CT 影像組學聯合臨床及CT 特征預測胸腺上皮腫瘤TNM 分期

劉 晉，尹 平，王思聰，洪 楠*

［1.北京大學人民醫院放射科，北京 100044；2.通用電氣醫療（中國），北京 100176］

針對胸腺上皮性腫瘤（thymic epithelial tumor，TET）臨床分期方法較多，國際癌癥研究協會和國際胸腺惡性腫瘤興趣小組提出的TNM 分期系統更為具體、規范［1］，已獲得美國癌癥聯合委員會和國際癌癥控制聯盟2017 年第8 版《惡性腫瘤TNM 分期》認可［2］。對早期（TNM Ⅰ～Ⅱ期）TET 可通過手術切除實現長期無復發生存，而對晚期（TNM Ⅲ～Ⅳ期）TET 多需采用跨學科、多模式治療，包括根治性切除、輔助化學和放射治療［3］，準確預測TET TNM 分期至關重要。CT 是診斷TET 的重要影像學方法［4-5］。影像組學模型（radiomics model，RM）已廣泛用于預測腫瘤病理分型、分期及淋巴結轉移，以及患者預后等［6-7］。本研究觀察以TET 的CT 影像組學聯合臨床資料及CT 特征預測其TNM 分期的價值。

1 資料與方法

1.1 研究對象 回顧性分析2012 年7 月—2021 年12月北京大學人民醫院經手術病理證實的216 例單發TET 患者，男122 例、女94 例，年齡24～83 歲、平均（52.3±12.7）歲；均于術前1個月內接受胸部CT 掃描；以其中151 例TNM Ⅰ期者為早期組、27 例TNM Ⅲ期及38例Ⅳ期為晚期組（n=65）。排除CT 掃描前曾接受腫瘤相關治療或圖像質量差者。本研究經院倫理委員會批準（2023PHB154-001）；檢查前患者均知情同意。

1.2 儀器與方法 囑患者仰臥、雙臂上舉，掃描時屏氣。采用Philips Brilliance 256 層iCT（n=86）或 GE Lightspeed VCT（n=130）64 層CT 機 行胸部非增強CT（non-contrast-enhanced CT，NECT）掃描，管電壓120 kV，自動管電流或管電流150 mA，層厚5 mm，層間距0.980 mm/0.516 mm，重建層厚 1 mm/0.625 mm。之后采用高壓注射器以3.0 ml/s 流率經前臂靜脈注射對比劑碘溴胺或碘己醇（300 mgI/ml）1.0 ml/kg 體質量，延遲60 s 采集增強CT（contrast-enhanced CT，CECT）。

1.3 圖像分析 由具有5 或10 年胸部影像學診斷經驗的主治醫師（醫師1）和副主任醫師（醫師2）各1 名采用雙盲法獨立觀察CT 表現，包括病灶長徑、短徑（于腫瘤最大層面測量），病灶內有無鈣化及囊變、周圍脂肪浸潤，有無胸腔積液及縱隔淋巴結腫大（以淋巴結短徑＞1 cm 為標準）。2 名醫師評估結果有分歧時，經協商統一意見。

1.4 分割腫瘤 將CT 數據導入ITK-SNAP 軟件（3.6.0 版本，www.itksnap.org）手動分割腫瘤。由醫師1 于NECT 及CECT 中逐層手動勾畫病灶ROI（圖1），含邊緣毛糙和周圍脂肪浸潤區域，獲得相應感興趣容積（volume of interest，VOI）；由醫師2 進行審核。

圖1 分割腫瘤ROI 示意圖 A、B.于胸部軸位NECT（A）及CECT（B）中逐層勾畫腫瘤ROI（紅色區域）示意圖

1.5 提取及篩選特征 應用GE AK 軟件（3.3.0 版本）分別基于NECT 和CECT 提取1 338 個影像組學特征，以組內相關系數（intra-class correlation coefficient，ICC）分析基于不同CT 設備所獲CT 影像組學特征的一致性，保留ICC≥0.75 的特征。對特征進行預處理及歸一化，特征值超過時，以特定方差向量的中值加以替換；采用最大相關最小冗余法消除冗余及不相關特征，之后以最小絕對收縮和選擇算子算法篩選最優影像組學特征。

1.6 統計學分析及構建模型 采用R（版本3.5.1）和Python（版本3.5.6）軟件進行統計學分析。以中位數（上下四分位數）表示不符合正態分布的計量資料，組間行Mann-WhitneyU檢驗。采用χ2檢驗或Fisher 精確概率法比較計數資料。

