劉 巧 曾 燕 劉 博 王 毅 李曉鳳 周代全

肺癌具有較高的發(fā)病率和死亡率，肺腺癌在肺癌中占據(jù)最大比例。2021年WHO肺部腫瘤組織學(xué)分類［1］將非典型腺瘤樣增生（atypical adenomatous hyperplasia，AAH）、原位腺癌（adenocarcinoma in situ，AIS）定義為腺體前驅(qū)病變，其具有向微浸潤性腺癌 （minimally invasive adenocarcinoma，MIA）及浸潤性腺癌（invasive adenocarcinoma，IAC）發(fā)展的趨勢，但生長速度較緩慢，一般只需定期隨訪觀察即可，即使行手術(shù)治療，AIS手術(shù)完全切除后患者5年無病生存率達(dá)100%或接近100%。而MIA及IAC根據(jù)病情發(fā)展嚴(yán)重程度一般需行手術(shù)治療，研究指出ⅠA期肺腺癌患者手術(shù)切除后5年無病生存率為74.6%［2-4］。因此早期鑒別腺體前驅(qū)病變與肺腺癌不僅可幫助臨床制訂合適的治療方案，還可提高患者的生存率。目前臨床中主要依靠手術(shù)或穿刺組織病理學(xué)檢查等有創(chuàng)方式來明確病變的病理類型，近年來隨著人工智能及影像組學(xué)技術(shù)的發(fā)展，通過從CT和MRI等影像中高通量提取反映組織微觀變化的定量信息并構(gòu)建模型，有望以無創(chuàng)的方式實現(xiàn)疾病的早期診斷和預(yù)后預(yù)測［5］。因此，本研究采用影像組學(xué)技術(shù)高通量挖掘CT影像中的信息，獲取影像組學(xué)特征，結(jié)合臨床信息構(gòu)建機(jī)器學(xué)習(xí)模型，以期實現(xiàn)對肺腺癌的早期、準(zhǔn)確預(yù)測。

方 法

1. 數(shù)據(jù)來源

收集重慶醫(yī)科大學(xué)附屬第三醫(yī)院2017年1月—2020年12月收治的186例病理類型明確的肺結(jié)節(jié)患者，其中男性59例，女性127例，年齡20~88歲。肺結(jié)節(jié)病理亞型包括AAH（12例）、AIS（35例）、MIA（48例）和IAC（91例），根據(jù)2021年WHO肺部腫瘤組織學(xué)分類標(biāo)準(zhǔn)將所有病例劃分為腺體前驅(qū)病變組（AAH和AIS）與腺癌組（MIA和IAC），再按照7∶3比例將數(shù)據(jù)分為訓(xùn)練集（130例）和測試集（56例）。納入標(biāo)準(zhǔn)：①肺結(jié)節(jié)病理亞型經(jīng)手術(shù)或穿刺活檢證實；②肺結(jié)節(jié)最大直徑≤3 cm。排除標(biāo)準(zhǔn)：①臨床及影像學(xué)資料不完整；②伴有胸腔積液或肺不張；③圖像有嚴(yán)重偽影?；诨颊唠娮硬v收集以下臨床特征。人口統(tǒng)計學(xué)特征：包括患者性別、年齡、吸煙史、家族腫瘤史；臨床癥狀：包括咳嗽、咳痰、咯血、胸痛、胸悶；腫瘤標(biāo)志物：包括癌胚抗原（CEA）、神經(jīng)元特異性烯醇化酶（NSE）、胃泌素釋放肽前體（ProGRP）、細(xì)胞角蛋白19片段（CyFRA21-1）；CT影像學(xué)語義特征：包括結(jié)節(jié)位置、結(jié)節(jié)成分、結(jié)節(jié)最大徑、邊界清晰、邊緣規(guī)則、分葉征、毛刺征、胸膜凹陷征、與胸膜寬基底相連、空泡征、鈣化、肺門或縱隔淋巴結(jié)腫大。

2.設(shè)備與掃描方法

采用多排螺旋CT（Revolution CT，GE）行胸部CT掃描。囑咐患者仰臥，雙臂上舉，頭先進(jìn)，深吸氣后屏氣掃描。螺距0.938∶1，轉(zhuǎn)速0.6 s/r，平掃管電壓100 kV，自動管電流調(diào)制（200~350 mA），層厚5 mm，間隔5 mm，探測器排數(shù)256，矩陣512×512，重建間隔0.625 mm，重建層厚0.625 mm。

