楊萌萌 楊 玲

蘇州大學附屬第一醫(yī)院放射科 (江蘇 蘇州 215000)

胃癌是一種常見的消化道惡性腫瘤，也是腫瘤相關(guān)死亡的主要原因之一[1]。影響胃癌預后及生存期的主要因素包括腫瘤TNM分期、切緣陽性、淋巴血管侵犯、周圍神經(jīng)侵犯(perineural invasion，PNI)等[2]。近年來，胃癌PNI與預后的相關(guān)性越來越得到專家學者的重視，PNI被認為是除了淋巴結(jié)轉(zhuǎn)移、血行轉(zhuǎn)移、腹膜轉(zhuǎn)移之外的一種潛在轉(zhuǎn)移方式[3]。PNI發(fā)生的機制與腫瘤細胞分泌的神經(jīng)生長因子(nerve growth factor，NGF)有關(guān)，NGF能夠刺激神經(jīng)沿其濃度梯度延伸，使腫瘤細胞浸潤神經(jīng)，同時腫瘤內(nèi)的神經(jīng)數(shù)目增多，又可以分泌多種因子進一步促進腫瘤細胞的生長擴散[4]。

PNI與預后的相關(guān)性研究在胰腺癌、頭頸部癌及結(jié)直腸癌中已經(jīng)比較完善[5-6]，大量文獻報道，PNI是影響結(jié)直腸癌、胰腺癌患者預后的獨立危險因素。有研究指出，PNI也與胃癌的預后和早期復發(fā)有關(guān)，PNI陰性患者的預后明顯好于PNI陽性患者，且早期胃癌發(fā)生PNI者，預后更差[7]。因此，在術(shù)前預測胃癌PNI對于評估患者的預后、預測早期復發(fā)、制定個性化的診療方案具有重要價值。影像組學(radiomics)通過高通量提取醫(yī)學圖像特征，將醫(yī)學圖像轉(zhuǎn)化為可挖掘的定量數(shù)據(jù)，進而實現(xiàn)客觀、定量分析疾病的生物學特征[8-9]。影像組學在胃癌鑒別診斷、淋巴結(jié)轉(zhuǎn)移、療效預測等方面已經(jīng)進行了廣泛的研究[10-12]，但是在周圍神經(jīng)侵犯方面的研究較少。本研究旨在探討增強CT影像組學模型及諾模圖(nomogram)在術(shù)前預測胃癌PNI的可行性和準確性，從而對高危復發(fā)患者進行分層，提高胃癌患者的術(shù)前管理水平。

1 資料和方法

1.1 一般資料收集本院2015年6月至2022年6月術(shù)后病理明確的311例胃癌患者。

納入標準如下：接受胃癌根治性切除術(shù)，術(shù)后病理明確PNI狀態(tài)；術(shù)前兩周內(nèi)接受腹部增強CT檢查，圖像清晰；在CT檢查前和手術(shù)前均未接受過化療、放療等抗癌治療；有詳細臨床病史和手術(shù)記錄。排除標準如下：CT檢查前或術(shù)前接受過抗癌治療；CT檢查時胃部擴張不良或圖像質(zhì)量差；病灶體積過小，無法準確勾畫感興趣區(qū)；病理或臨床資料缺失。將樣本按7:3的比例隨機分配為訓練組和測試組，訓練組217例，測試組94例。

由兩位病理科醫(yī)師對組織切片進行反復檢查分析，記錄周圍神經(jīng)侵犯狀態(tài)、腫瘤位置、浸潤深度、大體分型、組織分型及分級、淋巴脈管浸潤、淋巴結(jié)轉(zhuǎn)移等。通過查閱電子病歷記錄患者的年齡、性別以及實驗室檢查指標CA199、CA72-4、和CEA。

1.2 CT圖像采集與分析患者在CT檢查前禁食6小時以上達到空腹狀態(tài)以排除食物殘渣對粘膜病變顯示的干擾，并口服陰性充盈劑(溫水或甘露醇溶液)擴張胃腔。CT掃描范圍包括自膈頂至盆底的整個腹盆腔。通過肘前靜脈注射非離子造影劑碘普羅胺(1.5mL/kg，3mL/s)。掃描設(shè)備包括飛利浦Briliance 256層螺旋CT和德國西門子Somaton Sensation 64排CT。掃描參數(shù)如下：管電壓=120KV，自動管電流，準直厚度=1.25mm，圖像矩陣=512×512，層厚=5.00mm，重建層厚=1.00mm。CT圖像由兩位放射科醫(yī)師在未告知病理的情況下評估T分期及淋巴結(jié)轉(zhuǎn)移風險。胃癌臨床分期參照美國癌癥聯(lián)合委員會(American Joint Committee on Cancer，AJCC)第八版指南[13]建議的CT征象。

