影像组学模型预测胃肠道间质瘤危险度分级的价值

杨 鸣，郭盛仁，周菊英（通信作者）

（1 苏州大学附属独墅湖医院放疗科 江苏 苏州 215000）

（2 苏州大学附属第二医院放射科 江苏 苏州 215004）

胃肠道间质瘤（gastrointestinal stromal tumor，GIST）是消化道最常见的原发间叶组织肿瘤[1]，几乎所有GIST 均有恶性潜能[2]。通常低度恶性潜能的GIST 可行手术或定期复查处理，高度恶性潜能的GIST 需在术前或术后使用伊马替尼等药物治疗[3]，因此术前准确预测其危险度分级有重要意义。本研究基于常规CT 平扫及增强扫描图像开发和验证影像组学模型，探讨该模型用于预测GIST 危险度分级的价值。

1 资料与方法

1.1 一般资料

回顾性分析2017 年1 月—2020 年12 月间苏州大学附属第二医院行常规CT 平扫和增强检查，并经手术病理证实为GIST 的176 例患者。参照美国国家卫生研究院2008 年改良版分级标准，分为低度恶性潜能组（极低危险18 例及低危险65 例）和高度恶性潜能组（中危险41 例及高危险52 例）。176 例患者中男性84 例，女性92 例；年龄24 ～85 岁，平均年龄（60.34±11.85）岁。纳入标准：①经手术病理确诊且危险度分级明确；②CT检查前未接受任何相关治疗（如穿刺活检和靶向药物）；③病灶直径大于1 cm；④手术与CT 检查间隔不超过1 个月。排除标准：①病灶为复发或转移灶；②CT图像不完整，质量不佳者。

1.2 方法

入组患者均采用GE 64 排螺旋CT（Discovery CT 750 HD）进行扫描。扫描前约2 h 口服阴性造影剂充盈胃肠道。先行平扫，随后采用高压注射器经肘静脉注射对比剂碘海醇(浓度为300 mgI/mL），剂量为0.5 g/kg。采用团注跟踪技术监测腹主动脉（腹腔干水平）CT 值，动脉期扫描在监测点CT 值达到150 HU 后8 s 进行，静脉期扫描在动脉期扫描完成后35 s 进行，延迟期扫描在静脉期扫描完成后120 s 进行。扫描参数：自动管电流，管电压120 kV，层厚5 mm，层间距5 mm，准直器宽度64×0.625 mm。

1.3 图像处理及分析

将0.625 mm 薄层图像从PACS 系统中以DICOM 格式导出，使用Mazda 软件（Version 4.8）对图像进行分割。选择病灶显示最清晰的时期，在肿瘤最大层面勾画感兴趣区（ROI）（包含肿瘤内部的坏死囊变、血管及钙化部分），随后复制ROI 至其他时期，不吻合的部分进行微调。每个ROI 可提取279 个特征，先使用Mazda 软件自带的筛选方法（费希尔参数法、分类错误率联合平均相关系数法和交互信息法）对每个时期的特征进行初步降维获得30 个特征。然后采用LASSO（least absolute shrinkage and selection operator regression）算法将4 个时期共120 个特征进一步降维；最后使用Mann-Whitney U检验及多重共线性检验，验证LASSO 算法获得的特征。将最佳特征集纳入逻辑回归获得影像组学模型。

1.4 统计学方法

采用R 软件（Version 4.0.3）进行数据分析。使用C 统计量（C-index）评价模型区分度；使用Brier 评分评价模型的校准度。利用加强Bootsrap 法（重抽样1000 次）对模型进行内部验证，获得校准后的C-index 及Brier 评分。以P＜0.05 为差异有统计学意义。

2 结果

LASSO 算法降维获得12 种非零系数特征（图1），经Mann-Whitney U 检验及多重共线性检验后获得10 种特征（表1），即最优特征集。

表1 最优特征集[M（Q1，Q3）]

