CT與PET/MRI影像組學預測肺腺癌與鱗癌的對照研究

向柏林,唐 新,梁江濤

(1.浙江省醫療健康集團衢州醫院 放射科,浙江 衢州 324004;2.杭州市五云山醫院 放射科,浙江 杭州 310008;3.杭州全景醫學影像診斷中心 放射科,浙江 杭州 310009)

肺癌是全球癌癥死亡的最常見原因之一,占男性腫瘤好發及致死率首位[1-2]。肺腺癌及肺鱗癌是最常見的2種病理亞型,占85%左右,其組織學特征、臨床治療方案及預后不盡相同[3],故準確的病理分型對于肺癌診治至關重要。目前,穿刺活檢仍是腫瘤確診的金標準,但其具有侵入性,且易受標本取材影響,不能反映腫瘤組織的整體狀況[4]。影像組學可從醫學圖像中提取量化的腫瘤特征,解析臨床、病理、分子遺傳等特征,提高對疾病的診斷效能和預后預測[5-6]。近年來,已有不少學者針對肺癌做了一系列影像組學研究,然而目前關于正電子成像(positron emission tomography,PET)和磁共振成像(magnetic resonance imaging,MRI)及CT影像組學對肺癌病理亞型預測對比的文章鮮有報道。本文旨在基于CT及PET/MRI圖像同時構建鑒別肺腺癌及肺鱗癌分類的預測模型,以期為臨床診療提供依據。

1 資料與方法

1.1 資料收集 回顧性收集2018年10月—2020年12月杭州市全景影像中心經手術或穿刺證實為肺腺癌或鱗癌患者。納入標準:患者均在治療前同時行高分辨率的CT(HRCT)及PET/MRI檢查;未進行任何化療或放療及手術抗腫瘤治療;可獲得治療前清晰胸部CT及PET/MRI圖像。排除標準:CT或者PET/MRI圖像不符合診斷標準者;有胸部其他惡性腫瘤病史或伴發其他系統腫瘤的患者;患者在CT及PET/MRI檢查前接受過放療、化療等治療者;經病理證實為肺腺癌或鱗癌以外的組織學病理類型。本研究通過了浙江省杭州市全景影像中心倫理委員會批準(科研醫學倫審第2021-008號)。

1.2 HRCT及PET/MRI檢查

1.2.1 檢查設備 采用GE 256排螺旋CT(Hartford, USA)及美國GE公司一體化TOF PET/MR(GE SIGNA,威斯康星州,美國)采集影像數據。

1.2.2 患者準備 患者禁食6小時以上,注射18F-FDG 前血糖濃度控制在7.8 mmol/L以下。檢查當日盡量穿戴無配飾衣物。患者按3.7 Mbq/kg的劑量注射18F-FDG,40 min后行全身PET/MR顯像。所有患者或法定監護人均在檢查前簽署書面知情同意書。

1.2.3 掃描方法 患者仰臥位,首先行HRCT平掃,范圍從肺尖至肺底。在單次屏氣條件下完成CT掃描,掃描后設定自動對原始成像進行薄層重建。CT平掃結束后,對患者進行PET/MR掃描,在執行衰減校正后,從頭頂到股骨中段進行全身PET/MR掃描,必要時加掃至足底。全身MRI檢查過程中進行PET數據采集,隨后進行胸部局部PET/MR掃描,掃描范圍從肺尖至肺底,使用胸部區域專用MRI線圈以獲得橫斷面、冠狀面和矢狀面圖像,最后得到全身和局部的PET、MRI及PET/MR融合圖。所有數據均來源于同一臺PET/MR儀器,PET/MR具體掃描參數參照我們之前的研究[7]。本研究中選用胸部CT橫斷位圖像(1.25 mm)、胸部MRI局部T2WI圖像和PET圖像作為影像組學特征提取序列,應用聯影uAI Research Portal軟件對病灶的感興趣區(region of interest,ROI)進行影像組學分析。

1.3 影像組學分析[7-10]

