能譜CT 參數Logistic 回歸模型預測中晚期非小細胞肺癌EGFR 基因突變的價值

余瑩瑩，甘曉晶，許曉燕，周誠，周永，文 智

（新疆醫科大學附屬腫瘤醫院CT室，新疆 烏魯木齊 830011）

由于分子靶向藥物的不斷發展，對肺癌基因突變的研究也不斷深入，尤其是表皮生長因子受體（EGFR）基因，有些學者主張將EGFR 基因突變的檢測作為一種常規檢查方式[1]。CT 作為肺癌診斷、分期及療效評價的必要檢查手段，其一些征象與肺癌EGFR 基因突變之間存在相關性[2-3]。而能譜CT 不僅能夠提供形態學征象，還能夠提供定量參數[4]。因此，本研究主要通過研究能譜CT 形態學征象及定量參數與EGFR 基因突變之間的相關性，并建立Logistic回歸模型，預測中晚期非小細胞肺癌EGFR 基因突變的情況。

1 資料與方法

1.1 臨床資料

收集2017 年1 月—2019 年12 月在我院接受能譜CT 掃描的79 例中晚期非小細胞肺癌患者的影像資料，其中男49例，女30例，年齡39～81歲，平均（60.75±9.656）歲。病理學分級Ⅲ級28例，Ⅳ級51 例。檢查前所有患者均簽署知情同意書。納入標準：①臨床診斷肺占位的患者，經病理證實為非小細胞肺癌；②臨床分期為Ⅲ、Ⅳ期的患者；③能譜CT檢查前未行任何治療者；④行能譜CT GSI 模式動、靜脈期增強掃描；⑤有足夠的病理組織標本行EGFR 基因突變檢測者。排除標準：①首次能譜CT檢查前行相關治療者；②病理組織未行EGFR 基因突變檢測者；③臨床資料不完整者。

1.2 檢查方法

1.2.1 能譜CT 掃描

采用GE Discovery HD 750 CT 掃描機，于深吸氣末屏氣后掃描。管電壓為高低能量（140kVp 和80kVp）瞬時（<0.5 ms）切換，自動電流，旋轉時間0.6 s/周，層厚和層間距5 mm，螺距0.984。使用高壓注射器由肘靜脈注入含碘對比劑100 mL，注射速率3.0 mL/s，開啟GSI 模式，注射對比劑后掃描動脈期（25 s）、靜脈期（55 s）。

1.2.2 EFGR 基因檢測方法

每例標本取病變組織一塊，中性甲醛固定后，石蠟包埋，4 μm 連續切片，二甲苯脫蠟，稀釋酒精連續水化，抗原修復，3%的新鮮過氧化氫甲醇阻斷，PBS用于所有后續的洗滌，嚴格按照試劑說明書滴加一抗（一抗濃度均為1∶100）、二抗，DAB 顯色，蘇木精復染，顯微鏡診斷并采集圖片。陽性對照由試劑公司提供，陰性對照用PBS 代替一抗。

1.2.3 數據測量與處理

能譜CT 形態學征象采集：將影像數據上傳至ADW 4.6 工作站，采集的形態學征象包括腫瘤直徑、邊界（清楚、模糊）、分葉征、毛刺、血管集束征、胸膜凹陷征、空泡、壞死、包繞血管、包繞支氣管、阻塞性肺炎、阻塞性肺不張、肺內轉移、縱隔淋巴結轉移、胸膜轉移、胸腔積液、心包積液、遠處轉移、骨轉移。

能譜定量參數采集：在ADW 4.6 工作站上的GSI Viewer 軟件中測量數據。選取病灶最大、密度均勻的3 個連續層面作為感興趣區（Region of interest，ROI）。測量病灶40～100 keV 間隔10 keV 的單能量CT值、碘濃度（ICles）、水濃度（WCles）及同層面降主動脈或鎖骨下動脈的碘濃度（ICao）、水濃度（WCao）。計算標 準化碘濃度（Normalized iodine concentrations，NIC）、標準化 水濃度（Normalized water concentrations，NWC）及能譜曲線斜率（λHU）。NIC=ICles/ICao，NWC=WCles/WCao，λHU=（|CT40keV-CT100keV|）/（100-40）。70 keV 單能量水平對應的ΔCT值=增強后CT值-平掃CT值。3 個ROI 的數據計算平均值。