1.3 影像組學分析

1.3.1 腫瘤病灶分割 將動脈期和靜脈期CT圖像上傳至ITK-SNAP軟件，由一位具有5年工作經(jīng)驗的放射科醫(yī)生在橫斷面圖像上逐層手動分割出腫瘤的感興趣區(qū)(region of interest，ROI)，由軟件自動生成三維感興趣體積(volume of interest，VOI)(圖1AD)。在樣本中隨機選取50例患者，由另一位有10年經(jīng)驗的放射科醫(yī)生逐層手動勾畫病灶ROI，以評價影像組學特征的組間一致性。間隔一個月后，由5年經(jīng)驗的放射科醫(yī)生再次勾畫隨機選取的50例患者的ROI，以評估影像組學特征的組內(nèi)一致性。保留組內(nèi)和組間一致性系數(shù)(intraclass and interclass correlation coefficients，ICCs)≥0.8的特征進行下一步分析。

圖1A-圖1D ITK-SNAP病灶ROI勾畫示例圖。

1.3.2 特征提取與篩選 在FeAture Explorer Pro(FAE,V 0.5.2)軟件中提取影像組學特征并進行量化，利用Z-score方法將提取的特征轉(zhuǎn)化為均值為0，標準差為1的特征值。采用主成分分析法(principal component analysis，PCA)和方差分析(analysis of variance，ANOVA)篩選出與PNI顯著相關(guān)的12個特征。

1.3.3 建立預測模型及諾模圖 通過邏輯回歸(logistic regression，LR)和支持向量機(support vector machine，SVM)構(gòu)建影像組學模型，并輸出相應的影像組學評分(rad-score)。采用10次5折交叉驗證來訓練預測模型的穩(wěn)定性。對患者年齡、性別、腫瘤部位等臨床特征進行單因素和多因素logistic回歸分析，篩選出PNI的獨立危險因素并構(gòu)建臨床預測模型。將有統(tǒng)計學差異(P＜0.05)的臨床特征納入影像組學模型進一步構(gòu)建聯(lián)合模型。采用受試者工作特性(receiver operating characteristic，ROC)曲線評價各預測模型的診斷性能，計算曲線下面積(area under curve，AUC)、敏感性、特異性和準確度。選擇預測性能最佳的影像組學標簽和臨床特征進行多因素logistic回歸分析，運用R軟件包(3.5.2版：http://www.Rproject.org)繪制臨床-影像組學諾模圖。

1.4 統(tǒng)計分析本研究使用SPSS軟件(25.0)和R軟件包(3.5.2)進行統(tǒng)計學分析。兩組間定性數(shù)據(jù)比較采用卡方檢驗或Fisher精確值。使用ROC曲線評價各預測模型的效能。對訓練組和測試組的ROC曲線進行Delong檢驗以判斷是否存在過擬合。采用Hosmer-Lemeshow檢驗評估諾模圖的擬合度。利用決策曲線分析(decision curve analysis，DCA)比較不同模型的凈收益。所有統(tǒng)計均為雙側(cè)檢驗，P＜0.05提示差異有統(tǒng)計學意義。

2 結(jié)果

2.1 臨床病理資料在訓練組中，PNI陽性與陰性患者的腫瘤部位、分化程度、臨床T分期、CT評估淋巴結(jié)轉(zhuǎn)移、淋巴脈管侵犯存在統(tǒng)計學差異(P＜0.05)，而測試組中，PNI陽性與陰性患者只有腫瘤部位、淋巴脈管侵犯存在統(tǒng)計學差異，余臨床特征均未見統(tǒng)計學差異(表1)。腫瘤部位、CT分期、CT評估淋巴結(jié)轉(zhuǎn)移以及淋巴脈管侵犯是胃癌PNI的獨立危險因素(表2)。

表1 訓練組與測試組患者臨床病理資料比較

表2 臨床特征單因素與多因素分析結(jié)果

2.2 影像組學特征從動脈期和靜脈期圖像中分別提取出1780個影像組學特征，組內(nèi)及組間一致性分析保留了375個ICCs≥0.8的特征，通過PCA和ANOVA從動脈期和靜脈期分別篩選出12個與PNI顯著相關(guān)的最優(yōu)特征(表3)。

表3 動脈期及靜脈期最佳特征及其特征系數(shù)

