基于CT影像組學術前預測淋巴結陰性胃癌淋巴血管侵犯

婁飛飛，陳青青，黃昊，王芳，何杰，辛恩慧，胡紅杰*

1.浙江大學醫(yī)學院附屬邵逸夫醫(yī)院放射科，浙江 杭州 310000；2.湖州市南潯區(qū)人民醫(yī)院放射科，浙江 湖州 313000；3.上海聯(lián)影智能醫(yī)療科技有限公司，上海 200030；*通信作者 胡紅杰 hongjiehu@zju.edu.cn

胃癌是全球最常見的癌癥之一，發(fā)病率和死亡率分別居第5位和第4位[1]，我國胃癌發(fā)病率和死亡率均僅次于肺癌[2]。TNM分期系統(tǒng)提示淋巴結轉移陰性胃癌患者較淋巴結轉移陽性者臨床分期更低，預后更好[3-5]。然而，淋巴結陰性胃癌仍存在一定的復發(fā)率，預后不佳，且與淋巴血管侵犯（lymphovascular invasion，LVI）有關[6-8]。LVI是指淋巴管或血管侵犯[9]，是淋巴結和其他類型器官轉移的初始表現(xiàn)[10]。淋巴結陰性但LVI陽性的胃癌患者治療方案應等同于淋巴結陽性患者[11]，即需行淋巴結清掃術和術前新輔助化療。然而，LVI目前僅能通過術后組織病理診斷[12]，因此亟須開發(fā)一種無創(chuàng)方法實現(xiàn)淋巴結陰性胃癌患者的術前LVI狀態(tài)預測。

CT是目前胃癌術前評估最常用的檢查方式，傳統(tǒng)CT圖像的評估易受到讀片者主觀經(jīng)驗的影響，對于術前LVI狀態(tài)評估的價值有限[13]。近年來，影像組學在腫瘤診斷、療效評價和預后預測等方面已經(jīng)廣泛應用[14-16]。與傳統(tǒng)CT圖像評估不同，影像組學將CT圖像信息定量化呈現(xiàn)[17-18]。目前鮮有應用影像組學聯(lián)合臨床特征構建列線圖實現(xiàn)術前預測淋巴結陰性胃癌LVI狀態(tài)的研究。因此，本研究利用增強CT影像組學特征、常規(guī)影像特征及臨床資料構建模型，探討影像組學術前預測淋巴結陰性胃癌LVI的價值，并構建一個基于影像組學和臨床顯著變量的列線圖，為胃癌個體化治療提供一種可視化和非侵入性工具。

1 資料與方法

1.1 研究對象 回顧性分析2019年1月—2021年6月在浙江大學醫(yī)學院附屬邵逸夫醫(yī)院就診的患者。納入標準：①手術病理證實為胃癌；②術前CT檢查與手術時間間隔＜2周；③術前CT提示胃周淋巴結陰性且無遠處轉移；④臨床病理資料完整。排除標準：①有胃外惡性腫瘤病史；②術前經(jīng)過治療（放療、化療等）；③圖像質(zhì)量差。最終173例患者納入研究，其中LVI陽性60例，LVI陰性113例，按7∶3隨機分為訓練組121例和驗證組52例。本研究豁免患者知情同意，并通過浙江大學醫(yī)學院附屬邵逸夫醫(yī)院倫理委員會批準（倫審2022研第0474號）。

1.2 CT檢查 采用Siemens SOMATOM Definition Flash、Siemens SOMATOM Definition AS 40、GE Lightspeed VCT多排螺旋CT進行掃描。患者檢查前做空腹準備，并飲500～1 000 ml水，掃描范圍自膈頂至髂棘水平。采集平掃圖像后，以3.0～4.0 ml/s的速度從肘前靜脈注入1.5～2.0 ml/kg非離子型造影劑，注射后25～30 s、50～60 s、120～180 s分別采集動脈期、門靜脈期、延遲期圖像，所有圖像重建層厚均為2 mm。

