基于LASSO回归的胶质瘤早期鉴别诊断模型的构建和验证

马贵斌,贺真伟,王子德,文 洋,李 祥

(徐州医科大学附属医院神经外科,江苏徐州 221000)

胶质瘤是一种常见的原发性中枢神经系统肿瘤,来源于神经胶质细胞。在所有恶性原发性脑肿瘤中占82.3%,在成年人大脑和中枢神经系统肿瘤中占27.7%[1],死亡率在所有癌症死亡中居第二位[2]。根据胶质瘤最新的WHO分级[3]将其分为Ⅰ、Ⅱ级的低级别胶质瘤(LGG)和Ⅲ、Ⅳ级的高级别胶质瘤(HGG),虽然近年来对胶质瘤的治疗取得了重大进展[4],但其预后却没有取得明显改善,2年生存率26%～33%,5年和10年生存率分别仅为4%～5%和0.71%[5-6]。

目前,临床上主要通过病理检查来对LGG和HGG进行确诊,但这需要耗费较长时间才能获得结果。因此目前一些研究试图探索利用循环生物标志物在术前来判断胶质瘤的分级,如丝蛋白C[7]、miR-16[8]、纤维蛋白溶酶原激活物抑制剂-1[9]等,但是大多数标志物都不是现在临床常用的。因此基于临床常见的血常规、血生化和患者的基本临床信息来对高低级别的胶质瘤进行早期预测有一定的价值。有研究表明年龄、性别、术前全身炎症反应相关指标等是诊断、分期和预后评估胶质瘤、乳腺癌、前列腺癌、肝癌和骨肉瘤等恶性肿瘤的可靠预测因子[10-13]。 然而,目前大多数研究未对多个预测因子进行联合评估,因此本研究探讨术前全身炎症反应相关指标、年龄和性别在LGG与HGG诊断中的价值,并首次使用多因素logistic回归建立的预测模型构建列线图,同时验证其有效性,从而帮助临床早期识别LGG与HGG,为及时采取有效治疗提供理论依据和科学手段。

1 资料与方法

1.1 一般资料

收集徐州医科大学附属医院2015年12月至2022年9月手术后的685例胶质瘤患者的临床资料,其中男383例(55.91%),女302例(44.09%);年龄18～82岁,平均(48.42±16.04)岁;LGG 260例(37.96%),病理分级均为Ⅱ级;HGG 425例(62.04%),病理分级为Ⅲ级110例,Ⅳ级315例。排除标准:(1)缺乏完整数据的患者;(2)使用与炎症相关药物,且可能对血液炎症标志物或生存期产生显著影响的患者;(3)患有免疫性疾病、糖尿病、肝功能障碍、肾功能障碍、心脏病、其他癌症、炎症性疾病、代谢综合征;(4)3个月内感染史的患者都已经被排除。本研究已获得本院医学伦理委员会的审查通过,且所有患者均签署了知情同意书。

1.2 血液学数据和定义

本研究在患者入院的第1天采集了晨起空腹的外周静脉血样本,并测定了中性粒细胞、血红蛋白、淋巴细胞、总蛋白、单核细胞、白细胞、血小板、白蛋白、血清纤维蛋白原等指标,并计算了中性粒细胞/淋巴细胞比值(NLR)、血小板/淋巴细胞比值(PLR)、单核细胞/淋巴细胞比值(MLR)、嗜酸性粒细胞/淋巴细胞比值 (ELR)、全身免疫炎症指数 (SII)等指标。SII=血小板计数 × 嗜中性粒细胞计数/淋巴细胞计数。

1.3 统计学处理

2 结 果

2.1 LGG与HGG 患者临床资料比较

HGG患者在年龄、白细胞、中性粒细胞、血红蛋白、血清纤维蛋白原、ELR、NLR、MLR及SII 均明显高于LGG 患者,而淋巴细胞、总蛋白、血小板、白蛋白和A/G明显低于LGG 组,差异均有统计学意义(P<0.05),同时LGG和HGG之间性别差异有统计学意义(P=0.002);两组患者单核细胞、球蛋白、红细胞、PLR比较,差异均无统计学意义(P>0.05),见表1。

表1 LGG与HGG患者临床资料比较

2.2 单一指标和联合检测对LGG和HGG的鉴别诊断效能

年龄、白细胞、血红蛋白、淋巴细胞、血小板、中性粒细胞、中性粒细胞、总蛋白、白蛋白、血清纤维蛋白原、ELR、NLR、MLR、A/G和SII在LGG和HGG的鉴别诊断中单独使用的AUC分别为 0.717 1、0.577 6、0.613 1、0.434 8、0.581 2、0.547 7、0.637 7、0.565 0、0.601 8、0.585 2、0.572 0、0.634 5、0.571 2、0.549 2和0.581 6;上述15项指标联合用于LGG 与HGG 鉴别诊断的AUC 为0.763 3,优于单一指标检测的鉴别诊断效能,见表2和图1。

