影像组学对磨玻璃结节型肺腺癌病理亚型的预测效能

本文原载于《中华放射学杂志》 2017年第12期

2011年国际肺癌研究协会/美国胸科学会/欧洲呼吸学会（IASLC/ATS/ERS）对肺腺癌进行重新分类，分为不典型腺瘤样增生(atypical adenomatous hyperplasia, AAH）、原位腺癌（adenocarcinoma in situ, AIS）、微浸润性腺癌（minimally invasive adenocarcinoma，MIA）和浸润性腺癌（invasive adenocarcinoma, IAC）^[1]。不同的预后决定了不同的临床处理策略。浸润前或MIA是未来局限性外科切除的潜在人群^[2]。术前如何鉴别浸润前病变+MIA与IAC非常重要，有助于指导临床处理策略。影像组学是一个新兴的领域，目前已经用于结直肠癌、头颈部癌和肺癌的预测和预后分析^[3,4]。目前，关于放射组学鉴别肺腺癌亚型的研究较少，尤其是表现为磨玻璃结节（ground glass nodule, GGN）的肺腺癌。目前也尚无影像组学、定量影像和形态学征象的综合对照研究。本研究的目的是建立并验证基于影像组学的列线图鉴别IAC和其他肺腺癌的能力，并与定量影像和形态学特征进行对照。

资料与方法

一、临床资料

回顾性纳入2011年11月至2014年12月经手术病理证实的孤立的GGN型肺腺癌160例作为训练集，男59例，女101例；年龄27~80岁，平均（57±9）岁。纳入标准如下：（1）薄层CT表现为孤立的GGN；（2）与胸膜或纵隔没有粘连；（3）CT检查前未经治疗；（4）经过手术病理证实；（5）有完整的薄层DICOM格式数据及标准算法重建图像；（6）薄层CT上无明显空洞。另外搜集2014年11月至2015年12月76例孤立GGN作为独立验证集，男24例，女52例；年龄28~75岁，平均（56±10）岁，入组标准同训练集。本研究中，将浸润前病变和MIA定义为'非'浸润性病变。训练集中'非'浸润性病变77例（AAH 20例、AIS 15例、MIA 42例），IAC 83例；验证集中'非'浸润性病变36例（AAH 10例、AIS 9例、MIA 17例），IAC 40例。本研究经医院伦理委员会批准并签署了患者知情同意书。

二、图像采集和分割

所有病例均行胸部薄层多层螺旋CT扫描（Brilliance 256 iCT、Ingenuity 128 CT；Philips Healthcare, Cleveland, OH）。扫描参数：120 kVp，管电流自动调节技术，层厚1 mm，间隔1 mm，准直128×0.625 mm（iCT）、64×0.625 mm（Ingenuity CT），旋转速度0.5 s/圈，螺距0.80（iCT）、1.02（Ingenuity CT），矩阵512×512，标准算法重建。采用ITK-SNAP软件（version 2.2.0，www.itksnap.org）对GGN进行手动逐层分割。其中30例GGN分别由具有3年和13年胸部影像诊断经验的医师分割进行观察者间的可重复性研究，6个月后具有13年经验的医师再分割1次评估观察者内的差异。所有图像的分割数据集由13年经验的医师第1次分割的30例和剩余206例的数据组成。

三、放射组学特征提取、选择和组学标签的建立

本研究中共有485个3D特征（440个来自Aerts等^[5]介绍的特征和45个表型特征），可以分为肿瘤强度、形状、纹理和小波特征共4类。首先采用Mann-Whitney U检验对组学特征鉴别GGN肺腺癌方面的潜在相关性进行评估。组间、组内一致性系数被用来评估组间、组内特征提取的一致性（ICC>0.75表明一致性比较好）。可重复性和稳定性高的特征将用来进行筛选最具有预测性能的研究，并建立组学标签。

