, 年卫国2, 李新娟2 1. 昆山宗仁卿纪念医院放射科, 江苏 昆山 215300;
2. 新疆生产建设兵团第十师北屯医院影像中心, 新疆 北屯 836099
2021-05-11 收稿, 2021-07-28 录用
*通讯作者: 严君
摘要: 本研究探讨了能谱CT组学列线图术在胃神经分泌肿瘤检测及误诊分析中的应用。选取胃神经分泌肿瘤患者34例，依据完全随机法划分为训练集（25例）与测试集（9例）。能谱CT影像组学分析病灶特征；LASSO回归建立影像组学风险评分；Bootstrap法分别分析ROC曲线AUC、特异性、敏感性及误诊率。训练集与测试集中，肿瘤大小、淋巴结肿大、静脉瘤栓差异显著（P < 0.05）。与低级别患者相比，高级别患者风险评分更高（P < 0.05）。经Bootstrap法验证，训练集中误诊率8.00%，AUC为0.940，特异性92.0%，敏感性95.4%；测试集中误诊率11.11%，AUC为0.859，特异度88.89%，敏感度77.6%。总之，能谱CT组学列线图术在胃神经分泌肿瘤检测及误诊分析中预测效能良好。
关键词: 胃神经分泌肿瘤临床效果能谱CT影像组学列线图误诊率
Energy Spectrum CT Omics Nomogram in the Detection and Misdiagnosis Analysis of Gastric Neurosecretory Tumors
YAN Jun1
, NIAN Weiguo2, LI Xinjuan2 1. Radiation Department, Jen Ching Memorial Hospital, Kunshan 215300, Jiangsu, P. R. China;
2. Imaging Center, Beitun Hospital of the 10th Division of Xinjiang Production and Construction Corps, Beitun 836099, Xinjiang, P. R. China
*Corresponding author: YAN Jun
Abstract: The purpose of this study was to explore the application of energy spectrum CT omics nomogram in the detection and misdiagnosis analysis of gastric neurosecretory tumors. A total of 34 patients with gastric neurosecretory tumors were selected and divided into training set (25 cases) and test set (9 cases) according to the completely random method. Energy spectrum CT imaging omics analysis of lesion characteristics; LASSO regression to establish imaging omics risk score; Bootstrap method to analyze the AUC, specificity, sensitivity and misdiagnosis rate under the ROC curve. The training set and the test set showed significant differences in tumor size, lymph node enlargement, and venous tumor thrombus (P < 0.05). Compared with low-grade patients, high-grade patients had higher risk scores (P < 0.05). Validated by Bootstrap method, the misdiagnosis rate in the training set is 8.00%, AUC 0.940, specificity 92.0%, and sensitivity 95.4%; the misdiagnosis rate in the test set is 11.11%, AUC 0.859, specificity 88.89%, and sensitivity 77.6%. In conclusion, the power spectrum CT omics nomogram has good predictive performance in the detection and misdiagnosis analysis of gastric neurosecretory tumors.
