首页 > 论文范文 > 医药卫生论文 > 影像检验论文 > 影像诊断论文 > CT影像组学对Ⅱ期结肠癌风险分层的预测价值探讨

CT影像组学对Ⅱ期结肠癌风险分层的预测价值探讨

2023-12-07 63 上传者：管理员

摘要：目的:探讨CT影像组学模型对Ⅱ期结肠癌(colon cancer, CC)风险分层的预测价值。方法:连续搜集2015年01月至2023年07月经手术证实的167例Ⅱ期CC患者资料，按欧洲肿瘤内科学会(European Society of Medical Oncology, ESMO)指南将患者分为低风险组77例，中高风险组90例；按7∶3将样本随机分为训练组(n=116)与内部验证组(n=51)。在术前静脉期CT图像上对肿瘤进行分割并提取影像组学特征，特征经降维、筛选后，采用logistic回归分析构建预测模型，观察模型校准度和临床获益。结果:训练组中高风险64/116例；内部验证组中高风险26/51例，两组间观测指标差异无统计学意义(均P>0.05)。共筛选出6个影像组学特征用于构建Ⅱ期CC低风险和中高风险的预测模型，训练组AUC为0.822,灵敏度：84.4%,特异度：71.2%;内部验证组AUC为0.802,灵敏度：96.2%,特异度：60.0%。模型显示出较高的校准度；决策曲线分析(decision curve analysis, DCA)阈值概率范围0.04～0.85时临床有获益。结论:基于静脉期CT图像构建的影像组学模型实现了低风险和中高风险Ⅱ期CC的准确分层，有望改善临床对该类患者的分层管理。

关键词：
Ⅱ期
影像组学
病死率
结肠癌
风险分层
加入收藏

结肠癌(colon cancer, CC)临床常见，发病率和病死率均位居世界前列，2020年全球新发CC约115万例，死亡近58万例[1]。非转移性CC主要治疗手段为手术切除和辅助化疗，治疗方案的实施多依据TNM分期系统。Ⅰ期CC患者生存率高、复发风险低，根治手术后多无需进行辅助化疗；而Ⅲ期患者多能从辅助化疗中获益；对于Ⅱ期CC患者是否进行辅助化疗，临床争议较多。鉴于此，欧洲肿瘤内科学会 (European Society of Medical Oncology, ESMO)综合大量循证医学证据，依据患者的临床和病理特点专门对Ⅱ期CC进行了风险分层，旨在为临床实施辅助化疗、判断预后提供参考[2]。

CT广泛用于CC患者病情评估[3],但其在风险分层中的准确性不高，临床迫切需要使用更可靠的工具来实现CC的风险分层，以便制定更加完善的治疗计划。影像组学是一种非侵入性成像生物标志物，在肿瘤异质性研究方面有大量报道[4,5,6],它通过海量数据挖掘、筛选，实现了医学图像的定量评估，有机会弥补医师定性和主观判断的不足[7]。本研究利用影像组学构建术前Ⅱ期CC风险分层的预测模型，旨在为CC患者的管理提供新思路。本研究已获得医院伦理审查委员会批准(伦理批号：2022-19)。

1、资料与方法

1.1 临床资料

搜集2015年01月至2023年07月我院经手术病理证实的CC患者资料。纳入标准：①术前行增强CT和肿瘤标记物检查；②术前未行新辅助放化疗(neoadjuvant chemoradiotherapy, nCRT)或其他针对性治疗；③临床和病理资料完整，均为Ⅱ期CC(T3-4N0M0)。排除标准：①CT图像不能满足研究要求或无法准确评估、测量；②Ⅰ期(T1-2N0M0)、Ⅲ期(T1-4N1-3M0)或Ⅳ期(T1-4N0-3M1)CC;③其他恶性肿瘤病史或多发CC;④临床或病理资料缺失。按以上标准共入组167例，男92例，女75例；年龄31～87岁，平均 (67.43±10.77)岁；右半结肠癌90例，左半结肠癌77例。根据ESMO指南[2]将Ⅱ期CC分为低风险组77例，中高风险组90例(含1个及以上风险因素)。风险因素包括：①T4期17例，②手术淋巴结清扫<12枚25例，③淋巴血管侵犯(lymph-vascular invasion, LVI)19例，④周围神经侵犯(perineural invasion, PNI)13例，⑤低分化16例，⑥肠梗阻23例，⑦术前CEA升高48例。采用分层抽样按7∶3比例随机将样本分为训练组(n=116例)和内部验证组(n=51例)。

