劉 浪 宋 超 廖文彪 熊云鶴 孟令超 楊嗣星

武漢大學(xué)人民醫(yī)院泌尿外科 湖北 武漢 430060

腎癌起源于腎實(shí)質(zhì)，有多種病理類型。其中腎透明細(xì)胞癌（clear cell renal cell carcinoma，ccRCC）是最常見的類型，約占所有腎癌的75%［1，2］。在過去的幾年里，ccRCC 各階段的發(fā)病率都在增加，在男性和女性易患癌中分別排第7 位和第9 位。早期、局部腎癌患者治愈率高，5 年生存率大于90%，但多達(dá)1/3 的患者會(huì)出現(xiàn)轉(zhuǎn)移或發(fā)展為轉(zhuǎn)移，相比之下，遠(yuǎn)處轉(zhuǎn)移后的ccRCC 患者預(yù)后較差，5 年生存率下降到12%，中位生存期僅約為13 個(gè)月［3，4］。我們需要一個(gè)有效的工具來預(yù)測ccRCC 患者的遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)。列線圖是一種可靠的統(tǒng)計(jì)模型，它通過結(jié)合腫瘤發(fā)生的一些危險(xiǎn)因素，構(gòu)建圖形預(yù)測工具，并提供個(gè)性化、基于易獲得證據(jù)、高度精確的風(fēng)險(xiǎn)評(píng)估［5］。甚至在許多癌癥中，列線圖的預(yù)測精度高于各類傳統(tǒng)的分期系統(tǒng)［6-9］。迄今為止，已經(jīng)有很多學(xué)者針對ccRCC 開發(fā)出一系列術(shù)后列線圖對其預(yù)后等進(jìn)行預(yù)測。Hutterer 等［10］建立了一個(gè)列線圖來預(yù)測ccRCC 患者淋巴結(jié)轉(zhuǎn)移的風(fēng)險(xiǎn)。Zhang 等［11］構(gòu)建了一個(gè)列線圖來對ccRCC 患者的疾病特異性生存率進(jìn)行預(yù)測。但回顧以往文獻(xiàn)，目前還沒有可靠的工具來預(yù)測ccRCC 患者的遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)。本研究旨在尋找遠(yuǎn)處轉(zhuǎn)移性ccRCC 患者的主要危險(xiǎn)因素，并構(gòu)建列線圖，為非轉(zhuǎn)移性ccRCC 患者在首次就診時(shí)的個(gè)體化風(fēng)險(xiǎn)評(píng)估提供參考工具。

1 資料與方法

1.1 一般資料本研究共納入的19 393 例患者均來自于美國國立癌癥研究所建立的SEER 公共數(shù)據(jù)庫（www. seer. cancer. gov，2014—2015）。該數(shù)據(jù)庫存儲(chǔ)了美國各地的癌癥監(jiān)測數(shù)據(jù)，覆蓋了美國約28% 的人口，并為各種癌癥的人群研究提供數(shù)據(jù)［12］。篩選標(biāo)準(zhǔn)：病理編碼為ICD-O-3 Hist/behave=8310/3，clear cell adenocarcinoma，NOS 且臨床病理資料完整者。排除標(biāo)準(zhǔn)：臨床病理資料不全或未知者。

本研究納入的臨床病理特征包括年齡、種族、性別、Fuhrman 分級(jí)、左右側(cè)、T 期、N 期、腫瘤大小。采用總分期（包括局部、區(qū)域、遠(yuǎn)處）確定是否有轉(zhuǎn)移，病例的TNM 分期均根據(jù)美國癌癥聯(lián)合委員會(huì)（AJCC）腫瘤分期第6 版。