2.3 影像組學模型及諾模圖性能基于腫瘤部位、臨床T分期以及CT評估淋巴結(jié)狀態(tài)構(gòu)建的臨床模型在訓練組和測試組的AUC為0.712(95%CI：0.643-0.781)、0.655(95%CI：0.544-0.766)。靜脈期SVM影像組學模型效能較高，在訓練組和測試組的AUC為0.809(95%CI：0.753-0.865)、0.755(95%CI：0.656-0.854)。聯(lián)合模型預測PNI的效能高于單純影像組學模型，SVM聯(lián)合模型在訓練組和測試組的AUC為0.881(95%CI：0.836-0.926)、0.815(95%CI：0.729-0.902)，敏感性為0.807、0.798，特異性為0.817、0.830，準確度為0.812、0.794。訓練組與測試組模型性能見表4、表5。ROC曲線見圖2、圖3。

表4 靜脈期訓練組和測試組預測模型性能比較

表5 動脈期訓練組和測試組預測模型性能比較

圖2A-圖2B 動脈期預測模型訓練組和測試組ROC曲線。圖4 臨床-影像組學諾模圖。圖3A-圖3B 靜脈期預測模型訓練組和測試組ROC曲線。圖5 諾模圖、影像組學模型、臨床模型術(shù)前預測 PNI的DCA曲線，橫坐標為閾值概率，縱坐標為凈效益。

對訓練組和測試組模型的ROC曲線兩兩之間進行了Delong檢驗，LR分類器和SVM分類器構(gòu)建的同類模型ROC曲線未見統(tǒng)計學差異(P＞0.05)。臨床模型與影像組學模型比較、臨床模型與聯(lián)合模型比較，其差異有統(tǒng)計學意義(P=0.035，P=0.018)，而影像組學模型和聯(lián)合模型比較，未見統(tǒng)計學差異(P=0.425)。

將靜脈期Radscore和臨床特征進行多因素Logistic回歸分析，結(jié)果顯示，Radscore、cT分期和CT評估淋巴結(jié)轉(zhuǎn)移是PNI的獨立危險因素，據(jù)此建立用于個體化預測PNI風險的諾模圖(圖4)。Hosmer-Lemeshow擬合優(yōu)度檢驗顯示諾模圖擬合程度良好(P=0.522)。

通過DCA曲線(圖5)評估不同預測模型的凈收益率，結(jié)果顯示，在一定的閾值范圍內(nèi)，諾模圖比影像組學模型和臨床模型具有更高的凈收益，在指導胃癌PNI患者制定治療策略時的臨床應用價值更高。

3 討論

胃癌的預后與TNM分期、生物學行為、分化程度、組織類型及治療措施有關(guān)，其中PNI是胃癌復發(fā)和預后不良的生物標志物之一[14]。據(jù)相關(guān)文獻報道，胃癌PNI發(fā)生率為6.8%-75.6%，本研究納入的311例胃癌的PNI發(fā)生率為49.8%，與以往研究相符[15]。美國國家綜合癌癥網(wǎng)絡(NCCN)相關(guān)指南明確指出，PNI是導致胃癌術(shù)后復發(fā)的高危因素，建議將其作為術(shù)后輔助治療的指征之一[16]。日本胃癌治療指南建議將PNI、淋巴血管侵犯等復發(fā)高風險因素作為新輔助化療的適應癥[17]。因此，利用生物標志物識別具有高復發(fā)風險的胃癌對于患者分層和改善治療決策至關(guān)重要。有學者建議將PNI納入到胃癌的TNM分期中[18]，或?qū)⑦M一步提高患者分層的精確性，有助于制定個性化治療方案，使患者得到最大程度的生存獲益。

胃癌PNI與T分期和淋巴結(jié)轉(zhuǎn)移顯著相關(guān)，腫瘤浸潤程度越深，侵襲力越強，發(fā)生PNI的風險越高[19]。這可能是因為隨著胃癌浸潤程度越深、范圍越廣，就越有可能接觸到腹腔神經(jīng)叢，從而增加發(fā)生PNI的風險。本研究多因素分析顯示臨床T分期和CT評估淋巴結(jié)轉(zhuǎn)移是胃癌PNI的獨立危險因素，與既往研究一致。Hwang等研究發(fā)現(xiàn)，胃癌PNI與淋巴血管侵犯密切相關(guān)[20]，淋巴脈管侵犯常常與PNI同時發(fā)生，反映了腫瘤向外侵襲生長的趨勢,與本研究的結(jié)果一致。另外，本研究結(jié)果顯示PNI與腫瘤部位也具有相關(guān)性，這可能與胃神經(jīng)分布有關(guān)。胃由交感神經(jīng)和迷走神經(jīng)共同支配[21]，胃食管交接處及胃體小彎處的神經(jīng)分布密度較高，因而位于賁門、胃體部的腫瘤發(fā)生神經(jīng)侵犯的風險也更高。

