姚陽陽 梁長華 韓東明 崔俊偉 潘犇 王慧慧 魏正琦 甄思雨 危涵羽

結(jié)核病是僅次于新型冠狀病毒感染的第二大致死性傳染病,位列全球死因第13位,中國結(jié)核病負擔(dān)僅低于印度和印度尼西亞,位居第三[1]。非結(jié)核分枝桿菌(nontuberculous mycobacteria,NTM)系指除結(jié)核分枝桿菌復(fù)合群和麻風(fēng)分枝桿菌以外的一大類分枝桿菌的總稱[2],NTM感染肺部而引起的肺病稱為(nontuberculous mycobacteria pulmonary disease,NTM-PD)。NTM-PD與肺結(jié)核(pulmonary tuberculosis,PTB)依靠痰涂片難以準(zhǔn)確區(qū)分[3],分枝桿菌培養(yǎng)是診斷NTM-PD的金標(biāo)準(zhǔn),而分枝桿菌培養(yǎng)需要2～6周,NTM-PD患者很容易錯過最佳治療時機,因此,亟需一種快速、有效的方法鑒別這兩種疾病?？斩词荘TB與NTM-PD的常見影像征象,并且這兩種疾病空洞的病理差異已經(jīng)得到證實[4]。近年來,影像組學(xué)通過高通量提取挖掘數(shù)據(jù)特征,在肺部疾病的診斷和鑒別診斷中顯示出巨大的潛力[5-6],可能為鑒別NTM-PD與PTB提供一種可行的方法。本研究旨在聯(lián)合臨床特征與影像組學(xué)開發(fā)出一種能方便、快速、準(zhǔn)確鑒別NTM-PD與PTB的方法,為NTM-PD與PTB的診療提供幫助。

資料和方法

一、研究對象

選擇2019年1月1日至2023年3月31日河南省新鄉(xiāng)醫(yī)學(xué)院第一附屬醫(yī)院收治的經(jīng)分枝桿菌培養(yǎng)確診為NTM-PD和PTB的患者,共133例。根據(jù)分枝桿菌培養(yǎng)結(jié)果分為NTM-PD組(58例)與PTB組(75例)。收集所有患者治療前的臨床數(shù)據(jù)及胸部CT掃描圖像。以空洞性病灶作為研究對象進行提取影像組學(xué)特征并建立影像組學(xué)模型,共200個病灶被納入研究(NTM-PD:97個,PTB:103個),然后將所有病灶按照7∶3比例隨機分為訓(xùn)練集和測試集。

納入標(biāo)準(zhǔn):(1)經(jīng)痰標(biāo)本或支氣管肺泡灌洗液培養(yǎng)確診為PTB/NTM-PD的患者;(2)年齡≥18歲;(3)CT圖像中存在空洞病灶;(4)臨床資料及影像資料完整。排除標(biāo)準(zhǔn):(1)存在其他肺部疾病的患者;(2)PTB并發(fā)NTM-PD的患者;(3)合并HIV感染或糖尿病的患者;(4)存在其他惡性腫瘤的患者。

二、研究方法

1.一般資料:收集患者性別、年齡、體質(zhì)量指數(shù)(body mass index,BMI)、臨床癥狀(發(fā)熱、盜汗、咳嗽、咳痰、乏力、胸痛、咯血、體質(zhì)量減輕)、分枝桿菌培養(yǎng)結(jié)果。

2.實驗室檢查:γ-干擾素釋放試驗(interferon-γ release assays,IGRA)采用結(jié)核感染T細胞酶聯(lián)免疫斑點試驗進行檢測,使用英國Oxford Immunotec公司的T-SPOT.TB試劑盒于4 h內(nèi)完成檢測,過程嚴(yán)格遵照說明書進行,后使用 ELISPOT 讀板儀(美國 CTL公司) 經(jīng)酶聯(lián)免疫斑點系統(tǒng)讀取并記錄斑點數(shù)。結(jié)核抗體使用膠體金法進行檢測,試劑盒由北京健乃喜生物科技有限公司提供,檢測步驟嚴(yán)格遵循試劑配套說明書進行。

