潘犇 梁長(zhǎng)華 韓東明 崔俊偉 姚陽陽 魏正琦 甄思雨 危涵羽 楊鑫淼

耐藥結(jié)核病是許多國(guó)家的一個(gè)主要公共衛(wèi)生問題[1]。耐藥結(jié)核病指患者感染的結(jié)核分枝桿菌經(jīng)體外藥物敏感性試驗(yàn)(簡(jiǎn)稱“藥敏試驗(yàn)”)證實(shí)對(duì)利福平或異煙肼等任意一種或多種抗結(jié)核藥物耐藥[2]。對(duì)耐藥結(jié)核病的不正確診斷可能導(dǎo)致治療效果降低、不良反應(yīng)增加,以及患者依從性降低[3]。耐藥肺結(jié)核的準(zhǔn)確診斷需要進(jìn)行分枝桿菌培養(yǎng)和藥敏試驗(yàn)[4],而痰菌陰性肺結(jié)核患者很難診斷,并且可能有漏診的風(fēng)險(xiǎn)[5]。因此,早期、無創(chuàng)地識(shí)別耐藥肺結(jié)核患者能夠有效阻止結(jié)核病的人際傳播,增加治療成功的概率。

影像組學(xué)是一種從標(biāo)準(zhǔn)醫(yī)學(xué)影像中高通量挖掘定量圖像特征的方法,可以在臨床決策支持系統(tǒng)中提取和應(yīng)用數(shù)據(jù),以提高診斷、預(yù)后和預(yù)測(cè)準(zhǔn)確性,在癌癥研究中日益重要[6]。本研究旨在通過構(gòu)建影像組學(xué)模型預(yù)測(cè)肺結(jié)核患者耐藥性,進(jìn)一步幫助臨床醫(yī)生早期識(shí)別耐藥肺結(jié)核患者。

資料和方法

一、研究對(duì)象

1.患者選擇:采用回顧性研究方法,參照入組標(biāo)準(zhǔn)納入2020年1月1日至2022年12月31日河南省新鄉(xiāng)醫(yī)學(xué)院第一附屬醫(yī)院收治的88例耐藥肺結(jié)核(耐藥組)和146例藥物敏感肺結(jié)核(藥物敏感組)患者。影像組學(xué)工作流程如圖1所示。將所有患者按7∶3的比例隨機(jī)分為訓(xùn)練集和測(cè)試集。

注 GLCM:grey-level co-occurrence matrix features,灰度共生矩陣; GLDM:grey-level dependence matrix,灰度相關(guān)矩陣; GLRLM:grey-level run-length matrix,灰度游程矩陣; GLSZM:grey-level size-zone matrix,灰度區(qū)域大小矩陣; NGTDM:neighboring gray tone difference matrix,鄰域灰度差矩陣

2.納入標(biāo)準(zhǔn):(1)所有患者治療前均行胸部CT掃描;(2)患者符合《肺結(jié)核活動(dòng)性判斷規(guī)范及臨床應(yīng)用專家共識(shí)》[7]中的診斷標(biāo)準(zhǔn);(3)通過藥敏試驗(yàn)或GeneXpert MTB/RIF檢測(cè)以區(qū)分藥物敏感肺結(jié)核和耐藥肺結(jié)核患者。

3.排除標(biāo)準(zhǔn):(1)合并艾滋病、糖尿病的患者;(2)合并其他肺部疾病,如肺癌、矽肺等;(3)CT掃描圖像質(zhì)量較差;(4)影像資料或臨床資料不完整。

二、研究方法

1.一般數(shù)據(jù)收集:收集患者的一般臨床資料,包括年齡、性別、體質(zhì)量指數(shù)(body mass index,BMI)、吸煙史、飲酒史、治療史。

2.掃描方法:分別采用聯(lián)影uCT 550 (80層螺旋CT)、GE revolution、東軟NeuViz 128三臺(tái)儀器進(jìn)行CT掃描。掃描范圍:從肺尖掃描至橫膈水平。掃描條件:管電壓為100～120 kV,管電流采用自動(dòng)毫安技術(shù),掃描層厚5～8 mm,重建層厚0.625～1.25 mm,螺距為1,矩陣為512×512。從圖片存檔及通信系統(tǒng)(picture archiving and communication system,PACS)中以DICOM格式導(dǎo)出重建圖像,并應(yīng)用3D Slicer 5.3.0軟件進(jìn)行影像組學(xué)分析。

