基于增強CT影像組學特征預測難治性惡性黑色素瘤肺轉移患者的免疫治療療效

常 燃，侯芳婧，朱海濤，崔傳亮，李曉婷，孫應實，高順禹*

(1.北京大學腫瘤醫院暨北京市腫瘤防治研究所醫學影像科，惡性腫瘤發病機制及轉化研究教育部重點實驗室，北京 100142；2.滿洲里市人民醫院放射科，內蒙古 呼倫貝爾 021400；3.北京大學腫瘤醫院暨北京市腫瘤防治研究所腎癌黑色素瘤內科，北京 100142)

轉移性惡性黑色素瘤(malignant melanoma, MM)侵襲性較高。近年來，程序性死亡受體1(programmed death receptor, PD-1)/程序性死亡配體1(programmed death ligand, PD-L1)抑制劑治療晚期惡性黑色素瘤效果日漸凸現[1-2]。CT是黑色素瘤術后復查及評價輔助治療療效的重要手段。本研究探討CT相關影像組學特征可否用于預測免疫治療黑色素瘤效果。

1 資料與方法

1.1 一般資料 回顧性分析2017年1月—2019年12月49例惡性黑色素瘤肺轉移患者，男24例，女25例，年齡24～75歲，平均(51.6±11.6)歲；均接受二線PD-1單抗單藥(JS001，特瑞普利單抗)免疫治療，靜脈注射240 mg/次，每2周1次，根據治療反應決定具體療程。納入標準：①惡性黑色素瘤術后出現肺轉移、經化療無效或進展；②接受既定方案PD-1單抗免疫治療；③治療前2周內接受胸部增強CT；④臨床、影像學及病理資料完整。排除標準：①未能接受完整免疫治療；②因碘過敏或其他原因不能接受增強CT或CT圖像質量差、數據不完整；③合并其他惡性腫瘤；④肺轉移瘤病理診斷結果不明確。按照實體瘤療效評價標準(respond evaluation criteria in solid tumors, RECIST)RECIST 1.1[3]評價療效(即RECIST 1.1真值)，入組病例經免疫治療后平均無進展生存時間(9.84±10.43)個月，根據療效分為疾病進展組(n=17)和非進展組(n=32)，后者包含部分緩解組(n=16)和疾病穩定組(n=16)。

1.2 儀器與方法 采用GE Discovery CT750 HD寶石能譜CT機，掃描范圍自肺尖至肺底，管電壓120 kV，采用自動mAs技術，螺距1.375∶1。采用Ulrich高壓注射器以流率3.5 ml/s經肘正中靜脈注入非離子型對比劑(碘海醇300 mgI/ml) 1.0 ml/kg體質量，再以相同流率注射生理鹽水30 ml，30 s后行動脈期增強掃描。圖像重建層厚及層間距均為5.0 mm，同時行標準算法縱隔窗圖像重建(窗寬350 HU，窗位40 HU)和骨算法肺窗圖像重建(窗寬1 500 HU，窗位-500 HU)。

1.3 圖像采集與分割 從圖像存儲與傳輸系統(picture archiving and communications systems, PACS)導出圖像，以3D-Slicer軟件在增強CT肺窗圖像上手動逐層勾畫ROI，直至包含整個肺內轉移灶。由1名專業方向為胸部診斷的影像學主治醫師完成病灶分割，以不同顏色在圖中突出顯示不同靶病灶勾畫區域，見圖1；再經另1名專業方向為腫瘤影像學診斷的主任醫師確認病灶分割結果，必要時加以修正。

圖1 患者女，26歲，惡性黑色素瘤肺轉移，于肺窗圖像上選取靶病灶 A. 靶病灶1(綠圈)位于右肺上葉； B. 靶病灶2(黃圈)位于左肺尖

表1 訓練組、測試組一般資料比較

1.4 特征篩選與模型建立 采用scikit-learn軟件包的Pyradiomics程序[4-6]提取、分析靶病灶特征。按照7∶3比例隨機將患者分為訓練組(n=34)和測試組(n=15)，比較2組患者年齡、性別及療效；以訓練組數據構建模型，以測試組數據進行檢驗。首先按照如下公式對特征參數進行z-score標準化：

1.5 統計學分析 采用SPSS 20.0統計分析軟件。以獨立樣本t檢驗比較年齡，以χ2檢驗比較性別和療效，P<0.05為差異有統計學意義。對比模型預測進展概率與RECIST 1.1真值間，繪制受試者工作特征(receiver operating characteristic, ROC)曲線，計算曲線下面積(area under the curve, AUC)；以約登指數最大值所對應的點(即敏感度與特異度之和最大的點)作為界值區分進展與非進展，計算陽性預測值與陰性預測值。采用R語言(4.0.2)軟件的決策曲線分析(decision curve analysis, DCA)評價模型獲益，曲線橫軸為風險閾值，預測概率在該閾值之上則為陽性；縱軸為凈獲益，定義為真陽性樣本數-假陽性樣本數×風險閾值/(1-風險閾值)。