3. 影像組學(xué)分析

①圖像分割：在對肺結(jié)節(jié)病理結(jié)果未知情況下，由1名初級影像醫(yī)師（A）運用3D Slicer軟件（版本：4.11.20200930；National Institutes of Health） 在層厚為0.625 mm的肺窗圖像上對所有病灶容積感興趣區(qū)（region of interest，ROI）進(jìn)行逐層勾畫，勾畫結(jié)果經(jīng)由1名高年資影像醫(yī)師（B）審核及修改（圖1）。②圖像預(yù)處理：為降低圖像間差異對結(jié)果造成的影響，在提取影像組學(xué)特征前行圖像預(yù)處理，包括圖像歸一化和重采樣（重采樣比例：1 mm×1 mm×1 mm）。③影像組學(xué)特征提?。翰捎肞ython軟件（版本：3.7.6）中的PyRadiomics（版本：2.1）模塊對預(yù)處理后圖像進(jìn)行影像組學(xué)特征高通量提取，提取特征包括一階統(tǒng)計特征、基于形狀特征、灰度共生矩陣特征、灰度級游程長度矩陣特征、灰度級區(qū)域矩陣特征、相鄰灰度差矩陣特征、灰度級相關(guān)矩陣特征及小波特征。④可重復(fù)性分析：為提高影像組學(xué)特征可重復(fù)性，通過計算組內(nèi)相關(guān)系數(shù)（intraclass correlation coefficient，ICC）對提取的影像組學(xué)特征行可重復(fù)性分析。其方法如下：在所有病例中隨機(jī)抽取60例肺結(jié)節(jié)CT圖像，A前、后兩次對該60例肺結(jié)節(jié)行ROI勾畫，兩次時間間隔為1個月，B行一次ROI勾畫，對上述勾畫完成的3組ROI提取影像組學(xué)特征，計算操作者內(nèi)和操作者間影像組學(xué)特征的ICC，ICC＞0.75表明具有較好一致性。⑤特征降維：通過單因素分析、最小絕對值收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）進(jìn)行特征降維，篩選出最佳影像組學(xué)特征。⑥模型構(gòu)建：在訓(xùn)練集中將篩選出的具有鑒別意義的特征作為輸入變量構(gòu)建兩個隨機(jī)森林（random forest，RF）肺腺癌結(jié)節(jié)預(yù)測模型。模型1僅包括影像組學(xué)特征，模型2包括影像組學(xué)特征及臨床特征。在訓(xùn)練集和測試集中通過繪制ROC曲線及計算曲線下面積（AUC）對模型進(jìn)行驗證。

4. 統(tǒng)計學(xué)分析

使用SPSS（版本：26.0）和R語言（版本：4.1.0）軟件進(jìn)行統(tǒng)計學(xué)分析。符合正態(tài)分布的計量資料以均數(shù)±標(biāo)準(zhǔn)差表示，非正態(tài)分布計量資料以中位數(shù)與四分位數(shù)間距表示，計數(shù)資料以頻數(shù)（百分比）表示。符合正態(tài)分布且方差齊性的計量資料采用獨立樣本t檢驗，否則采用Mann-WhitneyU檢驗，計數(shù)資料采用卡方檢驗或Fisher精確檢驗，采用逐步logistic回歸分析對單因素分析中具有統(tǒng)計學(xué)意義的臨床特征進(jìn)行進(jìn)一步篩選。所有統(tǒng)計學(xué)結(jié)果均以P＜0.05為差異具有統(tǒng)計學(xué)意義。

結(jié) 果

1.影像組學(xué)特征篩選結(jié)果

總共提取出688個影像組學(xué)特征，其中526個影像組學(xué)特征具備較強(qiáng)可重復(fù)性（ICC＞0.75），將其進(jìn)行標(biāo)準(zhǔn)化后納入單因素分析。單因素分析結(jié)果顯示，373個影像組學(xué)特征在訓(xùn)練集中組間差異顯著（P＜0.05）。最后經(jīng)5折交叉驗證的LASSO回歸算法降維后選出11個具有鑒別意義的影像組學(xué)特征構(gòu)建模型（圖2A、2B），各特征權(quán)重值見圖3。

