陳亮亮，陳基明，丁俊，范海云，周慧，劉晨

肺癌不僅在中國，在全世界也是死亡率最高的惡性腫瘤，非小細(xì)胞肺癌(non-small cell lung cancer,NSCLC)約占肺癌的85%[1-2]。腦是肺癌常見的轉(zhuǎn)移部位之一，發(fā)生腦轉(zhuǎn)移的肺癌患者預(yù)后通常較差，平均自然生存時(shí)間僅1～2個(gè)月[3]。30%～50%的NSCLC患者最終會(huì)發(fā)生腦轉(zhuǎn)移[4]，約有10%的NSCLC患者在確診時(shí)已經(jīng)發(fā)生腦轉(zhuǎn)移[2]，部分發(fā)生腦轉(zhuǎn)移的患者因無明顯相關(guān)癥狀、未能及時(shí)進(jìn)行檢查而錯(cuò)過了最佳治療時(shí)機(jī)，因此早期診斷和預(yù)測(cè)腦轉(zhuǎn)移對(duì)肺癌患者治療方案的選擇和預(yù)后至關(guān)重要[3-4]。影像組學(xué)分析通過高通量地提取影像信息并將其轉(zhuǎn)化為深層次的特征信息，而實(shí)現(xiàn)對(duì)病變的量化研究[5-6]。目前，影像組學(xué)已在直腸癌肝轉(zhuǎn)移的評(píng)價(jià)、NSCLC異質(zhì)性分析、頭頸部淋巴結(jié)性質(zhì)的鑒別和肺腺癌遠(yuǎn)處轉(zhuǎn)移的預(yù)測(cè)等方面取得了一些重要進(jìn)展[7-10]。既往對(duì)NSCLC腦轉(zhuǎn)移的研究中，多是從臨床表現(xiàn)、實(shí)驗(yàn)室檢查和病理結(jié)果的角度進(jìn)行分析和探討[11-14]，與NSCLC腦轉(zhuǎn)移有關(guān)的潛在危險(xiǎn)因素如組織類型、腫瘤分級(jí)和淋巴結(jié)轉(zhuǎn)移情況等多來源于有創(chuàng)檢查或術(shù)后組織病理檢查，鮮見基于CT特征及CT影像組學(xué)分析來預(yù)測(cè)肺癌腦轉(zhuǎn)移的研究[10]，本研究通過納入臨床、影像學(xué)及紋理特征等多種參數(shù)來建立綜合診斷模型，旨在探討CT影像組學(xué)預(yù)測(cè)NSCLC患者同步腦轉(zhuǎn)移的價(jià)值。

材料與方法

1.一般資料

回顧性分析2015年12月-2020年12月本院110例經(jīng)頭顱MRI平掃和增強(qiáng)檢查明確是否為NSCLC同步腦轉(zhuǎn)移患者的完整病例資料。納入標(biāo)準(zhǔn)：①病理明確診斷為NSCLC；②術(shù)前行CT平掃及增強(qiáng)掃描，CT檢查與穿刺活檢或手術(shù)間隔時(shí)間≤2周；③CT檢查前未進(jìn)行過腫瘤相關(guān)治療。排除標(biāo)準(zhǔn)：①圖像資料不全或質(zhì)量不佳影響診斷；②有其它惡性腫瘤病史或懷疑有腦內(nèi)其它類型的腫瘤；③不易明確腫瘤邊界使得ROI勾畫困難或因鈣化、空洞等導(dǎo)致無法準(zhǔn)確測(cè)量腫瘤密度者。根據(jù)頭顱MRI檢查結(jié)果，將NSCLC患者分為腦轉(zhuǎn)移組(50例)和非腦轉(zhuǎn)移組(60例)。使用完全隨機(jī)方法將患者按7:3的比例分為訓(xùn)練集77例(包括轉(zhuǎn)移組35例、非轉(zhuǎn)移組42例)和驗(yàn)證集33例(包括轉(zhuǎn)移組15例、非轉(zhuǎn)移組18例)。

