基于CT影像組學結合臨床影像特征預測局部晚期鼻咽癌誘導化療療效

王卓，劉世莉，丁偉，周云舒，張若弟，張自新，陳志強

研究報道約70%的鼻咽癌是局部晚期鼻咽癌(Locoregionally advanced nasopharyngeal carcinoma,LA-NPC)[1]。由于NPC復雜的解剖結構和對放療的高度敏感，放療是治療早期NPC的主要方法。但對于LA-NPC患者來說,在標準治療的基礎上增加誘導化療(Induction chemotherapy，ICT)有助于改善其預后[2,3]，然而只有不到50%的患者對ICT敏感[4,5]，因此在治療前確定LA-NPC患者對ICT的反應顯得尤為重要。影像組學作為反映腫瘤異質(zhì)性的新方法，可以無創(chuàng)預測腫瘤治療反應及預后[6]，有研究報道基于MRI的影像組學在預測LA-NPC患者的ICT療效方面都表現(xiàn)出了較好的性能[7，8]。相比于MRI檢查，CT更加經(jīng)濟、快速、實惠，且在評估NPC病灶顱底骨質(zhì)破壞方面更為敏感，然而目前基于增強CT的影像組學在NPC療效預測方面在國內(nèi)尚未見報道。本研究旨在探討基于增強CT的影像組學結合臨床影像特征的列線圖在預測LA-NPC患者ICT療效方面的價值。

材料與方法

1.病例資料

回顧性搜集2014年7月至2022年3月經(jīng)病理確診的178例LA-NPC患者。病例納入標準：①Ⅲ、Ⅳ期(AJCC第7版)[9]NPC初診患者；②ICT前1～2周行CT增強掃描；③既往未行任何抗NPC治療；④鼻咽黏膜增厚>5 mm。病例排除標準：①鼻咽黏膜增厚<5 mm或圖像質(zhì)量不佳者；②只進行了1周期ICT治療。分析入組LA-NPC患者的性別、年齡、TNM分期、強化程度等14個臨床因素納入統(tǒng)計分析(表1)。依據(jù)ΔHU=CT值動脈期-CT值平掃期，將強化程度分為兩個等級，即明顯強化(ΔHU≥40 HU)和輕中度強化(ΔHU<40 HU)。本研究經(jīng)我院倫理委員會批準(編號：KYLL-2022-0403)。

2.檢查方法

所有LA-NPC患者均行頸部CT平掃+增強掃描，患者取仰臥位，掃描范圍上至顱底上方3 cm，下至下頸部；CT檢查采用GE Revolution 128排螺旋CT(自動管電流，管電壓120 kV，噪聲指數(shù)4.0，探測范圍80 mm，螺距0.992)和GE Light speed 16排螺旋CT(管電流200 mA，管電壓120 kV，噪聲指數(shù)12，探測范圍20 mm，螺距1.375)；兩者矩陣均為512×512，層厚及層間距均為2.5 mm，視野均為25 cm×25 cm。增強掃描經(jīng)肘前靜脈以3.0 mL/s流率注射非離子型對比劑碘海醇，劑量1～2 mL/kg，動脈期延遲掃描時間為20～25 s，靜脈期延遲掃描時間為50～60 s。

3.化療方案和療效的評估

所有入組患者均接受2～3周期的2聯(lián)TP(順鉑+紫杉醇)或3聯(lián)TPF(順鉑+多西他賽+氟尿嘧啶)的治療方案，21天為一個周期。用藥方法如下：2聯(lián)TP：順鉑40 mg/m2ivd第2～4天+紫杉醇210 mg/m2ivd第1天；3聯(lián)TPF：順鉑75 mg/m2ivd第2～3天+多西他賽75 mg/m2ivd第1天+氟尿嘧啶750 mg/m2ivd第1～5天。由2位有10年工作經(jīng)驗的放射科醫(yī)師根據(jù)RECIST 1.1標準[10]在放療科Pinnacle治療計劃系統(tǒng)上進行療效評估，病灶最大徑的變化率參照化療前后兩次勾畫的靶區(qū)做出修改，靶區(qū)外擴部分不計入病灶最長徑本身。2位醫(yī)師分別于ICT前1～2周內(nèi)、2～3周期ICT后1～2周內(nèi)在CT增強動脈期圖像上測量每一層面腫瘤最長徑，取平均值，計算消退率。將療效分為完全緩解(癌灶完全消退，淋巴結短徑<10 mm)、部分緩解(消退率≥30%)、疾病穩(wěn)定(消退率介于部分緩解和疾病進展之間)、疾病進展(出現(xiàn)新病灶或病灶進展率≥20%)，將部分緩解和完全緩解歸為有效組，疾病穩(wěn)定和疾病進展歸為無效組。以7：3隨機將178例患者分為訓練組(n=125)和驗證組(n=53)。

