者病理分級的預測因素并構(gòu)建影像表現(xiàn)模型，見表3。

表3 G1級和G2/3級PanNETs的影像學表現(xiàn)的多因素Logistic回歸分析

2.3 PanNETs的病理分級相關(guān)的影像組學預測模型構(gòu)建CT增強圖像動脈期和靜脈期的腫瘤VOI共提取影像組學特征200個，將所有特征通過LASSO回歸分析，篩選出12個影像組學特征，見圖1。通過LASSO回歸降維選擇的12個影像組學特征中，其中5個來源于動脈期，分別為來自形狀特征的最大2D直徑(行)和球形度、來自灰度大小區(qū)域矩陣的大面積高灰度級強調(diào)和區(qū)域熵、來自灰度依賴矩陣(GLDM)的依賴差異；7個來源于靜脈期，分別為來自一階特征的最大值(Maximum)和偏度(Skewness)、來自灰度游程長度矩陣(GLRLM)的長期低灰度級強調(diào)、來自灰度大小區(qū)域矩陣(GLSZM)的大面積高灰度級強調(diào)和區(qū)域百分比、來自灰度依賴矩陣(GLDM)的依賴熵和小依賴性低灰度級強調(diào)。將篩選出的影像組學特征進行多因素Logistic回歸分析，其中3個源于動脈期圖像的形狀特征中球形度、源于靜脈期圖像的灰度大小區(qū)域矩陣(GLSZM)的區(qū)域百分比和源于靜脈期圖像的灰度依賴矩陣(GLDM)的依賴熵成為具有特征性的預測參數(shù)并構(gòu)建了影像組學模型，見表4。

a：最佳λ值篩選：在二項式方差最小獲得最佳λ值；b：特征選擇：以最佳λ值做垂直于橫坐標軸的直線選出非零系數(shù)的特征圖1 LASSO回歸篩選PanNETs的病理分級相關(guān)的影像組學特征

表4 影像組學特征的多因素Logistic回歸分析

2.4 影像表現(xiàn)模型、影像組學模型及綜合模型的預測效能對比綜合模型結(jié)合了影像組學特征、腫瘤邊界和周圍器官侵犯，具有更好的預測效能(AUC=0.938)，高于影像表現(xiàn)模型(AUC=0.892)和影像組學模型(AUC=0.901)。見表5，圖2。

表5 多種模型的ROC曲線分析

圖2 術(shù)前預測胰腺神經(jīng)內(nèi)分泌腫瘤的病理分級的多種模型的ROC曲線比較

3 討 論

本研究建立了3種模型用于術(shù)前預測胰腺神經(jīng)內(nèi)分泌腫瘤的病理分級，分別為影像表現(xiàn)模型、影像組學模型和綜合模型。模型效能ROC曲線分析結(jié)果顯示綜合模型具有最佳的預測分級效能(AUC=0.938),靈敏度和特異度分別為88.89%和 83.33%。

臨床病理參數(shù)與腫瘤分級的相關(guān)性分析中，G1級和G2/3級的PanNETs患者之間的Ki-67指數(shù)、腫瘤直徑、脈管侵犯以及肝轉(zhuǎn)移差異有統(tǒng)計學意義，但這些臨床病理參數(shù)均為術(shù)后病理得出的結(jié)果，均不能與影像組學特征結(jié)合構(gòu)建術(shù)前模型用于預測病理分級。

CT影像表現(xiàn)特征與腫瘤病理分級的相關(guān)性分析中，單因素Logistic回歸分析顯示PanNETs的G1級和G2/3級的患者之間的腫瘤邊界、增強方式、血管侵犯、周圍器官侵犯和遠處轉(zhuǎn)移差異有統(tǒng)計學意義(P<0.05),有助于鑒別G1和G2/3級胰腺神經(jīng)內(nèi)分泌腫瘤[15]。經(jīng)多因素Logistic回歸分析，其中腫瘤邊界和周圍器官侵犯為預測PanNETs患者病理分級的因素并構(gòu)建了影像表現(xiàn)模型。影像表現(xiàn)中腫瘤邊界不清和侵犯周圍器官，顯示腫瘤術(shù)前預測其病理分級為G2/3的可能性更大。

目前已有一些研究利用影像組學來構(gòu)建胰腺神經(jīng)內(nèi)分泌腫瘤的預測分級模型。Gu等[16]結(jié)合獨立臨床危險因素、腫瘤邊緣和融合放射征象開發(fā)了綜合諾莫圖,對于病理分級具有很強的區(qū)分性并校正良好。Canellas等[17]融合CT門靜脈期橫軸面的紋理特征和影像學征象建立Logistic回歸預測模型，由腫瘤直徑、血管侵犯、胰管擴張、淋巴轉(zhuǎn)移和紋理參數(shù)的熵組成，其預測G1和G2/3腫瘤的準確率較高。

本研究相對其上述研究的人工分割，采用計算機自動分割算法對動脈期和靜脈期的VOI區(qū)域進行分割，由2位多年診斷影像醫(yī)師進行核對，減少因人工分割帶來的誤差以及臨床工作的復雜性，提高影像組學的重現(xiàn)性。采用國際通用的PyRadiomics的統(tǒng)一算法提取了胰腺神經(jīng)內(nèi)分泌腫瘤的動脈期和靜脈期VOI的200個影像組學特征，將所有特征通過LASSO回歸分析篩選出12個影像組學特征，經(jīng)多因素分析結(jié)果得出3個具有特征性的預測參數(shù)并建立Logistic回歸模型。影像組學模型融合了動脈期和靜脈期的兩個時期的影像組學特征，對腫瘤分級的預測效能為AUC是0.911，靈敏度和特異度分別為83.33%和86.67%。綜合模型結(jié)合影像表現(xiàn)的腫瘤邊界、周圍器官侵犯和多因素分析有意義的影像組學特征，其預測效能優(yōu)于影像表現(xiàn)模型和影像組學模型，顯示綜合模型具有更強的預測PanNETs病理分級的能力。通過將CT影像表現(xiàn)與影像組學特征相結(jié)合建立預測模型，可以為臨床開發(fā)更佳的輔助決策工具，不同病理分級提示臨床醫(yī)師為患者提供個性化的精準醫(yī)療，減少因術(shù)前診斷信息不明確而導致的過度醫(yī)療或錯誤判斷[18-20]。

本研究存在一些局限性。首先，這是一項單中心研究，選擇偏倚不可避免。其次樣本量有限，由于胰腺神經(jīng)內(nèi)分泌腫瘤屬于發(fā)病率極低的胰腺腫瘤，未來需要更大樣本量(納入PNECs患者)的多中心研究來擴大患者隊列，提供內(nèi)部驗證和外部驗證，為臨床應用帶來更大支持。此外，術(shù)前臨床其他因素如腫瘤生化指標等未納入研究內(nèi)分析。

綜上所述，結(jié)合CT影像表現(xiàn)和動脈期與靜脈期的影像組學特征建立的綜合模型，具有優(yōu)于影像表現(xiàn)模型和影像組學模型的預測能力，為術(shù)前無創(chuàng)性區(qū)分胰腺神經(jīng)內(nèi)分泌腫瘤的病理分級提供良好的臨床輔助決策工具。