2. 臨床特征篩選結(jié)果

對25個臨床特征行單因素分析，結(jié)果顯示年齡、吸煙史、CEA、結(jié)節(jié)成分、結(jié)節(jié)最大徑、邊緣規(guī)則、分葉征、毛刺征、胸膜凹陷征和空泡征10個特征在訓(xùn)練集中組間差異顯著（P＜0.05，表1）。將該10個特征作為輸入變量進(jìn)行逐步logistic回歸分析，結(jié)果顯示年齡、結(jié)節(jié)成分和結(jié)節(jié)最大徑差異具有統(tǒng)計學(xué)意義（P＜0.05，表2）。

表1 臨床特征的單因素分析結(jié)果

表2 臨床特征的逐步logistic回歸分析結(jié)果

3.模型構(gòu)建及驗證結(jié)果

在訓(xùn)練集中將LASSO回歸模型中篩選出的11個影像組學(xué)特征作為輸入變量構(gòu)建模型1，將逐步logistic回歸分析中篩選出的3個臨床特征結(jié)合11個影像組學(xué)特征作為輸入變量構(gòu)建模型2，并對模型1和2的診斷效能進(jìn)行ROC曲線分析。模型1和模型2評價結(jié)果如下：訓(xùn)練集中兩模型的AUC分別為0.991和0.960；測試集中兩模型的AUC分別為0.913和0.884，準(zhǔn)確率分別為0.875和0.839，精確度分別為0.872和0.824，召回率分別為0.976和1.0，F(xiàn)1分?jǐn)?shù)分別為0.921和0.903（表3，圖4A、4B）。

表3 兩模型對肺腺癌結(jié)節(jié)的預(yù)測效能

討 論

早期準(zhǔn)確診斷肺結(jié)節(jié)的病理亞型具有重要的臨床意義，目前對肺結(jié)節(jié)的檢測和診斷技術(shù)主要有CT、穿刺活檢或手術(shù)后病理學(xué)檢查。CT主要依靠醫(yī)師綜合分析病灶位置、大小、密度、形態(tài)等信息后對病變作出定性診斷，但因不同病理亞型的肺結(jié)節(jié)在影像上常出現(xiàn)某些相似的表現(xiàn)，且對于同一病灶的診斷易受不同診斷醫(yī)師之間主觀差異的影響，故往往難以對早期肺癌作出準(zhǔn)確診斷。病理學(xué)檢測被認(rèn)為是診斷病變的金標(biāo)準(zhǔn)，但由于其不是對整個病灶進(jìn)行評估，故根據(jù)樣本采集部位的不同也可出現(xiàn)不同的病理學(xué)結(jié)果。影像組學(xué)技術(shù)通過獲取圖像、分割ROI、提取特征、特征降維、構(gòu)建模型等步驟，目前已被廣泛用于疾病診斷、良惡性鑒別、病理學(xué)分型、腫瘤分期及預(yù)后評估等研究，且其實用價值被大量研究［6］所證實。

本研究通過提取CT影像組學(xué)特征，采用單因素分析及LASSO回歸模型降維，篩選出11個影像組學(xué)特征，并構(gòu)建了腺體前驅(qū)病變與肺腺癌預(yù)測模型。在測試集中模型AUC為0.913、準(zhǔn)確率為0.875、精確度為0.872、召回率0.976、F1值為0.921，表現(xiàn)出很高的預(yù)測效能。此外本研究共收集25個對肺腺癌診斷具有較大意義的臨床特征，為避免高通量的影像組學(xué)特征對臨床特征造成影響，未將兩者一起進(jìn)行特征篩選，而是通過單因素分析及逐步logistic回歸分析單獨對臨床特征進(jìn)行特征篩選，結(jié)果表明患者年齡、結(jié)節(jié)成分、結(jié)節(jié)最大徑在2組間有顯著差異。肺腺癌組患者年齡普遍大于腺體前驅(qū)病變組，表明隨著年齡增大，病灶為肺腺癌的可能性更大，這與先前研究［7］結(jié)果一致。大量研究［8-11］表明結(jié)節(jié)直徑及結(jié)節(jié)實性成分占比是預(yù)測肺腺癌侵襲性的危險因素，原因在于肺結(jié)節(jié)在進(jìn)展過程中，腫瘤細(xì)胞不斷增殖、堆積、填充，使得病灶體積逐漸變大，密度隨之增高，因此侵襲性高的肺結(jié)節(jié)較侵襲性低者直徑更大、實性成分占比更多，本研究也得到同樣的研究結(jié)果。本研究影像組學(xué)特征結(jié)合臨床特征共同構(gòu)建的腺體前驅(qū)病變與肺腺癌鑒別診斷模型，在測試集中AUC為0.884、準(zhǔn)確率為0.839、精確度為0.824、召回率1.0、F1值為0.903，預(yù)測性能略低于僅含影像組學(xué)特征的模型，分析其原因，可能是由于本研究模型訓(xùn)練集樣本數(shù)量較少，隨著特征維數(shù)升高減低了模型的預(yù)測性能。

