基于臨床-影像組學(xué)列線圖模型術(shù)前預(yù)測進(jìn)展期胃癌神經(jīng)侵犯的價(jià)值

黃鈺迅，李瑞，張寶騰，牛猛，劉釗，郭順林

胃癌是全球癌癥死亡的主要原因之一，是僅次于結(jié)直腸癌的消化道第二大常見腫瘤[1]。早期胃癌癥狀不明顯，大多數(shù)患者在就診時(shí)已為進(jìn)展期。外科手術(shù)是胃癌主要的治療方式，但預(yù)后較差，在我國，約42.5%的患者在根治性切除術(shù)后兩年內(nèi)復(fù)發(fā)[2]，腫瘤復(fù)發(fā)已成為胃癌患者主要的死亡原因[3]。一系列研究表明周圍神經(jīng)侵犯(perineural invasion，PNI)與進(jìn)展期胃癌(advanced gastric cancer，AGC)的復(fù)發(fā)和不良預(yù)后有關(guān)[4-6]。PNI是指腫瘤周圍的神經(jīng)束膜或神經(jīng)束被癌細(xì)胞侵襲的過程，是腫瘤發(fā)生轉(zhuǎn)移的途徑之一[7]，只能在術(shù)中和術(shù)后進(jìn)行評估。若能術(shù)前無創(chuàng)性預(yù)測PNI，經(jīng)術(shù)中擴(kuò)大手術(shù)切除及淋巴結(jié)清掃范圍(包括腹主動(dòng)脈旁淋巴結(jié)清掃)以及術(shù)前、術(shù)后使用5-氟尿嘧啶聯(lián)合順鉑輔助化療(FP方案)，可有效改善AGC患者的預(yù)后[8-9]。目前，還沒有結(jié)合臨床和影像組學(xué)特征的列線圖模型對AGC患者進(jìn)行術(shù)前預(yù)測PNI的相關(guān)報(bào)道。本文擬探討基于增強(qiáng)CT影像組學(xué)特征和臨床獨(dú)立危險(xiǎn)因素構(gòu)建的列線圖模型術(shù)前預(yù)測AGC患者發(fā)生PNI的價(jià)值，旨在優(yōu)化術(shù)前決策，改善AGC患者的預(yù)后。

材料與方法

1.研究對象和臨床資料

搜集2018年6月-2021年8月本院收治的符合本研究要求的171例AGC患者的病例資料。納入標(biāo)準(zhǔn)：①術(shù)前行腹部增強(qiáng)CT檢查；②行胃癌根治性切除術(shù)，術(shù)后病理確診為AGC且伴有PNI；③臨床資料完整。排除標(biāo)準(zhǔn)：①術(shù)前已接受過AGC相關(guān)治療；②CT圖像質(zhì)量較差或病灶太小，影響ROI的勾畫；③有其它腫瘤病史。按7∶3的比例將所有病例隨機(jī)分為訓(xùn)練集(119例)和驗(yàn)證集(52例)，訓(xùn)練集的數(shù)據(jù)用于構(gòu)建模型，驗(yàn)證集的數(shù)據(jù)用于驗(yàn)證模型。

記錄患者的術(shù)前臨床資料，包括年齡、性別、血清白蛋白、中性粒細(xì)胞與淋巴細(xì)胞比值(NLR)、糖類抗原19-9(carbohydrate antigen 19-9，CA19-9)和癌胚抗原(carcinoembryonic antigen，CEA)、病理結(jié)果、以及CT報(bào)告的T、N分期、腫瘤最大徑和腫瘤部位。病理檢查是由兩位資深的病理科醫(yī)師對所有標(biāo)本的HE染色和S-100染色切片進(jìn)行分析，S-100染色陽性判斷為PNI陽性[10]。S-100染色陽性是指在顯微鏡下，細(xì)胞質(zhì)和細(xì)胞核的抗原位點(diǎn)出現(xiàn)黃色或棕黃色著色。

2.CT檢查方法

使用Siemens Somatom go.Top 64排螺旋CT機(jī)。掃描參數(shù)：120 kV，110 mAs，層厚1.0 mm，矩陣512×512，視野350 mm×350 mm，球管旋轉(zhuǎn)一周時(shí)間0.5 s，螺距0.8。掃描前經(jīng)肘靜脈注射碘佛醇(320 mg I/mL)，注射流率2.5～3.5 mL/s，劑量1.0 mL/kg，于注射后60 s行靜脈期增強(qiáng)掃描。

