多方位MRI影像組學預測局部進展期直腸癌新輔助放化療療效

周曉俞, 楊筠,劉學煥, 包翠萍, 董龍春,劉筠

結直腸癌是我國常見的消化道腫瘤之一,發病率和死亡率均呈上升趨勢[1]。局部進展期直腸癌(locally advanced rectal cancer,LARC)被定義為侵出腸壁肌層的原發性腫瘤(T3～T4),伴或不伴外周淋巴結轉移(N0～N2),且通過影像學或病理學檢查無遠處轉移[2]。術前新輔助放化療(neoadjuvant chemoradiation,nCRT)后6～8周行全直腸系膜切除術(total mesorectal excision,TME),術后輔助化療已成為LARC的標準治療方案[3]。nCRT可以最大限度殺傷腫瘤細胞,縮小腫瘤體積,降低微小轉移灶的發生,而且還能提高保肛率,降低復發率,改善預后[4,5]。因此,治療前準確評判nCRT療效對臨床制定個體化診療方案尤為關鍵。目前影像組學對于nCRT療效預測大多數是基于橫軸面圖像腫瘤最大層面的特征,缺乏對病變的整體反映,也有一些研究是基于腫瘤體積的特征,但手動分割耗時較長、可重復性差,臨床應用存在局限性[6,7]。本研究基于MRI影像組學方法,手動分割T2WI序列橫軸面、矢狀面及冠狀面圖像提取LARC病灶影像組學特征,并聯合臨床及常規影像特征,構建nCRT療效預測模型,為臨床療效預判提供參考。

材料與方法

1.研究對象

回顧性搜集2016年1月至2020年7月在天津市人民醫院收治的經病理活檢及臨床、影像綜合診斷為LARC,并經nCRT后6～8周接受TME手術的209例患者。病例納入標準:①經病理證實為直腸癌;②局部進展期,無遠處轉移;③進行新輔助放化療;④術后有腫瘤退縮分級的病理資料;⑤MRI圖像滿足分析要求。病例排除標準:①臨床及病理資料不完整;②未完成全部療程新輔助放化療;③既往有其他惡性腫瘤史或放化療治療史。本研究共搜集357例患者,排除病理資料不完整者110例,病理證實為其他組織類型者23例(黏液腺癌15例,印戒細胞癌6例,腺鱗癌2例),新輔助放化療療程不完整者15例,最終209例患者納入本研究,其中男155例,女54例,年齡28～85歲,平均(58.19±10.16)歲。搜集患者nCRT前年齡、性別、身高、體重、血清癌胚抗原(carcinoembryonic antigen,CEA)、CA199、血紅蛋白、中性粒細胞、淋巴細胞等資料,并計算中性粒細胞-淋巴細胞比例(neutrophil-lymphocyte ratio,NLR)。

nCRT方案按照結直腸癌診療指南進行,nCRT方案為放療+卡培他濱化療:放療5周,劑量45.0～50.4 Gy/25～28次,單次劑量1.8～2.0 Gy;期間卡培他濱825 mg/m2,每天2次,每周5天。

2.MRI檢查方法及圖像分析

所有患者nCRT前均行直腸MRI檢查,采用3.0T磁共振掃描儀(Siemens magnetom skyra,西門子,德國),18通道相控陣線圈。檢查前禁食6～8 h,并清潔灌腸。檢查時對患者進行呼吸訓練,以減少呼吸及運動偽影。掃描序列包括軸面、矢狀面、冠狀面T2WI及軸面T1WI,具體掃描參數見表1。

表1 直腸癌MRI掃描序列及參數

MRI圖像評估由兩位高年資影像診斷醫師進行,產生分歧時與另一位高年資醫師協商后達成一致。分析指標包括腫瘤長徑、腫瘤下緣距肛緣的距離(distance of tumor from the anal verge,DTAV)、直腸癌環周切緣 (circumferential resection margin,CRM)、壁外血管侵犯(extramural venous invasion,EMVI)、T分期、N分期等常規影像特征。CRM是指直腸腫瘤浸潤最深處與直腸系膜筋膜之間的最短距離,CRM≤1 mm為環周切緣陽性,反之為陰性[8]。EMVI定義為在固有肌層以外的脈管系統中存在腫瘤細胞,根據文獻標準將EMVI分成0～4級,0～2級為EMVI陰性,3～4級為EMVI陽性[9]。參照美國癌癥聯合委員會(American joint committee on cancer,AJCC)第7版TMN分期標準,將直腸癌分為四期,局部進展期直腸癌包括T3期和T4期。T3期:腫瘤突破固有肌層侵入直腸周圍組織;T4 期:腫瘤侵犯腹膜及鄰近組織、器官 (如直腸系膜筋膜、前列腺、精囊腺、膀胱及陰道等)。N分期陽性:淋巴結短徑≥1 cm或淋巴結短徑為0.5～1.0 cm,淋巴結邊界不清,邊緣毛糙,形態不規則,內部信號不均勻;反之為N分期陰性。