3.胸部CT檢查:采用東芝 Aquilion ONE 320 排 CT 或東芝 Aquilion 64 排 CT 設(shè)備行常規(guī)胸部檢查。掃描范圍:從肺尖掃描至橫膈水平;掃描條件:管電壓為100～120 kV,管電流采用自動毫安技術(shù),掃描層厚5～8 mm,重建層厚0.625～1.25 mm,螺距為1,矩陣為512×512。

4.感興趣區(qū)(ROI)勾畫及影像組學(xué)特征提取:影像組學(xué)流程如圖1所示。首先由兩名不同經(jīng)驗(分別具有3年和7年影像診斷經(jīng)驗)的放射科醫(yī)師使用3D slicer 4.11 軟件在1 mm薄層CT肺窗圖像上沿空洞病灶的邊緣(避開大血管和支氣管)進行逐層勾畫ROI,最后自動生成感興趣體積(VOI),如圖2所示。使用3D slicer軟件對所有VOI進行1 mm×1 mm×1 mm 重采樣,以減少不同CT掃描設(shè)備之間的差異對結(jié)果造成的影響。然后使用3D slicer軟件在VOI中提取影像組學(xué)特征,包括一階特征、形態(tài)特征、紋理特征,以及小波變換、拉普拉斯變換,共計1037個特征。

圖1 影像組學(xué)流程圖

注 圖a～c:患者,女,34歲,肺結(jié)核。圖b可見左肺下葉空洞,圖b可見空洞病灶感興趣區(qū),圖c可見分割后的空洞病灶體積;圖d～f:患者,男,34歲,非結(jié)核分枝桿菌肺病。圖d可見右肺上葉空洞,圖e可見空洞病灶感興趣區(qū),圖f可見分割后的空洞病灶體積

5.特征篩選及模型構(gòu)建:(1)首先,對納入患者的一般資料進行單因素邏輯回歸分析,然后將兩組間差異有統(tǒng)計學(xué)意義的臨床特征進行多因素邏輯回歸分析,篩選出鑒別NTM-PD與PTB的獨立預(yù)測因素,然后使用邏輯回歸分類器建立臨床模型;(2)使用R語言軟件(4.3.0版本)對影像組學(xué)特征數(shù)據(jù)進行Z-score標(biāo)準(zhǔn)化,然后隨機挑選出30例患者進行組間一致性(intraclass correlation coefficient,ICC)分析;(3)分兩步對影像組學(xué)特征進行降維。第一步使用最小冗余最大相關(guān)性(minimum redundancy maximum relevance,MRMR)算法,第二步使用最小絕對收縮與選擇算子(least absolute shrinkage and selection operator,LASSO)通過10次交叉驗證對上一步降維結(jié)果進行進一步篩選(圖3,4);然后使用邏輯回歸分類器將篩選出的影像組學(xué)特征建立影像組學(xué)模型;(4)將差異有統(tǒng)計學(xué)意義的臨床特征與影像組學(xué)特征進行結(jié)合,使用邏輯回歸分類器建立聯(lián)合模型。

圖3 影像組學(xué)特征LASSO回歸系數(shù)

圖4 非零系數(shù)的最佳影像組學(xué)特征圖

6.模型診斷效能評估:繪制受試者工作特征曲線(ROC)及校準(zhǔn)曲線,分析不同模型的曲線下面積(AUC)、敏感度、特異度、準(zhǔn)確率,評估臨床模型、影像組學(xué)模型及聯(lián)合模型的診斷性能。

三、統(tǒng)計學(xué)處理

結(jié) 果

一、臨床特征分析

在NTM-PD患者中,胞內(nèi)分枝桿菌感染38例(66.52%),堪薩斯分枝桿菌感染13例(22.41%),鳥分枝桿菌感染4例(6.70%),偶然分枝桿菌感染2例(3.45%),淺黃分枝桿菌感染1例(1.72%)。PTB患者與NTM-PD患者的臨床特征單因素分析結(jié)果見表1。PTB組的年齡明顯小于NTM-PD組(P<0.001),而PTB組的BMI明顯大于NTM-PD組(P=0.015),PTB組IGRA陽性率(73.33%)明顯高于NTM-PD組(27.59%),差異均有統(tǒng)計學(xué)意義(P值均<0.05)。而性別、吸煙史、飲酒史、結(jié)核抗體檢測結(jié)果、臨床癥狀(發(fā)熱、盜汗、咳嗽、咳痰、咯血、胸痛、乏力、體質(zhì)量減輕)在兩組間差異均無統(tǒng)計學(xué)意義。然后將年齡、BMI及IGRA進行多因素邏輯回歸分析(表2),結(jié)果表明,年齡和IGRA在兩組間的差異均有統(tǒng)計學(xué)意義,均是鑒別PTB與NTM-PD的獨立預(yù)測因素。

