基于臨床、影像組學(xué)開發(fā)并驗(yàn)證用于預(yù)測肺磨玻璃結(jié)節(jié)浸潤性的Nomogram模型＊

包陳政任 張 榕 陳新杰 劉子蔚 胡秋根,*

1.南方醫(yī)科大學(xué)順德醫(yī)院附屬陳村醫(yī)院(佛山市順德區(qū)第一人民醫(yī)院附屬陳村醫(yī)院)放射科 (廣東 佛山 528313)

2.南方醫(yī)科大學(xué)順德醫(yī)院(佛山市順德區(qū)第一人民醫(yī)院)放射科 (廣東 佛山 528308)

肺癌是全球癌癥發(fā)病率第二、死亡率最高的腫瘤，其中肺腺癌是最常見的病理組織學(xué)類型[1]。根據(jù)2021年WHO肺腫瘤最新分類，將肺腺癌分為腺體前驅(qū)病變和浸潤性肺腺癌，其中前者包括不典型腺瘤樣增生(atypical adenomatous hyperplasia，AAH)和原位癌(adenocarcinoma in situ，AIS)，后者包括微浸潤性肺腺癌(minimally invasive adenocarcinoma，MIA)，浸潤性肺腺癌(invasive nonmucinous adenocarcinoma，IAC)[2]。不同病理組織學(xué)亞型，臨床處理方式不同，腺體前驅(qū)病變預(yù)后良好，主要以隨訪監(jiān)測為主[3]。MIA具有微浸潤性，IAC患者的復(fù)發(fā)率較高，預(yù)后較差，兩者通常采用肺葉切除術(shù)治療[4-6]，因此，術(shù)前區(qū)分腺體前驅(qū)病變與浸潤性肺腺癌可以幫助臨床醫(yī)生對肺磨玻璃結(jié)節(jié)(ground glass nodule，GGN)進(jìn)行評估，以改善臨床決策并避免過度治療或治療不足。

影像學(xué)特征(如分葉征、毛刺征、空氣支氣管征、胸膜牽拉征、月牙征[7]、微血管穿行征等)與GGN的浸潤性有關(guān)[8-9]，這些都為主觀特征，個(gè)人診斷水平及臨床經(jīng)驗(yàn)對GGN的評估存在差異性，并且對于較小的GGN，影像征象不顯著。影像組學(xué)是指從影像圖像中提取大量圖像特征的高通量，并可以通過機(jī)器學(xué)習(xí)方法，以量化腫瘤組織的特征，并提供腫瘤詳細(xì)和全面的影像組學(xué)特征[10-11]。與傳統(tǒng)的生物標(biāo)志物相比，基于影像組學(xué)是三維特征，圖像采集過程易于執(zhí)行，無創(chuàng)且成本低[12]。一些研究表明，基于影像組學(xué)的特征通過使用不同的醫(yī)學(xué)成像方式，如：CT，磁共振成像(MRI)和正電子發(fā)射斷層掃描(PET-CT)來區(qū)分腫瘤亞型的價(jià)值[13-16]。

本研究的目的是探討基于CT影像組學(xué)特征區(qū)分腺體前驅(qū)病變與浸潤性肺腺癌的能力，并開發(fā)一種結(jié)合CT影像組學(xué)和臨床放射學(xué)特征的Nomogram圖，以提供個(gè)性化、術(shù)前評估GGN患者的無創(chuàng)預(yù)測工具。

1 資料和方法

1.1 臨床資料回顧性收集在南方醫(yī)科大學(xué)順德醫(yī)院2018年5月2022年7月經(jīng)手術(shù)后的219例GGN患者臨床、影像及病理資料。

納入標(biāo)準(zhǔn)：GGN＜30mm；術(shù)前常規(guī)做胸部CT檢查；具有完整的影像、臨床及病理資料。排除標(biāo)準(zhǔn)：圖像顯示不清，病理不明確；術(shù)前經(jīng)過肺結(jié)節(jié)治療(如放化療、靶向藥物等腫瘤相關(guān)性治療)；存在其他腫瘤患者。該研究得到了南方醫(yī)科大學(xué)順德醫(yī)院醫(yī)學(xué)倫理委員會(huì)批準(zhǔn)。