3.病理退縮分級

直腸癌術后標本由高年資病理專家按照第七版AJCC病理退縮分級(tumor regression grading,TRG)標準進行分級:0級,病理組織中無癌細胞殘留;1級,病理組織中有單個或小簇癌細胞殘留;2級,病理組織中仍有殘留癌灶伴有間質纖維化;3級,病理組織中僅少數或者未見癌細胞消退[10]。TRG0～1級定義為nCRT反應良好(Good responders,GR),TRG2～3級定義為nCRT反應不良(non-good responders,non-GR)。

4.影像組學分析

圖像分割:從PACS系統中分別將T2WI序列橫軸面、矢狀面及冠狀面腫瘤最大層面圖像導入MaZda(版本:4.6.2.0)軟件中進行分析,沿病灶邊緣手動勾畫感興趣區(region of interest,ROI),盡量包含全部病灶,同時避開含氣腸腔、直腸系膜、血管等非病灶組織,每幅圖像勾畫兩次ROI,如果產生分歧,則邀請其他高年資診斷醫師指導。

影像組學特征提取及篩選:每個ROI均可提取直方圖、梯度、灰度共生矩陣(grey level cooccurrence matrics,GLCM)、游程矩陣(run-length matrics,RLM)、幾何、自回歸模型以及小波特征等379個影像組學特征,刪除有缺失值的特征,剩余特征采用組內相關系數(intraclass correlation coefficient,ICC)對兩次提取的結果進行一致性檢驗,然后篩選一致性較好(ICC≥0.9)的特征計算兩次結果的平均值,并對均值進行Z-score標準化,最后采用最小絕對收縮和選擇算法(least absolute shrinkage and selection operator,LASSO)進行特征降維,獲取最佳特征。

模型構建:根據篩選的特征與對應系數乘積分別計算橫軸面、矢狀面、冠狀面以及聯合圖像影像組學評分,構建影像組學標簽。然后將聯合影像組學標簽與臨床、常規影像特征進行多因素Logistic分析,構建聯合預測模型。

模型驗證及評估:將患者按照1:1比例隨機分為訓練組與驗證組,對模型進行內部驗證。采用受試者工作特征(receiver operating characteristic,ROC)曲線評價模型的預測能力,并使用Delong檢驗比較不同模型的差異。采用校正曲線評估模型的校正性,并使用Hosmer-Lemeshow檢驗分析擬合度,評估預測結果與實際狀態的一致性。最后通過臨床決策曲線(decision curve analysis,DCA)評價模型臨床價值。

5.統計學分析

采用SPSS 22.0軟件、R語言(Verision 4.0.3)進行統計學分析。計量資料采用Kolmogorov-Smirnov行正態性檢驗,符合正態分布者以均值±標準差表示,組間比較采用兩獨立樣本t檢驗;不符合正態分布者以中位數(四分位間距)表示,組間比較采用非參數秩和檢驗。計數資料以例(%)表示,組間比較采用χ2檢驗。以P<0.05為差異有統計學意義。

結 果

1.新輔助放化療GR組與non-GR組患者的一般資料比較

209例患者中GR組61例(其中TRG0級30例,TRG1級31例),其中男47例,女14例,年齡28～77歲,平均(59.30±10.38)歲;non-GR組148例(TRG2級77例,TRG3級71例),其中男108例,女40例,年齡29～85歲,平均(57.74±10.06)歲。兩組在年齡、性別、身體質量指數(body mass Index,BMI)、Hb、CA199等方面差異均無統計學意義(P均>0.05),而non-GR組CEA升高的患者比例明顯高于GR組,差異有統計學意義(P<0.05,表2)。

表2 GR組與non-GR組患者的一般資料比較 (n,%)

2.新輔助放化療GR組與non-GR組的MRI圖像特征比較

GR組與non-GR組在腫瘤長徑、T分期、N分期、CRM上差異無統計學意義(P>0.05),而non-GR組DTAV≥5 cm、腫瘤長徑>5 cm、EMVI陽性(圖1、2)的患者比例顯著高于GR組,差異有統計學意義(P<0.05,表3)。