3.CT掃描圖像分析:2名胸部放射診斷醫(yī)師(分別具有3年、7年工作經(jīng)驗(yàn))獨(dú)立分析患者的CT征象,并且對(duì)患者藥敏試驗(yàn)結(jié)果不知情。CT圖像主要征象包括:(1)結(jié)節(jié)及衛(wèi)星灶;(2)鈣化結(jié)節(jié);(3)實(shí)變;(4)纖維條索;(5)支氣管擴(kuò)張;(6)樹芽征。共同討論不同意見并且達(dá)成一致。

4.病灶分割與特征提取:使用3D Slicer軟件在薄層肺窗圖像上進(jìn)行處理,由1名經(jīng)驗(yàn)豐富的胸部放射診斷醫(yī)師沿最大病灶邊緣(包括大片實(shí)變及空洞、病灶內(nèi)支氣管)逐層獲得感興趣區(qū)(region of interest,ROI),并避開大血管及主支氣管。最后所勾畫的病灶所有層面通過軟件自動(dòng)融合為感興趣體積(volume of interest,VOI),并由另1名高年資放射診斷醫(yī)師進(jìn)行最終確認(rèn)。首先對(duì)圖像進(jìn)行1 mm×1 mm×1 mm重采樣,以減小不同設(shè)備之間的圖像差異。隨后對(duì)每例患者的VOI進(jìn)行影像組學(xué)特征提取,包括形態(tài)特征、一階特征及紋理特征,后者包括灰度共生矩陣(gray level co-occurrence matrix,GLCM)及灰度游程矩陣(gray level run length matrix,GLRLM)等,并應(yīng)用2個(gè)基本的內(nèi)置濾波器,包括小波變換和高斯拉普拉斯濾波器(LoG),共提取1037個(gè)特征。1個(gè)月后隨機(jī)選擇30例患者病灶再次進(jìn)行勾畫,進(jìn)行組內(nèi)相關(guān)性分析(intraclass correlation coefficient,ICC)以評(píng)估觀察者內(nèi)一致性,>0.75表明相關(guān)性較好[8]。

5.特征選擇:對(duì)所有數(shù)據(jù)進(jìn)行Z-score標(biāo)準(zhǔn)化處理后,采用最小冗余最大相關(guān)(minimum redundancy maximum relevance,MRMR)算法對(duì)訓(xùn)練集特征進(jìn)行篩選。然后采用最小絕對(duì)收縮與選擇算子(least absolute shrinkage and selection operator,LASSO)算法從剩余候選特征中選擇最優(yōu)特征(圖2,3),采用10折交叉驗(yàn)證避免過擬合。

注 最小均方誤差處的最佳λ值為0.0262。左邊垂直虛線表示最佳λ值及所對(duì)應(yīng)的特征數(shù)量,右邊虛線表示1倍標(biāo)準(zhǔn)差所對(duì)應(yīng)最佳λ值

注 垂直線對(duì)應(yīng)最佳λ值,保留此處系數(shù)不為0的14項(xiàng)影像組學(xué)特征

6.模型構(gòu)建:為了評(píng)估不同模型在預(yù)測(cè)肺結(jié)核患者耐藥性的性能,采用logistic回歸方法分別建立臨床模型、影像組學(xué)模型和聯(lián)合模型。將所選擇的臨床特征及CT征象納入臨床模型;將經(jīng)過MRMR和LASSO篩選的最優(yōu)特征納入影像組學(xué)模型;最后將經(jīng)過篩選的有統(tǒng)計(jì)學(xué)意義的臨床變量及CT征象與最優(yōu)影像組學(xué)特征結(jié)合,構(gòu)建聯(lián)合模型。

三、統(tǒng)計(jì)學(xué)處理

結(jié) 果

一、兩組患者一般資料及CT掃描結(jié)果比較

234例患者的臨床特征和CT特征見表1,耐藥肺結(jié)核患者和藥物敏感肺結(jié)核患者的治療史(P<0.001)和樹芽征(P=0.032)的差異均有統(tǒng)計(jì)學(xué)意義。其余選擇特征在兩組間的差異均無統(tǒng)計(jì)學(xué)意義。在CT征象分析中,2名醫(yī)師對(duì)結(jié)節(jié)及衛(wèi)星灶(Kappa=0.757,P<0.001)、鈣化結(jié)節(jié)(Kappa=0.784,P<0.001)、實(shí)變(Kappa=0.818,P<0.001)、纖維條索(Kappa=0.777,P<0.001)、支氣管擴(kuò)張(Kappa=0.863,P<0.001)、樹芽征(Kappa=0.781,P<0.001)的觀察一致性均較好。