Key words: gastric neurosecretory tumorclinical effectenergy spectrum CT omics nomogrammisdiagnosis rate
神经分泌肿瘤主要指源于各类肽能神经元和神经内分泌细胞的异质性肿瘤，具有分泌血管活性肽、肽类激素与神经胺等特点[1]。胃神经分泌肿瘤的发病率约2/100万，占全部神经内分泌肿瘤类型的6%左右。手术治疗是神经分泌肿瘤的首要治疗方案，而病理分级可直接反映肿瘤的侵袭、转移潜能，是临床手术方案制定的重要依据[2]。有临床报告指出，将能谱CT影像组学列线图应用于胃神经分泌肿瘤患者的术前诊断中，可获得满意的诊断效果[3]，有利于提高诊断准确率，为患者提供精准、个体化的手术方案。因此，本文对34例择期行开放性手术治疗的胃神经分泌肿瘤患者的术前检测结果进行分析和讨论，旨在为胃神经分泌肿瘤的诊疗提供参考。
1 资料与方法1.1 一般资料选择本院于2017年9月至2020年9月收治的择期行开放性手术治疗的胃神经分泌肿瘤患者34例纳入本研究，患者术前均接受增强CT扫描，使用A.K.软件进行胃神经分泌肿瘤影像特征提取，将其依循完全随机法划分为训练集(25例)与测试集(9例)。两组年龄、性别、肿瘤大小、肿瘤部位应用统计学对比后显示，差异无统计学意义(P＞0.05)。研究项目获医学伦理委员会批准，患者及家属知情同意。纳入标准：所有患者均行手术，且术后均经病理确诊[4]；年龄大于18岁，小于75岁；签署知情同意书者；能谱CT影像组学列线图检查均在术前2周内进行；临床资料全面者；术前未进行任何放化疗；未合并重要脏器器质性病变。排除标准：有自身心脏疾病外的肝、脑、肾功能异常者；术前行新辅助放疗或化疗者；同时患有其他部位癌症者；免疫系统障碍者；病灶转移、器官严重损伤者。
1.2 方法(1) 影像数据采集。通过美国通用医疗公司能谱GE Discovery CT 750HD扫描仪中能谱成像模式进行平扫与增强扫描，参考管电流时间乘积为250 mAs，管电压为120 kV，螺距因子0.6，扫描层厚控制在2.5~5 mm，准直128×0.6 mm，全部患者均于平扫后行增强扫描，用高压注射器经肘静脉注射300 mg/mL碘海醇，注射流率为3.5~4.0 mL/s，注射25~30 s后进行动脉期扫描，注入65~70 s后进行静脉期扫描。将图像存档和通信系统中，获取门静脉期CT图像，导出至ITK-SNAP软件，进行图像分割。将分割的胃神经分泌肿瘤感兴趣区(ROI)导出存储为DICOMG格式的图像。放射科医师沿病灶轮廓测量胃神经分泌肿瘤的感兴趣区(ROI)勾画半自动3D，去除脂肪、气体、血管与周围组织区域，包含囊变、坏死、钙化和包膜区域，然后由高年资放射科医师检查。将分割的胃神经分泌肿瘤的rols导出，以DICOMG格式存储。
(2) 影像组学特征提取。使用A.K.软件从每个ROI中提取CT影像组学特征，CT影像组学特征包括一阶纹理特征、灰度共生矩阵、形状特征、灰度色差矩阵、灰度区域矩阵、灰度游程长度矩阵与灰度相关矩阵等。对于部分2D勾画的ROI，3D特征显示为无。最终从每个胃神经分泌肿瘤ROI图像中分别提取105个CT影像组学特征。
1.3 观察指标(1) 胃神经分泌肿瘤的WHO分级与测试集和训练集一般资料，病理组织切片经由两名病理科医师依照2010年WHO消化系统肿瘤分类标准进行分级[5]。其中低级别组为Ⅰ~Ⅱ级，高级别组为Ⅲ~Ⅳ级。(2)训练集能谱CT影像组学列线图特征降维与风险评分。(3)训练集胃神经分泌肿瘤WHO分级的Logistic回归单因素分析。(4)测试集和训练集能谱CT影像组学列线图预测结果。
1.4 统计学方法数据纳入SPSS 23.0软件分析，计量资料以(x±s)表示，t检验；计数资料用n(%)表示，卡方检验，若P＜0.05则认为有统计学意义。对训练集胃神经分泌肿瘤WHO分级的影响因素进行多因素回归模型分析，将基本资料、能谱CT影像表现与影像组学评分作为自变量，以Bootstrap法进行模型内部验证，计算受试者操作特征(ROC)曲线特异性、曲线下面积(AUC)与敏感性。通过Hosmer-Lemeshow拟合优度检验评价其校准度。
2 结果2.1 两组胃神经分泌肿瘤患者的一般资料对比胃神经分泌肿瘤的WHO分级(Ⅰ~Ⅳ级)时，加权Kappa值为0.742(P＜0.001)，提示诊断一致性较好。在测试集、训练集中，高级别、低级别胃神经分泌肿瘤患者的年龄、性别与肿瘤部位无统计学差异(P＞0.05)，肿瘤大小、淋巴结肿大、静脉瘤栓有统计学差异(P＜0.05)。数据见表 1。
表1
 表 1 测试集和训练集胃神经分泌肿瘤患者的一般资料比较[n, (%)]
| 表 1 测试集和训练集胃神经分泌肿瘤患者的一般资料比较[n, (%)] | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