1.2 統(tǒng)計(jì)學(xué)分析將納入研究的患者按7∶3 的比例隨機(jī)分為訓(xùn)練組和驗(yàn)證組，用卡方檢驗(yàn)檢驗(yàn)這些臨床病理特征與ccRCC 轉(zhuǎn)移的關(guān)系（見表1）。然后使用LASSO 回歸法篩選出預(yù)測ccRCC 患者遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)的有意義的危險(xiǎn)因素組合，LASSO 回歸法是以縮小變量集（降階）為思想的壓縮估計(jì)方法。它通過構(gòu)造一個(gè)懲罰函數(shù)，可以將變量的系數(shù)進(jìn)行壓縮并使某些回歸系數(shù)變?yōu)?，進(jìn)而達(dá)到變量選擇的目的［13，14］。本文在LASSO 回歸模型中選擇非零回歸系數(shù)的臨床病理特征，篩選出預(yù)測ccRCC 患者遠(yuǎn)處轉(zhuǎn)移的最佳危險(xiǎn)因素［15］。然后，整合LASSO回歸模型中選擇的臨床病理特征，引入多因素Logistic 回歸分析方法，構(gòu)建列線圖。檢驗(yàn)標(biāo)準(zhǔn)定義以P≤0.05 具有統(tǒng)計(jì)學(xué)意義。

繪制出受試者工作特征（ROC）曲線，計(jì)算曲線下面積（AUC）用于檢驗(yàn)我們的列線圖在訓(xùn)練組和驗(yàn)證組中的性能；校準(zhǔn)曲線用于評(píng)估在訓(xùn)練組和驗(yàn)證組中實(shí)際結(jié)果與列線圖預(yù)測結(jié)果的一致程度。用bootstrap 法重復(fù)抽樣1 000 次，計(jì)算出相對校正的一致性指數(shù)（C-Index）來驗(yàn)證列線圖的預(yù)測性能。若C-Index和AUC＞0.75，則認(rèn)為我們建立的列線圖有較好的預(yù)測性能，而在0.5～0.75則被認(rèn)為可接受［16］。

最后我們計(jì)算出凈收益，繪制出決策曲線，使用決策曲線分析（DCA）方法，用以判斷列線圖的臨床效用［17，18］。

2 結(jié)果

2.1 病例特征將19 393 名患者被隨機(jī)分為兩組，如表1 所示?？ǚ綑z驗(yàn)結(jié)果有統(tǒng)計(jì)學(xué)意義的臨床病理特征有種族、性別、Fuhrman 分級(jí)、T 分期、N分期、腫瘤大小，表明它們對ccRCC 患者遠(yuǎn)處轉(zhuǎn)移有顯著影響。

表1 ccRCC 患者發(fā)生遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)的單因素分析結(jié)果

2.2 風(fēng)險(xiǎn)因素的選擇在8 個(gè)臨床病理特征中，根據(jù)訓(xùn)練隊(duì)列選擇了5 個(gè)臨床病理特征（圖1A 和1B），在LASSO 回歸模型中，這5 個(gè)臨床病理特征具有非零系數(shù)。這些特征包括年齡、種族、性別、Fuhrman 分級(jí)和T 分期（表2）。

圖1 用LASSO 回歸模型選擇危險(xiǎn)因素

表2 LASSO 回歸篩選的5 個(gè)臨床病理特征的多因素Logistic 回歸分析結(jié)果

2.3 列線圖的構(gòu)建年齡、種族、性別、Fuhrman 分級(jí)和T 分期的多因素Logistic 回歸分析結(jié)果如表2所示。上述預(yù)測因子被納入模型中，并用列線圖表示（圖2）。

圖2 預(yù)測ccRCC 患者遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)的列線圖

2.4 測試列線圖的性能訓(xùn)練組和驗(yàn)證組的AUC值 分 別 為0.840 和0.835。ROC 曲 線 如 圖3A 和圖3B 所示。預(yù)測ccRCC 患者遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)的列線圖校準(zhǔn)曲線在訓(xùn)練組和驗(yàn)證組中表現(xiàn)出良好的一致性（圖4A 和圖4B）。訓(xùn)練組和驗(yàn)證組的C-Index 分別為0.846 和0.843（P＜0.05），表明列線圖對ccRCC 遠(yuǎn)處轉(zhuǎn)移的風(fēng)險(xiǎn)有很好的預(yù)測作用。

圖3 兩組列線圖的ROC 曲線分析

圖4 兩組列線圖的校準(zhǔn)曲線

2.5 臨床應(yīng)用訓(xùn)練組和驗(yàn)證組列線圖的決策曲線分析如圖5A 和圖5B 所示，可知用列線圖預(yù)測遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)時(shí)，當(dāng)訓(xùn)練組和驗(yàn)證組的閾值概率分別為1%～70%和1%～69%時(shí)對ccRCC 患者進(jìn)行臨床干預(yù)后ccRCC 患者可能受益。