图1 单一指标检测鉴别诊断LGG和HGG的ROC曲线

表2 单一和联合指标检测对LGG和HGG的鉴别诊断效能

2.3 LASSO回归分析

将LGG和HGG之间差异有统计学意义的15项指标进行LASSO回归,共筛选出了5个最可能的非0系数特征变量,分别是中性粒细胞、白细胞、白蛋白、性别和年龄,见图2。

图2 LASSO 回归进行特征筛选

2.4 构建并评估列线图模型

将上述5个特征变量(中性粒细胞、白蛋白、白细胞、性别和年龄)纳入多因素logistic回归分析,并构建列线图模型,见图3。再对该模型采用Bootstrap法进行内部验证,重复抽样次数为2 000次,同时绘制出Calibration曲线,见图4。校正曲线和理想曲线贴合良好,说明该模型具备较好的预测能力。利用ROC 曲线分析该模型预测患HGG风险的效率,AUC 为0.749 7(95%CI：0.711 2～0.788 3),灵敏度为0.760 0,特异度为0.680 8,见图5。依据Decision曲线分析,当阈概率在82%以下时,该模型预测患HGG,净收益率大于0,模型进行风险评估有临床意义,见图6。

图3 诊断模型的列线图

图4 列线图模型的校正曲线

图5 列线图模型的ROC曲线

图6 列线图模型的决策曲线分析

3 讨 论

胶质瘤是神经系统最常见的恶性肿瘤,其确诊主要依靠病理检查和免疫组化和分子分型,但是病理检查具有滞后性,不能指导疾病的早期诊断和治疗[18]。VIROHOW最初在十九世纪就将癌症与炎症关联起来,随着研究的进展发现越来越多表明炎症标志物在肿瘤发展过程中发挥着重要作用的证据[19-20],而且胶质瘤的发生发展同样与炎症反应关系密切[21-22]。近年来,随着肿瘤微环境概念的提出,发现炎症细胞不仅参与肿瘤微环境的构建还是其重要组成部分,而且通过其产生的各类炎症因子的持续存在会导致DNA氧化损伤、修复异常和肿瘤免疫异常等,从而使细胞的代谢紊乱,最终能够在不同程度上起到促进或抑制正常细胞向癌细胞转化的作用[23-25]。

本研究纳入了大量血液和炎症相关指标、年龄和性别,最后分析发现年龄、性别、白细胞、血红蛋白、淋巴细胞、白蛋白、中性粒细胞、中性粒细胞、总蛋白、血小板、血清纤维蛋白原、ELR、NLR、MLR、A/G在LGG和HGG的鉴别诊断中具有统计学意义(P<0.05)。然后笔者将上述有统计学意义的因素进行LASSO回归分析,最终获得了5个潜在预测因素,分别是中性粒细胞、白蛋白、白细胞、性别和年龄,将上述相关因素通过多因素logistic 回归可构建发生HGG风险的列线图模型,并从多个角度去验证。此外,需要警惕的是,未被纳入模型的因素并不意味着与LGG和HGG之间的差异没有关联。

从列线图结果可以发现,中性粒细胞越高会提高患者患HGG的风险,这与之前的研究基本一致[26]。有研究[27]指出可能是因为升高的中性粒细胞可增强炎症介质的产生,甚至引起机体遗传状态的不稳定和突变,从而导致了DNA修复功能的下降,调节了肿瘤的进展。本研究还发现白细胞计数的升高也会增加患者为HGG的概率,这可能与白细胞主要包括的5种细胞(中性粒细胞、嗜碱性粒细胞、淋巴细胞、单核细胞及嗜酸性粒细胞)在HGG中均较LGG高有关[28]。白蛋白计数反应患者的营养状态,根据列线图可以发现患者白蛋白计数越高,患HGG的概率越大,这与WU等[16]的结果一致。最后本研究还发现,老年男性患者发生HGG的概率大,可能免疫的性别差异有关,这与MASSEY等[29]的研究一致,同时年龄越大发生HGG的概率越大,这与之前的研究结果一致[30]。

综上所述,本次构建的列线图模型可以较好地预测胶质瘤患者的高低级别,将有助于患者的个体化治疗,帮助医师早期诊疗方案的制定。然而,本次研究同样存在一些缺陷。首先,作为单中心回顾性研究,本次研究不可避免地受到选择偏差的影响。其次,列线图的准确性还需要进行更进一步的外部验证。