表1 肺結(jié)核與非結(jié)核分枝桿菌肺病患者臨床特征單因素分析

表2 肺結(jié)核與非結(jié)核分枝桿菌肺病患者臨床特征多因素logistic回歸分析

二、模型結(jié)果評估

將年齡及IGRA結(jié)果納入臨床模型,模型在訓(xùn)練集中的AUC值、敏感度、特異度及準(zhǔn)確率分別為0.832、89.04%、72.46%、80.99%,在測試集中的AUC值、敏感度、特異度及準(zhǔn)確率分別為0.800、85.29%、67.86%、77.42%。2名放射科醫(yī)生提取的影像組學(xué)特征具有良好的一致性。1037個影像組學(xué)特征通過第一步MRMR篩選后,選取20個特征,第二步通過LASSO算法對MRMR篩選出的20個特征進行進一步篩選,最終篩選出10個影像組學(xué)特征(圖5)用于構(gòu)建影像組學(xué)模型。該模型在訓(xùn)練集中的AUC值、敏感度、特異度及準(zhǔn)確率分別為0.974、91.78%、95.65%、93.66%,在測試集中AUC值、敏感度、特異度及準(zhǔn)確率分別為0.939、97.06%、82.14%、90.32%。將年齡、IGRA結(jié)果及10個影像組學(xué)特征結(jié)合構(gòu)建聯(lián)合模型,該模型在訓(xùn)練集中的AUC值、敏感度、特異度及準(zhǔn)確率分別為0.993、100.00%、91.30%、95.77%,在測試集中AUC值、敏感度、特異度及準(zhǔn)確率分別為0.995、94.12%、100.00%、96.77%。影像組學(xué)模型診斷性能優(yōu)于臨床模型,而聯(lián)合模型優(yōu)于影像組學(xué)模型和臨床模型,獲得了最高的診斷性能。具體見表3。各個模型在訓(xùn)練集和測試集中的ROC曲線如圖6、7所示。校準(zhǔn)曲線(圖8,9)顯示,聯(lián)合模型在訓(xùn)練集和測試集中的預(yù)測概率與實際概率相近,對PTB與NTM-PD具有良好的鑒別診斷能力。

表3 臨床模型、影像組學(xué)模型、聯(lián)合模型診斷性能分析

圖5 影像組學(xué)模型中影像組學(xué)特征重要度

圖6 訓(xùn)練集受試者工作特征曲線

圖7 測試集受試者工作特征曲線

圖8 訓(xùn)練集校準(zhǔn)曲線比較

圖9 測試集校準(zhǔn)曲線比較

三、模型比較

DeLong檢驗結(jié)果顯示,臨床模型與影像組學(xué)模型在訓(xùn)練集中的AUC值差異有統(tǒng)計學(xué)意義(Z=3.797,P<0.001),臨床模型與聯(lián)合模型在訓(xùn)練集中的AUC值差異有統(tǒng)計學(xué)意義(Z=-4.832,P<0.001),而影像組學(xué)模型與聯(lián)合模型在訓(xùn)練集的AUC值差異無統(tǒng)計學(xué)意義(Z=-1.956,P=0.050)。