圖5 兩組列線圖的決策曲線分析

3 討論

ccRCC 有較高的發(fā)病率和死亡率，發(fā)生遠(yuǎn)處轉(zhuǎn)移的ccRCC 患者預(yù)后較差。因此我們需要一種工具來幫助預(yù)測首診時(shí)未發(fā)生轉(zhuǎn)移的患者發(fā)生遠(yuǎn)處轉(zhuǎn)移的可能性。列線圖是數(shù)學(xué)模型中的一種直觀的圖形展示，它可以通過結(jié)合多種重要因素來預(yù)測特定的事件發(fā)展。在現(xiàn)有的模型中，列線圖能夠進(jìn)行個(gè)性化風(fēng)險(xiǎn)評(píng)估，已經(jīng)成為量化風(fēng)險(xiǎn)的可靠和方便的工具，從而促進(jìn)疾病管理及相關(guān)決策的制定［19］。本 研 究 利 用SEER 數(shù) 據(jù) 庫 對 大 量ccRCC 患者的臨床病理特征進(jìn)行分析，用LASSO 回歸方法篩選出最佳的危險(xiǎn)因素，并在此基礎(chǔ)上構(gòu)建列線圖，預(yù)測ccRCC 患者的遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)。LASSO 回歸方法通過構(gòu)造懲罰函數(shù)可以得到更精確的模型，在處理多重共線性的樣本數(shù)據(jù)方面具有明顯的優(yōu)勢［20］。

我們只使用了5 個(gè)易獲得的變量，開發(fā)并驗(yàn)證了一種新的工具來預(yù)測ccRCC 患者的遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)。將這些危險(xiǎn)因素納入一個(gè)簡明的列線圖中，從而能夠個(gè)體化預(yù)測ccRCC 患者的遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)。本研究為預(yù)測ccRCC 患者遠(yuǎn)處轉(zhuǎn)移的風(fēng)險(xiǎn)提供了一個(gè)相對準(zhǔn)確的預(yù)測工具。隊(duì)列內(nèi)部驗(yàn)證結(jié)果均表明其具有良好的識(shí)別和校準(zhǔn)能力。

在我們的研究中，卡方檢驗(yàn)結(jié)果顯示年齡、性別、種族、Fuhrman 分級(jí)、T 分期、N 分期和腫瘤大小與腫瘤遠(yuǎn)處轉(zhuǎn)移密切相關(guān)。其中，50～70 歲的患者比＜50 歲的患者更容易發(fā)生轉(zhuǎn)移，＞70 歲的患者轉(zhuǎn)移率相對較低，其原因可能是因?yàn)椴糠只颊咴谀[瘤發(fā)生轉(zhuǎn)移前死亡。本研究還發(fā)現(xiàn)，黑人比白人及其他種族人群（美洲印第安人/AK 土著人，在美國的亞裔/太平洋島民）更不容易發(fā)生轉(zhuǎn)移。為了進(jìn)一步探討影響ccRCC 遠(yuǎn)處轉(zhuǎn)移的種族因素，我們用卡方檢驗(yàn)將種族與其他臨床病理特征進(jìn)行了對比分析。結(jié)果顯示，與白種人和其他種族患者相比，黑種人患者更年輕，女性更多，T 分期更低，腫瘤體積更小（見表3）。我們還發(fā)現(xiàn)女性的腫瘤轉(zhuǎn)移率低于男性，這可能與男性吸煙和飲酒有關(guān)，這與以往的研究結(jié)果一致［21］，以往還有研究提示男性比女性患者具有更大、更高分期、更高分級(jí)的ccRCC［22］。此外，有淋巴結(jié)轉(zhuǎn)移、Fuhrman 分級(jí)高、T 分期較高以及腫瘤體積較大的患者也更容易發(fā)生轉(zhuǎn)移，這也與以往的研究結(jié)果一致［23］。在本研究中，可以看出T分期對ccRCC 遠(yuǎn)處轉(zhuǎn)移的影響最大。

表3 種族與其他臨床病理特征的關(guān)系[例(%)]

