基于術前分期CT的影像組學標簽預測三陰性乳腺癌

張文, 何蘭, 范志豪, 黃曉媚, 楊曉君, 梁長虹, 劉再毅

乳腺癌是女性最常見的惡性腫瘤，也是女性惡性腫瘤中病死率最高的疾病[1]。研究表明，決定早期乳腺癌治療方案、提示療效與預后的并非組織病理學類型，而是其分子分型[2,3]。三陰性乳腺癌(triple negative breast cancer，TNBC)占乳腺癌的10%～20%[4]，是一種異質性疾病，其生物學特征不同于其他類型的乳腺癌，缺乏分子靶向治療的有效靶點且預后不良，目前化療仍是臨床上TNBC唯一有效的治療方案[5]。因此，早期辨別TNBC與非三陰性乳腺癌(non triple negative breast cancer,NTNBC)對取得最佳診療方案具有重要臨床意義。目前臨床主要依靠免疫組織化學明確乳腺癌的分子分型，但由于對腫瘤組織進行活檢取樣是一種具有侵入性的方法，同時取樣和分析時存在局限性[6]。相比之下，影像檢查能夠無創且從整體上反映腫瘤特征，一方面在基因水平上對每個亞型內的差異進一步分析,另一方面能夠多次動態評價治療效果[7]。

根據美國國立綜合癌癥網絡(National Comprehensive Cancer Network，NCCN)指南，胸部CT增強掃描已被列入乳腺癌患者術前常規檢查之一。不同于乳腺X線攝影、超聲及磁共振檢查對乳腺病灶的直觀評估，胸部CT增強掃描的主要目的是用于輔助臨床分期。通常認為CT檢查對微小鈣化的顯示不及乳腺X線攝影，對乳腺囊實性病變的診斷準確性不及超聲，對乳腺良、惡性病變的鑒別也無顯著特異性。但隨著影像組學的發展[8,9]，我們假設這種新的手段可以在乳腺癌患者術前分期CT中提取出以往肉眼無法直接觀測到的信息，而這些信息有可能與腫瘤的分子分型、生物學特性等存在一定的關系，從而使術前常規CT掃描在輔助臨床分期之外，提供對病灶特征評估有益的附加信息，目前國內外尚未見相關報道。

本研究擬基于影像組學的方法，在不額外增加患者輻射劑量和經濟負擔的前提下，進一步挖掘乳腺癌術前常規CT圖像數據中蘊含的信息，旨在探討術前分期CT在預測三陰性乳腺癌分子分型中的附加價值。

材料與方法

1.研究對象

本研究經醫院倫理委員會批準，并免除知情同意要求。回顧性收集2016年6月至2018年1月經我院病理組織活檢或手術確診的乳腺癌患者。病例納入標準：①經手術和/或活檢組織病理學證實的腫塊型乳腺浸潤性癌；②具備用于術前評估乳腺癌臨床分期且未經治療的胸部增強CT掃描圖像；③免疫組織化學資料完整，可獲得分子分型。病例排除標準：①圖像質量不佳，影響病灶觀察及勾畫；②相關臨床資料或病理信息不完整；③特殊類型的乳腺癌。

2.免疫組化獲得分子分型

所有患者均進行了乳腺腫瘤活檢或手術，獲得的病理標本均進行免疫組織化學檢測，包括雌激素受體(estrogen receptor，ER)、孕激素受體(progesterone receptor，PR)、人表皮生長因子受體2(human epidermal growth factor receptor2，HER2)和Ki-67。將乳腺癌分為以下4型：Luminal A 型、Luminal B 型、HER2 過表達型和三陰性(triple negative,TN)[10]。

3.CT掃描方案

采用Brilliance iCT 256 (Philips Healthcare,Cleveland OH,USA)、Somatom Definition Flash (Siemens Healthcare,Forchheim,Germany)、Philips Ingenuity CT (Philips Healthcare,Cleveland,Ohio,USA)及LightSpeed VCT (GE Medical systems, Milwaukee, Wis, USA)掃描儀進行術前胸部CT增強掃描。CT掃描參數：管電壓120 kVp，管電流150 mAs；Brilliance iCT 256、Somatom Definition Flash和Philips Ingenuity CT旋轉時間為0.5 s，LightSpeed VCT旋轉時間為0.4 s；探測器準直分別為128×0.625 mm、2×64×0.6 mm、64×0.625 mm及64×0.625 mm；視野為350 mm×350 mm，矩陣為512×512，重建層厚為1.0 mm或1.25 mm。CT掃描方案：首先行常規CT平掃，采集平掃CT圖像；其次行增強CT掃描，采用高壓注射器(Ulrich CT Plus 150,Ulrich Medical,Ulm,Germany)經靜脈注射非離子型對比劑優維顯80～100 mL(370 mg I/mL)，流率4 mL/s，分別于注射對比劑后18 s、35 s采集肺動脈期、主動脈期CT圖像。

