左孟哲 駱磊 張臻 張春雷 王建良

江蘇大學(xué)附屬昆山醫(yī)院放射科(江蘇 昆山 215300)

2015年WHO發(fā)布的肺腫瘤新分型[1]將肺腺癌分為浸潤(rùn)前病變包括不典型腺瘤樣增生(atypical adenomatous hyperplasia，AAH)和原位腺癌(adenocarcinoma in situ，AIS)、微浸潤(rùn)性腺癌(minimally invasive adenocarcinoma，MIA)和浸潤(rùn)性腺癌(invasive adenocarcinoma，IAC)。通常浸潤(rùn)前病變因未侵犯肺實(shí)質(zhì)和淋巴結(jié)，多推薦行限制性切除，如楔形切除或肺段切除術(shù)等；而MIA和ICA因可合并區(qū)域淋巴結(jié)的侵犯，因此有必要行標(biāo)準(zhǔn)的肺葉切除術(shù)[2]，且當(dāng)浸潤(rùn)前病變和MIA完整切除時(shí)，遠(yuǎn)期生存率可接近100%[3]。因此術(shù)前對(duì)肺腺癌病理類型的預(yù)判對(duì)診療手段的選擇和患者的預(yù)后判斷至關(guān)重要。早期肺腺癌在HRCT上常表現(xiàn)為磨玻璃密度結(jié)節(jié)(ground glass nodule,GGN)[4]，但僅憑CT主觀征象常常無(wú)法準(zhǔn)確判斷GGN的病理性質(zhì)，近年來(lái)人工智能輔助肺結(jié)節(jié)定量分析為GGN的性質(zhì)判斷提供了量化依據(jù)。此外，國(guó)內(nèi)外研究證實(shí)細(xì)胞核增殖抗原Ki-67的表達(dá)指數(shù)(Labeling index,LI)與肺癌患者的預(yù)后密切相關(guān)，因而常被用來(lái)檢測(cè)細(xì)胞的增殖活性[5]。本研究通過(guò)探索人工智能CT定量分析所得參數(shù)和Ki-67LI之間的量化相關(guān)性，以CT定量參數(shù)建立Ki-67LI的預(yù)測(cè)模型，旨在術(shù)前對(duì)GGN病理侵襲性的預(yù)判提供量化參考。

1 資料與方法

1.1 一般資料回顧性分析2020年3月至2021年5月間在我院行HRCT檢查表現(xiàn)為GGN并經(jīng)手術(shù)病理證實(shí)為肺腺癌的患者230例，包括男性105例，女性125例，年齡20～76歲，平均(43±15)歲。

納入標(biāo)準(zhǔn)：至少有1個(gè)以上GGN，且直徑均≤3cm；有完整的人工智能定量分析結(jié)果；有完整的病理結(jié)果和Ki-67LI的免疫組化檢查結(jié)果；CT檢查與手術(shù)相距時(shí)間為1個(gè)月以內(nèi)。最終符合納入標(biāo)準(zhǔn)的GGN共308個(gè)，隨機(jī)分為建模組和驗(yàn)證組各154個(gè)，包括不典型腺瘤樣增生(atypical adenomatous hyperplasia，AAH)76個(gè)、原位腺癌(adenocarcinoma in situ，AIS)92個(gè)、微浸潤(rùn)性腺癌(minimally invasive adenocarcinoma，MIA)86個(gè)和浸潤(rùn)性腺癌(invasive adenocarcinoma，IAC)54個(gè)。

1.2 影像檢查方法CT平掃：采用西門子64排螺旋CT掃描，取雙臂上舉仰臥位，頭先進(jìn)，吸氣末屏氣掃描，掃描參數(shù)分別為：管電壓120KV，管電流200～300mA，螺距1.25，層厚5mm，重建層厚1mm，矩陣512×512，F(xiàn)OV350 mm×350 mm，標(biāo)準(zhǔn)算法重建；掃描范圍包括肺尖至肺底全部區(qū)域。