表1 兩組患者一般資料及CT掃描結(jié)果的比較

二、特征選擇

最初從CT掃描圖像中提取1037個(gè)定量影像組學(xué)特征。使用MRMR方法選擇前20個(gè)相關(guān)性最高的特征。使用LASSO篩選了14個(gè)影像組學(xué)特征,篩選的最佳影像組學(xué)特征相關(guān)性見圖4。

注 wavelet-HLH_firstorder_Mean:小波-HLH_階灰度特征_均值;wavelet-HHL_glcm_ClusterProminence:小波-HHL_灰度共生矩陣_集群突出;log-sigma-2.0 mm-3D_glcm_ClusterShade:log-σ-2.0 mm-3D_灰度共生矩陣_集群陰影;wavelet-HLH_firstorder_Median:小波-HLH_一階灰度特征_中值;original_shape_Elongation:原始_形狀_伸長(zhǎng)率;wavelet-LHL_gldm_LargeDependenceLowGrayLevelEmphasis:小波-LHL_灰度相關(guān)矩陣_大依賴低灰度強(qiáng)調(diào);log-sigma-3.0 mm-3D_glszm_HighGrayLevelZoneEmphasis:log-σ-3.0 mm-3D_灰度區(qū)域大小矩陣_高灰度區(qū)域強(qiáng)調(diào);log-sigma-2.0 mm-3D_glszm_LargeAreaHighGrayLevelEmphasis:log-σ-2.0 mm-3D_灰度區(qū)域大小矩陣_大區(qū)域高灰度強(qiáng)調(diào);wavelet-LHH_glcm_Correlation:小波-LHH_灰度共生矩陣_相關(guān)性;wavelet-LLL_glcm_Imc2:小波-LLL_灰度共生矩陣_相關(guān)信息測(cè)度2;wavelet-HHL_firstorder_Median:小波-HHL_一階灰度特征_中值;log-sigma-3.0 mm-3D_glszm_SmallAreaEmphasis:log-σ-3.0 mm-3D_灰度區(qū)域大小矩陣_小面積強(qiáng)調(diào);log-sigma-3.0 mm-3D_glszm_SmallAreaLowGrayLevelEmphasis:log-σ-3.0 mm-3D_灰度區(qū)域大小矩陣_小區(qū)域低灰度強(qiáng)調(diào);wavelet-HLL_glcm_ClusterShade:小波-HLL_灰度共生矩陣_集群陰影

三、模型性能和驗(yàn)證

臨床模型、影像組學(xué)模型及聯(lián)合模型在訓(xùn)練集和測(cè)試集中的ROC曲線見圖5、6。通過logistic回歸構(gòu)建3種模型的預(yù)測(cè)性能見表2。在訓(xùn)練集中臨床模型、影像組學(xué)模型、聯(lián)合模型的AUC值分別為0.760(95%CI:0.687～0.834)、0.822(95%CI:0.758～0.885)、0.878(95%CI:0.823～0.932),在測(cè)試集中臨床模型、影像組學(xué)模型、聯(lián)合模型的AUC值分別為0.820(95%CI:0.704～0.937)、0.845(95%CI:0.744～0.947)、0.888(95%CI:0.788～0.987),聯(lián)合模型在訓(xùn)練集及測(cè)試集中均表現(xiàn)最好。Delong檢驗(yàn)結(jié)果顯示,聯(lián)合模型與影像組學(xué)模型(Z=-2.625,P=0.009)、聯(lián)合模型與臨床模型的預(yù)測(cè)效能差異(Z=-3.073,P=0.002)均有統(tǒng)計(jì)學(xué)意義。