2.檢查方法

使用Philips Brilliance 64排CT機(jī)行平掃及增強(qiáng)掃描，患者取仰臥位，掃描參數(shù)：120 kV，220 mA，層厚5.0 mm，層間距5.0 mm，視野30 cm×30 cm。對(duì)比劑使用碘化醇(300 mg I/mL)，劑量1.5 mL/kg,注射流率2.5 mL/s，在對(duì)比劑注射后25和40～65 s分別行動(dòng)脈期和靜脈期增強(qiáng)掃描。

3.圖像分析

由2位放射科醫(yī)師(分別具有5和10年工作經(jīng)驗(yàn))在PACS系統(tǒng)共同閱片，觀察NSCLC原發(fā)灶的部位、大小、形態(tài)、邊界、密度及強(qiáng)化特點(diǎn)等，意見不一致時(shí)經(jīng)協(xié)商達(dá)成一致意見。在CT肺窗圖像上測(cè)量腫瘤的徑線，記錄其最大徑；在縱隔窗圖像上確定腫瘤強(qiáng)化最明顯處，分別在平掃、動(dòng)脈期和靜脈期圖像上在此處勾畫感興趣區(qū)，并盡量避開腫瘤內(nèi)出血、壞死區(qū)及鈣化，所有ROI的形狀、大小相同，測(cè)量腫瘤的CT值每個(gè)病灶測(cè)量3次，取其平均值，并計(jì)算動(dòng)脈期和靜脈期圖像上腫瘤的強(qiáng)化率(enhanced ratio，ER)。

4.特征提取、篩選及影像組學(xué)模型的建立

將所有患者的的CT平掃、動(dòng)脈期和靜脈期圖像從PACS系統(tǒng)以DICOM格式導(dǎo)入ITK-SNP 3.6.0軟件，由2位放射科醫(yī)師分別在各期縱隔窗圖像上沿腫瘤邊緣手動(dòng)逐層勾畫ROI，并融合成三維容積興趣區(qū)(圖1)，再導(dǎo)入AK軟件(GE Healthcare Analysis Kit，3.2.0版)提取病灶的紋理特征(包括一階特征、形態(tài)特征、灰度共生矩陣特征、灰度區(qū)域大小矩陣特征、灰度游程矩陣特征、鄰域灰度差矩陣特征、灰度依賴矩陣特征)并進(jìn)行變換(拉普拉斯-高斯濾波、小波分析及局部二值模式變換)，獲得所有患者的平掃、動(dòng)脈期、靜脈期和多序列(平掃+動(dòng)脈期+靜脈期)紋理特征。一周后由高年資醫(yī)師隨機(jī)抽取30例患者的圖像，重復(fù)上述步驟，提取病灶在3期圖像上的紋理特征，以進(jìn)行可重復(fù)性檢驗(yàn)。刪除組內(nèi)相關(guān)系數(shù)(intraclass correlation coefficient，ICC)<0.75的特征，然后采用最小冗余最大相關(guān)(max-relevance and min-redundancy，mRMR)以及最小絕對(duì)值收斂和選擇算子(least absolute shrinkage and selection operator method，LASSO)回歸分析對(duì)訓(xùn)練集各期(包括平掃、動(dòng)脈期、靜脈期及3期聯(lián)合序列)剩余的紋理特征分別進(jìn)行降維，篩選出最佳特征子集，構(gòu)建基于各單期和3期聯(lián)合的影像組學(xué)模型，再按照特征權(quán)重分別計(jì)算影像組學(xué)分值(rad-score)，并將最終獲得的各期影像組學(xué)模型在相應(yīng)驗(yàn)證集中分別進(jìn)行驗(yàn)證(圖2)。

圖1 肺癌病灶容積ROI的獲取方法。a)CT動(dòng)脈期圖像，沿腫瘤邊緣勾畫ROI(紅色區(qū)域)；b)腫瘤所有層面的ROI融合后形成三維圖像。 圖2 影像組學(xué)分析流程圖。

