多時相CT影像組學模型預測胸腺瘤風險分類

吳 輝,猶 露,彭 娟,余 虹,謝朝邦,李 爽,范如雪,駱書穎,李邦國*

(1.遵義醫(yī)科大學附屬醫(yī)院放射科 貴州省醫(yī)學影像中心,貴州 遵義 563000;2.遵義市紅花崗區(qū)人民醫(yī)院影像科,貴州 遵義 563000)

胸腺瘤是前縱隔最常見上皮性腫瘤[1],主要分為A型、AB型、B1型、B2型和B3型[2],手術治療方式存在差異,預后亦有所不同;其中A型、AB型及B1型為低風險、B2型及B3型則屬高風險胸腺瘤[1]。既往研究[3-4]多基于單一時相CT提取影像組學特征構(gòu)建模型評估胸腺瘤風險。本研究構(gòu)建多時相CT影像組學模型,評估其預測胸腺瘤風險分類的價值。

1 資料與方法

1.1 一般資料 收集2012年1月—2022年4月86例于遵義醫(yī)科大學附屬醫(yī)院經(jīng)病理證實的單發(fā)胸腺瘤患者,男39例、女47例,年齡20～80歲、平均(50.4±11.5)歲;其中高風險胸腺瘤32例、低風險胸腺瘤54例;均接受胸部CT平掃加動、靜脈期增強檢查并于其后2周內(nèi)獲得病理結(jié)果,且臨床資料完整;按照7∶3比例分為訓練集(59例,其中22例來自高風險組、37例來自低風險組)、驗證集(27例,10例來自高風險組、17例來自低風險組)。排除標準:①圖像偽影明顯;②復發(fā)胸腺瘤;③腫瘤平均徑線小于10 mm;④曾接受相關治療。

1.2 儀器與方法 采用Siemens Sensation 16、Siemens Somatom Definition AS或GE Optima CT680 CT機行胸部CT平掃及增強掃描。囑患者仰臥、上抬雙臂,于吸氣末屏氣后接受掃描,掃描范圍包括肺尖至肺底;參數(shù):管電壓120 kV,自動管電流,螺距0.6～1.0,層厚5 mm,層間距5 mm。完成平掃后經(jīng)肘靜脈以流率2.5 ml/s團注非離子對比劑碘海醇(300 mgI/ml)1.5 ml/kg體質(zhì)量,延遲35、70 s采集動脈期(arterial phase, AP)及靜脈期(venous phase, VP)圖像。

1.3 分析圖像及分割病灶 由具有10年及15年工作經(jīng)驗的主治醫(yī)師及副主任醫(yī)師各1名以盲法獨立閱片,測量腫瘤長、短徑,觀察其位置、形態(tài)、密度、有無鈣化、囊變壞死及強化程度(輕中度強化/明顯強化),是否浸潤周圍脂肪、包繞縱隔結(jié)構(gòu)、侵犯周圍血管及鄰近肺,有無胸腔積液、胸膜結(jié)節(jié)、縱隔淋巴結(jié)腫大及遠處轉(zhuǎn)移;對CT圖像進行重采樣等預處理后,采用開源軟件3D Slicer(Version 4.11 https://www.slicer.org)于各時相CT圖像中逐層手動勾畫病灶ROI,獲得病灶3D圖像(圖1);意見有分歧時經(jīng)協(xié)商達成一致。3個月后由其中1名醫(yī)師隨機選取50例再次勾畫病灶ROI。

圖1 于胸部軸位增強VP CT圖中勾畫病灶ROI(A,綠色區(qū)域)并獲得病灶3D圖像(B)示意圖

1.4 提取及篩選影像組學特征 應用3D Slicer軟件共于各期病灶3D圖像中提取1 223個影像組學特征,包括一階特征、形狀特征及紋理特征;以RStudio軟件篩選組內(nèi)相關系數(shù)(intra-class correlation coefficient, ICC)≥0.75的特征并予以標準化,獲得平掃、AP、VP、平掃+AP、平掃+VP、AP+VP及平掃+AP+VP共7個數(shù)據(jù)集;以獨立樣本t檢驗及最小絕對收縮和選擇算子(least absolute shrinkage and selection operator, LASSO)算法降維,篩選其最優(yōu)影像組學特征,計算影像組學評分(radiomics score, Rad-score)。見圖2。

圖2 基于AP+VP CT圖像篩選影像組學特征 A.以LASSO進行特征系數(shù)壓縮; B.選出4個最優(yōu)特征

1.5 統(tǒng)計學分析及構(gòu)建模型 采用SPSS 18.0及R軟件(Version 3.6.3)進行統(tǒng)計學分析并建立模型。以±s表示符合正態(tài)分布的計量資料,以中位數(shù)(上下四分位數(shù))表示不符合正態(tài)分布者。先行單因素logistic回歸分析,將結(jié)果顯示P<0.1者納入多因素logistic回歸分析,基于訓練集篩選胸腺瘤分類的臨床及CT相關特征并構(gòu)建臨床-CT模型;以受試者工作特征(receiver operating characteristic, ROC)曲線評估各影像組學模型預測胸腺瘤風險分類的效能,篩選最佳影像組學模型。以最佳影像組學模型及臨床-CT模型構(gòu)建聯(lián)合模型。繪制ROC曲線,計算曲線下面積(area under the curve, AUC),評估各模型的效能,采用DeLong檢驗比較其AUC差異。P<0.05為差異有統(tǒng)計學意義。