1.3 病理分析 所有手術標本切片經(jīng)HE染色，由2名具有10年以上病理診斷經(jīng)驗的副主任醫(yī)師分別在光鏡下觀察腫瘤及瘤周區(qū)域的淋巴管或血管腔內(nèi)是否存在腫瘤細胞，確定LVI狀態(tài)為陽性或陰性，當結果不一致時協(xié)商達成共識。

1.4 臨床資料和常規(guī)CT特征分析 收集患者年齡、性別、腫瘤部位、腫瘤指標。常規(guī)CT特征由2名具有5年和10年腹部影像診斷經(jīng)驗的主治醫(yī)師（A和B）在對臨床和病理結果未知的前提下分別進行評估，包括TNM分期（T1～2、T3～4）、腫瘤形態(tài)（平坦、潰瘍形成）、腫瘤強化方式（均勻、不均勻）、腫瘤厚度、各期相（平掃期、動脈期、門靜脈期和延遲期）CT值、增強三期與平掃CT差值（△ap、△pp、△dp）、門靜脈期腫瘤與脾臟CT差值（△t-s）。定性特征不一致時由2名醫(yī)師共同協(xié)商決定，定量特征取2名醫(yī)師測量結果的平均值。在訓練組中，通過單因素和多因素邏輯回歸方法篩選出臨床顯著變量并構建臨床模型。

1.5 影像組學分析

1.5.1 病灶分割與特征提取 基于3D-Slicer 4.10.2（https：//www.slicer.org）軟件在CT門靜脈期薄層圖像中手動逐層分割得到病灶三維感興趣區(qū)（ROI），見圖1。由醫(yī)師A完成所有病灶的勾畫，1個月后從訓練組中隨機選取30例患者由醫(yī)師A和醫(yī)師B再次勾畫。本研究使用3D-Slicer軟件中“Radiomics模塊”提取4大類特征，包括一階特征、形狀特征、紋理特征、小波特征。

圖1 病灶勾畫。A.CT圖像上胃癌病灶；B.單層勾畫的病灶；C.病灶三維感興趣區(qū)

1.5.2 組學特征篩選與建模 基于醫(yī)師A前后2次以及醫(yī)師B勾畫的30例病灶提取的組學特征，分別計算組內(nèi)和組間相關系數(shù)（ICC），保留ICC均＞0.85的穩(wěn)定特征，并采用標準差標準化（Z-score）方法對所有特征值進行歸一化。訓練組采用最小絕對收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）方法剔除不相關或冗余的特征，通過十折交叉驗證選擇最佳參數(shù)Alpha以得到預測效能最優(yōu)的組學特征。運用隨機森林（random forest，RF）分類器算法構建影像組學模型，并得到每例患者LVI陽性的預測概率，定義為隨機森林評分。

1.5.3 列線圖構建及模型性能評估 將隨機森林評分與臨床顯著變量采用邏輯回歸方法建立LVI狀態(tài)預測的融合模型。為了提高該模型的臨床實用性，進一步將其可視化為列線圖形式。采用受試者工作特征（ROC）曲線評價模型的預測效能，并計算曲線下面積（AUC）、敏感度、特異度和準確度。采用校準曲線評估列線圖校準度，采用決策曲線分析（decision curve analysis，DCA）評估臨床實用性。

1.6 統(tǒng)計學分析 使用SPSS 26.0軟件、MedCalc 19.1.2軟件和聯(lián)影智能科研平臺系統(tǒng)（基于Python語言）進行數(shù)據(jù)分析和圖表繪制。采用符合正態(tài)分布的計量資料以±s表示，組間比較采用獨立樣本t檢驗；不符合正態(tài)分布的計量資料以M（Q1，Q3）表示，組間比較采用Mann-WhitneyU檢驗；計數(shù)資料以頻率（%）表示，組間比較采用χ2檢驗。Delong檢驗比較模型間AUC的差異。P＜0.05為差異有統(tǒng)計學意義。