3.影像組學(xué)分析

勾畫ROI和提取影像組學(xué)特征：使用ITK-SNAP3.8.0軟件，由兩位資深放射科醫(yī)師獨(dú)立在每例患者的橫軸面靜脈期CT圖像上沿著腫瘤邊緣逐層勾畫ROI，避開肉眼可見的壞死區(qū)和血管，軟件自動(dòng)生成病灶全容積ROI(volume of interest，VOI)的三維圖像(圖1)。然后將VOIs導(dǎo)入3D-Slicer 4.10.2軟件，提取直方圖、形態(tài)、灰度相關(guān)矩陣(gray level dependence matrix，GLDM)、灰度共生矩陣(gray level co-occurrence matrix，GLCM)、灰度游程矩陣(gray level run length matrix，GLRLM)、灰度大小區(qū)域矩陣(gray level size zone matrix，GLSZM)和鄰域灰度差矩陣(neighbouring gray tone difference matrix，NGTDM)參數(shù)共1037個(gè)影像組學(xué)特征。使用 Z-scores[=(x-μ)/σ；其中x表示特征值，μ表示所有患者該特征值的平均值，σ表示對應(yīng)的標(biāo)準(zhǔn)差]對所有特征進(jìn)行歸一化處理，采用組內(nèi)相關(guān)系數(shù)(interclass correlation coefficient，ICC)評價(jià)基于2位醫(yī)師勾畫ROI所提取的各項(xiàng)影像組學(xué)特征的一致性，并選取ICC大于0.75的特征用于后續(xù)分析[11-12]。

圖1 腫瘤ROI勾畫示意圖。a)橫軸面圖像；b)矢狀面重組圖像；c)冠狀面重組圖像；d)病灶分割后獲得的VOI三維圖像。ROI勾畫主要在橫軸面上進(jìn)行，矢狀面及冠狀面重組圖像供參考和調(diào)整使用。當(dāng)病灶邊界及其范圍不太確定時(shí)，需要多個(gè)方位觀察病灶，進(jìn)行綜合判定，此時(shí)可以參考其它2個(gè)方位的圖像，對所畫ROI進(jìn)行調(diào)整。此處勾畫ROI用到的軟件ITK-SNAP，在橫軸位勾畫ROI后，會自動(dòng)把其它兩個(gè)方位圖像的ROI也顯示出來。

依次使用Spearman相關(guān)性分析(系數(shù)ρ為0.9)和最小絕對收縮與選擇算子(least absolute shrinkage and selection operator，LASSO)進(jìn)行特征降維，篩選出最具預(yù)測價(jià)值的影像組學(xué)特征，然后將篩選出的特征納入多因素logistic回歸并構(gòu)建影像組學(xué)模型(V)。然后根據(jù)各項(xiàng)特征的回歸系數(shù)，計(jì)算每個(gè)患者的影像組學(xué)標(biāo)簽(Radscore)值，計(jì)算公式為：

(1)

其中αi表示回歸系數(shù)， Xi表示特征值，β表示截距。

4.模型的構(gòu)建

對納入的臨床資料先后進(jìn)行單因素和多因素logistic回歸分析，將篩選出的臨床獨(dú)立危險(xiǎn)因素構(gòu)建臨床預(yù)測模型(C)，然后結(jié)合V-Radscore來構(gòu)建組合模型(V+C)，并構(gòu)建列線圖。然后將驗(yàn)證集數(shù)據(jù)代入列線圖模型進(jìn)行驗(yàn)證。

5.統(tǒng)計(jì)學(xué)方法

使用SPSS 25.0軟件進(jìn)行統(tǒng)計(jì)分析，以P<0.05為差異具有統(tǒng)計(jì)學(xué)意義。分類變量和不符合正態(tài)分布的連續(xù)變量分別用數(shù)量(百分比)和M(Q1～Q3)表示，組間比較分別采用χ2檢驗(yàn)和Mann-WhitneyU檢驗(yàn)。使用Hosmer-Lemeshow檢驗(yàn)和校準(zhǔn)曲線評估列線圖模型的擬合程度，采用ROC曲線下面積(AUC)和決策曲線分析(decision curve analysis，DCA)衡量模型的鑒別效能和臨床應(yīng)用價(jià)值，利用DeLong檢驗(yàn)進(jìn)行各模型間AUC差異的比較。