1.2 圖像采集所有患者都進(jìn)行全肺CT掃描，掃描儀器為Toshiba Aquilion Prime 80排、Siemens Smoatom Definition AS 64排和Siemens Smoatom Definition Flash 64排多層螺旋CT掃描儀。掃描方式：所有患者掃描前進(jìn)行呼吸訓(xùn)練，深吸氣后屏住氣進(jìn)行全肺掃描。掃描參數(shù)如下：管電壓：120KV，管電流：250～300mA，F(xiàn)OV：350～400mm，螺距：0.81.0，準(zhǔn)直：0.6×128，重建厚度：0.6mm～1mm，掃描結(jié)束后進(jìn)行圖像多平面重建，并將圖像傳輸至PACS系統(tǒng)。

1.3 圖像分析及影像組學(xué)特征提取由兩位具有15年影像診斷經(jīng)驗(yàn)的高級職稱醫(yī)師進(jìn)行雙盲法閱片，并記錄肺結(jié)節(jié)的影像學(xué)特征，如GGN的大小、GGN的密度，分葉征、胸膜牽拉征、毛刺征、微血管穿行征、空泡征、空氣支氣管征、月牙征，遇到分歧時(shí)，由第三位具有20年影像診斷經(jīng)驗(yàn)的高級職稱醫(yī)師進(jìn)行閱片，協(xié)商一致方式解決。

肺結(jié)節(jié)靶區(qū)勾畫由具有15年影像診斷經(jīng)驗(yàn)的醫(yī)師使用深睿軟件(https://keyan.deepwise.com/login)進(jìn)行感興趣區(qū)(volume of interesting，VOI)半自動(dòng)勾畫，使用方法如下：將影像圖像(DICOM格式)傳輸至深睿軟件系統(tǒng)，并在肺結(jié)節(jié)每個(gè)層面沿邊緣進(jìn)行勾畫，避開血管、支氣管、心臟、胸膜等區(qū)域，并由另一位具有20年影像診斷經(jīng)驗(yàn)的高級職稱醫(yī)師進(jìn)行確認(rèn)，肺結(jié)節(jié)感興趣區(qū)勾畫后，使用開源PyRadiomics軟件包從每個(gè)結(jié)節(jié)中提取了總共2107個(gè)影像組學(xué)特征。

1.4 影像組學(xué)模型構(gòu)建按照7:3的比例隨機(jī)分為訓(xùn)練組和驗(yàn)證組。為了避免模型擬合過度和提高模型的泛化性，我們對提取的影像組學(xué)特征進(jìn)行了由粗到細(xì)的特征篩選。首先，使用組內(nèi)及組間相關(guān)系數(shù)法進(jìn)行特征篩選；其次，進(jìn)行獨(dú)立樣本T檢驗(yàn)或秩和檢驗(yàn)，選擇兩組之間的顯著特征，以P＜0.05為顯著，保留1381個(gè)顯著特征。隨后，進(jìn)行Pearson或Spearman相關(guān)性分析，以降低特征之間冗余度，刪除相關(guān)性大于0.6的特征，最終保留45個(gè)低相關(guān)的特征。最后，為了防止模型出現(xiàn)過度擬合的現(xiàn)象，我們利彈性網(wǎng)絡(luò)用(Elastic net)-logistic算法對重要建模特征進(jìn)行篩選，具體公式如下：

Note:λ控制懲罰項(xiàng)的大小,α控制兩種誤差項(xiàng)(L1和L2)的權(quán)重。

進(jìn)一步得到影像組學(xué)特征的最優(yōu)子集，此為AAH/AIS和MIA/IAC的評估構(gòu)建影像組學(xué)特征。每個(gè)GGN的影像組學(xué)得分(Radscore)是通過所選特征的線性組合計(jì)算的，這些特征由各自的系數(shù)加權(quán)，并根據(jù)Logistic回歸算法，建立最終的影像組學(xué)模型(Radiomic model)(圖1A、C)。