討 論

PTB與NTM-PD臨床表現(xiàn)相似,包括低熱、咳嗽、體質(zhì)量減輕等癥狀,且二者影像學(xué)表現(xiàn)具有很大重疊,因此很難將二者區(qū)分[7],細菌培養(yǎng)是鑒別結(jié)核分枝桿菌與NTM感染診斷的金標(biāo)準(zhǔn),但細菌培養(yǎng)需要2～6周才能得出結(jié)果,而在此期間大多數(shù)NTM-PD患者會接受經(jīng)驗性抗結(jié)核治療,由于二者治療方案不同,使得NTM-PD患者錯過最佳治療時機,導(dǎo)致疾病進一步發(fā)展[8-9]。IGRA通過檢測T細胞對2種結(jié)核分枝桿菌特異性抗原ESAT-6和CFP-10產(chǎn)生的γ-干擾素發(fā)揮作用,這2種抗原的基因位于結(jié)核分枝桿菌與NTM的基因差異區(qū)域(Rd1),大多數(shù)NTM無此區(qū)域[10]。盡管有一些NTM存在與結(jié)核分枝桿菌相同的Rd1區(qū)域,如堪薩斯分枝桿菌和蘇爾加分枝桿菌,可能會導(dǎo)致IGRA陽性結(jié)果,但這些菌株并不是NTM感染的優(yōu)勢菌種[11],因此,這種方法仍然可以區(qū)分大多數(shù)NTM-PD和PTB。并且IGRA可以在1～2 d內(nèi)得到結(jié)果,因此IGRA可以在疾病早期對NTM-PD和PTB進行快速診斷。在本研究中,PTB組IGRA陽性率明顯高于NTM-PD組,這與既往研究結(jié)果一致[12]。

此外,NTM-PD組的年齡明顯高于PTB組,這可能是因為NTM是一類機會致病菌,感染NTM的患者發(fā)病往往是由于患者年齡增大,機體免疫力降低所致。中國是結(jié)核病高負擔(dān)國家,約40%的人口IGRA結(jié)果呈陽性[13],不明原因的并發(fā)結(jié)核分枝桿菌潛伏感染會影響患者的IGRA結(jié)果。在IGRA的自身局限性和中國人群發(fā)病特征的共同影響下,使得臨床模型在鑒別NTM-PD和PTB中的表現(xiàn)稍弱于影像組學(xué)模型。即便如此,臨床模型在訓(xùn)練集和測試集中的AUC值仍然達到了0.832和0.800,表明該模型具有較高的診斷性能,可以在疑似NTM-PD或PTB的人群中進行快速的篩查。

影像組學(xué)是近年發(fā)展起來的無創(chuàng)、客觀的圖像分析工具,其通過計算機算法挖掘出CT、MRI、PET等圖像中的深層信息,從而反映出病灶間的異質(zhì)性。Yan等[14]對提取CT圖像中空洞病灶的影像組學(xué)特征,使用6種機器學(xué)習(xí)分類器(K近鄰、支持向量機、極度梯度提升算法、隨機森林、邏輯回歸和決策樹)分別建立6個影像組學(xué)模型,結(jié)果表明,在訓(xùn)練集中,6個模型的AUC值均>0.98,在驗證集中,6個模型的AUC值均>0.85,在外部驗證集中,6個模型的AUC值均>0.84。其中,邏輯回歸分類器建立的影像組學(xué)模型相較于其他影像組學(xué)模型診斷性能最好,在訓(xùn)練集、驗證集和外部驗證集中AUC值分別為0.99、0.98和0.95。本研究參考Yan等[14]的研究結(jié)果,使用邏輯回歸分類器構(gòu)建影像組學(xué)模型,該模型的診斷性能與既往研究結(jié)果基本一致。此外,在本研究中加入臨床因素構(gòu)建了聯(lián)合模型,使得模型診斷性能得到了進一步的提升,能夠更加準(zhǔn)確地鑒別NTM-PD和PTB。而既往相關(guān)的研究中均是單純研究影像組學(xué)模型在鑒別NTM-PD 和PTB的表現(xiàn),本研究第一次進行了影像組學(xué)特征與臨床特征相結(jié)合的嘗試,試驗結(jié)果也證明了聯(lián)合模型優(yōu)秀的診斷性能。盡管NTM-PD和PTB僅依靠胸部CT檢查難以鑒別,但是二者之間的影像學(xué)表現(xiàn)仍存在差異。既往研究表明,NTM-PD組薄壁空洞、支氣管擴張及小葉中心性結(jié)節(jié)較PTB組增多,而厚壁空洞、肺實變、肺不張、肺毀損、肺體積縮小、肺內(nèi)鈣化、肺門縱隔淋巴結(jié)鈣化、腺泡結(jié)節(jié)、胸膜增厚、胸腔積液均較PTB組少[15],這表明CT征象對于鑒別具有重要作用。在既往的研究中,大多是對臨床特征和CT表現(xiàn)單獨進行研究,而將二者結(jié)合進行分析卻少有報道,將臨床特征、CT征象及CT影像組學(xué)特征進行結(jié)合構(gòu)建的聯(lián)合模型可能具有更高的診斷性能,具有更好的臨床適用性,這需要在后續(xù)的研究中進行驗證。

