基于增強CT影像組學預測食管鱗癌淋巴血管侵犯狀態的價值

李揚,王向明,谷霄龍,楊麗,王琦,時高峰,隨義,徐校勝,岳萌,王明博,任嘉梁

全世界范圍內,食管癌位居癌癥發病率第七位,與其相關的死亡率則位居第六位[1]。食管鱗癌(esophageal squamous cell carcinoma,ESCC)是全球最常見的病理類型,占所有食管癌病例的90%[2]。在中國,食管癌的發病率位居第六位,死亡率位居第四位,其發病率與死亡率約為世界平均水平的2倍[3]。盡管食管癌患者的護理和治療有所改善,但總體效果仍然很不理想,總體5年生存率不到10%,食管切除術后5年生存率在15%～40%之間[4]。淋巴血管侵犯(lymphovascular invasion,LVI)是一種與腫瘤生物侵襲性相關的組織病理學特征,被定義為在內皮襯里空間內存在腫瘤細胞,通常被稱為淋巴管和血管浸潤[5,6]。只有顯微鏡下在血管樣內皮襯里結構中發現癌細胞簇,才能確定LVI的存在[7]。作為食管癌患者預后不良的危險因素,LVI與早期復發相關[5,8,9]。因此,術前有效評估及判斷LVI對于食管癌患者個性化診療具有重要價值。作為食管癌術前常規檢查,增強CT能夠有效區分腫瘤組織與正常食管,在發現腫瘤、顯示腫瘤范圍和分期方面具有重要價值[10,11],但對于腫瘤的LVI無法直接顯示。

新興的影像組學技術能夠從醫學圖像中高通量地提取腫瘤組織的組學特征,用以描述腫瘤內部異質性及生物學特性,從而彌補常規影像診斷方法的不足,為食管癌患者個體化治療方案的制定和調整提供更多有價值的信息[12-16]。目前,影像組學技術已被應用于食管癌的無創定量評價[17]。已有研究證實,影像組學可以作為預測消化道腫瘤LVI的潛在生物標志物[18-21],然而關于影像組學在術前預測食管鱗癌LVI方面的研究還很少。因此,本研究旨在探討基于增強CT影像組學在術前預測食管鱗癌LVI狀態中的價值。

材料與方法

回顧性分析我院2017年1月-2019年2月收治的224例食管鱗癌患者的CT和臨床病理資料,其中男157例,女67例,年齡37～77歲,平均(62.8±7.45)歲。病例納入標準:①經根治性切除術治療,且病理證實為食管鱗癌,LVI狀態明確;②具有完整的臨床和病理資料;③在術前2周內行胸部增強CT掃描;④具有動脈期軟組織算法重建的1.0 mm薄層圖像。病例排除標準:①患者在手術前接受過任何形式的抗腫瘤治療;②非單一腫瘤或食管鱗癌合并其他病理類型腫瘤;③病變太小無法在CT圖像上識別;④有明顯的光束硬化偽影或運動偽影。為了確保研究結果的準確性,本研究選擇的患者將按7:3的比例隨機分為訓練集和測試集。本研究獲得了我院倫理委員會的批準,并免除了書面知情同意的要求。

入組患者在接受CT檢查后的兩周內,進行食管癌的根治性切除術?；颊叩呐R床和病理特征包括性別、年齡、腫瘤位置、腫瘤分化程度、病理厚度、病理長度、病理T分期、病理N分期、病理AJCC分期、神經侵犯和LVI狀態。這些特征均由擁有11年和9年食管癌病理診斷經驗的兩位病理學家進行評估。病理分期分類依據美國癌癥聯合委員會(AJCC)/國際抗癌聯盟(UICC)第八版癌癥分期手冊。

2.檢查方法

所有患者均使用西門子第二代雙源CT掃描儀(Somatom Definition Flash,Germany)進行CT檢查,在檢查前4～6 h內禁食,并于檢查前1～5 min飲用500～1000 mL純凈水,以確保掃描時食管腔內清潔。檢查時采用仰臥位頭先進模式,吸氣后屏住呼吸進行采集,掃描范圍從胸腔入口延伸至腹腔主干動脈。掃描參數:管電壓120 kV,管電流采用自動mA技術,層厚5.0 mm,旋轉時間0.5 s,矩陣512×512,螺距1.2,重建算法為b30f,重建層厚1.0 mm。通過高壓注射泵經肘靜脈注射對比劑碘海醇(濃度300 mg I/mL,注射流率3.0～4.0 mL/s,劑量1.5 mL/kg),延遲30 s后進行動脈期掃描,隨后以相同流率注射20 mL生理鹽水。用于影像組學分析的動脈期1.0 mm薄層CT圖像從影像儲存和傳輸系統(picture archiving and communication system,PACS)中獲取。

