18F-FDG PET/CT纹理分析预测局部晚期直肠癌新辅助放化疗疗效的价值

郑营营，徐俊彦，张建平,4, 盛伟琪，张勇平，王明伟，章英剑

1.复旦大学附属肿瘤医院核医学科，复旦大学上海医学院肿瘤学系，上海200032；

2.复旦大学生物医学影像研究中心，上海200032；

3.上海分子影像探针工程技术研究中心，上海200032；

4.核物理与离子束应用教育部重点实验室，上海 200433；

5.复旦大学附属肿瘤医院病理科，复旦大学上海医学院肿瘤学系，上海 200032

结直肠癌是临床上常见的恶性肿瘤，在整体恶性肿瘤的发病率中居第三位［1］。近几年随着检查技术的提高以及个体化治疗理念的实施，结直肠癌早期检出率相应提高，结直肠癌总体死亡率明显降低［2］。但是局部晚期直肠癌术后复发率高、预后差，新辅助放疗联合手术根治性切除联合辅助化疗是局部晚期结直肠癌的标准治疗方法。术前新辅助放化疗可以提高其局部控制率及手术保留括约肌几率，明显改善患者预后并提高患者的生存质量，准确的疗效评估不仅对后续的个体化治疗具有重要的指导作用，还有明显的预后预测价值。大量的研究探索了利用18F-FDG PET/CT代谢相关参数预测新辅助放化疗局部晚期直肠癌（locally adcanced rectal cancer，LARC）患者的生存期和病理反应，但结果存在争议［3-6］。最近有研究利用放射组学方法评估新辅助治疗疗效得到了良好的效果［7-8］。放射组学纹理分析主要通过一系列的数学运算、分析，最终评价图像中的灰度、浓聚程度和像素的位置来反应肿瘤内异质性［9］。肿瘤异质性包括肿瘤内异质性和肿瘤间异质性［10］，主要与血管生成、增殖及乏氧有关［11］。本文旨在探讨纹理分析方法对LARC患者新辅助放化疗疗效的预测价值。

1 资料和方法

1.1 患者资料

本研究回顾性分析了2009年7月—2011年11月间临床诊断为T3-4和（或）N+LARC患者48例，其中男性39例，女性9例，平均年龄（52.9±9.7）岁。所有患者均接受总剂量为（50～55）Gy/25次/5周的术前放疗，同期卡培他滨（625 mg/m2，每天2次，每周1～5 d，共5周）和奥沙利铂（85 mg/m2，每周1次，共5周）化疗，并在治疗前、后1周内行18F-FDG PET/CT显像。

1.2 病理评价

所有患者在新辅助放化疗结束后6～8周全部行手术治疗，由两位经验丰富的病理科医师独立评估患者的手术标本，并根据Dworak等［12］提出的标准对肿瘤退缩程度进行分级（grade of tumor regression，TRG）。

0级：无消退。1级：主要肿块出现明显的纤维化和（或）血管病变。2级：少部分细胞发生主要纤维化改变（很容易区分）。3级：在纤维组织中发现，伴或不伴黏液极少肿瘤细胞（显微镜下很难发现）。4级：没有肿瘤细胞，只有纤维组织块（完全消退或反应）。

本研究根据TRG分级将患者分为无反应组（TRG0～2级）和有反应组（TRG3～4级）［7］。

1.3 显像方法

18F-FDG 由本科室回旋加速器及其合成模块生产。所有患者禁食6 h，并于治疗前测量血糖水平低于10 mmol/L。18F-FDG（7.4 MBq/kg）注射后平静休息1 h，CT采集大腿近端至头部，电压120 kV，电流80～250 mA，螺距3.6，旋转时间0.5 s。结束后行PET同机扫描，范围与CT相同，2 min/床位。我们采用OSEM算法对原始数据进行重建，并经CT衰减校正后得到PET/CT融合图像。

1.4 图像分析及数据处理

PET/CT图像由两位资深核医学科医师独立阅片，肿瘤区域内大于40%最大摄取值（maximal standard uptake，SUVmax）被定义为肿瘤靶区的轮廓边缘，由软件自动勾画并获取肿瘤代谢体积（metabolic tumor volume，MTV）。

纹理分析参数的获得主要包括两步，第一步，将肿瘤感兴趣区内的体素矩阵化；第二步，通过对提取出的矩阵元加权从而获得纹理特征参数，上述两步均由改编后Matlab软件自动完成。共提取了72个特征，其中归一化共生矩阵（a normalized gray-level co-occurrence matrix，NGLCM)生成的熵（entropy）和对比度参数（contrast）以及局部灰度差分矩阵（a neighborhood gray-tone difference matrix，NGTDM）生成的粗糙度参数（coarseness）用以分析单变量预测疗效的研究。利用支持向量机（support vector machine，SVM）方法分析了所有的72个参数。

1.5 统计学处理

采用SPSS 20.0 软件进行统计分析。所有连续变量均表示为±s，纹理分析的变量分析采用Kruskal-Wallis 单因素方差分析，采用受试者工作特征曲线（receiver operator characteristic curve，ROC）预测纹理分析的诊断效能，P＜0.05为差异有统计学意义。基于R语言实现SVM方法，首先对变量去冗余降维，然后对剩余的独立变量通过kernlab包中的ksvm函数构建模型，将80%数据做为训练集，20%的数据做为测试集，分别选择vanilladot和tanhdot作为核函数。