1.3.1 圖像分割 將DICOM格式的胸部CT及PET/MRI 圖像分別導入ITK-SNAP軟件(http://www.itksnap.org/pmwiki)進行分割,由2名有多年胸部PET/MR診斷經驗的放射科醫師沿著肺癌邊緣對病灶ROI進行手動勾畫,排除鄰近正常組織、血管及淋巴結。當結果不一致時,由具有20年經驗的第3位放射科醫師再次進行ROI勾畫,直至結果統一,最后將從CT及PET/MRI圖像中獲得的三維分割圖像結果依次導出原圖及相應的ROI圖(圖1),并將分割結果保存為nii文件。

注:A、B、C依次對應CT、PET、MRI序列原始圖,D、E、F依次對應CT、PET、MRI序列ROI勾畫圖。圖1 CT及PET/MRI圖像中獲得的三維分割圖像Figure 1 Three-dimensional segmented images obtained from CT and PET/MRI images

1.3.2 特征提取及選擇 將肺癌原始圖像及ROI圖像同時導入uAI Research Portal軟件中,特征計算完成后,根據自定義分類給受試者標注label(設定腺癌陽性,標記為“1”;鱗癌陰性,標記為“0”)。將提取的CT及PET/MRI組學特征導入uAI Research Portal軟件進行特征選擇,按五折交叉驗證法將受試者分為訓練組及測試組[9],通過Z評分標準化,提取到2 600個影像組學特征,然后經過最小絕對值選擇與收縮算子(least absolute shrinkage and selection operator, LASSO)回歸降維及篩選后,最終保留與肺腺癌及鱗癌分型最相關影像組學特征。

1.3.3 模型構建 分別根據最相關影像特征及其最佳權重比,構建基于CT及PET/MRI的預測模型,并建立ROC曲線。

1.4 統計學分析 基于SPSS 26軟件進行統計學處理,年齡采用Mann-Whitney U檢驗,性別采用連續校正卡方。特征提取ROI測量者之間的一致性,采用組間相關系數(intraclass correlation coefficient, ICC)進行評價。P<0.05為差異有統計學意義。

2 結果

2.1 一般資料 共收集符合條件的患者72例。其中肺腺癌42例,年齡23～79歲,男29例、女13例;鱗癌 30例,年齡51～79歲,男27例、女3例;2組患者年齡、性別差異均無統計學意義(P>0.05)。

2.2 影像組學特征分析 經組間相關系數分析,ICC >0.89,ROI分割結果具有較好的一致性,采用高年資放射科醫師的ROI勾畫結果作為最終研究數據。CT預測模型得到3個與肺腺癌及鱗癌分型最相關特征(圖2A),包含2個一階特征[偏度(skewness)、ROI中灰度值范圍(range)]和1個紋理特征[灰度區域大小矩陣(gray-level size zone matrix, GLSZM)];PET/MRI預測模型得到6個與肺腺癌及鱗癌分型最相關特征(圖2B),包括1個一階特征[偏度(skewness)]和5個紋理特征 [1個灰度大小區域矩陣 (GLSZM)、2個灰度共生矩陣(grey level cooccurrence matrix, GLCM)、1個灰度依賴矩陣(gray level dependence matrix, GLDM)和1個鄰域灰度差矩陣(neighborhood gray tone difference matrix, NGTDM)],其中灰度大小區域矩陣(GLSZM)占最大權重比。

圖2 CT(A)及PET/MRI(B)預測模型最相關影像組學特征Figure 2 The most relevant radiomics features of CT (A) and PET/MRI (B) prediction model

2.3 模型評價 分別根據最相關特征及權重比構建ROC曲線(圖3、4),應用不同的學習方法進行評分,CT及PET/MRI預測模型均以Z評分及Logistic回歸作為最佳模式,見表1。

圖3 CT預測模型訓練組(A)和測試組(B)的ROC曲線Figure 3 ROC curves of CT prediction model in training group (A) and test group (B)

