基于CT动脉晚期特征列线图术前预测胃癌分化程度

王玉婷，谭玲玉，乔香梅，季长风，李琳，刘松

胃癌是全球第五大常见癌症，也是癌症死亡的第三大原因[1]。胃癌的分化程度对治疗方案和预后有很大影响，低分化往往伴随着预后不良[2-3]。目前，胃癌分化程度的术前评估主要依靠内镜活检，而内镜取样仅限于粘膜表面[4]。对于相对较大的肿瘤，取样组织为中分化/高分化，但肿瘤深部可能含有分化差的成分。

图1 67岁，男，低分化胃癌，位于胃体和胃窦部。a)平扫期、b)40s 动脉晚期示病灶(箭)与邻近粘膜分界较清(明显增强)、病灶粘膜线中断，弥漫性增厚，浸润性生长及“分层”征；c)门脉期；d)延迟期。 图2 男，67岁，胃窦癌。a)40 s动脉晚期病灶的最大横轴面上勾画兴趣区，并在其他三个时期的同一横轴面上复制；b)病理确诊为低分化胃癌(HE，× 100)。

多层螺旋CT可以全面评估肿瘤形态，是目前胃癌常用的影像评估手段[5]。不同分化程度的胃癌，因恶性程度不同，CT形态学表现有差异。如何更好的显示胃癌CT形态学特征尤为重要。胃癌起源于粘膜层，而粘膜层在动脉晚期强化明显[6]。Lee等[7]的研究也表明，早期胃癌在动脉晚期(38～45 s)能够更好的显示典型和非典型病灶的增强模式。而门脉期(60～70 s)则更多用于评估淋巴结的转移及TNM分期[8-9]。故笔者假设动脉晚期可能会显示胃癌更多的形态学特征，也许可以找到不同分化程度胃癌的代表性特征。之前一篇文献也表明，胃癌的原发病变在动脉晚期中显示良好[6]。 因此，本研究旨在使用基于40 s动脉晚期CT图像参数的列线图术前预测胃癌分化程度。

材料与方法

1.病例资料

回顾性纳入本院2019年4月-2020年5月经病理证实的胃癌患者的病例资料。纳入标准：①经手术病理证实为胃癌；②术前2周内行腹部增强CT。排除标准：①术前行胃癌系统或局部治疗(n=8)；②无组织学分化资料(n=6)；③无40 s动脉晚期图像(n=29)；④病灶体积小(长径<1 cm)，CT图像上难以辨认(n=26)；⑤胃充盈不佳(n=15)；⑥呼吸或胃肠蠕动伪影严重(n=3)。最终纳入188例患者，按2:1分为训练组和验证组，训练组126例，验证组62例。训练组低分化胃癌85例，中/高分化胃癌41例，验证组低分化胃癌42例，中/高分化胃癌20例。训练组中男94例，女32例，年龄31～ 91岁，中位年龄64岁。此外本研究额外纳入62例2018年7月-2019年4月30 s动脉期胃癌患者资料。

2.检查设备和方法

采用64排螺旋CT(uCT 780，联影)。所有患者在检查前禁食6 h以上，饮用600～1000 mL温水使胃扩张，并于检查前对患者做好呼吸训练。患者仰卧位，脚先进，扫描范围为上腹部或全腹部。平扫后，采用高压注射器以3.0 mL/s的流率经静脉注射对比剂碘海醇(欧乃派克，350 mg I/mL)，剂量1.5 mL/kg。注射对比剂40 s、70 s和180 s后分别采集动脉晚期(LAP)、门脉期和延迟期图像。CT扫描参数为：管电压100～120 kV，管电流150～250 mA，层厚5 mm，层间隔5 mm，视野35～50 cm，矩阵512×512，旋转时间0.7 s，螺距1.0875。

3.图像分析

由两名医师在对患者术后病理不知情的情况下共同分析CT图像。两人对动脉晚期CT图像上病灶进行评估，并达成共识，具体如下：主要部位(贲门胃底、胃体、胃窦)；范围(1个部位，>1个部位)；方位(小弯、大弯、前壁、后壁)；环周范围(1/4圈、2/4圈、3/4圈、4/4圈)；粘膜线状态(中断型、增厚型)；形态(弥漫增厚型、隆起型)；“C”征(无、有)：边界清晰的隆起型病灶伴有溃疡表现为“C”征[6]；浸润性(无，有)；溃疡(无，有)；浆膜面不光整(无，有)；邻近脂肪浑浊(无，有)；“分层”征(无，有)[6]。代表动脉晚期低分化胃癌病灶CT图像见图1所示。