四、CT形态学模型、个体化预测模型和临床模型的建立

CT形态学包括病灶位置、形状、边缘、瘤肺界面、内部结构和邻近结构。形状分为圆形或类圆形、不规则形；边缘特征包括分叶、毛刺、尖角和棘状突起；瘤肺界面分为模糊、清楚光整和清楚毛糙；内部结构包括空泡征、结节征、泡沫征和支气管充气征（支气管充气征又分为走行自然、截断和扩张扭曲）；邻近结构包括胸膜凹陷征和血管集束征；在此基础上建立形态学模型。个体化预测模型是集患者基本信息（性别、年龄）、组学标签和CT形态学特征于一体的并用列线图表示。为了评估组学标签对个体化预测模型的价值，进一步建立了临床模型（包含性别、年龄和CT形态学特征）。

五、统计学方法

统计分析用R软件(version 3.0.1，http://www.Rproject.org)和Matlab 2014a（Mathworks，Natick，MA，USA）。单因素分析用于检验单一变量或指标在不同分类及不同集合之间差异是否有统计学意义，对连续变量使用Mann-Whitney U检验或t检验，对标签变量使用χ²检验或Fisher精确检验。最小绝对收缩算子（the least absolute shrinkage and selection operator method，LASSO）法'glmnet'工具包进行特征降维，选择最有鉴别意义的特征。利用选择特征的线性融合计算每例患者的影像组学标签得分。多参数回归分析用于模型的建立。ROC曲线及曲线下面积（AUC）用于评价单个特征及模型的预测效能，并使用Delong检验比较各模型之间效能差异是否具有统计学意义。留一法交叉验证评估模型的泛化能力。校正曲线用于评价列线图的校正效果，并使用Hosmer-Lemeshow检验分析风险率预测值和观测概率之间差异是否有统计学意义。P<0.05为差异有统计学意义。

结果

训练集和验证集的性别和年龄在'非'浸润性病变和IAC间差异均没有统计学意义（P>0.05）。IAC的平均CT值要高于'非'侵袭性病变（表1）。

一、影像组学特征提取、选择和组学标签建立

485个3D特征中，有273个特征在'非'浸润性病变和IAC间差异有统计学意义，通过可重复性评估（组间、组内一致性系数>0.75）、去除高度相关的特征（相关系数>0.6），共筛选出28个鲁棒的特征。影像组学特征热图示两组患者的组学特征之间存在一定的相关性（图1）。28个鲁棒特征及平均CT值通过LASSO降维分析得出2个最重要的预测参数(表2）；以组学评分的公式表示为Rad-score=0.281－0.398×1_GLCM_correlation－0.732×0_GLCM_cluster_tendency。

二、放射组学标签的预测效能

训练集及其子集中组学标签的中位数见表3。经Mann-Whitney U检验，'非'浸润性病变和IAC的组学标签中位数差异有统计学意义（P<0.05）。组学标签在训练集中具有较好的鉴别诊断效能，AUC为0.917（95% CI：0.875 1~0.959 7）。

三、CT形态学模型、个体化预测模型和临床模型

经多参数回归分析得出，CT形态学模型由分叶、空泡征、泡沫征和胸膜凹陷组成，相应的回归方程为Ln（P/1-P）=-1.130 2+1.506 8×分叶-0.910 5×空泡征-0.955 4×泡沫征+1.682 7×胸膜凹陷征。若P≥0.5则病灶为IAC，否则为'非'浸润性病变。个体化预测模型由年龄、组学标签、毛刺征和胸膜凹陷征组成，并以列线图表示（图2）。临床模型则由年龄、毛刺征和胸膜凹陷征组成。

四、平均CT值和模型预测效能的比较

平均CT值、组学标签、形态学模型、个体化预测模型和临床模型的预测效能见表4。平均CT值的AUC明显低于个体化预测模型（Z=3.092，P<0.05）或组学标签（Z=2.923，P<0.05）。如果平均CT值的阈值为－516 HU，则敏感度和特异度分别是79.52%和79.13%。Delong检验表明任意两个模型之间，AUC差异均有统计学意义（P<0.01）。与其他模型相比，个体化预测模型具有最好的预测效能，高于临床模型（Z=5.039，P<0.01），表明放射组学标签对个体化预测模型具有重要价值。

五、组学列线图的效能和验证

训练集和验证集的组学列线图的校正曲线在预测和观察变量之间均有很好的一致性（图3，图4）。Hosmer-Lemeshow检验在训练和验证集间差异均无统计学意义（P值分别为0.716、0.718），表明没有偏离拟合。当在验证集中进行验证时组学标签的鉴别诊断效能的AUC提高至0.956（95% CI：0.916 3~0.994 8）（图5，图6）。

