CT 影像组学联合临床及CT 特征预测胸腺上皮肿瘤TNM 分期

刘 晋，尹 平，王思聪，洪 楠*

［1.北京大学人民医院放射科，北京 100044；2.通用电气医疗（中国），北京 100176］

针对胸腺上皮性肿瘤（thymic epithelial tumor，TET）临床分期方法较多，国际癌症研究协会和国际胸腺恶性肿瘤兴趣小组提出的TNM 分期系统更为具体、规范［1］，已获得美国癌症联合委员会和国际癌症控制联盟2017 年第8 版《恶性肿瘤TNM 分期》认可［2］。对早期（TNM Ⅰ～Ⅱ期）TET 可通过手术切除实现长期无复发生存，而对晚期（TNM Ⅲ～Ⅳ期）TET 多需采用跨学科、多模式治疗，包括根治性切除、辅助化学和放射治疗［3］，准确预测TET TNM 分期至关重要。CT 是诊断TET 的重要影像学方法［4-5］。影像组学模型（radiomics model，RM）已广泛用于预测肿瘤病理分型、分期及淋巴结转移，以及患者预后等［6-7］。本研究观察以TET 的CT 影像组学联合临床资料及CT 特征预测其TNM 分期的价值。

1 资料与方法

1.1 研究对象 回顾性分析2012 年7 月—2021 年12月北京大学人民医院经手术病理证实的216 例单发TET 患者，男122 例、女94 例，年龄24～83 岁、平均（52.3±12.7）岁；均于术前1个月内接受胸部CT 扫描；以其中151 例TNM Ⅰ期者为早期组、27 例TNM Ⅲ期及38例Ⅳ期为晚期组（n=65）。排除CT 扫描前曾接受肿瘤相关治疗或图像质量差者。本研究经院伦理委员会批准（2023PHB154-001）；检查前患者均知情同意。

1.2 仪器与方法 嘱患者仰卧、双臂上举，扫描时屏气。采用Philips Brilliance 256 层iCT（n=86）或 GE Lightspeed VCT（n=130）64 层CT 机 行胸部非增强CT（non-contrast-enhanced CT，NECT）扫描，管电压120 kV，自动管电流或管电流150 mA，层厚5 mm，层间距0.980 mm/0.516 mm，重建层厚 1 mm/0.625 mm。之后采用高压注射器以3.0 ml/s 流率经前臂静脉注射对比剂碘溴胺或碘己醇（300 mgI/ml）1.0 ml/kg 体质量，延迟60 s 采集增强CT（contrast-enhanced CT，CECT）。

1.3 图像分析 由具有5 或10 年胸部影像学诊断经验的主治医师（医师1）和副主任医师（医师2）各1 名采用双盲法独立观察CT 表现，包括病灶长径、短径（于肿瘤最大层面测量），病灶内有无钙化及囊变、周围脂肪浸润，有无胸腔积液及纵隔淋巴结肿大（以淋巴结短径＞1 cm 为标准）。2 名医师评估结果有分歧时，经协商统一意见。

1.4 分割肿瘤 将CT 数据导入ITK-SNAP 软件（3.6.0 版本，www.itksnap.org）手动分割肿瘤。由医师1 于NECT 及CECT 中逐层手动勾画病灶ROI（图1），含边缘毛糙和周围脂肪浸润区域，获得相应感兴趣容积（volume of interest，VOI）；由医师2 进行审核。

图1 分割肿瘤ROI 示意图 A、B.于胸部轴位NECT（A）及CECT（B）中逐层勾画肿瘤ROI（红色区域）示意图

1.5 提取及筛选特征 应用GE AK 软件（3.3.0 版本）分别基于NECT 和CECT 提取1 338 个影像组学特征，以组内相关系数（intra-class correlation coefficient，ICC）分析基于不同CT 设备所获CT 影像组学特征的一致性，保留ICC≥0.75 的特征。对特征进行预处理及归一化，特征值超过时，以特定方差向量的中值加以替换；采用最大相关最小冗余法消除冗余及不相关特征，之后以最小绝对收缩和选择算子算法筛选最优影像组学特征。

1.6 统计学分析及构建模型 采用R（版本3.5.1）和Python（版本3.5.6）软件进行统计学分析。以中位数（上下四分位数）表示不符合正态分布的计量资料，组间行Mann-WhitneyU检验。采用χ2检验或Fisher 精确概率法比较计数资料。