4.圖像分割

從PACS上獲取所有LA-NPC患者的增強CT動脈期圖像，由2位分別具有3年及10年以上工作經(jīng)驗的頭頸部放射診斷醫(yī)師采用3D-Slicer(www.slicer.org,version 4.13.0 )盲法在動脈期圖像上逐層勾畫感興趣區(qū)(region of interest，ROI)，最后生成全腫瘤容積感興趣區(qū)(volume of interest,VOI)(圖1)，包括出血、壞死及囊變區(qū)域，以上特點作為常規(guī)影像上腫瘤異質(zhì)性的映射，與腫瘤惡性程度、侵襲性密切相關[11]，且影響化療藥物的血流動力學分布，從而影響ICT療效，但避開骨質(zhì)及周圍血管等區(qū)域。醫(yī)師1于兩周后再勾畫一次，以便于評估同一勾畫者自身和不同勾畫者之間手動分割的一致性。

圖1 手動逐層勾畫ROI示意圖。a) 勾畫NPC病灶第一層面的ROI；b)勾畫第二層面的ROI；c)勾畫第三層面的ROI；d)勾畫第四層面的ROI；e)生成全腫瘤VOI。

5.提取、篩選特征及構建組學模型

為了盡量減少不同機型所得CT圖像的中心效應，在提取特征前對所有原始圖像進行預處理，即首先使用線性插值算法將圖像重采樣到1×1×1 mm3(x,y,z)使像素空間標準化，然后設置25 HU bin寬度離散體素強度，降低圖像噪聲[12]。采用Pyradiomics包提取特征，共提取1037個特征，該過程符合IBSI指南[13]。特征的標準化處理采用Z-score法。采用R軟件(www.r-project.org，version 4.1.2)篩選特征，首先采用Student'st檢驗或Mann-WhitneyU檢驗進行初始篩選，再通過Pearson相關性分析剔除|r|≥0.8的特征，最后用glmnet統(tǒng)計包中的最小絕對收縮與選擇算法(least absolute shrinkage and selection operator，LASSO)并結合10倍交叉驗證進一步篩選得到最優(yōu)特征子集，利用這些特征及其回歸系數(shù)加權來計算每位LA-NPC患者的影像組學評分(radiomic score，Rad-score)。

6.統(tǒng)計學分析和模型的構建

使用R 4.1.2軟件進行統(tǒng)計學分析。分析所有入組患者的臨床資料，年齡的組間比較采用Student'st檢驗，其余分類變量使用χ2檢驗、矯正卡方或Fisher確切概率法。根據(jù)Youden指數(shù)確定中性粒細胞/淋巴細胞比等免疫炎性指標的最佳臨界值。采用單-多變量回歸分析將差異有統(tǒng)計學意義(P<0.05)的臨床影像特征和Rad-score共同納入Logistic回歸構建列線圖模型。以受試者工作特征(receiver operating characteristic,ROC)曲線下面積(area under curve,AUC)評估和比較三種模型的預測效能。使用擬合優(yōu)度(Hosmer-Lemeshow,H-L)檢驗評估列線圖模型的擬合優(yōu)度并采用決策曲線分析(decision curve analysis，DCA)觀察其臨床凈收益。并在測試組中對模型的可重復性進行驗證。以P<0.05為差異有統(tǒng)計學意義。

結 果

1.臨床資料

本研究ICT有效組97例，平均年齡(49.97±12.20)歲；無效組81例，平均年齡(49.91±9.89)歲(表1)。

2.建立臨床模型

178例LA-NPC患者的臨床基線資料分析結果見表1，淋巴細胞/單核細胞比(lymphocyte-to-monocyte ratio，LMR)、血小板/淋巴細胞比(platelet to lymphocyte ratio，PLR)、中性粒/淋巴細胞比(neutrophil-to-lymphocyte ratio，NLR)的最佳臨界值分別為3.855、189.8、2.970。單-多因素回歸分析結果顯示，強化程度(OR=2.706，95%CI：1.076～7.125，P=0.038)、T分期(OR=0.45，95%CI：0.251～0.761，P=0.004)、PLR(OR=0.289，95%CI：0.102～0.739，P=0.024)為ICT有效的獨立預測因子(表2)，基于以上3個因素構建臨床模型。