2.2 能谱CT影像组学列线图特征降维与风险评分建立从能谱CT影像组学列线图中提取的ROI影像组学特征分别105个。通过LASSO回归对训练集CT影像组学特征进行降维，通过交叉验证，得出最优λ值为0.01987964(Inλ=-3.738)。共选出15个CT影像组学列线图特征，并建立影像组学风险评分。在测试集、训练集中，与低级别组相比，高级别组胃神经分泌肿瘤患者的风险评分更高，有统计学差异(P＜0.05)。见表 2。
表2
表 2 低级别组、高级别组胃神经分泌肿瘤患者的风险评分对比(x±s，分)
| 表 2 低级别组、高级别组胃神经分泌肿瘤患者的风险评分对比(x±s，分) |
2.3 训练集胃神经分泌肿瘤WHO分级的Logistic回归单因素分析因变量为WHO分级，自变量包括将训练集胃神经分泌肿瘤患者的能谱CT影像表现、基本资料与CT影像组学评分等，进行Logistic回归单因素分析。肿瘤大小、淋巴结肿大、静脉瘤栓、影像组学评分为胃神经分泌肿瘤WHO分级的危险因素(P＜0.05)，肿瘤部位是保护因素(P＞0.05)。Logistic多因素分析提示预测胃神经分泌肿瘤WHO分级的独立危险因素为影像组学评分。见表 3。
表3
表 3 训练集胃神经分泌肿瘤WHO分级的Logistic回归单因素分析
| 表 3 训练集胃神经分泌肿瘤WHO分级的Logistic回归单因素分析 |
2.4 测试集和训练集能谱CT影像组学列线图预测分析在预测胃神经分泌肿瘤WHO分级中，训练集误诊率为8.00%，AUC为0.940(95%CI 0.882~0.997)，特异性为92.0%，敏感性为95.4%，并进行拟合优度检验，χ2=4.462，P＞0.05。测试集误诊率为11.11%，AUC为0.859(95%CI 0.722~0.994)，特异性为88.89%，敏感性为77.6%，并进行拟合优度检验，χ2=14.553，P＞0.05。
3 讨论神经内分泌肿瘤可发生在全身多个组织与器官，其中胃肠道是该肿瘤疾病最为多发的部位[6, 7]。目前，神经内分泌肿瘤的主要治疗方法是手术治疗[8]，因此，术前评价肿瘤组织病理分级对于选择手术方法有重要意义。常规CT增强扫描对神经内分泌肿瘤的术前检测易受影像科医师的主观性影响，具有一定程度的不稳定性、假阴性、假阳性[9]。随着CT成像技术的不断进步，能谱CT在临床相关疾病的诊断中得到广泛应用[10]。影像组学主要指从图像中高通量地提取影像信息，将影像数据转变为可挖掘的高分辨率图像特征数据后, 对其预测与分析，以辅助医生诊断疾病[11, 12]。近年来，影像组学分析方法可为神经内分泌肿瘤分级、疾病诊断、预后预测等提供新的诊断方式，具有潜在临床应用价值[13]。与常规CT不同，能谱CT影像组学列线图可进行多参数分析，对影像组学特征进行降维，筛选出非零系数CT影像组学列线图特征，由危险因素、能谱CT影像表现与影像组学评分构成预测模型，并通过构建列线图实现模型可视化，有利于减少误诊，并为患者提供精准的手术方案[14]。
袁清玉等[15]研究显示，将基于18F-FDG PET/CT图像的影像组学列线图应用于胃癌预后评估中，也能够取得较好效果，综合肿瘤浸润深度、肿瘤部位、远处转移与淋巴结转移等危险因素得到的影像组学列线图预测胃癌预后更加准确，有利于评价胃癌患者的生存情况。有研究[16]发现，将CT影像组学列线图应用于肺腺癌EGFR突变状态术前预测中，也能够取得较好效果。预测列线图的预测因素包括泡沫样透亮、吸烟史、相邻支气管血管束增厚、胸膜附着等。预测模型具有良好的校正与识别能力，能够无创、方便地分析，其结果和本研究类似，可见能谱CT影像组学列线图的应用效果得到一定的认可。
本研究训练集与测试集中，肿瘤大小、淋巴结肿大、静脉瘤栓差异显著(P＜0.05)。与低级别组患者相比，高级别组患者风险评分更高(P＜0.05)。此外，训练集中误诊率为8.00%，AUC为0.940，测试集中误诊率为11.11%，AUC为0.859，表明能谱CT组学列线图术在胃神经分泌肿瘤检测及误诊分析中预测效能良好，具有临床应用价值
参考文献
| [1] | 贾传亮, 曹媛, 宋晴, 等. 基于MR的影像组学列线图预测喉癌颈淋巴结转移的临床价值[J]. 中华耳鼻咽喉头颈外科杂志, 2020, 55(12): 1154-1161. DOI:10.3760/cma.j.cn115330-20200719-00604 |
| [2] | 徐宁, 陈玲, 郭郡怡, 等. 宝石能谱CT在急性缺血性脑病诊断中应用价值的回顾性分析[J]. 临床和实验医学杂志, 2019, 18(9): 1003-1006. DOI:10.3969/j.issn.1671-4695.2019.09.033 |