2 結果

2.1 臨床變量 本研究173例淋巴結陰性胃癌患者，其中訓練組121例、驗證組52例組間研究對象臨床資料和常規(guī)CT特征分布差異均無統(tǒng)計學意義（P＞0.05），見表1。訓練組中單因素分析顯示，腫瘤厚度、TNM分期、強化方式、門靜脈期CT值、延遲期CT值、△pp、△dp、△t-s與LVI有關（P＜0.05），將上述指標納入多因素邏輯回歸分析，結果顯示腫瘤厚度、△pp和△t-s是LVI的獨立預測因子（表2）。

表1 訓練組和驗證組胃癌患者臨床變量比較

表2 訓練組臨床變量單因素和多因素邏輯回歸分析

2.2 組學特征提取、篩選與建模 本研究基于病灶三維ROI共提取851個組學特征，經(jīng)過組內(nèi)及組間一致性分析后保留356個穩(wěn)定特征，包括一階特征6個、灰度共生矩陣（GLCM）特征1個、灰度游程矩陣（GLRLM）特征6個、灰度區(qū)域大小矩陣（GLSZM）特征3個、灰度相關矩陣（GLDM）特征4個、小波變換特征336個。運用LASSO算法進行特征降維，十折交叉驗證方法選擇最佳參數(shù)Alpha=0.061 36，最終篩選出7個與LVI狀態(tài)最相關的組學特征。LASSO路徑圖及最終組學特征見圖2。將最終組學特征通過RF分類器方法構建組學模型并得到隨機森林評分（圖3），LVI陽性組的隨機森林評分在訓練組（0.63比0.30，P＜0.001）和驗證組（0.55比0.29，P＜0.001）均顯著高于LVI陰性組。

圖2 LASSO路徑圖及最終組學特征

圖3 訓練組（A）、驗證組（B）隨機森林評分

2.3 列線圖構建 通過多因素Logistic回歸分析，建立了一個聯(lián)合隨機森林評分和臨床顯著變量的融合模型，列線圖見圖4。圖5展示了2例列線圖預測LVI狀態(tài)應用實例，進一步說明列線圖對于術前預測胃癌LVI狀態(tài)具有臨床應用價值。

圖4 術前LVI狀態(tài)預測列線圖?！鱰-s：門靜脈期腫瘤與脾臟CT差值；△pp：腫瘤門靜脈期與平掃CT差值

圖5 列線圖應用實例。A～D：腫瘤厚度10 mm，分值為3；△t-s=4，分值為38；△pp=50，分值為12；隨機森林評分=0.43，分值為48；總分為102，即LVI陽性概率約為40%，病理證實LVI陰性；E～H：腫瘤厚度32 mm，分值為18；△t-s=-1，分值為36；△pp=61，分值為16；隨機森林評分=0.71，分值為79；總分為149，即LVI陽性概率＞90%，病理證實LVI陽性

2.4 模型性能評估 表3顯示臨床模型、影像組學模型、列線圖對于LVI狀態(tài)的預測性能。列線圖在訓練組和驗證組中的AUC均顯著優(yōu)于臨床模型（P＜0.05），與影像組學模型差異無統(tǒng)計學意義（P=0.207、0.707）。訓練組中影像組學模型明顯優(yōu)于臨床模型（P＜0.05），但在驗證組差異無統(tǒng)計學意義（P=0.352）。結合敏感度、特異度、準確度綜合評價，列線圖被確定為最佳預測模型，優(yōu)于單一影像組學模型和臨床模型。應用實例見圖5。此外，列線圖校準曲線表明，實際結果與預測結果有較好的一致性（圖6）。DCA曲線顯示列線圖比影像組學模型或臨床模型有更大凈收益，臨床實用性最佳（圖7）。

表3 臨床模型、影像組學模型、列線圖預測LVI狀態(tài)的性能

圖6 訓練組（A）、驗證組（B）列線圖校準曲線

圖7 臨床模型、影像組學模型、列線圖DCA曲線

3 討論

3.1 列線圖 本研究基于定量隨機森林評分和臨床變量首次構建淋巴結陰性胃癌患者術前LVI狀態(tài)預測的列線圖，訓練組和驗證組的AUC達到0.898（0.842～0.953）和0.844（0.717～0.971）。列線圖性能優(yōu)于單一影像組學和臨床模型，表明將放射科醫(yī)師的專業(yè)診斷與影像組學相結合的方法在術前LVI狀態(tài)預測方面具有相當大的價值。與常規(guī)預測模型相比，列線圖通過對每個特征賦分進而量化預測概率，臨床操作性更強。