5.統(tǒng)計(jì)分析

統(tǒng)計(jì)分析使用SPSS 24.0、R 4.0.4和MedCalc 19.0.2軟件。計(jì)量資料采用Kolmogorov-Smirnov檢驗(yàn)進(jìn)行正態(tài)性檢驗(yàn)，符合正態(tài)分布的數(shù)據(jù)以均數(shù)±標(biāo)準(zhǔn)差來表示，并采用獨(dú)立樣本t檢驗(yàn)進(jìn)行組間比較；計(jì)數(shù)資料以頻數(shù)表示，并采用χ2檢驗(yàn)或Fisher檢驗(yàn)進(jìn)行組間比較。采用ICC評(píng)價(jià)兩位醫(yī)師間和高年資醫(yī)師兩次提取紋理特征的一致性。利用mRMR法篩選紋理特征，然后采用LASSO回歸進(jìn)一步篩選紋理特征并構(gòu)建影像組學(xué)標(biāo)簽，根據(jù)特征權(quán)重計(jì)算每個(gè)患者的得分。所有預(yù)測(cè)模型的建立均采用單因素和多因素logistic回歸分析，并使用方差膨脹因子(variance inflation factor，VIF)進(jìn)行共線性檢查。繪制校準(zhǔn)曲線來評(píng)價(jià)模型的擬合優(yōu)度，并采用Hosmer-Lemeshow檢驗(yàn)評(píng)價(jià)校準(zhǔn)曲線的一致性，計(jì)算受試者工作特征(receiver operating characteristic，ROC)曲線下面積(area under curve，AUC)來評(píng)價(jià)模型的預(yù)測(cè)效能。多個(gè)模型間AUC的比較采用DeLong檢驗(yàn)，通過決策曲線分析(decision curve analysis，DCA)評(píng)價(jià)各模型的臨床收益。以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

1.訓(xùn)練組和驗(yàn)證組的臨床和CT特征

訓(xùn)練集和驗(yàn)證集中轉(zhuǎn)移組和非轉(zhuǎn)移組患者臨床和CT特征的比較結(jié)果見表1。在訓(xùn)練集和驗(yàn)證集中，轉(zhuǎn)移組與非轉(zhuǎn)移組之間性別、年齡、腫瘤長徑、生長部位、邊界、分葉征、胸膜凹陷征、平掃及增強(qiáng)CT值、腫瘤強(qiáng)化程度及方式、CT-T分期的差異均無統(tǒng)計(jì)學(xué)意義(P>0.05)；轉(zhuǎn)移組與非轉(zhuǎn)移組之間腫瘤密度和毛刺征出現(xiàn)率的差異均有統(tǒng)計(jì)學(xué)意義(P<0.05)。

表1 訓(xùn)練集和驗(yàn)證集中轉(zhuǎn)移組和非轉(zhuǎn)移組患者臨床和CT特征的比較

經(jīng)共線性檢查，將P<0.05的變量納入多因素logistic回歸分析，獲得回歸方程作為常規(guī)預(yù)測(cè)模型，結(jié)果顯示毛刺是該模型的獨(dú)立預(yù)測(cè)因子[比值比(odds ratio,OR)=2.7，P=0.040]。

2.影像組學(xué)特征提取的一致性

2位醫(yī)師提取的各項(xiàng)紋理特征之間的一致性為0.786～0.978；高年資醫(yī)師兩次提取特征的一致性為0.803～0.986。

3.紋理特征提取及影像組學(xué)模型建立

AK軟件自平掃、動(dòng)脈期和靜脈期圖像上各提取了1316個(gè)紋理特征，3個(gè)序列共提取3948個(gè)紋理特征，經(jīng)mRMR去除冗余特征和LASSO回歸降維后(圖3、4)，平掃、動(dòng)脈期、靜脈期及三期聯(lián)合(多序列)獲得的對(duì)腦轉(zhuǎn)移預(yù)測(cè)價(jià)值較大的紋理特征數(shù)分別為9、10、9和9個(gè)，分別建立影像組學(xué)模型，并根據(jù)公式計(jì)算出每例患者的rad-score，結(jié)果見表2。100次留P交叉驗(yàn)證保證各模型均具有很好的穩(wěn)定性。