分别基于NECT 和CECT 所获最优影像组学特征以逻辑回归方法构建二分类RM，获得RMNECT和RMCECT；分别基于组间差异有统计学意义的临床、CT特征及RM 构建RMNECT-临床、RMCECT-临床、RMNECT-临床-CT及RMCECT-临床-CT。按7∶3 比例将全部患者分为训练集（n=151）及验证集（n=65），采用5 折交叉验证方法于训练集对上述模型进行训练，并以验证集评估模型预测TET TNM 分期的效能。绘制受试者工作特征（receiver operating characteristic，ROC）曲线，计算曲线下面积（area under the curve，AUC）评估各模型预测效能。P＜0.05 为差异有统计学意义。

2 结果

2.1 临床资料 2 组患者症状差异有统计学意义（P＜0.05），性别及年龄差异均无统计学意义（P均＞0.05）。见表1。

2.2 CT 表现 组间病灶周围脂肪浸润、纵隔淋巴结肿大及胸腔积液差异均有统计学意义（P均＜0.05），见表2。

表2 216 例TET 患者CT 表现比较

3.3 构建模型及评估效能 经ICC检验分别保留基于NECT 及CECT 获得的1 125 个及1 218 个影像组学特征，再经最大相关最小冗余法分析各保留20 个特征，以最小绝对收缩和选择算子算法分别选出2 个及9个最优特征（图2）以构建RM。训练集中，RMNECT-临床-CT预 测TET TNM 分期的AUC（0.873）高 于RMNECT及 RMNECT-临床（AUC=0.642、0.784，Z=4.445、3.689，P均＜0.001），RMCECT-临床-CT的AUC（0.882）高于RMCECT及RMCECT-临床（AUC=0.714、0.773，Z=4.143、3.847，P均 ＜0.001）；验证集中，RMNECT-临床-CT的AUC（0.864）高 于RMNECT及 RMNECT-临床（AUC=0.634、0.721，Z=3.081、2.937，P=0.002、0.003），RMCECT-临床-CT的AUC（0.920）高 于 RMCECT及RMCECT-临床（AUC=0.689、0.751，Z=2.698、2.390，P=0.007、0.017）。见图3 及表3。

表3 各模型预测TET TNM 分期效能

图3 各模型预测TET TNM 分期的ROC 曲线 A、B.RMNECT、RMNECT-临床、RMNECT-临床-CT 在训练集（A）及验证集（B）；C、D.RMCECT、RMCECT-临床、RMCECT-临床-CT在训练集（C）及验证集（D）

3 讨论

重症肌无力是TET 主要临床表现之一，而早期TET 患者常无明显临床症状［8］。本研究中，仅14例患者（14/216，6.48%）临床表现为重症肌无力，且相比早期组，晚期组CT 显示病灶周围脂肪浸润、纵隔淋巴结肿大及胸腔积液者占比更高。由于临床准确区分早期与晚期TET 存在一定难度，使得寻找可用于术前评估TET TNM 分期的定量参数至关重要。

基于肿瘤异质性，影像组学可非侵入性地定量分析肿瘤特征，监测肿瘤发生、发展及其对于治疗的反应，以协助临床制定治疗方案［9-11］。既往研究［12-13］以影像组学进行TET 分期及风险分类等，获得良好效果。本研究分别基于216 例TET 患者的NECT 和CECT 构建RM 预测TET TNM 分期，结合临床及CT 特征分别构建临床-影像组学及临床-CT-影像组学模型，所获RMNECT和RMCECT在验证集的AUC 分别为0.634 及0.689，低于BLÜTHGEN 等［12］结果（AUC=0.838），可能与所提取影像组学特征、分类方法或检查方法不同有关；RMNECT-临床和RMCECT-临床在验证集的AUC 分别为0.721、0.751，而RMNECT-临床-CT和RMCECT-临床-CT在验证集的AUC 分别为0.864 及0.920，高于其他模型，表明RM 结合临床及CT 特征可提高效能，为鉴别TET TNM 分期提供更多依据。

综上所述，CT 影像组学联合临床资料及肿瘤CT特征能有效预测TET TNM 分期。但本研究为单中心回顾性分析，样本量有限，有待后续通过多中心、前瞻性多模态成像研究进一步观察。

利益冲突：全体作者声明无利益冲突。

作者贡献：刘晋研究设计和实施、查阅文献、图像分析、撰写文章；尹平指导、研究设计、图像分析、修改文章；王思聪图像处理、数据和统计分析；洪楠指导、研究设计、审阅文章。