1.3 圖像分析方法將入組病例的薄層重建數(shù)據(jù)傳輸至由深睿醫(yī)療提供的基于深度學(xué)習(xí)模型的人工智能軟件(Dr.wise，版本：1.18.8.31)工作站中，系統(tǒng)自動(dòng)對(duì)GGN進(jìn)行識(shí)別、標(biāo)記并進(jìn)行特征定量分析，由一名有五年以上胸部影像工作經(jīng)驗(yàn)的醫(yī)師篩選符合入組標(biāo)準(zhǔn)的GGN，并記錄其定量分析參數(shù)：3D 長(zhǎng)徑(mm)、CT最大值(HU)、CT最小值(HU)、CT平均值(HU)、CT值方差(HU)、最大面面積(mm2)、表面積(mm2)、峰度、偏度、緊湊度、球形度和熵。

1.4 病理檢查方法所有入組標(biāo)本均由胸腔鏡手術(shù)或CT引導(dǎo)下穿刺活檢所得。手術(shù)標(biāo)本均行常規(guī)病理學(xué)檢查(HE染色)和免疫組化檢查，定量檢測(cè)細(xì)胞Ki-67LI(%)。由胸部亞?？撇±砜漆t(yī)生讀片并記錄。

1.5 統(tǒng)計(jì)學(xué)方法采用SPSS 17.0和Medcalc 15.0軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。納入統(tǒng)計(jì)學(xué)分析的變量包括上述CT定量參數(shù)和Ki-67LI。將入組GGN隨機(jī)分為數(shù)量相等的建模組和驗(yàn)證組，每組均包括浸潤(rùn)前病變(AAH、AIS)組、MIA組和IAC組。對(duì)于符合正態(tài)分布和方差齊性的參數(shù)，采用單因素方差分析進(jìn)行多組間差異性比較和LSD法進(jìn)行組間兩兩比較；對(duì)于不符合正態(tài)分布或方差齊性的參數(shù)采用Wilcoxon檢驗(yàn)進(jìn)行多組間差異性比較和Tamhane’s T3法進(jìn)行組間兩兩比較；采用Spearman分析檢驗(yàn)CT定量參數(shù)和Ki-67LI間的相關(guān)性；將多組間以及任意兩組間均有統(tǒng)計(jì)學(xué)差異并與Ki-67LI有顯著相關(guān)性的建模組CT定量參數(shù)和Ki-67LI納入多元線性回歸分析，得出Ki-67LI的獨(dú)立預(yù)測(cè)參數(shù)，并以此建立Ki-67LI的預(yù)測(cè)模型；將驗(yàn)證組數(shù)據(jù)代入預(yù)測(cè)模型得出相應(yīng)的Ki-67LI預(yù)測(cè)值，采用Wilcoxon檢驗(yàn)和Tamhane’s T3法分析Ki-67LI預(yù)測(cè)值(不符合正態(tài)分布和方差齊性)在驗(yàn)證組病例中的組間差異，并采用ROC曲線分析和Z檢驗(yàn)評(píng)價(jià)和比較Ki-67LI預(yù)測(cè)值和真實(shí)值以及CT定量參數(shù)對(duì)驗(yàn)證組病例的浸潤(rùn)前病變和MIA以及MIA和ICA的鑒別能力。P值<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié) 果

2.1 CT定量參數(shù)和Ki-67LI的組間差異性分析所有納入分析的參數(shù)中，除偏度和熵外，其余參數(shù)均不符合正態(tài)分布或方差齊性。多組間和組間兩兩比較結(jié)果顯示，3D長(zhǎng)徑、CT最大值、CT平均值、最大面面積、表面積、緊湊度、球形度和Ki-67LI在浸潤(rùn)前病變、MIA和ICA多組間差異有統(tǒng)計(jì)學(xué)意義(P<0.05)，而其中3D長(zhǎng)徑、CT平均值、最大面面積、表面積和Ki-67LI在任意兩組間差異均有統(tǒng)計(jì)學(xué)意義(P值<0.05)。具體見表1。

表1 CT定量參數(shù)和Ki-67LI的組間差異性分析

2.2 CT定量參數(shù)和Ki-67LI的相關(guān)性分析Spearman相關(guān)性分析結(jié)果顯示，多組間和兩兩組間均有統(tǒng)計(jì)學(xué)差異的CT定量參數(shù)(3D長(zhǎng)徑、CT平均值、最大面面積和表面積)和Ki-67LI間均存在顯著相關(guān)性(P<0.001)，相關(guān)系數(shù)分別為0.789、0.735、0.729、0.730。