表2 訓(xùn)練集和驗(yàn)證集中轉(zhuǎn)移組和非轉(zhuǎn)移組患者rad-score值

圖3 多序列LASSO回歸選擇鑒別NSCLC同步腦轉(zhuǎn)移及非轉(zhuǎn)移的特征。a)左、右兩條虛線分別表示最佳λ取值時(shí)log(λ)對(duì)應(yīng)的偏差值和最佳λ對(duì)數(shù)函數(shù)值，頂端坐標(biāo)為對(duì)應(yīng)特征數(shù)；b)調(diào)整λ取值時(shí)LASSO篩選的非零系數(shù)特征圖，虛線下方即為最佳λ值，上方為所篩特征數(shù)，此時(shí)共篩選出9個(gè)非零特征。 圖4 多序列影像組學(xué)模型中納入的各項(xiàng)紋理特征及其權(quán)重。C表示平掃，A表示動(dòng)脈期，V表示靜脈期。 圖5 綜合診斷模型的諾模圖。各變量得分相加為總得分，根據(jù)總得分取值可獲得患者發(fā)生腦轉(zhuǎn)移的風(fēng)險(xiǎn)概率。

4.建立綜合診斷模型

將常規(guī)預(yù)測(cè)模型中的變量和多序列影像組學(xué)模型的rad-score納入logistic回歸分析建立綜合診斷模型并繪制其諾模圖(圖5)，logistic回歸分析顯示多序列組學(xué)模型的rad-score為預(yù)測(cè)NSCLC患者同步腦轉(zhuǎn)移的獨(dú)立因子(OR=2.4，P<0.001)。

5.各模型的效能分析

各模型在訓(xùn)練集和驗(yàn)證集中預(yù)測(cè)腦轉(zhuǎn)移的ROC曲線分析結(jié)果見表3～4和圖6。綜合診斷模型在訓(xùn)練集和驗(yàn)證集中的預(yù)測(cè)效能最高(AUC分別為0.86、0.88)，多序列影像組學(xué)模型在訓(xùn)練集和驗(yàn)證集中的預(yù)測(cè)效能高于各單一序列。

表3 各診斷模型在訓(xùn)練集中的ROC曲線分析結(jié)果

表4 各診斷模型在驗(yàn)證集中的ROC曲線分析結(jié)果

圖6 各預(yù)測(cè)模型的ROC曲線，在訓(xùn)練集和驗(yàn)證集中均以綜合診斷模型的AUC最高，常規(guī)模型的AUC最低。a)訓(xùn)練集；b)驗(yàn)證集。 圖7 綜合診斷模型的校準(zhǔn)曲線，顯示訓(xùn)練集和驗(yàn)證集的預(yù)測(cè)曲線均接近標(biāo)準(zhǔn)曲線。a)訓(xùn)練集；b)驗(yàn)證集。 圖8 常規(guī)模型、多序列組學(xué)模型和綜合診斷模型預(yù)測(cè)NSCLC同步腦轉(zhuǎn)移的決策曲線。當(dāng)風(fēng)險(xiǎn)閾值為18%～82%時(shí)，多序列組學(xué)模型和綜合診斷模型預(yù)測(cè)NSCLC同步腦轉(zhuǎn)移的凈收益均優(yōu)于常規(guī)模型。All表示所有同步腦轉(zhuǎn)移患者，None表示所有非轉(zhuǎn)移患者。

