基于CT影像組學結合機器學習模型預測食管胃結合部腺癌人表皮生長因子受體2狀態

王書興，張 晗，陳奕晴，梁治平，步 軍

(暨南大學附屬廣州紅十字會醫院放射科，廣東 廣州 510220)

食管胃結合部腺癌(adenocarcinoma of esophagogastric junction,AEG)指發生于食管遠端和胃賁門交界區、獨立于食管癌和胃癌的腫瘤[1-2]，近年來發病率不斷增加[2]；手術切除結合術后靶向治療可提高患者術后總生存率[3-4]。人表皮生長因子受體2(human epidermal growth factor receptor-2，HER2)是治療AEG最重要的靶向基因，術前預測AEG的HER2狀態對靶向治療具有重要意義。本研究評估基于CT影像組學結合機器學習模型術前預測AEG HER2狀態的價值。

1 資料與方法

1.1 一般資料 回顧性分析2014年10月—2021年1月廣州市紅十字會醫院收治的101例AEG患者，男84例，女17例，年齡59～94歲，平均(79.2±7.0)歲；均為單發病灶。納入標準：①術后病理證實為AEG，且經免疫組織化學(immunohistochemistry，IHC)或熒光原位雜交(fluorescence in situ hybridization,FISH)檢測評估HER2狀態；②術前1個月內接受腹部CT增強檢查，且此前未接受化學(簡稱化療)及放射治療(簡稱放療)。排除標準：①存在遠處轉移；②臨床或病理資料不全；③無法于CT圖像中識別病灶。按7∶3比例將患者分為訓練集(n=70)和驗證集(n=31)。

1.2 儀器與方法 囑患者檢查前禁食8 h以上，掃描前飲水600～1 000 ml。采用Philips Brilliance 64排螺旋CT儀行腹部掃描，范圍覆蓋食管遠端及胃部區域。參數：管電壓100～120 kV，管電流250 mA，FOV 360 mm×360 mm，層厚3 mm，轉速0.75 s/rot；經肘靜脈以流率3.5 ml/s注入對比劑碘海醇(370 mgI/ml)1.5 ml/kg體質量，分別于注藥后30、50 和180 s行動脈期、門靜脈期及延遲期掃描。

由2名具有15年腹部診斷經驗的影像科主任醫師采用雙盲法分析CT圖像，根據第8版美國癌癥聯合委員會TNM分期標準[5]行T、N分期，并測量胃壁厚度；腫瘤中心距離胃賁門≤2 cm時依據食管腺癌進行分期，>2 cm則依據胃癌進行分期[6]；意見不一致時經討論決定。記錄血清癌胚抗原(carcinoembryonic antigen，CEA)水平，CEA<6.3 ng/ml為正常，≥6.3 ng/ml為異常。

1.3 腫瘤分割 將腹部門靜脈期CT圖像導入ITK-SNAP軟件(version 3.8.0,http://www.itksnap.org)，由2名具有3年腹部診斷經驗的影像科醫師(醫師A和B)分別于顯示病灶最大層面圖像中避開壞死和脂肪組織區域沿病灶邊緣手動勾畫ROI(圖1)，意見不一致時由另1名具有15年以上腹部影像學診斷經驗的主任醫師C判定，以后者分割結果為最終結果。1周后由醫師A再次勾畫所有病灶ROI。

1.4 提取及篩選影像組學特征 將病灶ROI導入Python軟件(version 3.7，https://www.python.org)，以Pyradiomics軟件包提取影像組學特征。對所有圖像數據進行重采樣，以最小-最大標準化對圖像強度行歸一化。采用組內相關系數(intra-class correlation efficient，ICC)評估醫師A與醫師B間及醫師A兩次提取影像組學特征的一致性。以五折交叉驗證最小絕對值選擇與收縮算子(least absolute shrinkage and selection operator，LASSO)回歸方法于訓練集中篩選最佳影像組學特征,之后以影像組學標簽公式計算影像組學分數(Rad-score)。

1.5 病理檢查 對IHC HER2染色結果進行評分，將IHC 0或+歸為HER2(-)、IHC (+++)歸為HER2(+)；IHC評分為++時，進一步行FISH檢測，有基因擴增判定為HER2(+)，無基因擴增判定為HER2(-)。

1.6 模型建立及統計學分析 采用SPSS 22.0統計分析軟件和R語言軟件。計量資料符合正態分布時以±s表示，行t檢驗；不符合時以中位數(上下四分位數)表示，行Mann-Whitney U檢驗。采用χ2檢驗比較計數資料。以多因素logistic回歸分析HER2狀態的獨立預測因子，采用R語言軟件中的“e1071”軟件包支持向量機(support vector machine，SVM)方法建立影像組學SVM模型及影像組學-臨床聯合SVM模型，預測AEG的HER2狀態。應用受試者工作特征(receiver operating characteristic，ROC)曲線，計算相應曲線下面積(area under the curve,AUC)評估,模型的診斷效能，并以DeLong檢驗比較AUC差異。P<0.05為差異有統計學意義。

2 結果

病理結果顯示，101例患者中，46例HER2(+)，55例HER2(-)；訓練集中，32例HER2(+)，38例HER2(-)；驗證集中，14例HER2(+)，17例HER2(-)。