1.3 統計學分析

采用SPSS 26.0 統計軟件對所有數據進行正態性和方差齊性檢驗，滿足正態分布和方差齊性的資料以均數±標準差（）表示，采用獨立樣本t 檢驗進行分析；不滿足正態分布或方差齊性的資料，采用秩和檢驗進行分析，以P＜0.05 表示差異有統計學意義。分析能譜CT 形態學征象及定量參數與EGFR基因突變的相關性，繪制定量參數的ROC 曲線并獲取閾值，計算曲線下面積（Area under the curve，AUC）。使用R 軟件（版本1.1.447）建立有統計學差異的能譜CT 形態學征象及定量參數的Logistic 回歸模型，繪制模型的ROC 曲線，并計算AUC。

2 結果

本研究納入的79 例患者中，EGFR 基因表達陽性者32例，EGFR 基因表達陰性者47 例。

2.1 中晚期非小細胞肺癌能譜CT 形態學征象與EGFR基因突變的相關性

比較EGFR 基因表達陽性組與陰性組的能譜CT 形態學征象，腫瘤大小、分葉征、肺內轉移、縱隔淋巴結轉移、遠處轉移和骨轉移在兩組間的差異有統計學意義（t=2.239，P=0.019；χ2=5.706，P=0.017；χ2=4.951，P=0.026；χ2=7.139，P=0.008；χ2=17.209，P＜0.01；χ2=21.149，P＜0.01），其余各征象在兩組間的差異無統計學意義（表1）。

表1 能譜CT 形態學征象與EGFR 基因突變的關系

2.2 中晚期非小細胞肺癌能譜CT 定量參數與EGFR基因突變的相關性

2.2.1 動脈期能譜CT 定量參數與EGFR 基因表達的關系

比較EGFR 基因表達陽性組與陰性組的動脈期能譜CT 定量參數指標，其中動脈期的NIC、λHU 在EGFR 基因表達陽性組中較陰性組高，且兩組間差異有統 計學意 義（t=3.528，P=0.001；t=4.534，P ＜0.05）。動脈期NWC、有效原子序數在EGFR 基因表達陽性組與陰性組間的差異無統計學意義（t=-0.275，P=0.784；t=-0.434，P=0.666）。動脈期70 keV單能量水平對應的CT值在EGFR 基因表達陽性組與陰性組之間的差異有統計學意義（t=3.028，P=0.004）（表2）。

表2 動脈期能譜CT 定量參數與EGFR 基因表達的關系

2.2.2 靜脈期能譜CT 定量參數與EGFR 基因表達的關系

比較EGFR 基因表達陽性組與陰性組的靜脈期能譜CT 定量參數，其中靜脈期NIC、λHU 在EGFR基因表達陽性組中較陰性組高，且兩組間差異有統計學意義（t=3.3，P=0.001；t=3.874，P＜0.001）；NWC、有效原子序數在兩組間的差異無統計學意義（t=0.51，P=0.612；t=-0.395，P=0.694）。靜脈期70 keV 單能量水平對應的CT值在EGFR 基因表達陽性組與陰性組間的差異有統計學意義（t=3.031，P=0.003）（表3）。

表3 靜脈期能譜CT 定量參數與EGFR 基因表達的關系

2.3 能譜CT 定量參數預測EGFR 基因突變的ROC曲線

經ROC 曲線分析顯示，靜脈期NIC 的AUC 大于其他參數的AUC，說明靜脈期NIC 預測中晚期非小細胞肺癌EGFR 基因表達的效能大于其他參數，其AUC 為0.905（P＜0.001），靈敏度為73.20%，特異度為93.80%（表4，圖1）。

表4 能譜CT 定量參數預測EGFR 基因表達的ROC 曲線分析

2.4 能譜CT 形態學征象及定量參數預測EGFR 基因突變的Logistic 回歸模型的建立

基于以上具有統計學意義的能譜CT 形態學征象及定量參數建立預測EGFR 基因突變的Logistic回歸模型，顯示肺內轉移、遠處轉移、靜脈期NIC、靜脈期λHU 是預測EGFR 基因突變的獨立因素。繪制回歸模型的ROC 曲線顯示，其AUC 為0.953，靈敏度為93.6%，特異度為87.5%（表5，圖2）。