DeLong檢驗(yàn)結(jié)果顯示單一和多序列組學(xué)模型之間AUC的差異無統(tǒng)計(jì)學(xué)意義(平掃 vs. 動(dòng)脈期：Z=0.528，P=0.597；平掃 vs. 靜脈期：Z=0.322，P=0.747；平掃 vs. 多序列：Z=0.332，P=0.740；動(dòng)脈期 vs. 靜脈期：Z=0.211，P=0.833；動(dòng)脈期 vs. 序列：Z=1.055，P=0.292；靜脈期 vs. 多序列：Z=0.924，P=0.355)，多序列組學(xué)模型與常規(guī)模型之間AUC的差異無統(tǒng)計(jì)學(xué)意義(Z=1.960，P=0.051)。綜合診斷模型與多序列影像組學(xué)模型之間AUC的差異無統(tǒng)計(jì)學(xué)意義(Z=0.297，P=0.767)，與常規(guī)模型AUC的差異有統(tǒng)計(jì)學(xué)意義(Z=2.843，P=0.004)。

Hosmer-Lemeshow檢驗(yàn)結(jié)果見圖7。綜合診斷模型在訓(xùn)練集和驗(yàn)證集中的擬合效果均較好(χ2值分別為11.538和5.611，P值分別為0.173和0.691)。DCA顯示綜合診斷模型和多序列影像組學(xué)模型的凈收益均優(yōu)于常規(guī)模型，綜合診斷模型略優(yōu)于多序列影像組學(xué)模型(圖8)。

討 論

本研究通過納入臨床、影像學(xué)特征及紋理特征等多個(gè)變量，嘗試從不同層面建立NSCLC同步腦轉(zhuǎn)移預(yù)測(cè)模型，結(jié)果顯示訓(xùn)練集和驗(yàn)證集中腫瘤密度、毛刺與NSCLC患者同步腦轉(zhuǎn)移密切相關(guān)。毛刺是肺癌細(xì)胞浸潤?quán)徑５姆谓M織所致，是惡性腫瘤邊緣侵襲性的重要表現(xiàn)，作為肺癌常見影像征象，轉(zhuǎn)移組與非轉(zhuǎn)移組之間毛刺征出現(xiàn)率的差異可能與本研究中非腦轉(zhuǎn)移組患者多處于肺癌發(fā)病早期有關(guān)，需要進(jìn)一步積累樣本量深入分析兩者間的相關(guān)性。腫瘤密度體現(xiàn)了腫瘤組織內(nèi)的血氧供應(yīng)，同步腦轉(zhuǎn)移組中腫瘤密度相對(duì)均勻，可能表示肺癌細(xì)胞相對(duì)活躍，進(jìn)而促進(jìn)腦轉(zhuǎn)移的發(fā)生。已有研究發(fā)現(xiàn)T分期與NSCLC腦轉(zhuǎn)移密切相關(guān)，腫瘤大小及T分期反映原發(fā)腫瘤的生長范圍和大小，腫瘤越大，分期越晚，則越有可能發(fā)生遠(yuǎn)處轉(zhuǎn)移[11-13]。但本研究表明腫瘤長徑及T分期在訓(xùn)練組和驗(yàn)證組間差異均無統(tǒng)計(jì)學(xué)意義。Wang等[14]的研究結(jié)果也未顯示T分期是NSCLC腦轉(zhuǎn)移的風(fēng)險(xiǎn)因素，這可能與樣本量不同有關(guān)。同時(shí)，本研究結(jié)果顯示反映腫瘤供血情況的強(qiáng)化程度及方式與NSCLC同步腦轉(zhuǎn)移無顯著相關(guān)性。本研究中常規(guī)模型預(yù)測(cè)NSCLS患者同步腦轉(zhuǎn)移的效能相對(duì)較低(AUC為0.68)，雖然影像特征的評(píng)判存在主觀性和一定的測(cè)量誤差，但一定程度上可以提示臨床進(jìn)行更全面的檢查和干預(yù)。