2.3 CT定量參數(shù)和Ki-67LI的多元線性回歸分析和建模組Ki-67LI預(yù)測(cè)模型的建立將建模組GGN的上述CT定量參數(shù)(3D長(zhǎng)徑、CT平均值、最大面面積和表面積)和Ki-67LI納入多元線性回歸分析，結(jié)果顯示，3D長(zhǎng)徑和CT平均值是Ki-67LI的獨(dú)立預(yù)測(cè)參數(shù)(P<0.05)，具體見表2。以3D長(zhǎng)徑和CT平均值為自變量，以Ki-67LI為因變量建立回歸模型：Ki-67LI預(yù)測(cè)值=1.476+0.311＊3D長(zhǎng)徑+0.003＊CT平均值(R square=0.226，P值<0.001)。

表2 多元線性回歸分析

2.4 Ki-67 LI預(yù)測(cè)模型對(duì)驗(yàn)證組病例的組間鑒別價(jià)值將驗(yàn)證組病例的3D長(zhǎng)徑和CT平均值代入上述模型得出相應(yīng)的Ki-67 LI預(yù)測(cè)值，Ki-67 LI預(yù)測(cè)值不符合正態(tài)分布和方差齊性，在驗(yàn)證組病例的多組間和任意兩組間差異均有統(tǒng)計(jì)學(xué)意義(H值為62.62，P值均<0.05)；Ki-67 LI預(yù)測(cè)值在三組GGN的中位值±四分位間距分別為 2.75±0.78 (1.42～5.85%)、3.95±1.47(1.49～9.77%)和5.50±3.69(3.09～10.00%)。Ki-67LI預(yù)測(cè)值對(duì)驗(yàn)證組的AAH/AIS和MIA以及MIA和ICA的鑒別能力均較高(AUC值分別為0.837和0.862)，高于各CT定量參數(shù)，雖然略低于Ki-67LI真實(shí)值(AUC值0.853和0.868)，但二者間差異無(wú)統(tǒng)計(jì)學(xué)意義(Z值分別為0.878和0.344，P值分別為0.878和0.731)。具體見表3、4和圖1、2。Ki-67LI預(yù)測(cè)值對(duì)浸潤(rùn)前病變和MIA以及對(duì)MIA和ICA鑒別的最佳閾值分別為>3.12%和>4.69%，取該閾值時(shí)的敏感度分別為0.750和0.909，特異度分別為0.821和0.712。

表3 各參數(shù)對(duì)浸潤(rùn)前病變和MIA的鑒別價(jià)值

圖1 Ki-67LI預(yù)測(cè)值和真實(shí)值鑒別浸潤(rùn)前病變和MIA的ROC曲線。圖2 Ki-67LI預(yù)測(cè)值和真實(shí)值鑒別MIA和ICA的ROC曲線。圖3 男，59歲，肺腺癌。圖3A：AI分析結(jié)果：右肺下葉純磨玻璃密度結(jié)節(jié)(pGGN)，邊緣較清晰；CT定量參數(shù)：3D長(zhǎng)徑6.32mm，CT平均值-661.45HU，代入模型得出Ki-67LI預(yù)測(cè)值為1.46%；圖3B：病理結(jié)果：原位腺癌(AIS)；圖3C：免疫組化圖：Ki-67LI(1%)，HE×200。圖4 女，55歲，肺腺癌。圖4A：AI分析結(jié)果：右肺上葉純磨玻璃結(jié)節(jié)(pGGN)，邊緣小毛刺；CT定量參數(shù)：3D長(zhǎng)徑9.97mm，CT平均值-388.7HU，代入模型得出Ki-67LI預(yù)測(cè)值為3.4%；圖4B：病理結(jié)果：微浸潤(rùn)性腺癌(MIA)；圖4C：免疫組化圖：Ki-67LI(3%)，HE×200。圖5 女，63歲，肺腺癌。圖5A：AI分析結(jié)果：左肺下葉混合磨玻璃密度結(jié)節(jié)(mGGN)，邊緣毛刺、病灶內(nèi)空泡征；CT定量參數(shù)：3D長(zhǎng)徑17.25mm，CT平均值-300.52HU，代入模型得出Ki-67LI預(yù)測(cè)值為5.94%；圖5B：病理結(jié)果：浸潤(rùn)性腺癌(ICA)；圖5C：免疫組化圖：Ki-67LI(5%)，HE×200。

