婁飛飛，陳青青，黃昊，王芳，何杰，辛恩慧，胡紅杰*

1.浙江大學(xué)醫(yī)學(xué)院附屬邵逸夫醫(yī)院放射科，浙江 杭州 310000；2.湖州市南潯區(qū)人民醫(yī)院放射科，浙江 湖州 313000；3.上海聯(lián)影智能醫(yī)療科技有限公司，上海 200030；*通信作者 胡紅杰 hongjiehu@zju.edu.cn

胃癌是全球最常見的癌癥之一，發(fā)病率和死亡率分別居第5位和第4位[1]，我國胃癌發(fā)病率和死亡率均僅次于肺癌[2]。TNM分期系統(tǒng)提示淋巴結(jié)轉(zhuǎn)移陰性胃癌患者較淋巴結(jié)轉(zhuǎn)移陽性者臨床分期更低，預(yù)后更好[3-5]。然而，淋巴結(jié)陰性胃癌仍存在一定的復(fù)發(fā)率，預(yù)后不佳，且與淋巴血管侵犯（lymphovascular invasion，LVI）有關(guān)[6-8]。LVI是指淋巴管或血管侵犯[9]，是淋巴結(jié)和其他類型器官轉(zhuǎn)移的初始表現(xiàn)[10]。淋巴結(jié)陰性但LVI陽性的胃癌患者治療方案應(yīng)等同于淋巴結(jié)陽性患者[11]，即需行淋巴結(jié)清掃術(shù)和術(shù)前新輔助化療。然而，LVI目前僅能通過術(shù)后組織病理診斷[12]，因此亟須開發(fā)一種無創(chuàng)方法實現(xiàn)淋巴結(jié)陰性胃癌患者的術(shù)前LVI狀態(tài)預(yù)測。

CT是目前胃癌術(shù)前評估最常用的檢查方式，傳統(tǒng)CT圖像的評估易受到讀片者主觀經(jīng)驗的影響，對于術(shù)前LVI狀態(tài)評估的價值有限[13]。近年來，影像組學(xué)在腫瘤診斷、療效評價和預(yù)后預(yù)測等方面已經(jīng)廣泛應(yīng)用[14-16]。與傳統(tǒng)CT圖像評估不同，影像組學(xué)將CT圖像信息定量化呈現(xiàn)[17-18]。目前鮮有應(yīng)用影像組學(xué)聯(lián)合臨床特征構(gòu)建列線圖實現(xiàn)術(shù)前預(yù)測淋巴結(jié)陰性胃癌LVI狀態(tài)的研究。因此，本研究利用增強CT影像組學(xué)特征、常規(guī)影像特征及臨床資料構(gòu)建模型，探討影像組學(xué)術(shù)前預(yù)測淋巴結(jié)陰性胃癌LVI的價值，并構(gòu)建一個基于影像組學(xué)和臨床顯著變量的列線圖，為胃癌個體化治療提供一種可視化和非侵入性工具。

1 資料與方法

1.1 研究對象 回顧性分析2019年1月—2021年6月在浙江大學(xué)醫(yī)學(xué)院附屬邵逸夫醫(yī)院就診的患者。納入標(biāo)準(zhǔn)：①手術(shù)病理證實為胃癌；②術(shù)前CT檢查與手術(shù)時間間隔＜2周；③術(shù)前CT提示胃周淋巴結(jié)陰性且無遠(yuǎn)處轉(zhuǎn)移；④臨床病理資料完整。排除標(biāo)準(zhǔn)：①有胃外惡性腫瘤病史；②術(shù)前經(jīng)過治療（放療、化療等）；③圖像質(zhì)量差。最終173例患者納入研究，其中LVI陽性60例，LVI陰性113例，按7∶3隨機分為訓(xùn)練組121例和驗證組52例。本研究豁免患者知情同意，并通過浙江大學(xué)醫(yī)學(xué)院附屬邵逸夫醫(yī)院倫理委員會批準(zhǔn)（倫審2022研第0474號）。

1.2 CT檢查 采用Siemens SOMATOM Definition Flash、Siemens SOMATOM Definition AS 40、GE Lightspeed VCT多排螺旋CT進行掃描。患者檢查前做空腹準(zhǔn)備，并飲500～1 000 ml水，掃描范圍自膈頂至髂棘水平。采集平掃圖像后，以3.0～4.0 ml/s的速度從肘前靜脈注入1.5～2.0 ml/kg非離子型造影劑，注射后25～30 s、50～60 s、120～180 s分別采集動脈期、門靜脈期、延遲期圖像，所有圖像重建層厚均為2 mm。