表1 178例局部晚期鼻咽癌患者(LA-NPC)的基線資料 [n(%)]

表2 臨床影像特征預測LA-NPC患者ICT療效的Logistic回歸分析結果

3.建立影像組學模型

首先，根據(jù)對醫(yī)生1自身、醫(yī)生1與醫(yī)生2之間勾畫VOI后所提取特征的一致性分析結果，剔除ICC<0.75的特征。通過Student'st或Mann-WhitneyU檢驗初始篩選得到141個特征，經(jīng)Pearson相關性分析剔除41個特征，保留100個特征,最終采用LASSO回歸在λ=-3.968處得到22個最優(yōu)特征，包括4個一階特征和18個紋理特征(表3、圖2)。計算每個NPC癌灶的Rad-score。以Rad-score構建組學模型。

圖2 基于LASSO-logistic回歸選擇特征。a)通過調(diào)整λ來取得最小二項式偏差；b)使用LASSO和10倍交叉驗證法選擇最佳模型參數(shù)λ，縱軸為二項偏差，橫軸為 Log (λ) 值。垂直虛線下方對應的是最佳值，即在λ=-3.968處得到22個最優(yōu)特征。

表3 Lasso篩選獲得最終的組學特征及其系數(shù)

4.建立聯(lián)合模型

此模型由強化程度、T分期、PLR及Rad-score 4個因素構成，繪制列線圖將模型可視化(圖3a)。列線圖顯示Rad-score相比其他3個因素在預測ICT療效方面的貢獻最大。H-L檢驗結果顯示列線圖在訓練組(χ2=11.081，P=0.197)和驗證組(χ2=12.033，P=0.150)中均具有較好的擬合度。且校準曲線顯示模型的預測結果和實際觀察結果吻合度較好(圖3b)。

圖3 a)列線圖，由T分期、強化程度、PLR、Rad-score構成，將某一特定患者三項得分相加算出總得分，從而得到其相對應的ICT有效率，0表示PLR<189.8，1表示PLR≥189.8；b)校準曲線圖。

5.各模型效能評估

ROC曲線分析結果顯示，與單獨臨床和CT組學模型比較，列線圖模型的預測效能最佳，訓練組中列線圖模型、臨床模型、組學模型的AUC分別為0.821(95% CI：0.736～0.908) 、0.732(95% CI：0.620～0.829)、0.798(95% CI：0.701～0.876)；驗證組中列線圖模型、臨床模型、組學模型的AUC分別為0.836(95% CI：0.727～0.926)、0.793(95% CI：0.683～0.899)、0.779(95% CI：0.672～0.872)(表4、圖4)。DCA進一步表明，當風險閾概率在0.15～0.70(訓練組)、0.20～0.75(驗證組)范圍內(nèi)，列線圖模型對比單純組學模型，其人群凈獲益率更高(圖5)。

圖4 3種模型預測ICT療效反應的ROC曲線。a)訓練組；b)驗證組。 圖5 決策曲線圖?？v軸(Y軸)為凈獲益率，橫軸(X軸)為概率閾值。黑色橫線假設所有患者對ICT無效，都沒有治療，此時，無ICT臨床凈獲益；灰色曲線假設所有患者都對ICT敏感，都進行了治療。曲線顯示風險閾值概率在0.15～0.70(訓練組)和0.20～0.75(驗證組)范圍內(nèi)，應用列線圖的凈獲益水平高于單純組學模型。a)訓練組；b)驗證組。

表4 不同模型在訓練組和驗證組中的預測效能

討 論

目前，已有研究表明一些功能MRI的定量參數(shù)可以早期預測LA-NPC患者ICT療效[14,15]。孫宗瓊等[14]的研究顯示，高灌注血流量(TBF)值、低臨床分期的NPC患者對放化療的敏感性大于低TBF、高臨床分期的患者。本研究單-多變量Logistic回歸分析結果顯示，病灶強化程度(OR=2.706，P=0.038)、T分期(OR=0.450，P=0.004)是ICT有效的獨立預測因子。病灶明顯強化、低T分期的患者對ICT更加敏感，主要原因在于強化程度越明顯的病灶，其腫瘤細胞增殖越活躍，內(nèi)部血供也越豐富，使得腫瘤組織中的化療藥物濃度越高，從而增強腫瘤細胞的致死性，抑制腫瘤增殖[16]。另外，T分期越高，其腫瘤體積往往越大，內(nèi)部容易乏血供或發(fā)生壞死，導致化療藥物不能充分到達腫瘤間質(zhì)內(nèi)微血管，從而產(chǎn)生對化療藥物的抵抗。有研究表明一些免疫炎性指標如NLR、PLR與腫瘤患者生存率和治療反應相關[17,18]。Cuello-López等[17]研究發(fā)現(xiàn)，與高PLR(≥150)組相比，低PLR組的新輔助化療后的病理完全反應明顯更高(分別為35.1%和22.2%，P=0.03)。本研究結果也顯示，低PLR(<189.8)的NPC患者對ICT更敏感(OR=0.289，P<0.05)；但NLR、LMR等在不同療效組之間的差異無統(tǒng)計學意義(P>0.05)，未來需要增大樣本量進一步驗證。