3.腫瘤分割

使用3D slicer軟件(4.11.0版)在動脈期1.0 mm薄層CT圖像上對全腫瘤感興趣區(region of interest,ROI)進行逐層分割。識別腫瘤的標準定義為:異常增厚的食管壁>5 mm,或直徑>10 mm(閉合狀態下),管腔局部不規則狹窄[22-24]。腫瘤的ROI包括瘤內壞死區,但不包括食管腔內的氣體、液體、周圍脂肪組織、淋巴結、心肺組織、血管和骨組織。手動逐層對腫瘤ROI進行勾畫后,可參照多平面重建圖像進行修改(圖1)。

圖1 腫瘤勾畫示意圖。食管鱗癌(低分化)患者,男,50歲,LVI陽性,使用3D Slicer 軟件勾畫全腫瘤ROI。 a) 在軸面圖像上逐層勾畫全腫瘤ROI(紅色區域);b) 矢狀面圖像;c)冠狀面圖像;d) 腫瘤勾畫完畢后的3D感興趣區。全腫瘤ROI的勾畫主要在軸面進行,參照矢狀面及冠狀面對ROI進行修正。

腫瘤分割過程由兩位具有10年胸部影像診斷經驗的放射科醫生進行手動操作,其中醫生1對224例患者進行了腫瘤分割,而醫生2則隨機選擇30例患者進行獨立分割。兩周后,醫生1再次對這30例患者進行了腫瘤分割,并使用組內相關系數(interclass correlation coefficient,ICC)評估醫生1與醫生2之間以及醫生1前后兩次分割內部的一致性和影像組學特征提取的可重復性,當ICC>0.75時,表明影像組學特征提取的一致性和可重復性良好。

4.影像組學特征提取與模型建立

沸溢可能發生在固定頂儲罐，特別是沸點大于250 ℃、黏度較高的重質原油或寬沸點的重質油品，發生沸溢可能性較大。儲罐沸溢事故雖較少發生，但會造成火災迅速擴散，罐內油品會噴射而出，火焰和熱輻射強度突然增加，火災范圍瞬間擴大，極易引燃相鄰儲罐而導致災難后果[5]。

使用Python軟件的Pyradiomics包來提取影像組學特征[22],在此之前對圖像進行重采樣和灰度離散化處理,以使CT圖像標準化?？偣蔡崛×?130個影像組學特征,包括一階特征、形狀特征、紋理特征及高階特征。為了篩選出最佳的影像組學特征,本研究采用了以下四個步驟:首先,計算ICC值以評價醫生1與醫生2之間、醫生1前后兩次影像組學特征提取的一致性及重復性,并保留ICC值>0.75的特征;其次,通過Wilcoxon秩和檢驗篩選出LVI-陽性與LVI-陰性之間有統計學差異的影像組學特征(P<0.05);第三,使用Spearman相關分析,剔除內部相關系數>0.9的特征;最后,通過最小絕對收縮和選擇算子算法(Least absolute shrinkage and selection operator,LASSO)回歸分析與10倍交叉驗證,并對剩余的特征進行逐步Logistic回歸分析,最終篩選出具有最低Akaike信息準則(akaike information criterion,AIC)值的特征集作為最佳模型。

5.統計學分析

結 果

1.患者的臨床和病理特征

224例食管鱗癌患者中包括66例LVI陽性(29.5%)和158例LVI陰性(70.5%)患者。LVI陽性組與LVI陰性組在年齡、性別、腫瘤位置和神經侵犯等方面差異無統計學意義(P>0.05);兩組在病理長度、病理厚度、腫瘤分化程度、病理T分期、病理N分期、病理AJCC分期等方面差異有統計學意義(P<0.05,表1)。

2.影像組學特征篩選和模型構建

在提取的1130個影像組學特征中,有937個特征具有良好的觀察者間和觀察者內的一致性和再現性(ICC值>0.75)。通過Wilcoxon秩和檢驗,發現有525個影像組學特征在LVI陽性與LVI陰性患者之間差異具有統計學意義,并被納入隨后的Spearman相關性分析中。經過Spearman相關性分析,排除相關系數>0.9的影像組學特征,保留了77個影像組學特征用于后續的LASSO回歸分析。經過LASSO回歸分析保留15個影像組學特征(圖2)。最后,通過多因素逐步Logistic回歸建立影像組學模型,保留AIC值最低的特征集,最終保留了7個影像組學特征,具體特征及其系數見表2。