图1 不同λ 取值下的均方误差图

模型C-index 为0.943，95%置信区间为0.911 ～0.976，Brier 评分为0.093，95%置信区间为0.065 ～0.121，模型特异度为0.892，灵敏度为0.860，准确度为0.875。校准后的C-index 为0.928，校准后的Brier 评分为0.112。模型校准曲线见图2。绘制模型预测高低度恶性潜能的ROC曲线显示AUC值为0.943，截断值为0.537（图3）。

图2 模型校准曲线图

图3 影像组学模型ROC 曲线图

3 讨论

CT 检查是GIST 患者的首选检查方法，一些CT 征象可用于预测GIST 的危险度分级[4]，但这些征象的应用很大程度受到医师经验的影响。Liu 等[5]利用CT 图像进行直方图分析显示动脉期直方图参数最大频数有最大的AUC 值0.811。Chen 等[6]基于静脉期图像使用支持向量机构建的模型AUC 值为0.867。Zhang 等[7]基于动脉期图像使用随机森林法构建的模型AUC 值为0.935。任采月等[8]基于静脉期图像使用LASSO 算法构建的模型AUC 值为0.91。上述研究均表明基于CT 图像的纹理分析或影像组学可以用于GIST 危险度分级的预测，但这些研究大多是利用单个时期图像进行，因此提供的信息量可能相对有限；此外，部分研究选取纹理特征种类单一，样本量相对较小，也可能会影响结果的准确性和稳定性。

本研究利用平扫、动脉期、静脉期及延迟期图像构建模型，结果显示该模型具有较好的区分度和校准度，C-index 为0.943（二分类变量中，C-index 和AUC 值相等），均高于上述诸研究AUC 值；Brier 评分为0.093（Brier 评分指预测概率与实际概率的一致程度，范围是0 ～0.25，其值越小校准度越好）。进行内部验证后模型仍具有较高的C-index 和Brier 评分，分别为0.928 和0.112。这表明基于常规CT 平扫和增强图像构建影像组学模型对GIST 危险度分级的预测价值高于单个时期图像构建的影像组学模型。

纳入模型的10 个特征中，Horzl_RLNonUni 是指0°方向游程长度不均匀性，其值越低，图像的纹理粗细越均匀[9]，本研究中低度恶性潜能组Horzl_RLNonUni值均低于高度恶性潜能组，表明低度恶性潜能组纹理粗细更均匀，这与宋慧玲等[10]使用RLN 对乳腺癌新辅助化疗效果的预测结果相仿。Entropy 可以反映图像信息复杂程度，熵值越大，图像越复杂。研究表明Entropy 值越大肿瘤侵袭性越高[11-12]，这与本研究结果一致，高度恶性潜能组Entropy 值均高于低度恶性潜能组；Correlate 可以反映图像中局部区域的灰度相关性，Correlate 值越大，图像灰度越均匀。本研究高度恶性潜能组的动脉期S(4,-4)Correlate 和静脉期S(5,-5)Correlate 值均高于低度恶性潜能组。可能的原因是高度恶性潜能GIST 微血管再生较丰富，导致局部区域灰度较均匀[13]。Teta2 表示中心像素周围邻近像素灰度加权和，本研究中平扫高度恶性潜能组Teta2 值较高，可能的原因是平扫时高度恶性潜能组密度较高。Perc.90 表示从直方图左边开始，小于第90%体素区间内的平均灰度值，本研究中高度恶性潜能组较低，由于GIST 多为渐近性强化，因此延迟期强化对比度差异更大，另外高度恶性潜能GIST 易坏死囊变，因此平均灰度值较低。

本研究局限性：第一，本研究是一项单中心回顾性研究，选择偏倚不可避免，有待多中心前瞻性研究进一步验证；第二，由于样本量相对较少，本研究未对不同部位GIST 的危险度分级进行研究，GIST 的发生部位与其危险度分级相关，因此利用影像组学对不同部位GIST的危险度分级进行预测有待开展；第三，本研究是基于GIST 最大横轴位图像勾画的2D-ROI 进行，较3D-ROI可能会遗漏一些纹理特征信息。

综上所述，基于常规平扫和增强CT 图像构建的影像组学模型对GIST 危险度分级具有较高的预测价值，可作为一种影像学生物标记物，为临床医师制定治疗方案提供帮助。