常規(guī)的影像學方法CT或MRI難以識別出PNI、血管侵犯等微小的侵襲性特征。既往有學者利用臨床特征和增強CT圖像特征對胃癌PNI進行術(shù)前預測，劉書豪等[22]分析550例進展期胃癌患者的臨床資料和增強CT圖像中的腫瘤分期、淋巴結(jié)轉(zhuǎn)移等數(shù)據(jù)，構(gòu)建了預測進展期胃癌PNI的臨床列線圖模型，內(nèi)部驗證和外部驗證的AUC分別為0.935和0.828。該臨床模型優(yōu)于本研究納入腫瘤部位、臨床T分期和CT評估淋巴結(jié)轉(zhuǎn)移而構(gòu)建的臨床模型，后者在訓練組和測試組中的AUC分別為0.712和0.655。這可能與本研究的臨床模型納入PNI的獨立預測因子較少有關(guān)。劉祥[23]等通過測量增強CT圖像上腫瘤CT值和脾臟靜脈期CT值，計算出增強各期相平均值與平掃CT值的差、靜脈期腫瘤與脾臟CT值的差以及對比增強比，對以上參數(shù)進行分析并篩選出與PNI有關(guān)的參數(shù)構(gòu)建ROC曲線，其AUC值最大可達0.772。

影像組學將二維圖像轉(zhuǎn)換成可分析的定量數(shù)據(jù)，并利用人工智能或機器學習算法，將大量高維度的數(shù)據(jù)轉(zhuǎn)換成鑒別診斷或預測預后的影像組學模型，在疾病診斷和醫(yī)學研究中的優(yōu)勢愈發(fā)明顯[24]。Aytül等[25]使用Mazda軟件在腫瘤最大橫斷面圖像勾畫ROI并提取紋理特征，利用機器學習算法構(gòu)建模型預測胃腺癌的PNI發(fā)生風險，平均 AUC為0.482-0.754。Zheng[26]等通過提取胃癌門靜脈期影像組學特征，構(gòu)建影像組學模型和影像組學-臨床聯(lián)合模型用于術(shù)前預測胃癌PNI，其測試集中的最佳 AUC 為0.82(95%CI：0.69-0.94)。本研究使用基于3D的分割方法分別勾畫了增強CT動脈期和靜脈期的腫瘤原發(fā)灶ROI，利用影像組學技術(shù)提取大量原發(fā)病灶的影像組學特征，并結(jié)合臨床指標分別構(gòu)建臨床模型、影像組學模型及聯(lián)合模型，用于術(shù)前預測胃癌PNI。

結(jié)果表明，影像組學模型的預測效能明顯優(yōu)于臨床模型，而結(jié)合了影像組學特征和臨床指標的聯(lián)合模型在術(shù)前預測PNI的效果最好，訓練組和測試組的AUC分別達到了0.881(95%CI：0.836-0.926) 和 0.815(95%CI：0.729-0.902)。靜脈期的影像組學模型和聯(lián)合模型的預測性能均高于動脈期模型，這可能是因為動脈期往往反映大血管的強化情況，而靜脈期更側(cè)重反映組織或腫瘤微血管的強化情況，且大多數(shù)胃癌在靜脈期強化更明顯。另外，本研究將聯(lián)合模型轉(zhuǎn)化為可視化諾模圖，通過計算得分可獲得胃癌發(fā)生PNI的風險概率，對于臨床應用更為簡便直觀。

本研究存在一些局限性：(1)本研究是一項單中心、回顧性研究，收集的樣本量有限，進一步擴大樣本量以及外部驗證是非常必要的；(2)盡管在提取影像組學特征之前對圖像進行了標準化預處理，但仍然不能排除不同儀器、采集參數(shù)產(chǎn)生的影響；(3)本研究只回顧性分析PNI陽性和陰性患者的臨床病理資料，并未對這些患者的術(shù)后生存或復發(fā)情況進行隨訪，因此未能顯示PNI與預后或復發(fā)的相關(guān)性。

綜上所述，增強CT影像組學模型和諾模圖對術(shù)前預測胃癌PNI具有重要的應用價值，該結(jié)果有助于進一步細化胃癌患者危險分層，為制定個體化治療方案、預測復發(fā)風險提供重要參考。