圖2 LASSO回歸曲線和二項偏差曲線圖。a)十折交叉驗證圖。圖中紅點及所在線段上下端之間分別表示每個log(λ)值對應的二項式偏差的均值及其范圍。在最佳值log(λ)處,通過最小標準設置了垂直虛線,其中選擇了15個特征;b)LASSO回歸的變量解析路徑圖。每條曲線代表自變量系數變化,圖上方數字是剩余非零系數變量的個數。圖3 影像組學模型預測食管鱗癌LVI狀態的ROC曲線。紅色曲線為訓練集,藍色曲線為測試集。 圖4 影像組學模型預測LVI的校準曲線?？v軸為實際存在LVI的概率,橫軸為影像組學模型預測存在LVI的概率?；疑本€為參考線,紅色曲線為訓練集實際校準曲線,藍色曲線為測試集實際校準曲線,實際校準曲線越接近參考線,表示影像組學模型的預測概率與實際概率一致性越好。訓練集與測試集實際校準曲線接近參考線,且HL檢驗的P值均大于0.05值,提示模型擬合良好。 圖5 影像組學模型術前預測LVI的DCA曲線。橫坐標為閾值概率,縱坐標為凈效益。橫線為所有患者均不干預,凈效益為0?；揖€為所有患者均進行干預,凈效益為斜率為負值的反斜線。圖中顯示在大部分的閾值概率范圍內,影像組學模型均具有較高的凈效益。

表2 最終保留的7個影像組學特征

3.影像組學模型的診斷效能

采用ROC曲線分析影像組學模型在訓練集和測試集中的診斷效能(表3、圖3)。在訓練集中,影像組學模型預測食管鱗癌LVI狀態的AUC值為0.930(0.882～0.977),敏感度為0.851(0.638～0.936),特異度為0.919(0.721～0.973),準確度為0.899(0.841～0.941),陽性預測值為0.816(0.769～0.830),陰性預測值為0.936(0.920～0.939)。在訓練集中,影像組學模型預測食管鱗癌LVI狀態的AUC值為0.897(0.823～0.971),敏感度為0.789(0.579～1.000),特異度為0.787(0.660～0.957),準確度為0.788(0.670～0.879),陽性預測值為0.600(0.524～0.655),陰性預測值為0.902(0.886～0.918)。

表3 影像組學模型的診斷效能

在訓練集和測試集中模型的校準曲線接近參考線,表明預測概率與實際概率一致性良好(圖4)。采用HL檢驗評估影像組學模型的擬合度,在訓練集和測試集中的P值分別為0.315和0.082(圖4),均大于0.05,提示模型擬合良好。采用DCA曲線評估影像組學模型的臨床價值,模型在大部分閾值概率范圍均有較高的凈獲益,表明其臨床價值良好(圖5)。

討 論

在中國,食管癌的發病率及死亡率均高于世界平均水平[23]。食管癌LVI作為影響患者預后的危險因素,近年來受到越來越多的關注[5,24]。LVI與淋巴結轉移密切相關,其出現往往提示患者生存預后較差[25]。作為食管癌患者的常規檢查技術,增強CT能準確顯示腫瘤及周圍組織器官的侵犯情況,在食管癌的鑒別診斷、術前分期、放療定位、療效評價和預后評估中具有較高的應用價值[26-31]。術前如果能預測患者的LVI狀態,有助于制定積極合理的治療計劃。對于疑似存在LVI的患者需要更積極的治療,如更廣泛的手術或增加輔助治療[32]。然而,CT無法直接顯示腫瘤的LVI狀態,因此本研究的意義在于提出了一種預測食管鱗癌LVI狀態的新方法。

作為一種無創性技術,影像組學可以從不同模態的醫學圖像中提取高通量的組學特征,并進行深入的數據挖掘,可以客觀地反映腫瘤的異質性,進而可用于腫瘤分子分型、鑒別診斷、治療方案選擇、療效和預后評估等[33],從而定量地揭示圖像和醫療結果之間的聯系[13]。