結(jié) 果

1.臨床資料比較

PNI組和無PNI組患者各項(xiàng)臨床資料的單因素分析結(jié)果見表1。

表1 患者臨床資料單因素分析結(jié)果

圖2 LASSO回歸的變量解析路徑圖。每條線代表一個(gè)變量，圖片上方的數(shù)字是剩余非零系數(shù)變量的個(gè)數(shù)。圖3十折交叉驗(yàn)證圖。圖中紅點(diǎn)及所在線段上下端之間分別表示每個(gè)log(λ)值對應(yīng)的二項(xiàng)式偏差的均值及其范圍，黑色實(shí)線對應(yīng)的log(λ)值為通過十折交叉驗(yàn)證確定的最優(yōu)懲罰系數(shù)(-2.59)，對應(yīng)的變量數(shù)為8個(gè)。 圖4影像組學(xué)標(biāo)簽值直方圖，顯示2個(gè)數(shù)據(jù)集中，PNI組的Radscore值顯著高于無PNI組。a)訓(xùn)練集；b)驗(yàn)證集。

腫瘤最大徑、NLR、腫瘤部位、T分期及N分期在兩組間的差異均有統(tǒng)計(jì)學(xué)意義(P<0.05)，而的年齡、性別及術(shù)前白蛋白、CEA和CA199水平的組間差異均無統(tǒng)計(jì)學(xué)意義(P>0.05)。

2.特征篩選和模型構(gòu)建

基于每位醫(yī)師在增強(qiáng)CT靜脈期圖像病灶得到的VOIs，共提取了1037個(gè)影像組學(xué)特征。對兩位醫(yī)師勾畫ROI獲得的組學(xué)特征進(jìn)行一致性分析，結(jié)果顯示一致性均較好，ICC值的中位數(shù)為0.861(95%CI：0.758～0.920)。對ICC值>0.75的927個(gè)組學(xué)特征進(jìn)行篩選和降維(圖2～3)，最終篩選出8個(gè)最佳組學(xué)特征。

將這8個(gè)特征納入多因素logistic回歸分析并構(gòu)建組學(xué)模型，得到回歸方程的截距和特征對應(yīng)的回歸系數(shù)，截距為1.2795，特征對應(yīng)的系數(shù)見表2。同時(shí)根據(jù)構(gòu)建的影像組學(xué)模型，計(jì)算每例患者的V-Radscore值，詳見圖4。無論是在訓(xùn)練集還是驗(yàn)證集中，PNI組的Radscore值[1.53(0.72，2.48)；1.74(0.64，3.44)]均高于無PNI組[0.16(-0.70，0.97)；1.02(0.06，1.35)]，差異均有統(tǒng)計(jì)學(xué)意義(Z=5.328，P<0.001；Z=2.030，P<0.05)。

表2 篩選出的8個(gè)組學(xué)特征的回歸分析結(jié)果

然后，將P<0.05的臨床指標(biāo)和V-Radscore納入多因素logistic回歸分析，結(jié)果見圖5。各項(xiàng)臨床指標(biāo)中僅CT報(bào)告的T、N分期和腫瘤部位是PNI的獨(dú)立危險(xiǎn)因素(P<0.05)；此外，V-Radscore也是PNI的獨(dú)立危險(xiǎn)因素。獲得的臨床預(yù)測模型(C)和聯(lián)合模型(C+V)的表達(dá)式：

(2)

(3)

其中，a=0.830×site2+1.452×site3+1.622×T3+2.203×T4+1.022×N1-1.883；b=0.561×site2+1.108×site3+1.669×T3+1.855×T4+1.259×N1+0.769×Radscore-2.611(公式中site代表腫瘤部位，site1代表胃下部，site2代表胃中部，site3代表胃上部；N1～N3分期的分值相應(yīng)為1～3，T1～T4分期的分值相應(yīng)為1～4)。隨即，根據(jù)C+V公式中各變量的權(quán)重系數(shù)，繪制聯(lián)合模型的列線圖(圖6)。

3.各類模型診斷效能的評估

采用ROC曲線分析臨床、影像組學(xué)模型和列線圖模型在訓(xùn)練集和驗(yàn)證集中預(yù)測PNI的效能，結(jié)果見表3和圖7。三個(gè)模型中，列線圖模型在訓(xùn)練集和驗(yàn)證集中都具有最大的AUC(0.881、0.865)。DeLong檢驗(yàn)顯示，列線圖模型與臨床、影像組學(xué)模型之間AUC的差異均具有統(tǒng)計(jì)學(xué)意義(訓(xùn)練集：P值分別為0.003和0.026；驗(yàn)證集：P值分別為0.035和0.037)，表明列線圖模型為最佳預(yù)測模型，診斷效能最高。