讨论

本研究采用一个定量参数（平均CT值）和4个模型进行'非'浸润性病变和IAC的鉴别诊断，结果显示除了临床模型具有中度的鉴别诊断效能（AUC=0.74）以外，其他均具有很好的诊断效能(AUC>0.80)，而且个体化的预测模型具有最佳的鉴别诊断效能，敏感度、特异度分别是87.95%和89.61%。

很多研究表明定量影像可以判断肺腺癌的病理学侵袭性^[6]。最常用的定量参数是平均CT值和CT密度直方图。纯GGN若直径<1 cm，且平均CT值≤-600 HU，几乎全是浸润前病变^[7]。本研究的平均CT值的阈值是－516 HU，稍高于－600 HU，这可能与我们将MIA放入'非'侵袭性病变组中有关。本研究将MIA和浸润前病变定义为'非'浸润性病变，这会引起平均CT值增高。Lim等^[8]研究发现IAC的平均CT值是－507 HU，与本研究的结果非常接近。Nomori等^[9]和Ikeda等^[10]分别分析了2D和3D的像素数，发现基于CT像素的直方图模式有助于鉴别AAH和细支气管肺泡癌。本研究中，3D直方图作为一级统计量，在两组中差异有统计学意义，组间和组内的可重复性分析具有很好的一致性。

CT形态学特征是最常用的诊断和鉴别诊断依据。形态学模型由分叶、空泡征、泡沫征和胸膜凹陷组成。IAC中分叶征和胸膜凹陷征出现的频率高于'非'浸润性病变，这与IAC生长速度快和其内部实性成分收缩相关。我们的研究结果与之前Lee等^[11]的研究相似，他们的研究显示分叶和胸膜凹陷可以鉴别浸润性和浸润前病变。尽管形态学在临床工作中具有重要的作用，但其依赖于工作经验及对征象的认识存在不同，尤其是对年轻的放射医师显得尤为突出。而且早期肺癌的CT征象常不典型，这使得鉴别诊断存在困难。本研究也发现形态学模型的AUC低于组学标签或个体化的预测模型。

Coroller等^[12]评价放射组学预测肺腺癌远处转移，其中35个组学特征可以预测远处转移，而12个特征预测生存期。Chae等^[13]利用人工神经网络鉴别浸润前病变与浸润性病变，他们只有22个特征，且纹理特征很少，缺乏全面的综合分析。因此，关于目标对象中需要多少数量的组学特征尚未进行全面的研究。本研究分析了485个特征，而且很多鲁棒特征在鉴别两组病变中具有很大的潜力。尽管人工神经网络在解决二分类问题中非常有价值，但对于一个特定的模型来讲，其泛化能力受到其复杂的结构和潜在的过度拟合的限制。组学标签在鉴别诊断中的重要辅助价值体现在临床模型和个体化预测模型AUC的变化，AUC由0.743增加到0.934（P<0.05），说明组学标签的重要辅助价值。组学列线图通过把组学标签、CT形态学特征和基本信息相结合，建立了简单易行的鉴别诊断方法。医师可以在术前通过简单评分进行个体化的预测IAC的可能性。为了评价其泛化能力，留一法的交叉验证在独立的验证集中进行验证。个体化预测模型的AUC在验证集中明显提高，说明此模型是非常鲁棒的，而且可以直接应用于验证集。

本研究也有一定的局限性：首先，本研究为回顾性研究，本身存在潜在的偏倚；其次，纹理特征是从手动分割的数据中提取，很难除外结节内部的小血管和支气管，这可能会影响某些特征的准确性；而且肿瘤的3D手动分割非常耗时，有待于研发一个可靠的可重复的全自动分割方法。

总之，由年龄、组学标签、分叶征和胸膜凹陷征形成的个体化预测模型，并以列线图形式表示，可以提供一个非侵袭性、快速、低价和可重复的方法术前个体化预测IAC，有助于临床处理。

利益冲突

利益冲突　本研究过程和结果均未受到相关设备、材料、药品企业的影响

参考文献