圖1 直腸中段腺癌患者,男,64歲,T3NO,nCRT反應良好,TRG2級,腫瘤結節狀穿透腸壁,病變周圍沒有明顯的血管結構(箭),EMVI 1級(陰性)。 圖2 直腸下段腺癌患者,男,85歲,T3N1,nCRT反應良好,TRG2級,腫瘤結節狀穿透腸壁,腫瘤鄰近血管管腔內可見中等信號,但血管管腔輕度擴張(箭),EMVI 3級(陽性)。 圖3 直腸中段腺癌患者,女,58歲,T3N1M0,CRM(-),EMVI(-),局部進展期直腸癌MRI圖像分割結果。a)T2WI橫軸面圖像;b)T2WI矢狀面圖像;c)T2WI冠狀面圖像;d)術后病理圖片,鏡下可見大量癌細胞殘留(TRG2級),non-GR組(×40,HE)。

表3 GR組與non-GR組的MRI圖像特征比較 (n,%)

3.圖像分割

使用MaZda軟件在T2WI序列橫軸面、矢狀面及冠狀面圖像上手動勾畫ROI。勾畫ROI應盡量包括全部腫瘤病灶,避開含氣腸腔、直腸系膜、血管等非病灶組織(圖3、4)。

圖4 直腸中段腺癌患者,男,62歲,T3N2M0,CRM(-),EMVI(-),局部進展期直腸癌MRI圖像分割結果。a)T2WI橫軸面圖像;b)T2WI矢狀面圖像;c)T2WI冠狀面圖像;d)術后病理圖片,鏡下未見確切癌細胞殘留(TRG0級),GR組(×40,HE)。

4.影像組學特征篩選

基于T2WI序列橫軸面(TRA)、矢狀面(SAG)及冠狀面(COR)圖像分別提取出379個影像組學特征,刪除28個有缺失值的特征,剩余351個特征計算ICC,其中一致性較好(ICC≥0.9)的特征中TRA 96個,SAG 88個,COR 91個。選擇一致性較好的特征并計算兩次提取結果的均值,并進行標準化。將標準化后的特征匯總,獲得聯合圖像(COM)特征275個。然后利用LASSO回歸模型十倍交叉驗證,通過調節不同參數的lambda值獲得最小的偏差(圖5),最后篩選出最佳的影像組學特征,其中TRA 4個,SAG 5個,COR 2個,COM 7個(表4)。

圖5 LASSO模型篩選影像組學特征及特征的系數收斂圖。a)虛線表示經過10倍交叉驗證后選擇的log(λ)值,左側的虛線為最小λ值,右側虛線為距離最小λ值一個標準誤差所對應的λ值;b)每一個影像組學特征在模型中的系數。 圖6 不同影像組學標簽預測nCRT療效的ROC曲線。圖7 nCRT療效預測nomogram圖。EMVI:1代表陽性,0代表陰性;CEA3.4:0代表CEA≤3.4 ng/mL,1代表CEA>3.4 ng/mL。

表4 LASSO回歸篩選的影像組學特征

5.模型構建

影像組學標簽構建:將篩選的特征與其對應的回歸系數相乘計算影像組學評分,構建影像組學標簽,COM、TRA、SAG、COR四個影像組學標簽模型預測nCRT療效的AUC值分別為0.731(95%CI:0.659～0.803)、0.637(95%CI:0.561～0.712)、0.682(95%CI:0.602～0.762)、0.619(95%CI:0.533～0.704,圖6),COM影像組學標簽的預測效能均高于TRA、SAG、COR三個影像組學標簽,AUC值差異有統計學意義(Delong檢驗,P<0.05)。

nCRT療效獨立預測因素篩選:將單因素分析結果中有統計學差異的因子CEA(3.4)、EMVI、NLR、腫瘤長徑(5 cm)、DTAV及COM影像組學標簽同時納入多因素logistic分析,分析結果顯示,CEA(3.4 ng/mL)、EMVI及COM影像組學標簽是nCRT療效的獨立預測因素(表5)。

表5 多因素logistic分析結果

聯合預測模型構建:聯合多因素分析篩選出的獨立預測因素構建聯合預測模型(圖7),分別給各獨立預測因素賦分,總分越高,LARC新輔助放化療反應良好的概率越高。其回歸方程為logit=-1.369-0.827×EMVI-1.017×CEA(3.4)+2.396×COM Rad-score。

聯合預測模型與COM影像組學標簽比較:COM影像組學標簽與聯合預測模型預測nCRT療效的AUC值分別為0.731(95%CI:0.659～0.803)、0.811(95%CI:0.748～0.874,圖8)。聯合預測模型的預測效能顯著高于COM影像組學標簽,兩者AUC值差異有統計學意義(Delong檢驗,P<0.05)。