表3 各個(gè)模型預(yù)測效能指標(biāo)值

采用Hosmer-Lemeshow檢驗(yàn)評估列線圖模型的診斷效能，結(jié)果顯示列線圖模型擬合良好，在訓(xùn)練集和驗(yàn)證集中的卡方值分別為5.846(P=0.664)和8.170(P=0.417)。繪制列線圖模型在訓(xùn)練集和驗(yàn)證集中的校準(zhǔn)曲線(圖8)。在訓(xùn)練集和驗(yàn)證集中，列線圖的理論校準(zhǔn)曲線和實(shí)際校準(zhǔn)曲線與參考線基本重合，表明預(yù)測概率與實(shí)際概率一致性良好。

圖5 多因素logistic回歸分析森林圖，OR為比值比。 圖6基于臨床特征和V-Radscore構(gòu)建的術(shù)前預(yù)測進(jìn)展期胃癌PNI的列線圖。計(jì)算方法：將每個(gè)變量對應(yīng)的值垂直投射到最上方的評分標(biāo)尺(Points)，可得到一個(gè)評分值，把所有指標(biāo)的評分值相加得到的總分投射到總評分標(biāo)尺(Total Points)，最后定位到概率(Possibility)軸，得到的值即為存在PNI的概率。

圖7各模型的ROC曲線，2個(gè)數(shù)據(jù)集中均以聯(lián)合模型的AUC值最大。a)訓(xùn)練集；b)驗(yàn)證集。 圖8列線圖模型的校準(zhǔn)曲線?？v軸為實(shí)際存在PNI的概率，橫軸為列線圖模型預(yù)測存在PNI的概率。Apparent指理論校準(zhǔn)曲線，Bias-corrected指實(shí)際校準(zhǔn)曲線，Ideal指參考線，理論校準(zhǔn)曲線和實(shí)際校準(zhǔn)曲線越接近參考線說明列線圖的預(yù)測結(jié)果與實(shí)際結(jié)果的一致性就越好。a)訓(xùn)練集中，理論校準(zhǔn)曲線和實(shí)際校準(zhǔn)曲線與參考線基本重合，表明列線圖的預(yù)測概率與實(shí)際概率一致性良好；b)驗(yàn)證集中，理論校準(zhǔn)曲線和實(shí)際校準(zhǔn)曲線與參考線基本重合，表明列線圖的預(yù)測概率與實(shí)際概率一致性良好。 圖9三個(gè)模型術(shù)前預(yù)測PNI的DCA曲線。橫坐標(biāo)為閾值概率，縱坐標(biāo)為凈效益。橫線為所有患者均不干預(yù)，凈效益為0；灰線為所有患者均進(jìn)行干預(yù)，凈效益為斜率為負(fù)值的反斜線。圖中顯示在大部分的閾值概率范圍內(nèi)，列線圖模型比臨床模型和影像組學(xué)模型具有更高的凈效益。

采用DCA方法評估3個(gè)模型的臨床價(jià)值。與臨床和影像組學(xué)模型相比，列線圖模型在大部分閾值概率范圍內(nèi)凈獲益最高(圖9)，表明其臨床應(yīng)用價(jià)值最大。

討 論

近年來有研究顯示PNI是胃癌潛在的轉(zhuǎn)移方式[6-7]，與胃癌的生物學(xué)行為密切相關(guān)，且被證實(shí)為胃癌術(shù)后復(fù)發(fā)和預(yù)后的獨(dú)立危險(xiǎn)因素[13-14]。既往研究多探討PNI對胃癌預(yù)后的影響，而關(guān)于PNI術(shù)前預(yù)測的報(bào)道較少[15-16]，本研究構(gòu)建了臨床與影像組學(xué)特征相結(jié)合、用于術(shù)前預(yù)測PNI的列線圖模型，該模型基于患者的術(shù)前資料，具有較好的臨床應(yīng)用普適性。

在模型納入的臨床獨(dú)立危險(xiǎn)因素中，PNI的發(fā)生與腫瘤部位有顯著相關(guān)性(P=0.045)，可能是由于胃靠近腹腔神經(jīng)叢的原因，其中胃上部腫瘤發(fā)生PNI的風(fēng)險(xiǎn)最大(OR=3.788)，與既往研究結(jié)果基本一致[17]；在CT報(bào)告的T分期中，PNI陽性率從T2期的25.81%增加到了T3和T4期的76.92%和82.67%，表明PNI與腫瘤浸潤深度之間也存在顯著相關(guān)性(P=0.012)，這可能是因?yàn)槟[瘤浸潤深度越深，越容易侵犯腹腔神經(jīng)叢；此外，CT報(bào)告的N分期方面，N1～N3期患者的PNI陽性率顯著高于N0期(P=0.019)，Yang等[18]的研究也表明T、N分期與胃癌PNI關(guān)系密切。因此對于浸潤深度較大、有淋巴結(jié)轉(zhuǎn)移且位于胃上部的胃癌患者，可在圍手術(shù)期行FP化療方案，術(shù)中擴(kuò)大切除及淋巴結(jié)清掃范圍，術(shù)后密切隨訪，可提高生存率。本研究中PNI的發(fā)生與腫瘤最大徑無顯著相關(guān)性(P=0.902)，與De等[19]的研究結(jié)果不同，可能與樣本量較少或本組病例中腫瘤最大徑較小[(4.84±2.12)cm]有關(guān)。