4.影像組學特征提取

采用基于MATLAB 2014a (Mathworks,Natick,MA,USA)軟件進行影像組學分析。興趣區(region of interest，ROI)的放置由兩位放射科醫生(分別具有3年和7年的乳腺影像診斷經驗)使用itk-SNAP軟件(http://www.itksnap.org/pmwiki/pmwiki.php)完成。選取主動脈期圖像，剔除病灶顯示不清或非腫塊型病灶，沿腫塊病灶邊緣逐層手動勾畫ROI，ROI應盡量包括整個病灶，注意避開病灶內壞死、鈣化及氣體影等，最終得到整個瘤體感興趣體積(volume of interest,VOI)。第一位醫生(醫生1)放置ROI并進行影像組學特征提取一次，1周后再進行第二次ROI放置及特征提取，用于測量者自身一致性的評估；另一位醫生(醫生2)僅進行ROI放置及特征提取一次，與醫生1的第一次測量進行測量者間的一致性評估。

所提取的影像組學特征主要分為三類：①一階統計特征；②形態學特征；③紋理特征。每例患者的術前CT圖像共提取182個影像組學特征(表1)。

表1 提取的影像組學特征

5.統計學分析

患者臨床病理基線資料的比較:對患者臨床病理基線資料訓練組與驗證組間的差異性比較依據數據特征采用卡方檢驗(年齡)、獨立樣本t檢驗或Mann-Whitney U檢驗進行統計學分析。

觀察者自身及之間的一致性評估:采用組內和組間相關系數(intra and interclass correlationcoefficients,ICCs)對醫生1自身和兩位測量者間的一致性進行評價。采用醫生1的兩次測量數據計算測量者自身的ICC；采用醫生1的第一次測量結果與醫生2的測量結果計算測量者間的ICC。ICC>0.75認為其一致性好。

特征篩選和影像組學標簽的建立:采用Lasso-logistic回歸模型篩選基于動脈期VOI提取的對乳腺癌三陰性狀態具有預測意義的影像組學特征。通過選取的特征與對應加權系數乘積的線性組合依次形成每例患者的影像組學標簽，并計算相應值。

影像組學標簽預測效能的評價:應用受試者工作特征(receiver operator characteristic,ROC)曲線的曲線下面積(area under curve,AUC)評估建立的影像組學標簽對乳腺癌三陰性狀態的鑒別預測效能,AUC越大證明其診斷效能越高。計算相應的ROC曲線下面積(AUC)、敏感度、特異度，均包括95%置信區間的計算。以上分析的界值(cut-off points)以最大約登指數(youden index)(敏感度+特異度-1)確定。

采用R軟件(版本：3.0.1；http://www.Rproject.org)進行統計學分析。加載相應的程序包或函數完成相應的統計檢驗。以P<0.05為差異有統計學意義。

結 果

1．人口學及臨床特征

共納入481例腫塊型乳腺浸潤性癌病例形成研究隊列，其中TNBC 50例，根據病例號，采用隨機數字法，按照樣本量1∶2隨機抽樣選取三陰性乳腺癌與非三陰性乳腺癌共計150例患者(90例作為訓練組，60例作為驗證組)進行分析，患者均為女性。TNBC患者的年齡為23～81歲，中位年齡49歲；NTNBC 患者的年齡為26～73歲，中位年齡49歲，兩組患者的年齡差異無統計學意義(P>0.05,表2)。

表2 乳腺癌患者的臨床資料及病理結果比較

2．觀察者自身及之間的一致性評估

基于醫生1與醫生2 提取的特征計算得出測量者間的一致性較好(ICC為0.785～0.998)，基于醫生1兩次提取的特征計算得出測量者內的一致性較好(ICC為0.812～0.998)。因此，下述分析均基于醫生1第一次提取的特征。

3．影像組學標簽的建立

通過Lasso-Logistic回歸模型共篩選出具有非零系數的5個影像組學特征(圖1)。基于這些特征與之相應的系數乘積的線性組合構建影像組學標簽(公式1)。訓練組中，TNBC 組患者的影像組學標簽值為-0.496(四分位數間距-0.707，-0.222)，高于NTNBC組患者的-0.864(四分位數間距-1.031，-0.634)，差異有統計學意義(P<0.001)；驗證組中，TNBC組和NTNBC組患者的影像組學標簽值分別為-0.603(四分位數間距-0.902，-0.346)和-0.899(四分位數間距-1.010，-0.768)，差異也具有統計學意義(P<0.001)。