医师1在动脉晚期轴位图像上肿瘤最大层面勾画兴趣区(region of interest，ROI)，包含强化最明显的区域(图2)，将其复制到相同层面的其它三期图像上。将肿瘤在平扫、动脉晚期、门脉期及延迟期的平均CT值分别记录为Non-value mean、AP value mean、PP value mean及DP value mean。并记录各期CT值的最大值和最小值。将平扫、动脉晚期、门脉期、延迟期的平均CT值作为参考,计算增强后肿瘤衰减差异(△mean A-N、△mean P-N、△mean D-N、△mean P-A、△mean D-A、△mean D-P)，对比增强比(contrast enhancement rate，CER)按以下公式计算：CERAP/PP/DP=△mean A-N/△mean P-N/△mean D-N ÷Non-value mean。由医师1勾画病灶ROI提取的CT值相关参数预测胃癌分化程度。医师2重复上述步骤用来评估观察者间的一致性。

4.多参数模型建立

将训练组单变量分析中差异有统计学意义(P<0.05)的变量特征输入二项式Logistic回归计算出最佳模型。从最高的P值开始，采用了基于似然比检验的向后消除法，舍弃对预测没有显著影响的特征，从而得出最简约的模型。将多参数模型中的预测变量用R软件包(3.5.2版：http：//www.Rproject.org)构建列线图。

5.病理评估

胃癌切除术后，所有标本均按标准病理程序处理。根据WHO消化系统肿瘤分类(2019年版)[10]对每位患者组织学分化进行回顾性评估和记录，肿瘤分化分为两组，第1组为低分化，第2组为中/高分化。此外，此次研究还收集了纳入患者的术前内镜病理结果，并与术后病理结果对比。

6.统计学分析

采用SPSS(22.0版Microsoft Windows x64，SPSS)、MedCalc统计软件(19.6.1版MedCalc Software Ltd,Ostend,Belgium;http://www.medcalc.org;2020)和R软件包(3.5.2版：http://www.Rproject.org)进行统计学分析。分类变量采用chi-square或Fisher精确检验评估(n<5)。连续变量的正态分布通过Shapiro-Wilk检验进行评估。根据正态性检验结果，采用Mann-WhitneyU检验分析低分化和中/高分化胃癌组间的差异，并用中位数、第1与第3四分位数表示。通过受试者操作特征(receiver operating characteristic，ROC)曲线评估其诊断效能，并计算ROC曲线下面积(area under curve，AUC)、敏感度、特异度和符合率。采用决策曲线分析(decision curve analysis，DCA)评估列线图的临床实用性。采用Kappa检验评估形态学特征的一致性(0.000～0.200，差；0.201～0.400，一般；0.401～0.600，中等；0.601～0.800，好；0.801～1.000，优)。CT值相关参数的观察者间一致性用组内相关系数(intraclass correlation coefficient，ICC)评估(0.000～0.200，差；0.201～0.400，一般；0.401～0.600，中等；0.601～0.800，好；0.801～1.000，优)。P<0.05表示差异有统计学意义。

结 果

1.胃癌患者人口统计数据及CT图像形态特征评估

40s LAP训练组低分化和中/高分化胃癌患者的CT形态学特征及人口统计数据见表1，30s动脉期的CT形态学特征及人口统计数据见表2。

表1 两组患者的CT形态学特征及人口统计数据的单因素分析

表2 两组患者的CT形态学特征及人口统计数据的单因素分析结果

年龄及40 s动脉晚期中主要部位、粘膜线状态、形态、“C”征、浸润性及“分层”征在低分化、中/高分化胃癌组间差异有统计学意义(P<0.05)。性别和其他多项40s动脉晚期CT图像特征差异均无统计学意义。此外，分化较差的胃癌容易出现粘膜线中断、弥漫性增厚、浸润性生长和“分层”征。而30s动脉期中仅粘膜线状态、形态和浸润性在两组间差异有统计学意义(P<0.05)。

2.常规CT值参数分析

40s LAP训练组低分化和中/高分化胃癌的定量CT参数的单变量分析结果见表3所示。低分化胃癌的延迟期平均值(P=0.005)、最大值(P=0.007)和最小值(P=0.046)均显著高于中/高分化胃癌。△mean D-N，△mean D-A和CERDP在低分化和中高分化胃癌组间差异均有统计学意义(均P<0.05)。30s动脉期CT值相关参数在两组间有5组参数差异有统计学意义(P<0.05)。

表3 40s动脉晚期训练组低分化和中/高分化胃癌患者CT值相关参数的统计描述和单变量分析

3.多参数二元Logistic回归模型及列线图构建

40s LAP训练组多参数二元Logistic回归结果见表4，40s LAP训练组和验证组ROC曲线见图3。训练组预测低分化胃癌的最佳模型由年龄、浸润性、形态、“C”征、DP value mean和DP value min等参数组成。多参数模型可预测低分化胃癌，以拟合参数≥0.62为阈值(AUC=0.849，P<0.001)诊断低分化胃癌的敏感度和特异度分别为80.00%和80.49%。Hosmer-Lemeshow检验结果示模型卡方值为4.182，P值为0.840，提示模型拟合良好。将该模型应用于验证组得到的AUC值为0.762。基于训练组多参数二元逻辑回归模型构建的预测低分化胃癌的列线图见图4。验证组中基于回归的多参数模型列线图的决策曲线分析见图5，列线图在一定的阈值范围内临床净获益率最高。