2 結果

2.1 一般特征 訓練組和測試組患者年齡、性別及療效差異均無統計學意義(P均>0.05)，見表1。

2.2 影像組學特征 對每個病灶提取841個特征，包括13個形狀特征、92個灰度特征及其8種小波變換后特征(3個方向上的高通和低通濾波)。92個灰度特征包括23個灰度共生矩陣特征(gray level co-occurrence matrix, GLCM)、18個一階灰度特征(first order features)、16個灰度區域大小矩陣特征(gray level size zone matrix, GLSZM)、16個灰度游程矩陣特征(gray level run length matrix, GLRLM)、14個灰度相關矩陣特征(gray level dependence matrix, GLDM)和5個相鄰灰度差分矩陣特征(neighboring gray tone difference matrix, NGTDM)。最終提取3個特征，即wavelet-HHH_glszm_Low Gray Level Zone Emphasis、wavelet-HHL_first order_Skewness和wavelet-LLL_gldm_Small Dependence High Gray Level Emphasis，其在SVM模型中的系數分別為1.47、-1.38和3.38。

表2 影像組學模型對訓練組和測試組的預測結果(例)

圖3 DCA曲線 Radiomics model(實線)表示影像組學模型結果，None(短虛線)表示將所有樣本按照陰性(非進展)處理結果，All(長虛線)表示將所有樣本按照陽性(進展)處理結果

ROC曲線(圖2)顯示訓練組AUC為0.913 (95%CI:0.777，1.000)，測試組AUC為0.860(95%CI: 0.643，1.000)。以敏感度與特異度平衡點，即二者之和最大值所對應的概率作為閾值判定病變是否進展，該平衡點下的混淆矩陣分別描述模型在訓練組和測試組的真陽性、假陽性、真陰性和假陰性例數(表2)，計算得到預測訓練組病變進展的敏感度、特異度、準確率、陽性預測值和陰性預測值分別為83.3%、95.5%、91.2%、90.9%和91.3%；預測測試組病變進展的敏感度、特異度、準確率、陽性預測值和陰性預測值分別為80.0%、80.0%、80.0%、66.7%和88.9%。DCA曲線顯示影像組學模型在風險閾值0.1～1.0間較大范圍內的凈收益優于None模型和All模型(圖3)。

圖2 訓練組和測試組影像組學模型ROC曲線

3 討論

免疫治療通過激發體內免疫系統殺傷腫瘤細胞，增強腫瘤免疫微環境[7-8]。腫瘤免疫重建過程中，免疫檢查點通路激活可引起腫瘤免疫逃逸，故治療前應嚴格篩選適用的患者群體，但目前尚缺少有效的預測性指標。通過對圖像信息進行定量化處理，影像組學可提取大量與腫瘤形態學、組織學相關的影像特征參數，以反映腫瘤異質性和生物學行為，用于診斷病變、評估預后及預測療效具有很好的臨床應用前景[9]。

本研究提取的惡性黑色素瘤肺內轉移靶病灶增強CT影像組學3個特征參數分別為wavelet-HHH_glszm_LowGrayLevelZoneEmphasis、wavelet-HHL_firstorder_Skewness和wavelet-LLL_gldm_SmallDependenceHighGrayLevelEmphasis。第1個特征為3個方向高通小波變換后的灰度區域大小矩陣特征，反映低灰度區域在圖像中所占比例；林春苗等[10]認為該參數主要通過量化病灶中像素值相同區域來描述病灶的復雜性、紋理的粗細程度等信息，該值越大提示病灶越復雜、異質性越強，進展可能越大，該特征與腫瘤進展呈正相關。第2個特征為層內高通濾波層間低通濾波后灰度分布的偏度特征，反映灰度分布相對于均值的對稱性，病灶內灰度分布越偏向低信號，則腫瘤異質性越高、進展可能越大，該特征與腫瘤進展呈負相關。第3個特征為3個方向低通濾波后的相鄰灰度差分矩陣特征，張靜等[11]認為該特征反映高灰度像素周圍小范圍內高灰度像素數量，代表病灶對周圍組織的小范圍微浸潤，數量越多代表微浸潤越顯著，反映腫瘤生物學行為對周圍微環境異質性的改變，該特征與腫瘤進展呈正相關。

本研究訓練組與測試組AUC均在0.85以上，敏感度、特異度和準確率均在0.8以上，而陰性預測值則均在0.89以上，提示基于黑色素瘤術后肺轉移胸部CT增強紋理分析模型預測PD-1免疫治療效果的效能良好。為避免過擬合，通常納入模型的特征數不超過訓練組中單類樣本數的1/3。本研究樣本量較少，訓練組中發生進展的樣本數為12，而最終模型中納入的特征數為3個，可基本滿足避免過擬合要求。

本研究的不足之處：①因轉移性惡性黑色素瘤免疫治療多處于臨床試驗階段，入組樣本量少；②為回顧性分析，僅納入增強動脈期CT圖像，而未觀察平掃及靜脈期增強CT圖像。

綜上所述，胸部增強CT影像組學有助于預測難治性惡性黑色素瘤肺轉移患者對免疫治療的反應，結合臨床因素和影像學特征可預測PD-1單抗免疫治療效果。