圖8 COM影像組學標簽與聯合預測模型預測nCRT療效的ROC曲線。 圖9 a)COM影像組學標簽和聯合預測模型在訓練組中預測nCRT療效的ROC曲線;b)COM影像組學標簽和聯合預測模型在驗證組中預測nCRT療效的ROC曲線。 圖10 校準曲線X軸為預測概率,Y軸為實際概率。藍色實線代表理想曲線,紅色實線代表校正曲線。a)COM影像組學標簽的校準曲線;b)聯合預測模型的校準曲線。圖11 COM影像組學標簽與聯合預測模型的DCA曲線。DCA曲線X軸為閾值概率,Y軸為凈獲益率。黑線代表全部患者不接受nCRT,灰線代表所有患者均行術前nCRT,紅線代表COM影像組學標簽,藍線代表聯合預測模型。

6.模型驗證及評估

內部驗證:COM影像組學標簽和聯合預測模型在訓練組中預測nCRT療效的AUC值分別為0.744(95%CI:0.646～0.842)、0.824(95%CI:0.740～0.908,圖9a);COM影像組學標簽和聯合預測模型在驗證組中預測nCRT療效的的AUC值分別為0.716(95%CI:0.605～0.828)、0.809(95%CI:0.714～0.903,圖9b)。兩種模型在訓練集和驗證集的AUC值差異均無統計學意義(Delong檢驗,P>0. 05),表明兩種模型的組內驗證具有較高的可重復性。

校準曲線:校準曲線顯示聯合預測模型及COM影像組學標簽均具有較高的校準度,Hosmer-Lemeshow擬合度檢驗P值分別為0.481、0.739(圖10),均大于0.05。

臨床決策曲線:臨床決策曲線顯示當閾值概率為0.16～0.78時,聯合預測模型的凈獲益率高于COM影像組學標簽,說明COM影像組學標簽和聯合預測模型預測進展期直腸癌nCRT療效均具有臨床實用價值,且聯合預測模型的臨床實用價值高于COM影像組學標簽(圖11)。

討 論

目前,預測LARC新輔助治療療效的研究很多,但大多數只研究了其中一種或幾種預測因子。本研究最大限度地納入了臨床、影像及血清生物標志物對nCRT療效有預測價值的因子,并且這些因子在文獻中均有相關報道。Liu等[11]研究表明BMI是LARC患者nCRT的獨立預后因素,而年齡、性別與腫瘤分化程度、淋巴結轉移等病理特征及放化療的耐受性相關。本研究兩組間年齡、性別及BMI差異均無統計學意義。CEA已被證明是預測nCRT反應有價值的標志物[12]。多項研究顯示較低的治療前CEA水平與pCR有一定相關性。本研究多因素分析結果顯示CEA是直腸癌nCRT療效的獨立預測因子,與文獻報道一致[13]。Chung等[14]認為CA199對預測nCRT療效很有價值。Song等[15]的多因素分析結果顯示治療前CA199水平與降期顯著相關,且nCRT前后CA199之比<1.28可作為nCRT療效的預測因子[15]。而本研究單因素分析結果顯示兩組間CA199差異無統計學意義。關于其他腫瘤標志物(如CA125、CA153等)未見相關文獻報道。相關研究證實Hb、NLR等對nCRT療效有一定預測價值[16,17]。本研究結果顯示Hb在兩組間差異無統計學意義,而NLR可能是直腸癌nCRT療效的潛在預測因子,這與Ramsay等[17]的研究結果一致,但多因素分析結果顯示NLR并不是nCRT療效的獨立預測因子。其他血清標志物(血小板、C-反應蛋白等)也對nCRT療效有一定預測價值,但AUC值僅為0.387～0.673,預測效能較低[16,18]。