選擇年齡、性別、種族、Fuhrman 分級(jí)、T 分期5個(gè)因素，用LASSO 回歸法構(gòu)建列線圖。各項(xiàng)內(nèi)部驗(yàn)證都證明了我們列線圖的穩(wěn)定性和精確性。此外，決策曲線分析的結(jié)果表明，我們的模型對臨床醫(yī)生進(jìn)行臨床決策同樣具有指導(dǎo)意義。

以往的研究也曾試圖預(yù)測ccRCC 患者的術(shù)后轉(zhuǎn)移風(fēng)險(xiǎn)。Sorbellini 等［24］利用T 分期、Fuhrman 分級(jí)、腫瘤大小、壞死、血管侵犯和初始診斷時(shí)的臨床表現(xiàn)等因素構(gòu)建了列線圖，結(jié)果內(nèi)部驗(yàn)證的AUC值為0.82，外部驗(yàn)證的AUC值為0.79。Leibovich等［25］開發(fā)了一種預(yù)測根治性腎切除術(shù)后腎透明細(xì)胞癌轉(zhuǎn)移進(jìn)展的模型，該方法將pT 期、pN 期、截?cái)嘀禐?0 cm 的腫瘤直徑、Fuhrman 分期、組織學(xué)腫瘤壞死納入模型的構(gòu)建，其內(nèi)部驗(yàn)證的AUC值為0.84，外 部 驗(yàn) 證 的AUC值 為0.70～0.80。Klatte等［26］構(gòu)建的列線圖，除了納入pT 分期和ECOG 評(píng)分外，還包括了KI-67、P53、內(nèi)皮細(xì)胞VEGFR-1、上皮細(xì)胞VEGFR-1 和上皮細(xì)胞VEGF-D 等因子的表達(dá)水平，并將預(yù)測精度提高到0.90。然而，未對該列線圖進(jìn)行外部驗(yàn)證。Jeong 等［23］根據(jù)年齡、腫瘤大小和外觀特征這3 個(gè)臨床病理特征構(gòu)建了一個(gè)預(yù)測模型。該模型得到的內(nèi)部驗(yàn)證AUC值為0.843，外部驗(yàn)證的AUC值為0.805。

與上述研究相比，本研究有許多優(yōu)點(diǎn)。首先，我們的模型可以預(yù)測所有沒有發(fā)生轉(zhuǎn)移的ccRCC患者的遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)。其次，列線圖僅使用5 個(gè)易獲得的臨床病理特征（年齡、性別、種族、Fuhrman 分級(jí)和T 分期）就能夠準(zhǔn)確預(yù)測ccRCC 患者的遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)。最后，我們的模型在內(nèi)部驗(yàn)證中的準(zhǔn)確性和穩(wěn)定性都很好，AUC值分別為0.840 和0.835。我們進(jìn)一步采用DCA 的方法驗(yàn)證了該模型具有良好的臨床應(yīng)用效果。我們的列線圖可以提供ccRCC 患者遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)的準(zhǔn)確概率，并幫助臨床醫(yī)生對需要早期干預(yù)以延長生存期的患者進(jìn)行管理和決策。

雖然本研究具有上述優(yōu)點(diǎn)，但仍存在以下不足。首先，本研究是一個(gè)回顧性研究，排除了數(shù)據(jù)不完整的個(gè)別病例，這可能導(dǎo)致選擇性偏差，這就需要更多前瞻性研究來進(jìn)一步驗(yàn)證；第二，本研究的模型所包含的風(fēng)險(xiǎn)因素較少。因此，在接下來的驗(yàn)證研究中應(yīng)納入更多的風(fēng)險(xiǎn)因素，進(jìn)一步提高模型預(yù)測能力。

總之，本研究通過分析從SEER 數(shù)據(jù)庫中獲取的大量數(shù)據(jù)，確定了與ccRCC 患者遠(yuǎn)處轉(zhuǎn)移密切相關(guān)的7 個(gè)危險(xiǎn)因素。利用LASSO 回歸分析，我們篩選了5 個(gè)最佳危險(xiǎn)因素，建立了一個(gè)新的具有相對較高準(zhǔn)確性的列線圖，以幫助臨床醫(yī)生確定沒有發(fā)生轉(zhuǎn)移的ccRCC 患者的遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)。通過對個(gè)體的風(fēng)險(xiǎn)評(píng)估，臨床醫(yī)生和患者可以提前采取必要的干預(yù)措施來延長患者的生存期。