1.5 臨床特征篩選及模型構(gòu)建采用單因素Logistic回歸篩選P＜0.05的臨床-影像特征，再根據(jù)赤池信息量準(zhǔn)則(akaike information criterion，AIC)，通過向前/向后逐步Logistic回歸得到AIC最小的臨床模型。

1.6 構(gòu)建聯(lián)合模型及模型性能評估采用Logistic回歸算法，將重要的臨床特征和Radscore整合，構(gòu)建臨床-放射組學(xué)聯(lián)合模型(combined model)，并使用ROC曲線評估模型性能。

1.7 統(tǒng)計(jì)分析計(jì)量資料符合正態(tài)分布采用()表示，計(jì)數(shù)資料采用百分比(%)表示。連續(xù)變量采用獨(dú)立樣本T檢驗(yàn)或秩和檢驗(yàn)，分類變量采用卡方檢驗(yàn)。采用受試者工作特征(ROC)曲線下面積(AUC)評價(jià)模型的性能。所有統(tǒng)計(jì)分析均使用R語言(4.2.1)軟件進(jìn)行。P＜0.05為差異具有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 臨床資料和放射學(xué)特征比較本研究納入了南方醫(yī)科大學(xué)順德醫(yī)院的219例單發(fā)GGN患者的術(shù)前資料，其中男性52例(23.74%)，女性167例(76.26%)。兩組之間性別、年齡、空泡征、空氣支氣管征、瘤肺邊界、微血管穿行、GGN密度、GGN位置均無統(tǒng)計(jì)學(xué)意義(P＞0.05)，月牙征、分葉征、毛刺征、胸膜牽拉征、GGN長度和CT值具有統(tǒng)計(jì)學(xué)意義(P＜0.05)(表1)。

表1 兩組GGN患者影像特征及臨床資料比較

2.2 影像組學(xué)特征篩選和影像組學(xué)得分建立經(jīng)過從粗到細(xì)的特征篩選，共獲得9個(gè)非零系數(shù)特征，根據(jù)公式計(jì)算每位患者的Radscore，(Radscore=0.1689×log.sigma.4.0.mm.3D_glszm_SmallAreaEmphasis+0.0321×log.sigma.5.0.mm.3D_glszm_SmallAreaEmphasis+0.1981×lbp.3D.k_firstorder_Skewness-0.0812×lbp.2D_firstorder_10Percentile-0.1195×bp.3D.k_glcm_Imc2-0.0896×log.sigma.2.0.mm.3D_firstorder_90Percentile-0.0770×log.sigma.2.0.mm.3D_glszm_SmallAreaLowGrayLevelEmphasis-0.0579×square_glszm_GrayLevelNonUniformityNormalized-0.0632×wavelet.LLL_gldm_LargeDependenceLowGrayLeve lEmphasis)，并構(gòu)建最終的影像組學(xué)模型(Radiomic model)，模型在訓(xùn)練組中的AUC為0.806(95% CI：0.7350.874)，驗(yàn)證組中AUC為0.814(95% CI：0.7030.913)(圖2A、B)。

2.3 臨床模型的建立由單因素Logistic分析可知，GGN長度，CT值、毛刺征、月牙征、胸膜牽拉征等臨床和影像學(xué)特征與肺結(jié)節(jié)病理侵襲性顯著相關(guān)(P＜0.05)。然后，通過基于AIC的向前/向后逐步回歸分析，得到最優(yōu)臨床模型(clinical model)(表2)。臨床模型在訓(xùn)練組中的AUC為0.753(95% CI：0.6740.828)，驗(yàn)證組中模型的AUC為0.742(95% CI：0.6210.851)(圖2A、B)。