1.3 病理分析 所有手術(shù)標(biāo)本切片經(jīng)HE染色，由2名具有10年以上病理診斷經(jīng)驗的副主任醫(yī)師分別在光鏡下觀察腫瘤及瘤周區(qū)域的淋巴管或血管腔內(nèi)是否存在腫瘤細(xì)胞，確定LVI狀態(tài)為陽性或陰性，當(dāng)結(jié)果不一致時協(xié)商達(dá)成共識。

1.4 臨床資料和常規(guī)CT特征分析 收集患者年齡、性別、腫瘤部位、腫瘤指標(biāo)。常規(guī)CT特征由2名具有5年和10年腹部影像診斷經(jīng)驗的主治醫(yī)師（A和B）在對臨床和病理結(jié)果未知的前提下分別進行評估，包括TNM分期（T1～2、T3～4）、腫瘤形態(tài)（平坦、潰瘍形成）、腫瘤強化方式（均勻、不均勻）、腫瘤厚度、各期相（平掃期、動脈期、門靜脈期和延遲期）CT值、增強三期與平掃CT差值（△ap、△pp、△dp）、門靜脈期腫瘤與脾臟CT差值（△t-s）。定性特征不一致時由2名醫(yī)師共同協(xié)商決定，定量特征取2名醫(yī)師測量結(jié)果的平均值。在訓(xùn)練組中，通過單因素和多因素邏輯回歸方法篩選出臨床顯著變量并構(gòu)建臨床模型。

1.5 影像組學(xué)分析

1.5.1 病灶分割與特征提取 基于3D-Slicer 4.10.2（https：//www.slicer.org）軟件在CT門靜脈期薄層圖像中手動逐層分割得到病灶三維感興趣區(qū)（ROI），見圖1。由醫(yī)師A完成所有病灶的勾畫，1個月后從訓(xùn)練組中隨機選取30例患者由醫(yī)師A和醫(yī)師B再次勾畫。本研究使用3D-Slicer軟件中“Radiomics模塊”提取4大類特征，包括一階特征、形狀特征、紋理特征、小波特征。

圖1 病灶勾畫。A.CT圖像上胃癌病灶；B.單層勾畫的病灶；C.病灶三維感興趣區(qū)

1.5.2 組學(xué)特征篩選與建模 基于醫(yī)師A前后2次以及醫(yī)師B勾畫的30例病灶提取的組學(xué)特征，分別計算組內(nèi)和組間相關(guān)系數(shù)（ICC），保留ICC均＞0.85的穩(wěn)定特征，并采用標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化（Z-score）方法對所有特征值進行歸一化。訓(xùn)練組采用最小絕對收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）方法剔除不相關(guān)或冗余的特征，通過十折交叉驗證選擇最佳參數(shù)Alpha以得到預(yù)測效能最優(yōu)的組學(xué)特征。運用隨機森林（random forest，RF）分類器算法構(gòu)建影像組學(xué)模型，并得到每例患者LVI陽性的預(yù)測概率，定義為隨機森林評分。

1.5.3 列線圖構(gòu)建及模型性能評估 將隨機森林評分與臨床顯著變量采用邏輯回歸方法建立LVI狀態(tài)預(yù)測的融合模型。為了提高該模型的臨床實用性，進一步將其可視化為列線圖形式。采用受試者工作特征（ROC）曲線評價模型的預(yù)測效能，并計算曲線下面積（AUC）、敏感度、特異度和準(zhǔn)確度。采用校準(zhǔn)曲線評估列線圖校準(zhǔn)度，采用決策曲線分析（decision curve analysis，DCA）評估臨床實用性。

1.6 統(tǒng)計學(xué)分析 使用SPSS 26.0軟件、MedCalc 19.1.2軟件和聯(lián)影智能科研平臺系統(tǒng)（基于Python語言）進行數(shù)據(jù)分析和圖表繪制。采用符合正態(tài)分布的計量資料以±s表示，組間比較采用獨立樣本t檢驗；不符合正態(tài)分布的計量資料以M（Q1，Q3）表示，組間比較采用Mann-WhitneyU檢驗；計數(shù)資料以頻率（%）表示，組間比較采用χ2檢驗。Delong檢驗比較模型間AUC的差異。P＜0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 臨床變量 本研究173例淋巴結(jié)陰性胃癌患者，其中訓(xùn)練組121例、驗證組52例組間研究對象臨床資料和常規(guī)CT特征分布差異均無統(tǒng)計學(xué)意義（P＞0.05），見表1。訓(xùn)練組中單因素分析顯示，腫瘤厚度、TNM分期、強化方式、門靜脈期CT值、延遲期CT值、△pp、△dp、△t-s與LVI有關(guān)（P＜0.05），將上述指標(biāo)納入多因素邏輯回歸分析，結(jié)果顯示腫瘤厚度、△pp和△t-s是LVI的獨立預(yù)測因子（表2）。