表5 能譜CT 形態學征象及定量參數Logistic 回歸分析

3 討論

隨著對肺癌基因突變研究的日益進展，針對突變癌基因的靶向治療在肺腺癌的治療過程中起到越來越大的作用，尤其是EGFR[5-6]。靶向治療實現了個體化治療及精準治療，因此簡單快捷的基因檢測方式在肺癌的診治過程中非常重要[7-8]。本研究通過分析79 例中晚期非小細胞肺癌患者的能譜CT 形態學征象及定量參數與EGFR 基因突變的關聯，發現兩者間具有一定的相關性，建立的Logistic 回歸模型可以通過能譜CT 形態學征象及定量參數預測EGFR基因突變的情況。

3.1 能譜CT 形態學征象與EGFR 基因突變的相關性

本研究通過分析EGFR 基因突變與能譜CT 形態學征象的關系，發現腫瘤大小、分葉征、轉移征象與中晚期非小細胞肺癌EGFR 基因表達密切相關，這與以往的研究結果一致[9-10]。EGFR 在腫瘤的增值、凋亡、侵襲、轉移、血管生成過程中發揮重要作用，分葉征是腫瘤浸潤生長的表現，且腫瘤的大小在一定程度上反應了腫瘤的增殖速度。本研究中縱隔淋巴結轉移、肺內轉移、遠處轉移及骨轉移兩組間的差異有統計學意義，提示EGFR 在中晚期非小細胞肺癌病灶組織中高表達可能促進肺癌的侵襲和轉移[11]。

3.2 能譜CT 定量參數與EGFR 基因突變的相關性

比較EGFR 基因突變陽性組與陰性組的能譜CT 定量參數指標，顯示動脈期NIC、λHU 及靜脈期NIC、λHU 與肺癌EGFR 基因突變存在相關性（圖3，4）。由于一般肺組織內含碘量較少，而癌組織血供豐富，經靜脈注射含碘對比劑后，對比劑進入腫瘤血管內，從而使癌組織與正常肺組織之間存在含碘量的差別[12]。并且與測量腫瘤CT值相比，在碘基圖上碘含量的測量不易受其他因素的干擾，準確度較高，能準確反映腫瘤微血管生成情況及血供情況[13]。且NIC 的計算可使造影劑劑量、注射流速和循環中的個體差異最小化[14]。

通過測量腫瘤在40～100 keV 下的單能量CT值繪制而成的能譜曲線，計算其λHU，本研究顯示動靜脈期λHU 在EGFR 基因突變陽性組及陰性組間具有差異，這與Li 等[15]的研究結果相似。因為不同物質其λHU 不同，而腫瘤在增殖過程中其EGFR 基因突變可改變腫瘤的內部結構[16]，使EGFR 基因突變陽性組與陰性組之間存在差異。

3.3 能譜CT 形態學征象及定量參數的Logistic 回歸模型的建立

在本研究中，經Logistic 回歸多因素分析得出，肺內轉移、遠處轉移、靜脈期NIC、靜脈期λHU 是EGFR 基因突變的獨立因素。能譜CT 定量參數ROC 曲線的AUC 顯示靜脈期NIC 的AUC（0.905）最大，其判斷EGFR 基因突變的靈敏度及特異度也最高（靈敏度為73.2%，特異度為93.8%），與Li 等[17]的研究結果相一致。這是因為λHU、NIC 是反映肺腫瘤血供的定量參數，而EGFR 突變可引起血管生長因子的表達上調，從而間接的促進腫瘤新生血管的形成，增加腫瘤的血供，使λHU、NIC 在EGFR 基因突變陽性組中高于陰性組。基于能譜CT 形態學征象及定量參數構建的Logistic 回歸模型，其AUC為0.936，靈敏度為87.5%，特異度為95.3%，具有較高的診斷效能，在預測中晚期非小細胞肺癌EGFR基因突變中有一定的價值，這與Zhang 等[18]的研究結論相似。

本研究的局限性：首先，入組樣本量相對較少，這可能與EGFR 基因突變發生率低有關。其次，本研究中納入的病例為中晚期非小細胞肺癌患者，且本研究中能譜CT 定量參數經ROC 曲線所得的閾值是基于本研究樣本得到的，其準確性需要更大的樣本量進行驗證。再次，本研究需要大樣本進行外部驗證。

綜上所述，能譜CT 形態學征象及定量參數與中晚期非小細胞肺癌EGFR 基因突變之間具有相關性，基于兩者建立的Logistic 回歸模型在預測EGFR基因突變中有一定的價值，為臨床療效評價及制定個體化治療方案提供更加客觀的影像依據。