分別基于NECT 和CECT 所獲最優影像組學特征以邏輯回歸方法構建二分類RM，獲得RMNECT和RMCECT；分別基于組間差異有統計學意義的臨床、CT特征及RM 構建RMNECT-臨床、RMCECT-臨床、RMNECT-臨床-CT及RMCECT-臨床-CT。按7∶3 比例將全部患者分為訓練集（n=151）及驗證集（n=65），采用5 折交叉驗證方法于訓練集對上述模型進行訓練，并以驗證集評估模型預測TET TNM 分期的效能。繪制受試者工作特征（receiver operating characteristic，ROC）曲線，計算曲線下面積（area under the curve，AUC）評估各模型預測效能。P＜0.05 為差異有統計學意義。

2 結果

2.1 臨床資料 2 組患者癥狀差異有統計學意義（P＜0.05），性別及年齡差異均無統計學意義（P均＞0.05）。見表1。

2.2 CT 表現 組間病灶周圍脂肪浸潤、縱隔淋巴結腫大及胸腔積液差異均有統計學意義（P均＜0.05），見表2。

表2 216 例TET 患者CT 表現比較

3.3 構建模型及評估效能 經ICC檢驗分別保留基于NECT 及CECT 獲得的1 125 個及1 218 個影像組學特征，再經最大相關最小冗余法分析各保留20 個特征，以最小絕對收縮和選擇算子算法分別選出2 個及9個最優特征（圖2）以構建RM。訓練集中，RMNECT-臨床-CT預 測TET TNM 分期的AUC（0.873）高 于RMNECT及 RMNECT-臨床（AUC=0.642、0.784，Z=4.445、3.689，P均＜0.001），RMCECT-臨床-CT的AUC（0.882）高于RMCECT及RMCECT-臨床（AUC=0.714、0.773，Z=4.143、3.847，P均 ＜0.001）；驗證集中，RMNECT-臨床-CT的AUC（0.864）高 于RMNECT及 RMNECT-臨床（AUC=0.634、0.721，Z=3.081、2.937，P=0.002、0.003），RMCECT-臨床-CT的AUC（0.920）高 于 RMCECT及RMCECT-臨床（AUC=0.689、0.751，Z=2.698、2.390，P=0.007、0.017）。見圖3 及表3。

表3 各模型預測TET TNM 分期效能

圖3 各模型預測TET TNM 分期的ROC 曲線 A、B.RMNECT、RMNECT-臨床、RMNECT-臨床-CT 在訓練集（A）及驗證集（B）；C、D.RMCECT、RMCECT-臨床、RMCECT-臨床-CT在訓練集（C）及驗證集（D）

3 討論

重癥肌無力是TET 主要臨床表現之一，而早期TET 患者常無明顯臨床癥狀［8］。本研究中，僅14例患者（14/216，6.48%）臨床表現為重癥肌無力，且相比早期組，晚期組CT 顯示病灶周圍脂肪浸潤、縱隔淋巴結腫大及胸腔積液者占比更高。由于臨床準確區分早期與晚期TET 存在一定難度，使得尋找可用于術前評估TET TNM 分期的定量參數至關重要。

基于腫瘤異質性，影像組學可非侵入性地定量分析腫瘤特征，監測腫瘤發生、發展及其對于治療的反應，以協助臨床制定治療方案［9-11］。既往研究［12-13］以影像組學進行TET 分期及風險分類等，獲得良好效果。本研究分別基于216 例TET 患者的NECT 和CECT 構建RM 預測TET TNM 分期，結合臨床及CT 特征分別構建臨床-影像組學及臨床-CT-影像組學模型，所獲RMNECT和RMCECT在驗證集的AUC 分別為0.634 及0.689，低于BLüTHGEN 等［12］結果（AUC=0.838），可能與所提取影像組學特征、分類方法或檢查方法不同有關；RMNECT-臨床和RMCECT-臨床在驗證集的AUC 分別為0.721、0.751，而RMNECT-臨床-CT和RMCECT-臨床-CT在驗證集的AUC 分別為0.864 及0.920，高于其他模型，表明RM 結合臨床及CT 特征可提高效能，為鑒別TET TNM 分期提供更多依據。

綜上所述，CT 影像組學聯合臨床資料及腫瘤CT特征能有效預測TET TNM 分期。但本研究為單中心回顧性分析，樣本量有限，有待后續通過多中心、前瞻性多模態成像研究進一步觀察。

利益沖突：全體作者聲明無利益沖突。

作者貢獻：劉晉研究設計和實施、查閱文獻、圖像分析、撰寫文章；尹平指導、研究設計、圖像分析、修改文章；王思聰圖像處理、數據和統計分析；洪楠指導、研究設計、審閱文章。