表2 基于AIC準(zhǔn)則的逐步回歸分析結(jié)果

2.4 聯(lián)合模型建立、性能評估及臨床應(yīng)用結(jié)合臨床-影像獨(dú)立危險(xiǎn)因素和radscore，運(yùn)用Logistics算法構(gòu)建臨床-放射組學(xué)聯(lián)合模型(combined model)。Combined model模型在訓(xùn)練組中的AUC為0.843(95% CI：0.8040.898)，驗(yàn)證組中AUC為0.869(95%CI：0.8480.927)(圖2A、B)，這表明combined model模型預(yù)測GGN的病理浸潤性比radiomic model、clinical model具有更好的鑒別性能。同時(shí)采用Nomogram圖(圖2C)可視化該模型，nomogram圖包括radscore和CT值、胸膜牽拉征、月牙征。校準(zhǔn)曲線顯示預(yù)測概率與實(shí)際概率關(guān)系密切(圖3A、B),表明預(yù)測的可靠性高。臨床決策曲線(DCA)表明，使用combined model預(yù)測GGN病理浸潤性比其它兩個(gè)模型具有更多收益。

3 討論

近年來，肺磨玻璃結(jié)節(jié)的檢出率大幅提高，但其良惡性鑒別仍存在較大的困難，特別是對浸潤性的評估仍然是一個(gè)難點(diǎn)。為了更精準(zhǔn)地評估肺磨玻璃結(jié)節(jié)的浸潤性，并能用于個(gè)體化術(shù)前預(yù)測，本研究基于臨床、影像組學(xué)開發(fā)并驗(yàn)證了一個(gè)包含影像組學(xué)特征和臨床-放射學(xué)特征的nomogram模型，結(jié)果表明，該模型的鑒別性能良好，可為術(shù)前準(zhǔn)確評估GGN的病理浸潤性提供一個(gè)無創(chuàng)、迅捷工具，有利于臨床對GGN治療及管理。

腫瘤的浸潤性可以引起GGN形態(tài)學(xué)的改變，如腫瘤的長度、CT值、分葉征、毛刺征等，我們的nomogram最終納入了9個(gè)影像組學(xué)特征和3個(gè)臨床-放射學(xué)特征，在我們的研究中，CT值、胸膜牽拉征、月牙征被證明是預(yù)測GGN病理浸潤性的獨(dú)立危險(xiǎn)因素。AAH和AIS是以純磨玻璃結(jié)節(jié)為主，隨著浸潤性的增加，GGN的密度也逐漸的增加，IAC的平均CT值最高，我們的研究與She[17]的一致，表明平均CT值的增加反應(yīng)了GGN的異質(zhì)性增加，實(shí)質(zhì)成分的增加表明腫瘤向浸潤性轉(zhuǎn)變的可能性大[18]。IAC中胸膜牽拉征出現(xiàn)頻率高與其內(nèi)部實(shí)性成分收縮相關(guān)，Lee等[19]的研究顯示分葉和胸膜凹陷可以鑒別浸潤性和浸潤前病變，本研究與Huang[20]等研究相似。俞慧波[7]等研究發(fā)現(xiàn)，月牙征是預(yù)測純磨玻璃肺結(jié)節(jié)浸潤性的重要征象，其病理是次級小葉間隔在肺內(nèi)分布很多，組織學(xué)上是橫向排列的疏松結(jié)締組織，早期肺腺癌難以突破次級小葉間隔，腫瘤細(xì)胞從間隔不完整的肺組織附壁生長，受到小葉間隔阻擋及內(nèi)部的收縮力牽拉形成凹陷，浸潤性腺癌對周圍間質(zhì)、脈管等浸犯較腺體前驅(qū)病變更加顯著，此征象對GGN的浸潤性評估具有較高特異性，需在CT橫軸面、冠狀面及矢狀面多平面重組圖像上連續(xù)觀察，在我們的研究中，月牙征為預(yù)測GGN的獨(dú)立危險(xiǎn)因素，并納入了nomogram模型中。腫瘤大小一直是評估GGN浸潤性的一個(gè)重要的征象，但是在我們的研究中不是獨(dú)立危險(xiǎn)因素，我們分析其原因可能是因?yàn)槲覀冄芯康腉GN較小，測量存在誤差，也有研究認(rèn)為，鑒別浸潤前肺腺癌與浸潤性肺腺癌的診斷閾值尚無統(tǒng)一定論。部分學(xué)者指出，瘤肺邊界在AAH/AIS組和MIA/IAC組間無顯著差異[21-22]，在本研究中，瘤肺邊界不是作為評估GGN病理浸潤性的獨(dú)立危險(xiǎn)因素，后續(xù)需進(jìn)一步擴(kuò)大樣本來證實(shí)瘤肺邊界在與GGN病理浸潤性之間的關(guān)系?？张菡?、空氣支氣管征、毛刺征及微血管穿行征不是預(yù)測GGN病理浸潤性的獨(dú)立危險(xiǎn)因素，GGN都是圓形、類圓形，因此存在毛刺征較少，其在預(yù)測GGN浸潤性存在一定的商議，也有研究認(rèn)為[23-24]，空泡征、空氣支氣管征和毛刺征不足以作為GGN浸潤性的特異性征象。有研究表明[25]，GGN內(nèi)血管的發(fā)生率主要與其大小及結(jié)節(jié)與胸膜的距離有關(guān)，而與其病理性質(zhì)無關(guān)，早期肺腺癌中微血管的存在，不是其浸潤性的一個(gè)特異特征。