表2 3種模型在訓(xùn)練集和測(cè)試集中的預(yù)測(cè)性能

圖5 訓(xùn)練集ROC曲線

圖6 測(cè)試集ROC曲線

訓(xùn)練集及測(cè)試集的校準(zhǔn)曲線圖(圖7,8)顯示,校準(zhǔn)預(yù)測(cè)曲線與標(biāo)準(zhǔn)曲線貼合尚可,提示聯(lián)合模型對(duì)耐藥肺結(jié)核與藥物敏感肺結(jié)核患者的預(yù)測(cè)概率與實(shí)際概率均具有良好的一致性。決策曲線(圖9,10)表明,在大多數(shù)概率閾值范圍內(nèi),聯(lián)合模型對(duì)患者進(jìn)行耐藥性預(yù)測(cè)指導(dǎo)治療的臨床凈收益最高。

圖7 訓(xùn)練集校準(zhǔn)曲線

圖8 測(cè)試集校準(zhǔn)曲線

圖9 訓(xùn)練集決策曲線

圖10 測(cè)試集決策曲線

討 論

耐藥肺結(jié)核的治療是我國(guó)結(jié)核病防治的一項(xiàng)重要工作,耐藥肺結(jié)核如果得不到及時(shí)確診,不僅嚴(yán)重影響患者的治療效果,而且加重患者的家庭經(jīng)濟(jì)負(fù)擔(dān)。確診耐藥肺結(jié)核需要進(jìn)行痰涂片鏡檢和細(xì)菌培養(yǎng),而這個(gè)過程非常耗時(shí)。近年新興的檢查技術(shù)GeneXpert MTB/RIF和GeneXpert MTB/RIF Ultra能夠?qū)Y(jié)核分枝桿菌耐藥基因進(jìn)行檢測(cè),具有較高的敏感度和特異度;但在痰涂片陰性、合并艾滋病及兒童和肺外結(jié)核患者中診斷的敏感度有所降低[9]。本研究基于CT影像組學(xué)方法,旨在通過對(duì)耐藥肺結(jié)核進(jìn)行預(yù)測(cè),為臨床決策提供一種便捷、快速且非侵入性的工具。相比傳統(tǒng)方法,本研究的CT影像組學(xué)方法具有更高的可行性和應(yīng)用潛力,在提高診斷效率和減少患者負(fù)擔(dān)方面具有顯著優(yōu)勢(shì)。本研究應(yīng)用logistic回歸方法建立多個(gè)預(yù)測(cè)模型,以預(yù)測(cè)耐藥肺結(jié)核和藥物敏感肺結(jié)核患者,并在訓(xùn)練集和測(cè)試集中成功地驗(yàn)證其性能;其中,結(jié)合臨床特征與影像組學(xué)特征構(gòu)建的聯(lián)合模型具有最高的鑒別診斷價(jià)值(訓(xùn)練集AUC=0.878,測(cè)試集AUC=0.888)。

近年來,影像組學(xué)發(fā)展迅速,它可以將醫(yī)學(xué)圖像轉(zhuǎn)化為高維圖像,通過對(duì)高通量數(shù)據(jù)進(jìn)行定量分析,為臨床提供額外的診斷信息,并能夠通過影像組學(xué)對(duì)患者進(jìn)行疾病診斷、生存預(yù)測(cè)及療效評(píng)估,越來越廣泛地應(yīng)用于臨床研究[6,10-11]。影像組學(xué)在肺部疾病的診斷和鑒別診斷中也起著非常重要的作用,如肺癌與肺結(jié)核、隱球菌肺炎等疾病的鑒別診斷[12-13],均表現(xiàn)出較好的結(jié)果。然而,影像組學(xué)關(guān)于肺結(jié)核耐藥性的相關(guān)性研究較少,可能與肺結(jié)核病灶的CT表現(xiàn)復(fù)雜多樣有關(guān)。本研究通過影像組學(xué)方法,對(duì)肺結(jié)核患者的耐藥性進(jìn)行預(yù)測(cè),所構(gòu)建的模型取得較好的結(jié)果。Li等[14]基于CT影像組學(xué)構(gòu)建機(jī)器學(xué)習(xí)模型預(yù)測(cè)空洞性肺結(jié)核耐藥性,其中聯(lián)合模型在訓(xùn)練集和測(cè)試集的AUC值分別為0.881與0.834,與本研究中聯(lián)合模型在訓(xùn)練集和測(cè)試集的AUC值分別為0.878和0.888的結(jié)果大致相仿。本研究納入的實(shí)變病灶中,部分病灶內(nèi)可見不規(guī)則空洞及支氣管擴(kuò)張,考慮到肺結(jié)核患者肺部CT征象的復(fù)雜性和病灶范圍廣泛。本研究勾畫感興趣區(qū)體積及提取的影像組學(xué)特征更具有普遍適用性,對(duì)臨床應(yīng)用具有更重要的應(yīng)用價(jià)值。