3 討 論

表4 各參數(shù)對(duì)MIA和ICA的鑒別價(jià)值

本研究采用的人工智能分析軟件是由深睿醫(yī)療公司開發(fā)的基于深度學(xué)習(xí)的軟件，采用的是三維卷積神經(jīng)網(wǎng)絡(luò)(3D-convolutional neural network，3D-CNN)模型，對(duì)于肺結(jié)節(jié)的篩查具有較高的靈敏度(約 90%)[6],其不僅可以快速地自動(dòng)識(shí)別肺內(nèi)的GGN并對(duì)其危險(xiǎn)程度進(jìn)行預(yù)估，而且可以對(duì)GGN的主觀特征，如形態(tài)、大小、邊緣、內(nèi)部征象等進(jìn)行診斷分析，除此之外還可對(duì)GGN進(jìn)行定量參數(shù)分析，為GGN性質(zhì)的判斷提供客觀依據(jù)[7]。本研究結(jié)果顯示，GGN的3D長(zhǎng)徑、CT平均值、最大面面積和表面積在三組間和任意兩組間均有顯著性差異，且與Ki-67LI存在顯著相關(guān)性。Xiaohu Li[8]等同樣對(duì)相關(guān)CT定量參數(shù)的組間差異進(jìn)行分析得出，GGN的平均大小、最大徑、CT平均值和CT最大值在多組間和任意兩組間差異均有統(tǒng)計(jì)學(xué)意義；周圍[9]亦應(yīng)用深睿人工智能對(duì)GGN進(jìn)行CT定量分析，該研究表明3D長(zhǎng)徑、CT平均值、體積、最大面面積和表面積在浸潤(rùn)前、后組病變(AAH/AIS和MIA/ICA)間差異較為顯著，對(duì)于鑒別二者有較高的價(jià)值；以上研究中分析的CT定量參數(shù)或測(cè)量方法雖與本研究不完全相同，但研究結(jié)論均顯示出CT定量分析對(duì)預(yù)測(cè)肺腺癌病理侵襲性的重要意義。彭明政[10]對(duì)相關(guān)CT定量參數(shù)和Ki-67LI的相關(guān)性研究顯示，GGN的直徑、體積、CT最大值、CT平均值和CT值標(biāo)準(zhǔn)差與Ki-67LI均存在顯著相關(guān)性，與本研究結(jié)果一致。本研究中不同的CT定量參數(shù)反映病灶的不同特征，3D長(zhǎng)徑、最大面面積、表面積、球形度和緊湊度可呈現(xiàn)病灶的大小、形態(tài)、邊緣等外部特征，而CT最大值和CT平均值則反映病灶的密度和異質(zhì)性等內(nèi)部特征；隨著肺腺癌侵襲性的不斷增加，病灶的大小、密度和異質(zhì)性也隨之增大，形態(tài)趨于不規(guī)則，相關(guān)CT定量參數(shù)亦隨之變化[11]。

Ki-67，又名細(xì)胞核相關(guān)抗原，為分裂增殖細(xì)胞的周期調(diào)節(jié)基因，其表達(dá)指數(shù)與細(xì)胞增殖活性呈正相關(guān)，多于惡性腫瘤細(xì)胞中呈現(xiàn)高表達(dá)，與腫瘤的發(fā)生發(fā)展密切相關(guān)[12]；由于其較短的半衰期，且受生長(zhǎng)因子影響較小，常被用于評(píng)估惡性腫瘤的增殖活性[13]。本研究回顧性分析了不同病理類型肺腺癌的Ki-67LI發(fā)現(xiàn)，其在不同病理類型肺腺癌中的表達(dá)存在顯著性差異，與以往研究結(jié)果一致[14]。由浸潤(rùn)前病變進(jìn)展至MIA再到ICA，癌細(xì)胞異型性發(fā)生改變，增殖活性和異質(zhì)性不斷增加，故Ki-67 LI亦隨之升高。本研究通過(guò)ROC曲線分析得出，Ki-67 LI對(duì)于浸潤(rùn)前病變和MIA以及對(duì)MIA和ICA的鑒別價(jià)值均較高(AUC值0.853和0.868)，且高于相關(guān)CT定量參數(shù)。如果可于術(shù)前對(duì)Ki-67 LI進(jìn)行預(yù)測(cè)，對(duì)GGN的侵襲性判斷將比單純通過(guò)影像學(xué)表征來(lái)評(píng)估更加準(zhǔn)確。

