能谱CT 参数Logistic 回归模型预测中晚期非小细胞肺癌EGFR 基因突变的价值

余莹莹，甘晓晶，许晓燕，周诚，周永，文 智

（新疆医科大学附属肿瘤医院CT室，新疆 乌鲁木齐 830011）

由于分子靶向药物的不断发展，对肺癌基因突变的研究也不断深入，尤其是表皮生长因子受体（EGFR）基因，有些学者主张将EGFR 基因突变的检测作为一种常规检查方式[1]。CT 作为肺癌诊断、分期及疗效评价的必要检查手段，其一些征象与肺癌EGFR 基因突变之间存在相关性[2-3]。而能谱CT 不仅能够提供形态学征象，还能够提供定量参数[4]。因此，本研究主要通过研究能谱CT 形态学征象及定量参数与EGFR 基因突变之间的相关性，并建立Logistic回归模型，预测中晚期非小细胞肺癌EGFR 基因突变的情况。

1 资料与方法

1.1 临床资料

收集2017 年1 月—2019 年12 月在我院接受能谱CT 扫描的79 例中晚期非小细胞肺癌患者的影像资料，其中男49例，女30例，年龄39～81岁，平均（60.75±9.656）岁。病理学分级Ⅲ级28例，Ⅳ级51 例。检查前所有患者均签署知情同意书。纳入标准：①临床诊断肺占位的患者，经病理证实为非小细胞肺癌；②临床分期为Ⅲ、Ⅳ期的患者；③能谱CT检查前未行任何治疗者；④行能谱CT GSI 模式动、静脉期增强扫描；⑤有足够的病理组织标本行EGFR 基因突变检测者。排除标准：①首次能谱CT检查前行相关治疗者；②病理组织未行EGFR 基因突变检测者；③临床资料不完整者。

1.2 检查方法

1.2.1 能谱CT 扫描

采用GE Discovery HD 750 CT 扫描机，于深吸气末屏气后扫描。管电压为高低能量（140kVp 和80kVp）瞬时（<0.5 ms）切换，自动电流，旋转时间0.6 s/周，层厚和层间距5 mm，螺距0.984。使用高压注射器由肘静脉注入含碘对比剂100 mL，注射速率3.0 mL/s，开启GSI 模式，注射对比剂后扫描动脉期（25 s）、静脉期（55 s）。

1.2.2 EFGR 基因检测方法

每例标本取病变组织一块，中性甲醛固定后，石蜡包埋，4 μm 连续切片，二甲苯脱蜡，稀释酒精连续水化，抗原修复，3%的新鲜过氧化氢甲醇阻断，PBS用于所有后续的洗涤，严格按照试剂说明书滴加一抗（一抗浓度均为1∶100）、二抗，DAB 显色，苏木精复染，显微镜诊断并采集图片。阳性对照由试剂公司提供，阴性对照用PBS 代替一抗。

1.2.3 数据测量与处理

能谱CT 形态学征象采集：将影像数据上传至ADW 4.6 工作站，采集的形态学征象包括肿瘤直径、边界（清楚、模糊）、分叶征、毛刺、血管集束征、胸膜凹陷征、空泡、坏死、包绕血管、包绕支气管、阻塞性肺炎、阻塞性肺不张、肺内转移、纵隔淋巴结转移、胸膜转移、胸腔积液、心包积液、远处转移、骨转移。

能谱定量参数采集：在ADW 4.6 工作站上的GSI Viewer 软件中测量数据。选取病灶最大、密度均匀的3 个连续层面作为感兴趣区（Region of interest，ROI）。测量病灶40～100 keV 间隔10 keV 的单能量CT值、碘浓度（ICles）、水浓度（WCles）及同层面降主动脉或锁骨下动脉的碘浓度（ICao）、水浓度（WCao）。计算标 准化碘浓度（Normalized iodine concentrations，NIC）、标准化 水浓度（Normalized water concentrations，NWC）及能谱曲线斜率（λHU）。NIC=ICles/ICao，NWC=WCles/WCao，λHU=（|CT40keV-CT100keV|）/（100-40）。70 keV 单能量水平对应的ΔCT值=增强后CT值-平扫CT值。3 个ROI 的数据计算平均值。