表1 訓(xùn)練組和驗證組胃癌患者臨床變量比較

表2 訓(xùn)練組臨床變量單因素和多因素邏輯回歸分析

2.2 組學(xué)特征提取、篩選與建模 本研究基于病灶三維ROI共提取851個組學(xué)特征，經(jīng)過組內(nèi)及組間一致性分析后保留356個穩(wěn)定特征，包括一階特征6個、灰度共生矩陣（GLCM）特征1個、灰度游程矩陣（GLRLM）特征6個、灰度區(qū)域大小矩陣（GLSZM）特征3個、灰度相關(guān)矩陣（GLDM）特征4個、小波變換特征336個。運用LASSO算法進行特征降維，十折交叉驗證方法選擇最佳參數(shù)Alpha=0.061 36，最終篩選出7個與LVI狀態(tài)最相關(guān)的組學(xué)特征。LASSO路徑圖及最終組學(xué)特征見圖2。將最終組學(xué)特征通過RF分類器方法構(gòu)建組學(xué)模型并得到隨機森林評分（圖3），LVI陽性組的隨機森林評分在訓(xùn)練組（0.63比0.30，P＜0.001）和驗證組（0.55比0.29，P＜0.001）均顯著高于LVI陰性組。

圖2 LASSO路徑圖及最終組學(xué)特征

圖3 訓(xùn)練組（A）、驗證組（B）隨機森林評分

2.3 列線圖構(gòu)建 通過多因素Logistic回歸分析，建立了一個聯(lián)合隨機森林評分和臨床顯著變量的融合模型，列線圖見圖4。圖5展示了2例列線圖預(yù)測LVI狀態(tài)應(yīng)用實例，進一步說明列線圖對于術(shù)前預(yù)測胃癌LVI狀態(tài)具有臨床應(yīng)用價值。

圖4 術(shù)前LVI狀態(tài)預(yù)測列線圖。△t-s：門靜脈期腫瘤與脾臟CT差值；△pp：腫瘤門靜脈期與平掃CT差值

圖5 列線圖應(yīng)用實例。A～D：腫瘤厚度10 mm，分值為3；△t-s=4，分值為38；△pp=50，分值為12；隨機森林評分=0.43，分值為48；總分為102，即LVI陽性概率約為40%，病理證實LVI陰性；E～H：腫瘤厚度32 mm，分值為18；△t-s=-1，分值為36；△pp=61，分值為16；隨機森林評分=0.71，分值為79；總分為149，即LVI陽性概率＞90%，病理證實LVI陽性

2.4 模型性能評估 表3顯示臨床模型、影像組學(xué)模型、列線圖對于LVI狀態(tài)的預(yù)測性能。列線圖在訓(xùn)練組和驗證組中的AUC均顯著優(yōu)于臨床模型（P＜0.05），與影像組學(xué)模型差異無統(tǒng)計學(xué)意義（P=0.207、0.707）。訓(xùn)練組中影像組學(xué)模型明顯優(yōu)于臨床模型（P＜0.05），但在驗證組差異無統(tǒng)計學(xué)意義（P=0.352）。結(jié)合敏感度、特異度、準(zhǔn)確度綜合評價，列線圖被確定為最佳預(yù)測模型，優(yōu)于單一影像組學(xué)模型和臨床模型。應(yīng)用實例見圖5。此外，列線圖校準(zhǔn)曲線表明，實際結(jié)果與預(yù)測結(jié)果有較好的一致性（圖6）。DCA曲線顯示列線圖比影像組學(xué)模型或臨床模型有更大凈收益，臨床實用性最佳（圖7）。

表3 臨床模型、影像組學(xué)模型、列線圖預(yù)測LVI狀態(tài)的性能

圖6 訓(xùn)練組（A）、驗證組（B）列線圖校準(zhǔn)曲線

圖7 臨床模型、影像組學(xué)模型、列線圖DCA曲線

3 討論

3.1 列線圖 本研究基于定量隨機森林評分和臨床變量首次構(gòu)建淋巴結(jié)陰性胃癌患者術(shù)前LVI狀態(tài)預(yù)測的列線圖，訓(xùn)練組和驗證組的AUC達(dá)到0.898（0.842～0.953）和0.844（0.717～0.971）。列線圖性能優(yōu)于單一影像組學(xué)和臨床模型，表明將放射科醫(yī)師的專業(yè)診斷與影像組學(xué)相結(jié)合的方法在術(shù)前LVI狀態(tài)預(yù)測方面具有相當(dāng)大的價值。與常規(guī)預(yù)測模型相比，列線圖通過對每個特征賦分進而量化預(yù)測概率，臨床操作性更強。