以上定量參數(shù)與Ki-67LI的線性回歸分析表明其中3D長(zhǎng)徑和CT平均值是Ki-67LI的獨(dú)立預(yù)測(cè)參數(shù)。AI軟件得出的3D長(zhǎng)徑是基于三維空間所測(cè)量的病灶表面網(wǎng)格頂點(diǎn)之間的最大成對(duì)歐幾里得距離，常大于通常所說(shuō)的病灶最大截面的最大徑，此種測(cè)量方式較常規(guī)二維測(cè)量更為準(zhǔn)確、客觀，對(duì)于形態(tài)不規(guī)則的結(jié)節(jié)優(yōu)勢(shì)尤為顯著[15]，腫瘤細(xì)胞在浸潤(rùn)過(guò)程中呈現(xiàn)出不規(guī)則生長(zhǎng)的生物學(xué)特性，而 3D長(zhǎng)徑恰好可以更準(zhǔn)確地反映腫瘤細(xì)胞的浸潤(rùn)深度、生長(zhǎng)方式和速度等[16]；癌細(xì)胞的浸潤(rùn)性生長(zhǎng)使得肺組織和肺泡間隔增厚，肺泡內(nèi)脫落細(xì)胞和滲出物增多，進(jìn)而導(dǎo)致密度增大，而CT平均值反映了GGN的密度特征，也可以間接反映GGN的浸潤(rùn)程度和病理變化[17,18]。本研究利用CT定量參數(shù)與Ki-67 LI之間的量化相關(guān)性建立了Ki-67 LI的術(shù)前預(yù)測(cè)模型，且Ki-67 LI預(yù)測(cè)值對(duì)于浸潤(rùn)前病變和MIA以及MIA和ICA的鑒別能力均較好(AUC值0.837和0.862，閾值>3.12和>4.69)，優(yōu)于各CT定量參數(shù)，與Ki-67 LI真實(shí)值相近(見圖3-圖5)。

目前，關(guān)于以CT定量參數(shù)建立Ki-67 LI預(yù)測(cè)模型的研究相對(duì)較少，彭明政等[10]所做的類似研究中是以肺結(jié)節(jié)體積和CT值標(biāo)準(zhǔn)差建立Ki-67 LI的預(yù)測(cè)模型，納入研究的CT定量參數(shù)不同，測(cè)量方法也有所不同，但研究結(jié)果中Ki-67 LI預(yù)測(cè)值同樣表現(xiàn)出對(duì)肺腺癌侵襲性良好的預(yù)判價(jià)值，鑒別不同病理類型肺腺癌的AUC值高達(dá)0.893和0.841。由此可見，以CT定量參數(shù)于術(shù)前對(duì)Ki-67LI進(jìn)行預(yù)測(cè)具有一定的可行性。

本研究存在以下不足之處：本研究為回顧性分析，存在一定的選擇偏倚；未將良性結(jié)節(jié)納入研究以分析Ki-67LI預(yù)測(cè)模型對(duì)于良惡性病變的鑒別價(jià)值；未對(duì)ICA的病理亞型進(jìn)行單獨(dú)分析，在今后工作中有待深入研究；本研究采用人工智能輔助定量分析方法，該方法的測(cè)量準(zhǔn)確度有待進(jìn)一步證實(shí)。

綜上所述，GGN的人工智能CT定量分析可于術(shù)前對(duì)肺腺癌Ki-67LI進(jìn)行預(yù)測(cè)，對(duì)肺腺癌侵襲性有一定的預(yù)判價(jià)值，有助于診療方案的選擇和預(yù)后判斷。