1.3 统计学分析

采用SPSS 26.0 统计软件对所有数据进行正态性和方差齐性检验，满足正态分布和方差齐性的资料以均数±标准差（）表示，采用独立样本t 检验进行分析；不满足正态分布或方差齐性的资料，采用秩和检验进行分析，以P＜0.05 表示差异有统计学意义。分析能谱CT 形态学征象及定量参数与EGFR基因突变的相关性，绘制定量参数的ROC 曲线并获取阈值，计算曲线下面积（Area under the curve，AUC）。使用R 软件（版本1.1.447）建立有统计学差异的能谱CT 形态学征象及定量参数的Logistic 回归模型，绘制模型的ROC 曲线，并计算AUC。

2 结果

本研究纳入的79 例患者中，EGFR 基因表达阳性者32例，EGFR 基因表达阴性者47 例。

2.1 中晚期非小细胞肺癌能谱CT 形态学征象与EGFR基因突变的相关性

比较EGFR 基因表达阳性组与阴性组的能谱CT 形态学征象，肿瘤大小、分叶征、肺内转移、纵隔淋巴结转移、远处转移和骨转移在两组间的差异有统计学意义（t=2.239，P=0.019；χ2=5.706，P=0.017；χ2=4.951，P=0.026；χ2=7.139，P=0.008；χ2=17.209，P＜0.01；χ2=21.149，P＜0.01），其余各征象在两组间的差异无统计学意义（表1）。

表1 能谱CT 形态学征象与EGFR 基因突变的关系

2.2 中晚期非小细胞肺癌能谱CT 定量参数与EGFR基因突变的相关性

2.2.1 动脉期能谱CT 定量参数与EGFR 基因表达的关系

比较EGFR 基因表达阳性组与阴性组的动脉期能谱CT 定量参数指标，其中动脉期的NIC、λHU 在EGFR 基因表达阳性组中较阴性组高，且两组间差异有统 计学意 义（t=3.528，P=0.001；t=4.534，P ＜0.05）。动脉期NWC、有效原子序数在EGFR 基因表达阳性组与阴性组间的差异无统计学意义（t=-0.275，P=0.784；t=-0.434，P=0.666）。动脉期70 keV单能量水平对应的CT值在EGFR 基因表达阳性组与阴性组之间的差异有统计学意义（t=3.028，P=0.004）（表2）。

表2 动脉期能谱CT 定量参数与EGFR 基因表达的关系

2.2.2 静脉期能谱CT 定量参数与EGFR 基因表达的关系

比较EGFR 基因表达阳性组与阴性组的静脉期能谱CT 定量参数，其中静脉期NIC、λHU 在EGFR基因表达阳性组中较阴性组高，且两组间差异有统计学意义（t=3.3，P=0.001；t=3.874，P＜0.001）；NWC、有效原子序数在两组间的差异无统计学意义（t=0.51，P=0.612；t=-0.395，P=0.694）。静脉期70 keV 单能量水平对应的CT值在EGFR 基因表达阳性组与阴性组间的差异有统计学意义（t=3.031，P=0.003）（表3）。

表3 静脉期能谱CT 定量参数与EGFR 基因表达的关系

2.3 能谱CT 定量参数预测EGFR 基因突变的ROC曲线

经ROC 曲线分析显示，静脉期NIC 的AUC 大于其他参数的AUC，说明静脉期NIC 预测中晚期非小细胞肺癌EGFR 基因表达的效能大于其他参数，其AUC 为0.905（P＜0.001），灵敏度为73.20%，特异度为93.80%（表4，图1）。

表4 能谱CT 定量参数预测EGFR 基因表达的ROC 曲线分析

2.4 能谱CT 形态学征象及定量参数预测EGFR 基因突变的Logistic 回归模型的建立

基于以上具有统计学意义的能谱CT 形态学征象及定量参数建立预测EGFR 基因突变的Logistic回归模型，显示肺内转移、远处转移、静脉期NIC、静脉期λHU 是预测EGFR 基因突变的独立因素。绘制回归模型的ROC 曲线显示，其AUC 为0.953，灵敏度为93.6%，特异度为87.5%（表5，图2）。