2.1 訓練集和驗證集中不同HER2狀態患者比較 訓練集HER2(+)與HER2(-)患者的腫瘤厚度、T分期、N分期及Rad-score差異均有統計學意義(P均<0.05)；驗證集HER2(+)與HER2(-)患者Rad-score差異有統計學意義(P均<0.05)。見表1。

表1 訓練集和驗證集不同HER2狀態患者比較

2.2 影像組學特征 共提取1 295個影像組學特征，包括251個一階特征和1 044個紋理特征；以ICC>0.75為標準，篩選出904個影像組學特征，再經LASSO邏輯回歸分析選出7個系數非零的最佳影像組學特征(圖2)，包括2個一階特征和5個紋理特征，并計算Rad-score。影像組學標簽公式為：

Radiomics score=-26.39+0.04×logarithm_glcm_Correlation+14.90×wavelet.HHH_glcm_JointEntropy-0.22×wavelet.HHL_firstorder_Kurtosis+0.01×wavelet.LHL_firstorder_90Pencentile-3.58×wavelet.LLH_glcm_InverseVariance+0.57×wavelet.LLH_glrlm_RunVariance-19.13×wavelet.LLL_glszm_GrayLevelNonUniformityNormalized

2.3 SVM模型效能評價 將腫瘤厚度、T分期、N分期及Rad-score納入多因素logistic回歸分析，結果顯示T分期和Rad-score為AEG HER2狀態的獨立危險因素(表2)。以Rad-score建立影像組學SVM預測模型，ROC曲線(圖3)顯示，其在訓練集數據預測HER2狀態的AUC為0.86[95%CI(0.78，0.94)]；在驗證集數據中的AUC為0.78[95%CI(0.63，0.92)]，見表3。

表2 多因素邏輯回歸分析影響HER2狀態的因素

表3 SVM模型預測AEG HER2表達的效能(%)

以T分期及Rad-score建立影像組學-臨床聯合SVM模型，ROC曲線(圖3)顯示，其在訓練集數據預測HER2狀態的AUC為0.91[95%CI(0.85，0.98)]；在驗證集數據中的AUC為0.87[95%CI(0.75，0.99)]，見表3。DeLong檢驗結果示，在訓練集及驗證集中，影像組學SVM模型與影像組學-臨床聯合SVM模型預測AEG HER2表達的AUC差異均無統計學意義(Z=-2.03、-1.25，P=0.42、0.20)。

3 討論

AEG發病較晚，患者年齡多大于60歲，男性多于女性[7]。本研究發現不同HER2狀態AEG T分期差異有統計學意義，且T分期是HER2狀態的獨立預測因子，原因可能在于HER2(+)與AEG侵襲行為呈正相關,HER2(+)腫瘤更易侵犯周圍組織[8]。J?RGENSEN等[9]認為淋巴結轉移與HER2表達有關。本研究以淋巴結大小為判斷轉移與否的標準，而CT難以區分微小轉移淋巴結與炎性增生淋巴結，結果顯示不同HER2狀態N分期差異無統計學意義。本研究不同HER2狀態腫瘤厚度差異有統計學意義，但并非HER2狀態的獨立預測因子；分析原因，HER2過表達可增加新生血管數量，促進病灶進一步生長，增加原發腫瘤最大厚度，但隨之易發生液化和壞死，導致腫瘤實性成分減少，所分泌的表達因子亦減少。既往研究[10]報道，HER2狀態與胃癌CEA蛋白表達呈正相關；但亦有研究[11]顯示血清CEA水平與胃癌HER2過表達無明顯相關。本研究不同HER2狀態AEG之間CEA水平差異無統計學意義，可能由于CEA蛋白為廣譜腫瘤標記物，廣泛存在消化系統腫瘤中，不適用于預測AEG HER2狀態。

既往研究[12]表明，HER2(+)與HER2(-)AEG門靜脈期增強CT強化程度存在差異,基于門靜脈期圖像能提取更有價值的影像組學特征。本研究共篩選7個最佳影像組學特征，包括2個一階特征和5個紋理特征(包括灰度共生矩陣、灰度區域大小矩陣、灰度游程矩陣)。一階特征中的峰度反映腫瘤高增殖率和異質性，HER2(+)往往加速癌細胞生長和分裂，刺激細胞增殖和血管生成，均可能導致腫瘤峰度增高[13]；而腫瘤的灰度共生矩陣、灰度區域大小矩陣、灰度游程矩陣等紋理特征與HER2狀態相關[14]。對多個一階和紋理特征進行線性加權，將其整合為Rad-score已有利于個體化管理胃食管腫瘤[15]。影像組學與機器學習算法相結合，可構建具有特異性的預測模型，為臨床診斷提供支持[15-17]。本研究將與HER2相關的影像組學特征整合成Rad-score，通過SVM建立的影像組學SVM模型及影像組學-臨床聯合SVM模型用于預測HER2狀態均具有良好效能，且診斷效能相當。

綜上，基于CT影像組學建立SVM模型有助于術前預測AEG的HER2狀態，其效能與聯合臨床資料建立的影像組學-臨床聯合SVM模型相當。但本研究為單中心研究，存在選擇偏倚，有待多中心研究加以驗證。