2 結(jié)果

2.1 臨床-CT模型 訓練集中,單因素logistic 回歸分析顯示,性別、有無胸痛及CT所示周圍脂肪浸潤、侵犯鄰近肺組織及胸腔積液均為胸腺瘤風險分類的影響因素(P均<0.1,表1)。多因素logistic回歸分析顯示,周圍脂肪浸潤是胸腺瘤風險分類的獨立預測因素(P<0.05,表2),以之構(gòu)建臨床-CT模型。

表1 基于訓練集以單因素logistic回歸分析胸腺瘤風險分類的預測因素

表2 多因素logistic回歸分析胸腺瘤風險分類的獨立預測因素

2.2 影像組學模型 分別基于CT平掃、AP及VP獲得1 021、1 018及1 184個影像組學特征。經(jīng)獨立樣本t檢驗和LASSO算法,分別基于CT平掃、AP、VP、平掃+AP、平掃+VP、AP+VP及平掃+AP+VP數(shù)據(jù)集篩選3、5、1、5、2、4、4個特征并構(gòu)建相應影像組學模型;模型AP、模型平掃+AP、模型AP+VP及模型平掃+AP+VP預測訓練集胸腺瘤風險分類的AUC均>0.800,兩兩比較差異均無統(tǒng)計學意義(Z=-0.468～1.817,P均>0.05);驗證集中模型AP+VP的AUC最高(0.835),為最佳影像組學模型。見表3。

表3 各影像組學模型預測胸腺瘤風險分類的效能

2.3 各模型效能 訓練集(Z=1.925、-2.464,P均<0.05)和驗證集(Z=1.840、-2.137,P均<0.05)中,模型AP+VP和聯(lián)合模型的AUC均高于臨床-CT模型,而其間AUC差異均無統(tǒng)計學意義(Z=-1.180、0.291,P均>0.05)。見表4及圖3。

表4 臨床-CT模型和聯(lián)合模型預測訓練集、驗證集胸腺瘤風險分類的效能

圖3 臨床-CT模型、最佳影像組學模型及聯(lián)合模型預測胸腺瘤風險分類的ROC曲線 A.訓練集; B.驗證集

3 討論

胸腺瘤CT特征與風險分類相關[5]。本研究發(fā)現(xiàn),CT所示周圍脂肪浸潤是胸腺瘤風險分類的獨立預測因素,以之建立的臨床-CT模型預測訓練集和驗證集胸腺瘤風險分類的AUC分別為0.736和0.641。

HU等[6]認為,相比平掃CT,基于增強VP CT提取的影像組學特征對胸腺瘤風險分類價值更高,基于平掃+增強CT構(gòu)建模型的預測效能更佳。ZHANG等[7-9]指出,基于平掃CT提取的影像組學特征可能與腫瘤異質(zhì)性,如細胞密度、局灶性出血和壞死相關;而基于增強CT的影像組學特征可能反映腫瘤血供異質(zhì)性及對比劑在血管內(nèi)、外和細胞外間隙之間的分布差異。另外,相比平掃CT,增強CT顯示腫瘤邊界及壞死區(qū)域更為清晰,可能也是基于增強CT構(gòu)建模型的AUC高于平掃CT的原因之一。DONG等[10]基于增強AP+VP CT構(gòu)建的術前預測胸腺瘤風險分類的影像組學模型在驗證集的AUC為0.819。本研究分別基于平掃CT、AP、VP、平掃+AP、平掃+VP、AP+VP及平掃+AP+VP 7個數(shù)據(jù)集篩選出3、5、1、5、2、4及4個最優(yōu)特征,并以之構(gòu)建影像組學模型,模型AP、模型平掃+AP、模型AP+VP、模型平掃+AP+VP在驗證集中的AUC均>0.800,其中模型AP+VP為最佳影像組學模型;該模型由4個最優(yōu)影像組學特征構(gòu)成,包括3個普拉斯濾波特征和1個原始特征,均屬一階特征,分別為灰度強度的第90個百分位數(shù)、最小灰度強度和2個最大灰度強度值,主要反映病變內(nèi)體素強度分布[11],其在訓練集和驗證集的AUC分別為0.860及0.835,均高于臨床-CT模型。

既往研究[5,12-13]報道,基于臨床、CT及影像組學特征構(gòu)建的聯(lián)合模型預測胸腺瘤風險分類的效能高于單一臨床-CT模型或影像組學模型。本研究以臨床-CT特征聯(lián)合最佳影像組學模型構(gòu)建的聯(lián)合模型預測訓練集和驗證集胸腺瘤風險分類的AUC均高于臨床-CT模型,而與最佳影像組學模型差異無統(tǒng)計學意義。

綜上,多時相CT影像組學能有效預測胸腺瘤風險分類。但本研究為回顧性觀察,樣本量較小,且缺乏外部驗證,有待擴大樣本量行多中心研究進一步分析。