1.2 检查方法

检查前签署知情同意书并对患者进行呼吸训练以减少伪影。所有检查均在PHILIPS Brilliance 256-iCT或GE Light Speed 16排CT机上完成。扫描使用管电流自适应技术，设置基准值：120 mA, 管电压：120 kV,层厚/层间距： 5 mm。先平扫，于注药开始后30 s、70 s、180 s分别依次进行动脉期、静脉期和延迟期扫描。增强扫描使用非离子型碘对比剂，碘浓度范围280～350 mgI/mL,造影剂用量：1.0 mL/kg体重，完成增强扫描后注射生理盐水(30 mL)冲管。

1.3 图像分割及影像组学特征提取

图像分割步骤：①将CT静脉期图像从工作站中以 DICOM格式导出；②使用ITK-SNAP(3.6版)软件对图像灰度进行归一化处理；③两名影像科医生(10年以上工作经验)首先协商一致肿瘤范围，在静脉期横轴位图像上分别沿肿瘤边缘逐层手动勾画感兴趣区(region of interest, ROI)并保存、排序；④保存的所有层面ROI按照排序自动融合生成三维体积感兴趣区(volume of interest, VOI),见图1。影像组学特征提取：使用开源软件(PyRadiomics)基于分割的VOI提取影像组学特征，共提取1 545个特征。

图1 CC肿瘤区域图像分割示意图

1.4 统计学分析

使用R(4.1.2版本)、Python(3.5.6版本)和SPSS 23.0软件进行统计学分析。连续变量用(x¯±s)表示，组间比较采用独立样本t检验；分类变量用例和(%)表示，组间比较采用χ2检验。组内相关系数(intraclass correlation coefficient, ICC)用于筛选稳定的影像组学特征，保留ICC>0.8的特征用于后续分析。Spearman相关分析和最小绝对收缩与选择算子算法(least absolute shrinkage and selection operator, LASSO)回归用于影像组学特征降维。logistic回归分析用于筛选独立影响因子及构建影像组学诊断模型。采用受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under the curve, AUC)、灵敏度、特异度评估模型效能，校准曲线评价模型的校准度，决策曲线分析(decision curve analysis, DCA)评价模型的临床获益。以P<0.05视作差异有统计学意义。

2、结果

2.1 一般资料分析

训练组中低风险52例，中高风险64例；内部验证组中低风险25例，中高风险26例。两组间一般资料比较，差异均无统计学意义(均P>0.05),见表1。

表1 训练组与内部验证组观测指标组间比较n(%)

2.2 影像组学特征筛选

两名医生每个VOI分别提取1 545个影像组学特征，稳定的影像组学特征(ICC>0.8)先采用Z-score进行标准化处理，再采用Spearman相关分析和LASSO回归进行降维，见图2A-B。共获得15个最优影像组学特征，包括6个一阶特征，1个形状特征(2D),5个灰度共生矩阵特征，2个灰度级大小区域矩阵特征，1个相邻灰度差矩阵特征，见图2C。

图2 影像组学特征筛选流程图

2.3 影像组学模型构建及效能评估

15个最优影像组学特征经多因素logistic回归分析筛选出6个独立影响因子(包括4个一阶特征，2个灰度共生矩阵特征，P<0.05),见表2。构建鉴别低风险和中高风险Ⅱ期CC的影像组学模型并进行内部验证，训练组AUC:0.822(95%CI:0.745～0.899),灵敏度：84.4%,特异度：71.2%;内部验证组AUC:0.802(95%CI:0.677～0.930),灵敏度：96.2%,特异度：60.0%,见图3。训练组模型以列线图展示，见图4;模型校准度较好，见图5;DCA显示阈值概率范围在0.04～0.85时临床有获益，见图6。

表2 影像组学特征多因素分析

图3 训练组和内部验证组鉴别低风险和中高风险Ⅱ期CC的ROC曲线

图4 影像组学模型列线图

图5 模型的校准曲线

图6 模型的DCA

3、讨论

本研究通过临床和病理资料回顾，将Ⅱ期CC分为低风险和中高风险两组，在CT静脉期图像对肿瘤区域进行分割并提取影像组学特征，经降维、筛选获得15个最优影像组学特征，多因素logistic回归分析进一步筛选出6个影像组学特征(4个一阶特征，2个灰度共生矩阵特征)用于构建预测低风险和中高风险Ⅱ期CC的影像组学模型。研究发现，影像组学模型可用于识别低和中高风险Ⅱ期CC,训练组AUC为0.822,内部验证组为0.802。