根據(jù)臨床特征分析顯示,發(fā)現(xiàn)既往有結(jié)核病治療史的患者更有可能對(duì)抗結(jié)核藥物耐藥,這與Pradipta 等[15]的研究結(jié)果一致。初診肺結(jié)核患者未經(jīng)過利福平和異煙肼等藥物抗結(jié)核治療,患者體內(nèi)結(jié)核分枝桿菌生物活性比較敏感;而復(fù)治肺結(jié)核患者經(jīng)過長(zhǎng)期抗結(jié)核治療,如果不能規(guī)律全程用藥,體內(nèi)結(jié)核分枝桿菌對(duì)藥物產(chǎn)生耐藥的概率會(huì)增加,更容易導(dǎo)致耐藥的發(fā)生[16]。本研究在性別、年齡、BMI、吸煙史和飲酒史方面,兩組間差異均無統(tǒng)計(jì)學(xué)意義,表明這些臨床特征可能不是耐藥肺結(jié)核發(fā)展的危險(xiǎn)因素。本研究中耐藥肺結(jié)核和藥物敏感肺結(jié)核患者的CT表現(xiàn)有很多相似點(diǎn),兩組間結(jié)節(jié)及衛(wèi)星灶、鈣化結(jié)節(jié)、實(shí)變、纖維條索及支氣管擴(kuò)張之間的差異均無統(tǒng)計(jì)學(xué)意義。這與梁瑞云等[17]報(bào)道耐藥肺結(jié)核伴空洞與藥物敏感肺結(jié)核伴空洞患者的實(shí)變影、結(jié)節(jié)/團(tuán)塊影、支氣管擴(kuò)張之間的差異均無統(tǒng)計(jì)學(xué)意義的結(jié)果一致。進(jìn)一步的研究可能需要考慮其他潛在的因素來解釋耐藥肺結(jié)核的發(fā)生和發(fā)展。樹芽征的病理依據(jù)是結(jié)核分枝桿菌的支氣管內(nèi)播散[18],是活動(dòng)性肺結(jié)核的重要CT征象;在非活動(dòng)性肺結(jié)核CT圖像上也可長(zhǎng)期存在,但病變輪廓更為清楚。患者CT征象分析顯示樹芽征在兩組間差異有統(tǒng)計(jì)學(xué)意義,盡管藥物敏感組的樹芽征患者比例高于耐藥組,但根據(jù)這一征象并不能區(qū)分兩者。筆者認(rèn)為有必要利用定量分析來探索耐藥肺結(jié)核和藥物敏感肺結(jié)核之間的具體差異,而影像組學(xué)在這方面很有前景。

綜上所述,基于CT影像組學(xué)結(jié)合臨床特征構(gòu)建的影像組學(xué)模型可以有效地識(shí)別耐藥肺結(jié)核和藥物敏感肺結(jié)核患者,這對(duì)耐藥肺結(jié)核患者的早期無創(chuàng)診斷和鑒別具有重要意義。

利益沖突所有作者均聲明不存在利益沖突

作者貢獻(xiàn)潘犇:醞釀和設(shè)計(jì)實(shí)驗(yàn)、實(shí)施研究、采集數(shù)據(jù)、分析/解釋數(shù)據(jù)、起草文章、統(tǒng)計(jì)分析;梁長(zhǎng)華、韓東明和崔俊偉:醞釀和設(shè)計(jì)實(shí)驗(yàn)、對(duì)文章的知識(shí)性內(nèi)容作批評(píng)性審閱、行政/技術(shù)/材料支持、指導(dǎo);姚陽陽:醞釀和設(shè)計(jì)實(shí)驗(yàn)、實(shí)施研究、采集數(shù)據(jù)、分析/解釋數(shù)據(jù)、統(tǒng)計(jì)分析;魏正琦、甄思雨、危涵羽和楊鑫淼:實(shí)施研究、采集數(shù)據(jù)、分析/解釋數(shù)據(jù)、統(tǒng)計(jì)分析