本研究中影像組學(xué)模型由9個(gè)影像學(xué)特征組成，包括紋理特征及一階特征，紋理特征描述了VOI內(nèi)像素強(qiáng)度的空間關(guān)系，并進(jìn)一步分為灰度區(qū)域大小矩陣(GLSZM，n=4)、灰度共生矩陣(GLCM，n=1)、灰度依賴矩陣(GLDM，n=1)，它們都是二階及高級紋理特征，這些特征能夠反應(yīng)圖像體素之間空間排列關(guān)系，既往有研究表明紋理特征對GGN輪廓的變化表現(xiàn)最穩(wěn)定，可用于區(qū)分浸潤前病變和浸潤性肺腺癌[26-27]，CT像素灰度強(qiáng)度與GGN浸潤性具有相關(guān)性，像素越高，表明紋理的異質(zhì)性越大。Firstorder是一階特征，其描述VOI的強(qiáng)度直方圖特征，在我們的研究中存在4個(gè)一階特征，表明其對GGN的浸潤性敏感度較高。利用ROC曲線下面積評估三個(gè)模型的性能，聯(lián)合模型預(yù)測GGN病理浸潤性具有更好的鑒別性能，在訓(xùn)練組中AUC為0.843(95% CI：0.804～0.898)，驗(yàn)證組中AUC為0.869(95% CI：0.848～0.927)，我們使用nomogram圖對模型的變量進(jìn)行可視化，從而可以協(xié)助臨床醫(yī)生更易理解模型，并確定是否需要手術(shù)治療或隨訪監(jiān)測，為診斷GGN是否存在浸潤性提供輔助參考意見。

本研究具有一定的局限性。首先，本研究中的GGN來自三個(gè)不同的掃描儀器，由于掃描參數(shù)不同，可能會(huì)存在潛在的影響。其次，對GGN進(jìn)行感興趣區(qū)勾畫，部分血管、支氣管等不可避免的包括在內(nèi)，從而對影像組學(xué)特征提取可能存在一定影響。第三，本研究為回顧性研究，收集數(shù)據(jù)具有一定偏倚。

綜上所述，本研究開發(fā)并驗(yàn)證了一個(gè)nomogram模型，結(jié)合了臨床及影像組學(xué)特征，可以有效評估GGN的病理浸潤性，nomogram模型可以作為指導(dǎo)臨床醫(yī)生個(gè)體診斷和選擇最佳干預(yù)措施的潛在工具。