| [3] | Lee J K, Bangayan N J, Chai T, et al. Systemic surfaceome profiling identifies target antigens for immune-based therapy in subtypes of advanced prostate cancer[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(19): E4473-E4482. DOI:10.1073/pnas.1802354115 |
| [4] | 周玮, 胡红杰, 沈博, 等. 基于钆塞酸二钠增强磁共振成像影像组学定量评估肝硬化患者肝脏储备功能的应用价值[J]. 中国医学科学院学报, 2020, 42(4): 459-467. |
| [5] | 宁浩勇, 虞积耀. WHO(2010)消化系统肿瘤组织学分类[J]. 诊断病理学杂志, 2011, 18(1): 77-79. |
| [6] | 刘书豪, 侯新月, 张宪祥, 等. 进展期胃癌神经侵犯列线图预测模型的构建与验证[J]. 中华胃肠外科杂志, 2020, 23(11): 1059-1066. DOI:10.3760/cma.j.cn.441530-20200103-00004 |
| [7] | Gu D S, Hu Y B, Ding H, et al. CT radiomics may predict the grade of pancreatic neuroendocrine tumors: A multicenter study[J]. European Journal of Radiology, 2019, 29(12): 6880-6890. DOI:10.1007/s00330-019-06176-x |
| [8] | 周岩, 王云, 杨晓晔, 等. 能谱CT用于胃癌术前肿瘤浸润深度和淋巴结转移的诊断价值研究[J]. 现代消化及介入诊疗, 2019, 24(12): 1481-1484. DOI:10.3969/j.issn.1672-2159.2019.12.032 |
| [9] | 王佳丽, 韩冬, 陈英, 等. 基于术前CT征象构建肾透明细胞癌患者总生存期的列线图[J]. 国际肿瘤学杂志, 2020, 47(8): 480-486. DOI:10.3760/cma.j.cn371439-20190923-00061 |
| [10] | Zhu X R, Li X Y, Gu H L, et al. Radiation-induced lung injury patterns and the misdiagnosis after SBRT of lung cancer[J]. European Journal of Radiology, 2019, 121: 108708. DOI:10.1016/j.ejrad.2019.108708 |
| [11] | 颜蕾, 杨光杰, 聂佩, 等. 基于CT影像组学模型鉴别肾乏脂肪血管平滑肌脂肪瘤与均质肾透明细胞癌[J]. 中国医学影像技术, 2020, 36(5): 732-737. |
| [12] | 李梦蕾, 张敬, 淡一波, 等. 术前预测结直肠癌淋巴结转移的临床-影像组学列线图的建立和验证[J]. 中国癌症杂志, 2020, 30(1): 49-56. |
| [13] | Ceci F, Bianchi L, Borghesi M, et al. Prediction nomogram for 68Ga-PSMA-11 PET/CT in different clinical settings of PSA failure after radical treatment for prostate cancer[J]. European Journal of Nuclear Medicine and Molecular Imaging, 2020, 47(1): 136-146. DOI:10.1007/s00259-019-04505-2 |
| [14] | 崔达华, 赵莹, 刘爱连, 等. 基于动态增强MRI的影像组学列线图预测肝细胞癌切除术后3年复发的价值[J]. 中国临床医学影像杂志, 2019, 30(12): 863-868. |
| [15] | 袁清玉, 江玉明, 吕闻冰, 等. 基于18F-FDG PET/CT图像的影像组学列线图对胃癌术后的预后评估[J]. 中华核医学与分子影像杂志, 2019, 39(1): 2-5. |
| [16] | Zhang G J, Zhang J, Cao Y T, et al. Nomogram based on preoperative CT imaging predicts the EGFR mutation status in lung adenocarcinoma[J]. Translational Oncology, 2021, 14(1): 100954. DOI:10.1016/j.tranon.2020.100954 |