图3 40 s LAP训练组和验证组预测低分化胃癌多参数模型的ROC曲线图。联合年龄、浸润性、形态、“C”征、DP value mean和DP value min的多参数模型。a)训练组，AUC为0.849；b)验证组，AUC为0.762。

图4 联合40s动脉晚期CT图像形态学特征、常规CT值参数和年龄的训练组多参数Logistic回归模型预测低分化胃癌的列线图。 图5 验证组中基于回归的多参数模型列线图的决策曲线分析。纵坐标表示净获益率，横坐标为阈值概率。红线代表列线图。蓝线代表所有患者均为低分化胃癌。黑线代表所有患者均为中/高分化胃癌。和所有均为低分化胃癌患者(蓝线)或均为中/高分化胃癌患者(黑线)相比，列线图在一定的阈值范围内临床净获益率最高。

表4 CT值参数及多参数模型预测低分化胃癌的诊断效能

4.术前内镜病理与术后病理的比较

40s LAP训练组纳入的126位患者中有108位有术前内镜病理信息，在这108位患者中有86例(79.63%)与术后病理结果一致。

5.观察者间一致性评估

40s LAP训练组所有常规CT值参数都显示出良好至优秀的观察者间一致性(ICC=0.646～0.927)。有17个参数观察者间一致性为优。Non-value min、Non-value max、△mean D-P和CERDP均显示好的观察者间一致性。形态学特征中有7个形态学参数表现为优秀的观察者间一致性(0.801～1.000)，5个形态学参数表现为良好的观察者间一致性(0.601～0.800)。

讨 论

胃癌分化程度与治疗方案及预后有关，低分化往往伴随着预后不良[2-3]。目前，胃癌分化程度的术前评估主要依靠内镜活检，而内镜活检存在抽样误差。本研究对比训练组术前内镜病理和术后病理结果发现其准确率为79.63%。

本研究发现训练组40s LAP图像的形态学特征，包括主要部位、粘膜线状态、形态、“C”征、浸润性和“分层”征在低分化和中/高分化胃癌组间差异有统计学意义。本研究中训练组低分化的胃癌患者更容易发生在胃窦(36/85)，而中/高分化的胃癌则易出现在贲门胃底(17/41)，这也与张云等[11]的研究结果一致。分化较差的胃癌更多表现为粘膜线中断(44/85)，这可能与肿瘤分化程度越低，肿瘤侵袭性越强，恶性程度越高有关，粘膜结构更容易受到破坏。训练组中所有中/高分化的病灶形态均为隆起型(41/41)。中/高分化的胃癌仍保留正常腺体的管状结构，故导致肿块样病灶。“C”征实际上是边界清晰的隆起型病灶伴有溃疡，较多出现于中/高分化的胃癌(25/41)。大部分浸润性生长的病灶(41/48)分化不良。分化差的肿瘤细胞形态不规则，侵袭性强，易发生浸润性生长[2-3]。“分层”征较多出现于低分化的胃癌(16/18)，这也与王芳等人研究一致[12]。这有可能是由于弥漫型胃癌大多分化较差，其增强CT表现为分层强化或不均匀强化[13-14]。

在本研究中，40s LAP图像上有6组形态学特征在两组间差异有统计学意义，而在30s动脉期中仅有粘膜线状态、形态和浸润性这3个参数差异有统计学意义，故40s LAP能更好的显示胃癌形态学特征。此外，笔者还对40s LAP和30s动脉期图像的常规CT值参数进行评估，结果主要为门脉期和延迟期CT值相关参数在预测胃癌分化程度方面有较大意义。

本研究中，训练组胃癌患者40s LAP图像的多个CT形态学特征和CT值参数在低分化和中/高分化胃癌组间差异有统计学意义。联合40s LAP图像中CT形态学特征、常规CT值参数和年龄的多参数模型可提高诊断效能。此外，本研究还采用列线图直观预测分化不良的风险。

近年来，多参数预测模型得到了广泛的应用[15-16]。因此，在训练组中建立一个联合40s LAP图像的形态特征、常规CT值参数和年龄为一体的多参数模型，其AUC为0.849，大大提高了诊断效能。此外，本研究还增加了验证组，将该模型放入验证组也得到了较好的诊断效能(AUC=0.762)。列线图的使用解决了多参数模型的可视化问题[17]。因此，笔者也将其应用于日常工作中，可视化预测分化不良胃癌的风险[18]。

本研究也存在一些局限性。第一，本研究为回顾性研究，单中心的样本量相对较少，有待多机构大样本验证，进一步提高模型准确度。第二，没有使用放射组学等高维参数，但形态学参数更容易读取和提取。第三，本研究使用的是同一台螺旋CT，没有经过其他机器的验证。

综上所述，40s LAP图像中的多个形态学特征和CT值参数在低分化和中/高分化胃癌组间差异有统计学意义。此外，联合40s LAP图像中的形态学特征、常规CT值参数和年龄的列线图有助于术前可视化预测胃癌分化程度。