列線圖校準(zhǔn)曲線顯示預(yù)測概率與實際概率一致性較好。然而，驗證組中當(dāng)預(yù)測概率在75%以上時，模型的校準(zhǔn)曲線向右下方偏移，表明此時模型可能高估了LVI陽性的風(fēng)險值，在臨床實踐中需要引起重視。

此外，本研究納入CT淋巴結(jié)陰性胃癌，但有36例術(shù)后病理提示淋巴結(jié)陽性，而這些患者中列線圖預(yù)測LVI陽性為30例，提示可以在術(shù)前糾正約83.3%的患者的治療方案。本研究構(gòu)建的列線圖可以彌補CT在胃癌淋巴結(jié)轉(zhuǎn)移術(shù)前評估中的不足，進一步顯示其臨床應(yīng)用價值。

3.2 臨床變量 臨床變量中腫瘤厚度、△pp、△t-s具有顯著意義?！鱬p、△t-s在LVI陽性時值較高，與既往報道一致[9]。門靜脈期增強反映造影劑在間質(zhì)空間的擴散，淋巴血管結(jié)構(gòu)的破壞可能增加微血管通透性，這可能是門靜脈期CT值較高的原因。此外，既往研究證實腫瘤越大侵襲性更強，是術(shù)前預(yù)測LVI的獨立預(yù)測因子[19]，本研究也證實了這一點。

3.3 影像組學(xué)特征 用于構(gòu)建RF模型的7個影像組學(xué)特征中有6個為小波特征，可能原因是小波變換可以分解圖像中高和低頻率區(qū)域，經(jīng)小波變換處理后的高階特征能挖掘更多的腫瘤信息[20]。其中有3個特征是經(jīng)過不同的小波變換方式的Glszm_GrayLevel Nonuniformity。Glszm_GrayLevel Nonuniformity表示圖像中灰度強度值均一性[21]，數(shù)值越高表示灰度強化值越不均勻，異質(zhì)性越高。另外一個重要特征是小波變換后的Firstorder_90Percentile。Firstorder_90Percentile表示ROI高亮度的灰度值[21]，這與本研究得到的臨床顯著變量（△pp、△t-s）一致，LVI陽性癌灶在門靜脈期強化明顯，圖像灰度值更高。本研究顯示Glszm_GrayLevelNonuniformity值及Firstorder_90Percentile值越大，預(yù)測LVI陽性概率越大，與LVI陽性異質(zhì)性更高和門靜脈期CT圖像灰度值更高相符。

3.4 影像組學(xué)模型與臨床模型性能比較 影像組學(xué)模型在訓(xùn)練組和驗證組中的AUC均高于臨床模型，驗證組中影像組學(xué)模型與臨床模型無顯著差異，但影像組學(xué)模型的AUC、敏感度、特異度、準(zhǔn)確度均高于臨床模型，在一定程度上支持影像組學(xué)特征對于LVI的術(shù)前預(yù)測比臨床因素更重要，可能原因是LVI是腫瘤微環(huán)境的重要組成部分[22]，而影像組學(xué)分析能夠從影像圖像中挖掘大量肉眼無法識別的定量微觀特征，從而提供傳統(tǒng)影像學(xué)無法提供的腫瘤表型和微環(huán)境信息[23-25]。

3.5 本研究的局限性 首先，本研究納入樣本量較小。這與患者入組標(biāo)準(zhǔn)有關(guān)，主要納入術(shù)前CT淋巴結(jié)轉(zhuǎn)移陰性的胃癌患者，未來需要更大數(shù)據(jù)集進行模型性能優(yōu)化。其次，本研究是一項單中心回顧性研究，需要在多中心數(shù)據(jù)中進行外部驗證。最后，本研究未探索模型在預(yù)后預(yù)測中的潛力，未來將進一步完善隨訪結(jié)果使其更具臨床實用性。

綜上所述，本研究構(gòu)建的影像組學(xué)模型可用于術(shù)前預(yù)測淋巴結(jié)陰性胃癌LVI狀態(tài)，聯(lián)合腫瘤厚度、△pp、△t-s的列線圖進一步提高了預(yù)測效能，為臨床提供一種有效的可視化和非侵入性工具以指導(dǎo)臨床決策。