影像組學標簽值=-2.61548+0.010178×compactness1-50.3070×GLZM_ZP+0.11981×GLSZM_SAHGLE+0.26238×band_max+1.43099×band_mean

(1)

4．預測效能評估

本研究建立的影像組學標簽對乳腺癌分子分型三陰性具有較好的預測效能。訓練組中的AUC為0.766(95% CI：0.743～0.789)，敏感度為0.667，特異

圖1 采用Lasso-Logistic回歸模型對影像組學特征進行篩選。a)縱坐標為二項式偏差(binomial deviance)，橫坐標為log(lambda)。模型中使用十倍交叉驗證方法，通過調節不同參數lambda實現模型的二項式偏差最小，從而篩選出與三陰性乳腺癌相關聯的特征集合。本研究共篩選出5個特征；b)為特征篩選過程的系數收斂圖。縱坐標表示特征在模型中的各自系數，橫坐標為log(lambda)。垂直線對應采用十折交叉驗證后擬合篩選出的非零特征，共篩選出5個特征。 圖2 影像組學標簽對乳腺癌三陰性狀態預測的ROC曲線。a)訓練組的ROC曲線；b)驗證組的ROC曲線。

度為0.833，陽性預測值為0.655，陰性預測值為0.820；在驗證組中的AUC為0.758(95% CI：0.718～0.798)，敏感度為0.65，特異度為0.925，陽性預測值為0.800，陰性預測值為0.822(圖2)。

討 論

通過本次研究，我們首次探討了基于術前分期CT的影像組學標簽在術前鑒別TNBC與NTNBC的價值，可以為臨床治療決策提供參考信息。本研究回顧性分析的圖像，均為我院已有的用于乳腺癌術前分期的胸部增強CT圖像，并沒有額外增加患者的輻射劑量與經濟負擔，這對于術前分期CT獲得的主觀特征，影像組學方法對圖像信息的挖掘，具有附加的臨床價值。

目前，乳腺癌臨床治療方案的制定主要依據分子分型，TNBC的生物學特征不同于其他類型的乳腺癌，相同治療方案的TNBC患者其反應及預后也不盡相同,其原因是由于腫瘤的異質性[11]。由于腫瘤生長過程中時間和空間存在差異性，病理活檢有時并不能代表完全的腫瘤組織特點，而影像組學標簽由圖像中提取得到的定量化特征構成，與腫瘤病灶的主觀定性特征相比，可以更全面、無創地定量描述腫瘤異質性[12-14]。本研究聯合了5個CT圖像特征構建影像組學標簽，作為預測乳腺癌分子分型的影像生物標志，成功將TNBC與NTNBC患者進行分層(P<0.0001)。此外，本研究提取得到大量影像組學特征，在解決高通量計算中普遍面臨的預測因子篩選問題中，采用了一種懲罰估計技術——Lasso logistic回歸模型，以實現變量篩選，最終得到了由5個影像組學特征組成的影像組學標簽，顯示了較好的預測效能。在此之前，相關學者基于乳腺X線攝影、磁共振的影像組學鑒別TNBC與NTNBC做了較多研究[15-17]，但都沒有驗證。本研究通過將訓練組得到的預判能力閾值用于驗證組進行驗證，使實驗結果更可靠。同時，我們發現用于術前評估患者臨床分期的CT圖像，可以通過影像組學的方法進一步挖掘并獲得圖像特征，這些特征構建的標簽在預測三陰性乳腺癌中有較高的特異度(訓練組為0.833，驗證組為0.925)。對比乳腺癌其他分子分型，TNBC對靶向治療及內分泌治療效果差，對化療敏感性較高，而化療具有潛在的毒性，為了使化療得到合理的運用，降低潛在風險，影像組學標簽的高特異度可能會為乳腺癌個體化治療帶來額外的價值。分期CT屬于臨床常規檢查，不會增加患者的輻射劑量和經濟負擔，可為臨床診療提供額外的信息，因此具有一定的臨床應用價值。

本研究有一定的局限性：首先，這是對單個機構獲得的圖像進行回顧性分析。在后續研究中，需增大樣本量，利用多中心數據對本研究結果進行驗證；其次，本研究基于臨床分期CT進行數據挖掘，未針對乳腺病灶進行數據采集優化。

綜上所述，基于術前分期CT建立的影像組學標簽有助于乳腺癌分子分型及TNBC與NTNBC的鑒別，這是術前常規胸部增強CT掃描在輔助臨床分期之外的附加臨床價值，可為臨床治療決策提供參考。