腫瘤ROI的精確選取是食管癌影像組學分析的前提[14, 34]。食管為管狀空腔臟器,腫瘤組織與正常食管的分界相對不明顯。從理論上講,食管癌全腫瘤ROI比單一最大層面ROI包含更多的腫瘤異質性信息,能夠更全面地反映腫瘤的病理生理情況[14]。因此,本研究采用手動逐層分割的方式來提取全腫瘤ROI,其優勢在于可以最大程度確保腫瘤病灶區域被準確有效地提取出來。本研究基于增強CT圖像,從全腫瘤ROI中共提取出1130個組學特征,經過對冗余特征的篩選后,最終保留了7個影像組學特征,包含2個形態學特征、2個高斯拉普拉斯變換特征和3個小波特征,并使用多因素逐步Logistic回歸建立影像組學模型。研究結果顯示,影像組學模型可以有效預測食管鱗癌的LVI狀態,同時校準曲線表現出良好的擬合度。在訓練集和測試集中,AUC值分別為0.930和0.897,敏感度分別為0.851和0.789,特異度分別為0.919和0.787,準確度分別為0.899和0.788。Peng等[20]使用全腫瘤影像組學方法預測食管鱗癌的LVI狀態,最終保留了18個影像組學特征,在訓練集和測試集中模型AUC值分別為0.824和0.738,準確度分別為0.739和0.690,敏感度分別為0.744和0.691,特異度分別為0.684和0.691。由此可見,本研究建立的影像組學模型更為簡單高效。不同于上述研究,本研究保留了兩個與腫瘤密切相關的形態學特征,即original_shape_Sphericity_3D(Sphericity)和original_shape_Max 2D Diameter Slice_3D (Max 2D Diameter Slice)。Sphericity即球形度,是一種影像組學的形狀特征,可以描述物體體積與完美球體之間的差異性[35]。Sphericity值的范圍為0～1,其中1表示完美球體[36]。作為一種無量綱度量,球度與尺度和方向無關。與其它影像組學特征相比,Sphericity的特點是具有較高重復性[37]。Hatt等[38]研究發現,Sphericity與分割方法無關,但與腫瘤體積有關,體積越大,Sphericity越低。Sphericity可以用于預測腦膜瘤患者的腫瘤分級、局部復發和總生存期,而低Sphericity則是預后較差的預測指標[39]。在李昂等[40]基于PET 影像組學方法構建預測食管癌脈管侵犯的模型中,Sphericity同樣被保留下來。本研究發現,Sphericity值較低的腫瘤更容易發生LVI。另一個重要的形態學特征是Max2DDiameterSlice,其定義為行列(通常是軸向)平面中腫瘤表面網格頂點之間的最大成對歐幾里得距離。本研究結果顯示,Max2DDiameterSlice值越大,腫瘤出現LVI的可能性相應增大。因此,腫瘤最大層面的直徑對于預測LVI狀態有重要意義。

此外,影像組學模型還包含2個高斯拉普拉斯變換特征和3個小波特征。高斯拉普拉斯變換是一種邊緣增強濾波器,強調的是灰度變化的區域,常用于圖像邊緣的檢測[41]。經過高斯拉普拉斯變換,可以從原始圖像中獲得更多的數據和信息,從而提取出更多有價值的影像組學特征?；叶却笮^域矩陣特征(gray level size zone matrix,GLSZM),是一種能夠反映圖像紋理均勻性的特征;SizeZoneNonUniformityNormalized,即尺寸區域非均勻歸一化,可以測量整個圖像中大小區域體積的可變性,值越低表示圖像中區域大小體積之間的同質性越高?；叶纫蕾嚲仃?gray level dependence matrix,GLDM) 特征是一種能夠反映圖像亮度的特征;LargeDependenceEmphasis,即大依賴分布的度量,值越大表示依賴越大,紋理越均勻。此外,灰度游程矩陣(gray level run length matrix,GLRLM)特征中的短行程高灰度強調(short run high gray level emphasis,SRHGLE)、灰度共生矩陣特征(gray level co-occurrence matrix,GLCM)中的最大相關系數(maximal correlation coefficient,MCC)及一階特征中最大特征值(firstorder_Maximum)經過小波變化最終也被保留下來。影像組學特征能夠反映腫瘤的異質性[12,13],本研究結果顯示異質性大的腫瘤更容易出現LVI。

本研究具有以下局限性:首先,本研究使用的CT數據均來自同一家醫院,缺乏多中心的外部驗證;其次,納入患者均為接受根治性手術的患者,這可能會帶來選擇偏倚;再次,由于樣本量相對較小,產生的偏倚導致模型在測試集中的診斷效能略低于訓練集;此外,由于這是一項回顧性研究,未包含平掃和多期增強掃描,因此可能沒有納入更有意義的定量和分類變量。包含更多信息的前瞻性研究有望獲得性能更高的預測模型;最后,本研究尚未應用影像組學的方法來評估LVI狀態對患者預后的影響,這將是我們未來研究的重點方向。

綜上所述,基于增強CT影像組學構建的預測模型,能夠在術前有效預測食管鱗癌的LVI狀態,從而輔助臨床對患者進行危險分層和決策支持,為患者的個體化治療提供更多有價值的參考信息。