列線圖校準曲線顯示預測概率與實際概率一致性較好。然而，驗證組中當預測概率在75%以上時，模型的校準曲線向右下方偏移，表明此時模型可能高估了LVI陽性的風險值，在臨床實踐中需要引起重視。

此外，本研究納入CT淋巴結陰性胃癌，但有36例術后病理提示淋巴結陽性，而這些患者中列線圖預測LVI陽性為30例，提示可以在術前糾正約83.3%的患者的治療方案。本研究構建的列線圖可以彌補CT在胃癌淋巴結轉移術前評估中的不足，進一步顯示其臨床應用價值。

3.2 臨床變量 臨床變量中腫瘤厚度、△pp、△t-s具有顯著意義。△pp、△t-s在LVI陽性時值較高，與既往報道一致[9]。門靜脈期增強反映造影劑在間質(zhì)空間的擴散，淋巴血管結構的破壞可能增加微血管通透性，這可能是門靜脈期CT值較高的原因。此外，既往研究證實腫瘤越大侵襲性更強，是術前預測LVI的獨立預測因子[19]，本研究也證實了這一點。

3.3 影像組學特征 用于構建RF模型的7個影像組學特征中有6個為小波特征，可能原因是小波變換可以分解圖像中高和低頻率區(qū)域，經(jīng)小波變換處理后的高階特征能挖掘更多的腫瘤信息[20]。其中有3個特征是經(jīng)過不同的小波變換方式的Glszm_GrayLevel Nonuniformity。Glszm_GrayLevel Nonuniformity表示圖像中灰度強度值均一性[21]，數(shù)值越高表示灰度強化值越不均勻，異質(zhì)性越高。另外一個重要特征是小波變換后的Firstorder_90Percentile。Firstorder_90Percentile表示ROI高亮度的灰度值[21]，這與本研究得到的臨床顯著變量（△pp、△t-s）一致，LVI陽性癌灶在門靜脈期強化明顯，圖像灰度值更高。本研究顯示Glszm_GrayLevelNonuniformity值及Firstorder_90Percentile值越大，預測LVI陽性概率越大，與LVI陽性異質(zhì)性更高和門靜脈期CT圖像灰度值更高相符。

3.4 影像組學模型與臨床模型性能比較 影像組學模型在訓練組和驗證組中的AUC均高于臨床模型，驗證組中影像組學模型與臨床模型無顯著差異，但影像組學模型的AUC、敏感度、特異度、準確度均高于臨床模型，在一定程度上支持影像組學特征對于LVI的術前預測比臨床因素更重要，可能原因是LVI是腫瘤微環(huán)境的重要組成部分[22]，而影像組學分析能夠從影像圖像中挖掘大量肉眼無法識別的定量微觀特征，從而提供傳統(tǒng)影像學無法提供的腫瘤表型和微環(huán)境信息[23-25]。

3.5 本研究的局限性 首先，本研究納入樣本量較小。這與患者入組標準有關，主要納入術前CT淋巴結轉移陰性的胃癌患者，未來需要更大數(shù)據(jù)集進行模型性能優(yōu)化。其次，本研究是一項單中心回顧性研究，需要在多中心數(shù)據(jù)中進行外部驗證。最后，本研究未探索模型在預后預測中的潛力，未來將進一步完善隨訪結果使其更具臨床實用性。

綜上所述，本研究構建的影像組學模型可用于術前預測淋巴結陰性胃癌LVI狀態(tài)，聯(lián)合腫瘤厚度、△pp、△t-s的列線圖進一步提高了預測效能，為臨床提供一種有效的可視化和非侵入性工具以指導臨床決策。