以上與ICT療效顯著相關的臨床因素僅提供局限于解剖或病理生理方面的信息，不能反映腫瘤內(nèi)部異質(zhì)性。而影像組學可以對病灶圖像信息進行無創(chuàng)定量分析從而深入地描述腫瘤異質(zhì)性，反映腫瘤細胞的數(shù)量、增殖、血管生成、缺氧和壞死[19]，而以上因素與治療反應和腫瘤預后密切相關[20]。既往已有研究報道了基于CT或MRI的影像組學在預測乳腺癌、直腸癌等新輔助化療療效方面的可行性和應用前景[21-23]。故本研究構建了基于增強CT的影像組學特征整合臨床因素、CT征象以及免疫炎性指標的列線圖模型，將ICT有效的貢獻因子權重進行了量化，實現(xiàn)了對ICT反應概率的定量、可視化預測。本研究最終篩選得到22個與ICT療效密切相關的組學特征，發(fā)現(xiàn)一階特征(4個)和紋理特征(18個)對Rad-score均有不同程度貢獻，一階統(tǒng)計特征包括第10個百分位數(shù)、峰度和偏度；紋理特征包括3個灰度依賴矩陣(GLDM)、5個灰度共生矩陣(GLCM)、10個灰度游程長度矩陣(GLRLM)。以上特征與Liao等[7]篩選出的反映ICT療效的大多數(shù)參數(shù)類別一致，表明這類組學特征參數(shù)在反映NPC患者對ICT敏感性方面有重要意義。本研究發(fā)現(xiàn)單純的組學模型能較好地預測ICT療效(訓練組和測試組的AUC分別為0.798和0.779)，AUC值略高于Liao等建立的Radiomics模型結果(AUC分別為0.795和0.698)。本研究發(fā)現(xiàn)將具有統(tǒng)計學差異(P<0.05)的3個臨床因素納入Rad-score后所構建的聯(lián)合模型的效能高于單一的臨床或組學模型，訓練組中聯(lián)合模型、臨床模型、組學模型的AUC分別為0.821、0.732、0.798；測試組中聯(lián)合模型、臨床模型、組學模型的AUC分別為0.836、0.793、0.779。這說明一些臨床因素如T分期、PLR、病灶強化程度在預測ICT療效方面也發(fā)揮著至關重要的作用，以上因素的加入提高了模型的預測效能。因此，在臨床實際工作中，需將臨床因素、影像學征象、免疫炎性指標和Rad-score相整合以區(qū)分ICT有效與無效者。本研究建立的臨床影像特征聯(lián)合組學特征的列線圖可以對LA-NPC患者的ICT療效進行無創(chuàng)、定量、個性化地預測，有助于臨床決策和判斷患者預后。且使用常規(guī)醫(yī)學圖像將影像組學應用于監(jiān)測ICT療效，為患者進行一次增強CT掃描增加了額外收益。

本研究存在以下局限性：①NPC在本地區(qū)發(fā)病率低，樣本量少，難以避免選擇偏倚，且本研究為單中心研究，日后有待擴大樣本量并在多中心驗證；②僅采用了Lasso-Logistic模型而未建立其他機器學習模型，有待后續(xù)研究納入進而優(yōu)化ICT預測模型；③僅基于動脈期而未在靜脈及平掃期圖像上構建模型，所得模型效能是否最佳有待進一步建立其他期相模型進行對比驗證。

綜上所述，基于增強CT的影像組學聯(lián)合傳統(tǒng)臨床影像特征的列線圖能直觀、量化、個性化地預測LA-NPC患者ICT的療效，優(yōu)于單一模型，可以作為一種無創(chuàng)的預測工具。