表5 能谱CT 形态学征象及定量参数Logistic 回归分析

3 讨论

随着对肺癌基因突变研究的日益进展，针对突变癌基因的靶向治疗在肺腺癌的治疗过程中起到越来越大的作用，尤其是EGFR[5-6]。靶向治疗实现了个体化治疗及精准治疗，因此简单快捷的基因检测方式在肺癌的诊治过程中非常重要[7-8]。本研究通过分析79 例中晚期非小细胞肺癌患者的能谱CT 形态学征象及定量参数与EGFR 基因突变的关联，发现两者间具有一定的相关性，建立的Logistic 回归模型可以通过能谱CT 形态学征象及定量参数预测EGFR基因突变的情况。

3.1 能谱CT 形态学征象与EGFR 基因突变的相关性

本研究通过分析EGFR 基因突变与能谱CT 形态学征象的关系，发现肿瘤大小、分叶征、转移征象与中晚期非小细胞肺癌EGFR 基因表达密切相关，这与以往的研究结果一致[9-10]。EGFR 在肿瘤的增值、凋亡、侵袭、转移、血管生成过程中发挥重要作用，分叶征是肿瘤浸润生长的表现，且肿瘤的大小在一定程度上反应了肿瘤的增殖速度。本研究中纵隔淋巴结转移、肺内转移、远处转移及骨转移两组间的差异有统计学意义，提示EGFR 在中晚期非小细胞肺癌病灶组织中高表达可能促进肺癌的侵袭和转移[11]。

3.2 能谱CT 定量参数与EGFR 基因突变的相关性

比较EGFR 基因突变阳性组与阴性组的能谱CT 定量参数指标，显示动脉期NIC、λHU 及静脉期NIC、λHU 与肺癌EGFR 基因突变存在相关性（图3，4）。由于一般肺组织内含碘量较少，而癌组织血供丰富，经静脉注射含碘对比剂后，对比剂进入肿瘤血管内，从而使癌组织与正常肺组织之间存在含碘量的差别[12]。并且与测量肿瘤CT值相比，在碘基图上碘含量的测量不易受其他因素的干扰，准确度较高，能准确反映肿瘤微血管生成情况及血供情况[13]。且NIC 的计算可使造影剂剂量、注射流速和循环中的个体差异最小化[14]。

通过测量肿瘤在40～100 keV 下的单能量CT值绘制而成的能谱曲线，计算其λHU，本研究显示动静脉期λHU 在EGFR 基因突变阳性组及阴性组间具有差异，这与Li 等[15]的研究结果相似。因为不同物质其λHU 不同，而肿瘤在增殖过程中其EGFR 基因突变可改变肿瘤的内部结构[16]，使EGFR 基因突变阳性组与阴性组之间存在差异。

3.3 能谱CT 形态学征象及定量参数的Logistic 回归模型的建立

在本研究中，经Logistic 回归多因素分析得出，肺内转移、远处转移、静脉期NIC、静脉期λHU 是EGFR 基因突变的独立因素。能谱CT 定量参数ROC 曲线的AUC 显示静脉期NIC 的AUC（0.905）最大，其判断EGFR 基因突变的灵敏度及特异度也最高（灵敏度为73.2%，特异度为93.8%），与Li 等[17]的研究结果相一致。这是因为λHU、NIC 是反映肺肿瘤血供的定量参数，而EGFR 突变可引起血管生长因子的表达上调，从而间接的促进肿瘤新生血管的形成，增加肿瘤的血供，使λHU、NIC 在EGFR 基因突变阳性组中高于阴性组。基于能谱CT 形态学征象及定量参数构建的Logistic 回归模型，其AUC为0.936，灵敏度为87.5%，特异度为95.3%，具有较高的诊断效能，在预测中晚期非小细胞肺癌EGFR基因突变中有一定的价值，这与Zhang 等[18]的研究结论相似。

本研究的局限性：首先，入组样本量相对较少，这可能与EGFR 基因突变发生率低有关。其次，本研究中纳入的病例为中晚期非小细胞肺癌患者，且本研究中能谱CT 定量参数经ROC 曲线所得的阈值是基于本研究样本得到的，其准确性需要更大的样本量进行验证。再次，本研究需要大样本进行外部验证。

综上所述，能谱CT 形态学征象及定量参数与中晚期非小细胞肺癌EGFR 基因突变之间具有相关性，基于两者建立的Logistic 回归模型在预测EGFR基因突变中有一定的价值，为临床疗效评价及制定个体化治疗方案提供更加客观的影像依据。