针对癌症患者实施的辅助化疗是一柄双刃剑，临床关注治疗收益的同时还需考虑辅助化疗相关并发症对人体造成的危害，有时难以抉择。ESMO建议对低风险Ⅱ期CC进行随访，中高风险患者可实施辅助化疗，对低和中高风险Ⅱ期CC患者正确分类，对临床决策的实施和判断预后意义重大。Ⅱ期CC主要风险评估因素是T4期(包括穿孔)和淋巴结取样<12个[8]。文献报道[9],Ⅱ期CC存在手术遗漏转移性淋巴结的风险，其将造成肿瘤分期不足，可能导致该类患者未进行辅助化疗，造成治疗失败，为了尽量减少Ⅱ期CC假阴性淋巴结，指南建议至少清扫12个淋巴结，淋巴结清扫<12个和T4期被认为是高风险Ⅱ期CC。有研究表明[10],其他风险因素包括LVI、PNI、术前CEA、肿瘤分期和分化程度与患者总生存率、无复发生存率均存在相关性。CC预后风险因素多，个体差异大，本研究综合考虑多个风险因素，首次利用影像组学方法实现了Ⅱ期CC低和中高风险分层，DCA显示临床有较高获益。

定量成像现已成为癌症患者病情评估、预后判断的成像生物标记物，有时在临床决策中起核心作用[11,12,13]。近年来，影像组学已成为定量成像的一个新领域，它通过从医学图像中挖掘大量数据信息来描述个体的微观结构和异质性，这些高维数据可能是肿瘤侵袭性的一种表达[14,15]。此时，影像组学可被视为一种工具，通过提供的额外数据可在肿瘤患者治疗流程开始之前进行风险分层，指导临床医生积极治疗辅助化疗受益者并限制无明显受益患者的过度治疗，本研究利用术前CT资料，筛选出15个最优影像组学特征用于鉴别低和中高风险Ⅱ期CC,取得了良好的风险分层效果。CARUSO等[16]利用108例Ⅱ-Ⅲ期CC患者术前CT资料建立了风险分层的影像组学模型，AUC为0.73;再利用40例患者进行外部验证，AUC为0.75,这说明影像组学可用于CC的风险分层，与本研究结果基本一致。LI等[17]利用术前CT图像通过淋巴结的勾画构建预测CC淋巴结转移的影像组学模型，结果显示，影像组学模型优于传统临床标准。HONG等[18]利用292例CC患者静脉期CT图像建立影像组学模型并结合术前CT分期对CC进行风险分层，AUC为0.799,优于传统CT模型(P<0.001)。YAO等[19]搜集了571例Ⅱ-Ⅲ期CC患者资料，在预测术后无病生存时，术前CT影像组学模型比TNM分期模型、临床病理模型更有效，基于影像组学特征构建的列线图显示出较高的校准度和临床实用性，与本研究类似。DAI等[10]回顾了701例Ⅰ-Ⅲ期CC患者资料，并利用基线CT扫描构建了影像组学模型，研究发现影像组学可作为一种成像生物标志物来识别预后不良的CC患者，在预测总生存率和无复发生存率方面，AUC分别为0.77和0.74。上述研究充分体现出影像组学作为CC成像生物标志物的潜在价值，这将帮助临床医生根据患者风险分层选择最佳治疗方案。

本研究的不足：①样本量小，我们只构建了低风险和中高风险的影像组学模型，事实上，中风险和高风险Ⅱ期CC辅助治疗方案不完全相同，今后还需扩大样本，深入研究；②未进行外部验证，各单位不同CT机扫描参数设置、造影剂使用量、图像迭代重建方法存在一定差异，模型的再现性还不得而知。

综上所述，本研究构建的影像组学模型实现了Ⅱ期CC患者的风险分层，该模型有望成为临床医生的辅助工具，使CC患者从个性化管理中获益。

参考文献:

[4]李清扬,张晓燕,孙应实.影像组学与深度学习在评价直肠癌淋巴结状态中的应用[J].中华放射学杂志,2023,57(2):231-234.

[5]刘俊忠,王琦,褚玉静,等.CT影像组学预测肺浸润性腺癌脉管癌栓的价值[J].中国医学影像学杂志,2023,31(5):487-491.

[6]贾济波,刘原庆,冯飞文,等.CT影像组学列线图模型预测胃肠道间质瘤Ki-67表达的临床研究[J].临床放射学杂志,2023,42(5):783-788.

[11]陈松,李清楚,陈如潭,等.CT三维定量参数对纯磨玻璃结节中腺体前驱病变的预测价值[J].临床放射学杂志,2023,42(4):575-580.

[12]刘华,郑欢记,何泳聪,等.常规MRI定量检测对新生儿高胆红素血症诱导脑损伤的诊断价值[J].临床放射学杂志,2023,42(4):660-665.

[13]雷岩,宋彬,刘恋恋,等.磁共振多参数定量分析在区分卵巢-附件O-RADS MRI 4分病变良恶性的价值[J].中国医学计算机成像杂志,2023,29(1):50-57.

基金资助:安徽省卫生健康科研项目(编号:AHWJ2022b100);

文章来源:张晓金,张虎,吴树剑等.CT影像组学对Ⅱ期结肠癌风险分层的预测价值探讨[J].现代肿瘤医学,2024,32(01):120-125.