本研究中列線圖模型納入的靜脈期影像組學(xué)標(biāo)簽與PNI陽性密切相關(guān)(P<0.001)。為避免多重共線性及過擬合等問題，本研究中采用LASSO回歸共篩選出延伸率等共8個(gè)特征。延伸率顯示ROI形狀中兩個(gè)最大主成分之間的關(guān)系；平坦度顯示ROI形狀中最大和最小主成分之間的關(guān)系，它們與腫瘤浸潤深度密切相關(guān)；高灰度依賴程度衡量圖像中灰度值的相關(guān)性和聯(lián)合分布，可表現(xiàn)腫瘤在多尺度上的空間異質(zhì)性[20]；偏度可度量直方圖關(guān)于均值的不對稱程度；最大值指最大灰度強(qiáng)度，用于描述ROI內(nèi)體素強(qiáng)度的分布[21]；相關(guān)信息測度1評估兩目標(biāo)體素概率分布之間的相關(guān)性，可量化紋理的復(fù)雜性；最大概率指聯(lián)合出現(xiàn)的一對最大相鄰灰度的強(qiáng)度值，它們可衡量腫瘤區(qū)域間的異質(zhì)性差異[22]。

目前，構(gòu)建列線圖模型進(jìn)行胃癌術(shù)前PNI預(yù)測的報(bào)道較少。Liu等[15]報(bào)道患者術(shù)前體質(zhì)指數(shù)、IgA水平以及CT報(bào)告的T、N分期是胃癌PNI的獨(dú)立預(yù)測因子，但該研究中沒有納入影像組學(xué)特征進(jìn)行綜合分析。劉等[16]納入Lauren分型和淋巴結(jié)轉(zhuǎn)移情況等指標(biāo)建立的列線圖模型能較好地在術(shù)前預(yù)測胃癌PNI，然而胃癌的Lauren分型為胃鏡檢查結(jié)果，胃鏡檢查不僅有創(chuàng)，且由于活檢點(diǎn)較局限易導(dǎo)致分型結(jié)果不準(zhǔn)確； Yardmc等[8]使用基于CT紋理分析的機(jī)器學(xué)習(xí)方法進(jìn)行PNI預(yù)測，但結(jié)果并不理想(AUC的95%CI為0.482～0.754)，且他們采用的是二維圖像分割。有研究表明VOIs能更全面地反映腫瘤內(nèi)部的異質(zhì)性[23]。另外有研究者將多期動(dòng)態(tài)增強(qiáng)CT測量的病灶定量參數(shù)用于PNI術(shù)前預(yù)測，雖有較好的診斷效能，但其樣本量(48例)較小，易導(dǎo)致結(jié)果出現(xiàn)假陽性[24]。針對以上不足，本研究納入了171例病例，對腫瘤采用三維分割方法，將臨床和影像組學(xué)特征相結(jié)合構(gòu)建列線圖模型，具有良好的診斷效能，有望輔助臨床醫(yī)師優(yōu)化術(shù)前決策。

本研究存在一定的局限性：①本研究為單中心回顧性研究，雖然列線圖模型在訓(xùn)練組和驗(yàn)證組有較好的診斷效能，但尚需大樣本、前瞻性和多中心研究進(jìn)一步驗(yàn)證；②本研究僅在靜脈期增強(qiáng)掃描圖像上勾畫ROI，后期研究如能在平掃、動(dòng)脈期及延遲期圖像上勾畫ROI進(jìn)行影像組學(xué)分析并構(gòu)建聯(lián)合模型，可有望提高模型的診斷效能。③本研究納入分析的臨床指標(biāo)中腫瘤最大徑、T分期和N分期都來自CT診斷報(bào)告，一定程度上可能受到放射科醫(yī)師的經(jīng)驗(yàn)和主觀因素的影響。

總之，我們構(gòu)建了用于術(shù)前預(yù)測AGC患者PNI的列線圖模型，為臨床醫(yī)師術(shù)前識別PNI(可疑)陽性的胃癌患者提供一種新的策略。