Ying等[16]將T-SPOT.TB與深度學(xué)習(xí)模型結(jié)合后產(chǎn)生了更好的結(jié)果,當(dāng)兩種方法的預(yù)測一致時,大大提高了鑒別診斷的準(zhǔn)確性。本研究中將臨床特征與影像組學(xué)特征結(jié)合構(gòu)建了聯(lián)合模型,該模型的診斷性能在訓(xùn)練集和驗證集中的AUC值均高于臨床模型與影像組學(xué)模型,這與Ying等[16]的研究結(jié)果是一致的,但是,DeLong檢驗結(jié)果顯示影像組學(xué)模型與聯(lián)合模型在訓(xùn)練集的AUC值差異無統(tǒng)計學(xué)意義,這可能是因為影像組學(xué)模型的性能已經(jīng)很好,影像組學(xué)模型的提升空間十分有限,使得加入臨床特征后對于診斷性能的提升不明顯。與既往研究不同的是,Ying等[16]將T-SPOT.TB與深度學(xué)習(xí)進行綜合分析,但并沒有構(gòu)建聯(lián)合模型,而本研究不僅加入了IGRA結(jié)果,還對年齡、性別、結(jié)核抗體檢測結(jié)果及結(jié)核病典型臨床癥狀進行分析。聯(lián)合模型的診斷性能優(yōu)于任意一種單獨模型,這表明臨床特征與影像組學(xué)特征結(jié)合構(gòu)建模型能夠提升診斷性能,對于鑒別NTM-PD和PTB具有重要意義。

本研究還有一定的局限性:首先,這是一項單中心研究,樣本量較小,未來還需要在多中心、大樣本的研究中進一步驗證模型的性能;其次,本研究只針對空洞病灶進行研究,而對于結(jié)節(jié)、樹芽征等其他CT征象并未進行研究,未來需要對各種病灶進行全面研究來驗證該模型的臨床適用性;最后,本研究中使用手動勾畫ROI的方法,不可避免地產(chǎn)生一些微小偏差,而自動分割的方法可能會提高勾畫ROI的準(zhǔn)確性,這需要在未來的研究中進一步探索。

綜上所述,臨床特征與影像組學(xué)特征對鑒別NTM-PD和PTB方面具有重要作用,結(jié)合臨床特征和影像組學(xué)特征的聯(lián)合模型是一種無創(chuàng)、方便、快捷的診斷方法,在鑒別NTM-PD與PTB方面展示出了優(yōu)秀的診斷性能,為NTM-PD與PTB的臨床診療提供了幫助。

利益沖突所有作者均聲明不存在利益沖突

作者貢獻姚陽陽:設(shè)計實驗、實施研究、采集數(shù)據(jù)、分析/解釋數(shù)據(jù)、文章撰寫、統(tǒng)計分析;梁長華:設(shè)計實驗、實施研究、分析/解釋數(shù)據(jù)、論文審閱修訂、統(tǒng)計分析、指導(dǎo)、行政/材料/技術(shù)支持;韓東明:設(shè)計實驗、實施研究、論文審閱修訂、行政/材料/技術(shù)支持、指導(dǎo);崔俊偉:設(shè)計實驗、論文審閱修訂、指導(dǎo)、行政/材料/技術(shù)支持;潘犇:設(shè)計實驗、實施研究、采集數(shù)據(jù)、分析/解釋數(shù)據(jù)、統(tǒng)計分析;王慧慧、魏正琦、甄思雨和危涵羽:實施研究、采集數(shù)據(jù)、分析/解釋數(shù)據(jù)、統(tǒng)計分析