圖4 PET/MRI預測模型訓練組(A)和測試組(B)的ROC曲線Figure 4 ROC curves of PET/MRI prediction model in training group (A) and test group (B)

表1 CT及PET/MRI預測模型Z評分及Logistic回歸學習評分值Table 1 Z score and Logistic regression learning scores of CT and PET/MRI prediction model

3 討論

本研究按五折交叉驗證法將肺癌分為訓練組及測試組,經Z評分及Logistic回歸降維篩選得到肺腺癌與鱗癌分型最佳特征,結果發現CT及PET/MRI預測模型中GLSZM均占最大權重比值,分別為-0.033、-0.06。GLSZM主要反映圖像的灰度不均勻性,特征值越低表示圖像灰度越均勻,由此可見肺腺癌較鱗癌的圖像紋理更均勻,這個取決于肺癌本身的結構特點。肺腺癌主要是由腺樣結構組成,排列相對均勻;肺鱗癌主要由角化珠、癌巢及細胞間橋組成,呈堆積性生長,而且肺鱗癌較肺腺癌容易發生液化、壞死,從而導致腫瘤密度不均,組織結構分布相對紊亂[11]。周小君等[12]發現人工智能肺結節定量參數可有效預測磨玻璃結節肺癌的浸潤程度,尤其長徑和平均CT值的預測價值較高。還有研究發現基于CT、PET/CT影像組學模型均可以預測肺癌病理亞型[13-15]。Fan等[16]研究了PET/MRI在肺癌中的掃描技術、潛在應用及現狀。本研究還發現基于CT影像模型及PET/MRI影像模型預測肺腺癌及肺鱗癌所得到的一階特征(skewness)亦占較大權重比值,分別為0.022及-0.013,而skewness是用來測量平均值相關值分布的不對稱性,說明基于CT與PET/MRI影像模型在預測肺腺癌及鱗癌的強度特征方面存在明顯差異,而且CT預測模型相對于PET/MRI預測模型能夠得到更多與肺癌病理亞型分類最相關的一階特征,這可能跟CT影像具有密度高分辨率、由更多體素值構成、包含更多的形態學信息有關。

康書朝等[11]發現肺結節影像組學特征對判斷腫瘤基因突變、增殖活動及預后治療具有一定的指導意義。Sepehri等[17]發現基于PET/CT影像模型在預測Ⅱ/Ⅲ期非小細胞肺癌的性能優于標準臨床分期。Kirchner等[15]發現18F-FDG PET/MRI和18F-FDG PET/CT對NSCLC患者的T和N分期具有同等的高診斷性能。本研究結果表明CT及PET/MRI預測模型均能有效預測肺腺癌與鱗癌,且PET/MRI預測模型診斷效能更高,可能是源于PET/MRI結合了PET的代謝學特征與MRI的多參數多功能成像,由于MRI固有的高軟組織對比度、多平面采集和功能成像,無需使用電離輻射即可提供組織表征,還能為PET掃描提供解剖定位和衰減校正(AC)信息,而且PET可反映代謝信息與高分子成像,因此PET/MRI具有在單一成像研究中提供結構、功能和分子成像評估的獨特能力,使其成為惡性腫瘤評價的理想手段。再者,PET/MRI還使與腫瘤高特異性結合的新型放射性藥物的解剖學相關性成為可能,同時MRI允許PET圖像重建、部分體積校正和運動補償[10],因此PET/MRI影像組學預測模型能提供更多額外的診斷價值。

綜上所述,CT和PET/MRI模型對于無創性術前預測肺腺癌及肺鱗癌均有較高的預測效能,PET/MRI較CT影像組學在肺腺癌與肺鱗癌術前預測方面具有更大的準確性,有利于肺癌患者的早期無創性病理診斷和個體化治療。但本研究存在一定的局限性:首先,本研究樣本來源于單中心,樣本量相對較小,還需要多中心合作收集更全面的數據;其次,本研究屬于回顧性研究,結果可能會有一定的選擇偏倚,需要做更多的前瞻性研究。