本研究納入了DTAV、腫瘤長徑、T分期、N分期、EMVI、CRM等常規影像特征進行分析。T分期基于腫瘤對腸壁的浸潤深度,分期越晚,惡性程度越高,nCRT療效越差[19]。相關研究表明nCRT前T分期及N分期是PCR的獨立預測因子[20]。N分期表示區域淋巴結是否發生轉移,通常認為較低的N分期與nCRT后更好的病理反應有關。而本研究單因素分析結果顯示兩組間T分期和N分期差異無統計學意義,這與Van等[18]的研究結果一致。Engel等[21]的研究結果也顯示N分期不能作為nCRT的預測因子。筆者分析認為可能是MRI評估依賴醫師的經驗,具有一定主觀性,并且評價淋巴結轉移通常綜合了大小、形態、邊緣、信號等多種特征,缺乏確切的評判標準,診斷準確度較低。有研究顯示腫瘤長徑、DTAV均與nCRT療效明顯相關,認為腫瘤長徑、DTAV可作為nCRT療效的預測因子, 腫瘤長徑越小,DTAV值越大,nCRT后越可能達到病理完全緩解[12]。本研究結果與其一致,但僅限于單因素分析中,多因素分析結果顯示腫瘤長徑、DTAV并不是nCRT療效的獨立預測因子。CRM受累不僅是局部復發的獨立預測因子,也是nCRT療效的獨立預測因子[22]。本研究結果顯示兩組間CRM差異無統計學意義,筆者分析認為可能由于解剖評估困難,MRI評估CRM準確性降低。EMVI不僅在LARC患者生存預后及腫瘤復發預測方面發揮著重要作用,也被推薦為預測nCRT療效的影像學標記物[23]。本研究結果也顯示EMVI是nCRT療效的獨立預測因子。Shaish等[24]認為對于小血管(<3mm),MRI并不能準確評估EMVI。也有研究認為EMVI預測nCRT療效的敏感度及特異度均有限[25]。腫瘤分子生物標志物DNA甲基化、腫瘤免疫微環境、miRNA、APAF-1、Ki67血管內皮生長因子、KRAS、P53、MLH1和MSH2等對nCRT療效也具有一定的預測價值[26-28],但基因檢測昂貴,臨床應用價值有限。

本研究提取了游程矩陣特征、灰度共生矩陣特征、幾何特征以及小波特征,且多因素分析結果表明影像組學標簽是nCRT療效的獨立預測因子,游程矩陣、灰度共生矩陣等特征在預測nCRT療效中具有重要價值,與文獻研究結果一致[29]。本研究首次聯合了T2WI序列橫軸面、矢狀面及冠狀面多方位MRI圖像手動勾畫ROI,既克服了勾畫腫瘤體積的費時費力、可重復性差等缺點,也優化了勾畫腫瘤單一方位最大層面圖像缺乏對病灶整體信息反應的不足,并且構建的影像組學標簽模型預測nCRT療效的AUC值為0.731,高于文獻報道(AUC值為0.71)[30]。本研究最大限度納入了臨床、影像對nCRT療效有預測價值的因子,影像組學標簽聯合CEA、EMVI等獨立預測因子后,模型預測效能進一步提高,AUC值為0.811。Shi等[31]也發現影像組學標簽聯合獨立預測因子后確實能提高模型的預測效能。而且本研究的預測模型在訓練組和驗證組中也得到了很好的驗證,AUC值分別為0.824、0.809,校準曲線也顯示很好的校準度。Bibault等[32]采用不同模型預測nCRT療效,結果顯示深度學習神經網絡、線性回歸和支持向量機模型預測pCR的AUC值分別為0.72、0.52、0.62。而本研究模型的預測效能均高于上述模型,模型可靠性高、操作簡單,只需將每例LARC患者nCRT前CEA水平是否高于3.4 ng/mL、EMVI是陽性還是陰性以及影像組學標簽評分代入到nomogram圖中進行賦分,就可以計算出nCRT反應良好的概率;從而輔助臨床在治療前對nCRT療效進行預測分層,確定哪些患者可以從nCRT中獲益,為評估LARC患者是否需要nCRT提供影像依據。對nCRT無效的患者,及時手術可能是最佳的治療策略,同時也避免了放化療的副作用;從而推動個體化治療,使患者生存預后獲得最大收益。

本研究存在以下局限性:首先,本研究為回顧性設計,存在不可避免的選擇偏倚,且患者來自同一機構,有待多中心數據進行外部驗證;其次,由于DCE-MRI在日常工作中并沒有常規使用,并且預測價值較低,而ADC值預測nCRT療效的敏感度和特異度均不高[33]。而T2WI序列在日常工作中使用更多,并且預測效能更高。故本研究僅研究了T2WI序列影像組學特征,并且僅構建了logistics回歸模型,有待增加DCE-T1等序列進一步研究,并構建支持向量機、隨機森林等不同預測模型;最后,由于樣本量有限,本研究未對pCR單獨建模,有待擴大樣本量建立pCR模型進一步研究。

綜上所述,基于T2WI序列橫軸面、矢狀面及冠狀面圖像構建的多方位影像組學標簽可作為新的生物標志物在治療前對LARC患者nCRT療效進行預測,聯合CEA、EMVI等構建的聯合預測模型,預測效能進一步提高,可為LARC患者個體化診療方案的制定,實現患者最大治療收益,同時減少不必要的治療損傷提供重要依據。