常規(guī)模型中的變量難以全面反映發(fā)生腦轉(zhuǎn)移的NSCLS的生物學(xué)特征，而影像組學(xué)特征可揭示ROI內(nèi)像素灰度值的分布模式及變化規(guī)律，能更客觀地反映腫瘤的異質(zhì)性[8,15]，獲得腫瘤發(fā)展及預(yù)后信息。Coroller等[10]研究提示影像組學(xué)特征與早期肺腺癌患者發(fā)生遠(yuǎn)處轉(zhuǎn)移具有顯著相關(guān)性。本研究基于三維圖像提取肺癌病灶的影像組學(xué)特征，并對(duì)不同CT掃描序列建立的影像組學(xué)模型預(yù)測(cè)NSCLS患者同步腦轉(zhuǎn)移的效能進(jìn)行分析，結(jié)果顯示基于平掃的組學(xué)模型預(yù)測(cè)效能高于動(dòng)脈期和靜脈期。理論上，包括腫瘤病灶微血管生成和血流灌注情況異質(zhì)性信息的動(dòng)脈期及靜脈期圖像較主要反映腫瘤密度非勻質(zhì)性的平掃序列可以提取更多有價(jià)值的影像組學(xué)特征，構(gòu)建更有價(jià)值的模型，但本研究結(jié)果與上述理論分析的結(jié)果存在差異，其原因和好機(jī)制尚需進(jìn)一步研究。

本研究結(jié)果顯示多序列組學(xué)模型的預(yù)測(cè)效能(AUC為0.84)高于單一序列，多序列共篩選出9個(gè)組學(xué)特征，其中6個(gè)特征屬于一階特征(即直方圖特征)，能通過統(tǒng)計(jì)圖像中所有像素不同灰度值出現(xiàn)的頻率，獲取病變內(nèi)部的異質(zhì)性，具有簡單、易獲取和可重復(fù)性高等特點(diǎn)[16-17]，是目前應(yīng)用最廣的組學(xué)特征之一。本研究結(jié)果說明腦轉(zhuǎn)移組中肺癌病灶的內(nèi)部信息較非轉(zhuǎn)移組發(fā)生了明顯改變。多序列影像組學(xué)模型中的5個(gè)紋理特征經(jīng)過小波變換，包括權(quán)重系數(shù)最高的特征。小波變換是目前最常用的紋理分析方法之一，經(jīng)小波變換后的特征優(yōu)于其它特征[18]，它能增強(qiáng)圖像的層次感，提供腫瘤內(nèi)部特征信息和邊緣輪廓特征信息，反映腫瘤生長特征和預(yù)后信息[19]。由于NSCLS患者同步腦轉(zhuǎn)移生物學(xué)機(jī)制的復(fù)雜性，為更全面準(zhǔn)確地預(yù)測(cè)NSCLS患者發(fā)生同步腦轉(zhuǎn)移的風(fēng)險(xiǎn)，我們將臨床、影像學(xué)特征與多序列組學(xué)模型的rad-score聯(lián)合建立綜合診斷模型，結(jié)果顯示，臨床資料和影像學(xué)特征的加入并未能明顯提高綜合診斷模型的預(yù)測(cè)效能及臨床凈收益，多序列組學(xué)模型的rad-score為預(yù)測(cè)NSCLC患者同步腦轉(zhuǎn)移的獨(dú)立因子，影像組學(xué)有望成為一種全新的生物學(xué)指標(biāo)幫助臨床預(yù)測(cè)同步腦轉(zhuǎn)移的風(fēng)險(xiǎn)。

本研究存在一定的局限性：①本研究為回顧性研究，可能存在一定的選擇偏倚，尚需多中心研究驗(yàn)證預(yù)測(cè)模型的價(jià)值；②病例數(shù)相對(duì)較少，且由于臨床資料有限，未能將更多與NSCLC患者腦轉(zhuǎn)移有關(guān)的變量納入常規(guī)模型；③手動(dòng)勾畫ROI和影像特征的評(píng)判受個(gè)人主觀因素的影響，且因呼吸運(yùn)動(dòng)的影響，各期圖像間很難完全匹配。

總之，影像組學(xué)模型及基于臨床、影像學(xué)特征及紋理特征建立的綜合診斷模型均具有很高的預(yù)測(cè)NSCLC患者同步腦轉(zhuǎn)移的價(jià)值，影像組學(xué)有望成為一種全新的生物學(xué)指標(biāo)幫助臨床預(yù)測(cè)肺癌患者發(fā)生同步腦轉(zhuǎn)移的風(fēng)險(xiǎn)。