目前也有關(guān)于影像組學(xué)用于預(yù)測肺腺癌結(jié)節(jié)浸潤性的研究。Zhao等［12］篩選出15個影像組學(xué)特征構(gòu)建影像組學(xué)標(biāo)簽，結(jié)合CT平均值共同構(gòu)建亞厘米肺腺癌結(jié)節(jié)浸潤性預(yù)測列線圖，在訓(xùn)練集及驗證集中列線圖C指數(shù)分別為0.716和0.707。范麗等［13］采用類似方法構(gòu)建個體化預(yù)測模型，以預(yù)測浸潤性腺癌與非浸潤性腺癌，模型表現(xiàn)最佳診斷效能AUC=0.934。但這些研究納入的樣本僅為肺磨玻璃結(jié)節(jié)，并不符合臨床實際情況。She等［14］基于5個影像組學(xué)特征構(gòu)建影像組學(xué)標(biāo)簽用于肺腺癌結(jié)節(jié)浸潤性預(yù)測，在驗證集中AUC為0.890，將影像組學(xué)標(biāo)簽與性別指標(biāo)相結(jié)合共同構(gòu)建預(yù)測模型，驗證集中模型的AUC達(dá)到0.900，但此研究未將AAH病例納入其中。

相較于與其他類似研究，本研究納入的肺結(jié)節(jié)類型及臨床特征更加全面，這不僅能挖掘出更多影像學(xué)特征，且更能反映臨床實際情況。此外本研究在提取影像組學(xué)特征之前對CT圖像進(jìn)行了標(biāo)準(zhǔn)化及重采樣預(yù)處理，降低了掃描設(shè)備差異、掃面參數(shù)不同或圖像重建算法不同導(dǎo)致影像組學(xué)特征可重復(fù)性不佳而給研究結(jié)果帶來的影響，且通過可重復(fù)性檢驗僅保留操作者內(nèi)及操作者間同時滿足ICC＞0.75的特征，也進(jìn)一步保證了特征的穩(wěn)定性，使研究結(jié)果更為穩(wěn)定可信。

本研究也存在一些不足：首先，樣本量較少且屬于單中心研究，需要更多的多中心樣本數(shù)據(jù)來進(jìn)一步證實我們的研究結(jié)果；此外，臨床中CT增強(qiáng)影像對于肺結(jié)節(jié)的診斷具有重要作用，但本研究未納入CT增強(qiáng)影像組學(xué)特征，因此未來需要加入CT增強(qiáng)影像做進(jìn)一步的分析?？傮w來說，本研究通過挖掘CT影像組學(xué)特征和臨床特征，構(gòu)建的肺腺癌結(jié)節(jié)預(yù)測模型，獲得了很好的預(yù)測效能，能夠?qū)崿F(xiàn)早期對腺體前驅(qū)病變與肺腺癌結(jié)節(jié)進(jìn)行無創(chuàng)性鑒別診斷，可能具有較好的臨床應(yīng)用潛能。未來應(yīng)開展多中心、大樣本、前瞻性臨床研究，并制訂更為規(guī)范的影像分析方案和數(shù)據(jù)獲取流程，以驗證和提高肺腺癌結(jié)節(jié)預(yù)測模型的診斷效能，使其真正在肺結(jié)節(jié)診斷中發(fā)揮臨床價值。