2 结 果

2.1 患者特征

48例入组患者的基本信息如表1所示，不同TRG分级病例数目如下：无TRG0，TRG1为7例（14.6%），TRG2为21例（42.0%），TRG3为10例（20.0%），TRG4为10例（20.8%）。由此，有反应组20例（41.7%），无反应组28例（58.3%）。

2.2 SUVmax、MTV、纹理特征的ROC曲线分析

2.3 SVM方法预测结果

通过相关性过滤降维，最终将变量压缩到9和10个。通过PET1和PET2数据构建的SVM模型获得的灵敏度分别为25.00%和57.14%，特异度均为100%，有反应预测率均为100%，无反应预测率为53.85%和66.67%，总的预测准确率为60.00%和76.92%。

3 讨 论

新辅助放化疗联合手术治疗及术后化疗已成为目前LARC的治疗规范，然而原发灶治疗后的病理反应必须通过手术才能获得，如能早期通过可靠的影像学手段准确评估原发灶的退缩情况，对退缩良好的患者将有可能缩小手术范围甚至避免根治性手术［13］，另一方面对新辅助放化疗不敏感无病理缓解的患者可尽早更换治疗方案［14］。临床上个体化治疗的关键在于准确评估和预测新辅助治疗的反应，既往实体瘤的反应评估标准（Response Evaluation Criteria in Solid Tumors，RECIST）主要依赖治疗后形态学的改变，但是我们在临床应用中发现其对部分病例似乎不能准确评估病灶活性的变化［15］。

18F-FDG PET/CT是临床上常规使用的代谢显像方式，相比于传统影像学检查，在评估肿瘤疗效反应中更具优势。SUVmax是最常用的PET/CT半定量分析参数，然而它仅代表了肿瘤中代谢最高部分的代谢活性，却不能反映肿瘤的整体情况，所以有研究者引入另一些参数如SUVmean、MTV和总糖酵解量（total lesion glycolysis，TLG）等。我们的研究表明，治疗前原发灶SUVmax不能区分直肠癌新辅助治疗后的病理反应，这与多项研究的结果一致［16-17］。治疗后的原发灶SUVmax在疗效预测中的价值存在争议［17-18］，我们的研究表明其不能预测治疗反应，研究结果的差异可能与临床疗效反应评价标准不同有关，如完全反应、部分反应、病情稳定、病情进展、降期和TRG；另一个原因可能与纳入的病例数目有关。有多项研究利用MTV预测肿瘤治疗疗效，认为MTV相较于SUVmax值有更好的预测价值［19-20］，然而本研究显示无论利用治疗前还是治疗后的MTV均无法对直肠癌新辅助放化疗病理反应进行预测。本中心在前期研究中发现治疗前与手术前MTV及TLG的变化率可预测直肠癌新辅助放化疗后病理反应，可区分病理反应者与无反应者［21］，但本研究仅纳入新辅助放化疗治疗前（PET1）及治疗后（PET2）早期PET/CT显像数据，治疗后早期受放疗炎症干扰可能影响真正有活性范围的勾画，故未发现MTV的预测价值。

纹理分析是肿瘤内异质性分析的一种新方法，它主要通过一系列的数学运算来反映图像中像素或体素的灰度与其位置的关系。肿瘤内异质性主要表现为基因和表观遗传状态、基因和蛋白表达以及形态结构的多样性，从而对肿瘤诊断、治疗和预后方面带来挑战［10］。目前纹理分析已用于头颈部肿瘤、食管癌、肺癌的疗效预测及肿瘤内异质性分析等［8，22］。

有研究［10］发现基于PET/CT纹理分析参数（Δ%熵、Δ%粗糙度参数）能有效区分人表皮生长因子受体2（human epidermal growth factor receptor 2，HER-2）和非病理完全缓解。有研究表明纹理分析参数与LARC疾病特异性生存期及无进展生存期均有明显相关性，并且粗糙度参数值越大，治疗结果越差［7］，该研究多因素分析显示TLG是新辅助放化疗病理反应的重要预测因子，单因素分析显示纹理分析的大部分参数均与疗效显著相关，但本研究仅发现对比度参数2与病理反应相关（P=0.038），可区分病理反应组与无反应组，可能与样本量的差异有关。

通常对比度参数反映图像的清晰度和纹理的沟纹深浅，图像中有明显的沟纹则值较大；熵反应图像中的信息量，如果图像中纹理非常少，那么熵的值接近于0；粗糙度参数则反应图像中的粒度，如果图像的组成区域非常大，其值则非常大，表明灰度改变非常小。本研究显示纹理分析参数熵和粗糙度参数不能区分病理反应组与无反应组。

本研究还使用了SVM方法，该法属于机器学习常用的方法，能有效避免当前采用单因素分析时，但没有考虑包括潜在混杂因素的多变量影响，也没有进行多重测试的校正，并且没有通过交叉验证的鲁棒性验证。相较于单因素分析，基于SVM模型的分析对于疗效评价更有价值，无论PET1还是PET2，其有反应预测率均为100%。

本研究证实局部晚期直肠癌新辅助放化疗后1周内PET/CT图像纹理分析对疗效具有一定的预测价值，但有效的纹理分析参数constrast 2的诊断效能尚不完善，其AUC为0.677；通过SVM建模方法分析，有反应预测率高达100%。