詹鹏超,刘珂衍,邱庆雅,沈佳宁,刘娜娜,王会霞,吕培杰,李臻,高剑波

胆管癌是一种起源于胆管上皮细胞的恶性肿瘤,约占消化系统恶性肿瘤的3%[1,2],根据解剖部位可分为三种亚型,其中肝门部胆管癌(perihilar cholangiocarcinoma,pCCA)最为常见。pCCA患者总体预后偏差[3],神经侵犯(perineural invasion,PNI)是导致其预后差、总生存期短的重要危险因素,PNI状态的评估对于指导患者治疗和预后分层有重要临床价值[4,5]。然而,目前PNI的诊断主要依赖有创的病理标本的组织学检查,亟待开发术前无创性评估PNI状态的检测手段。近年来,作为一种新兴工具,影像组学在肿瘤的鉴别诊断、疗效评估和预后评价等方面展现了巨大潜力[6],既往文献已证明CT影像组学评估肿瘤PNI状态的价值[7-10]。然而,目前国内未见CT影像组学预测pCCA患者PNI的相关报道。因此,本研究旨在基于术前CT构建预测pCCA患者PNI的影像组学模型,并评价其效能。

材料与方法

1.研究对象

本研究为回顾性研究,已获得郑州大学第一附属医院伦理委员会批准(2021-KY-0778-001),并豁免签署知情同意书。回顾性分析2013年2月-2021年2月149例经病确诊的pCCA患者的临床资料,其中PNI组患者108例,无PNI组患者41例。纳入标准:①接受根治性手术或姑息性手术切除并经病理诊断为肝门部胆管癌;②术前2周内在本院接受了CT增强扫描检查。排除标准:①病理报告中无PNI诊断结果;②患者CT扫描前接受过其他抗肿瘤治疗或胆道引流;③CT图像厚度大于3 mm。使用R语言将所有患者按3:1比例随机分为训练集(n=112)和验证集(n=37)。纳入研究指标包括年龄、性别、临床症状、CA19-9(≤40或>40 U/mL)、CEA(≤5或>5 ng/mL)、CA125(≤35或>35 U/mL)、Bismuth分型、临床T分期(cT)和N分期(cN)。

2.仪器与方法

所有患者接受腹部三期增强扫描,扫描仪采用:GE Revolution CT,管电压120 kVp,管电流50～500 mA,螺距0.992:1,旋转时间0.5 s,探测器宽度80 mm,STAND重建算法,扫描层厚和层间距5 mm,重建层厚0.625 mm;Aquilion ONE,管电压120 kVp,管电流350 mA,旋转时间0.5 s,扫描层厚和层间距5 mm,重建层厚2 mm。经肘静脉以3.0～4.0 mL/s流率注射碘普罗胺(1.5 mL/kg),在注射后延迟20～30 s和55～70 s获得动脉期(AP)和静脉期(VP)CT 图像。

3.影像组学特征提取和模型建立

①病灶分割和特征提取:将所有患者的静脉期图像上传至开源图像处理软件3D Slicer 4.13.0(https://www.Slicer.org/),由两名具有5年以上腹部疾病诊断经验的放射科医师进行图像分析[3,11],评估Bismuth分型,cT和cN分期,意见不一致时协商解决。在所有层面上沿肿瘤边缘手动进行病灶感兴趣区(ROI)的勾画(图1),为了确保提取影像组学特征的可重复性,随机选择50例患者的CT图像由两名放射科医生共同勾画进行一致性分析,获取组内相关系数(intraclass correlation coefficient,ICC),剩余CT图像ROI勾画由其中一名医生完成。

图1 肝门部胆管癌ROI示意图。a)静脉期CT图像;b)沿肿瘤边缘逐层手动勾画ROI;c)融合后的3D ROI示意图。

为降低扫描方案的影响,在特征提取前进行图像预处理:首先将其体素重采样为3 mm×3 mm×3 mm,然后以组距(Bin Width)25进行灰度值离散化处理,最后用3D Slicer中的插件PyRadiomics (https://www.radiomics.io/pyradiomics.html)提取原始特征和小波转化特征[12]。

②特征筛选:按照以下三个步骤进行:①选择ICC>0.75的特征;②排除冗余特征:采用Pearson相关性分析剔除高度相关(Pearson相关系数≥0.9)的特征对中平均绝对相关系数更大者[13];③采用随机森林算法(RF)对所有特征进行重要性排序,经过10折交叉验证,得出平均诊断错误率最低时的特征数量n,选取前n个最重要的特征构建模型。

③模型建立及评估:根据筛选出的特征在训练集中建立随机森林模型,并在验证集进行验证,将模型预测概率作为影像组学评分(Radiomics Score)[14,15],采用准确率、敏感度、特异度及受试者操作特征(receiver operator characteristic,ROC)曲线等评估模型效能。

4.统计学分析

采用Graphpad prism 9 软件进行临床资料统计,计量资料以平均值±标准差表示,采用t检验或Wilcoxon秩和检验比较组间差异;计数资料以频数表示,采用Fisher's精确检验比较组间差异。基于R语言统计分析软件(4.0.3)进行特征筛选和模型构建及评价,以P<0.05为差异有统计学意义。

结 果

1.临床资料

本研究共纳入149名pCCA患者,其中男83例,女66例,平均年龄(61.3±9.3)岁,肿瘤的组织学类型均为腺癌。训练集和测试集的临床基线数据之间差异无统计学意义。在训练集中,PNI组和无PNI组对比,Bismuth分型及Radiomics Score差异具有统计学意义,其他临床特征差异无统计学意义。而在验证集中,两组患者对比,仅Radiomics Score差异具有统计学意义。所有患者的基线资料见表1。

表1 所有患者基线资料比较 (例)

2.影像组学特征提取及模型建立

从静脉期图像中共提取851个影像学特征,包括14个形状特征,18个一阶特征,75个纹理特征和744个小波特征。基于ICC和相关性分析共筛选出361个特征,基于随机森林算法对包括临床特征、影像组学特征在内的所有特征进行重要性排序,经过10折交叉验证,当特征数量为18时,诊断错误率最低(图2)。筛选出前18个最重要的特征建立模型(图3)。

图2 模型诊断错误率与特征数量的关系示意图。采用随机森林算法经10折交叉验证,当特征数量为18时,诊断错误率最低。 图3 特征重要性排序示意图。随机森林算法根据平均降低准确率筛选出来的前18个重要特征。

基于所筛选特征建立RF模型,训练集及验证集中PNI组和无PNI组患者的Radiomics score差异具有统计学意义(图4)。在训练集中,RF模型的准确率、敏感度、特异度均为100%,AUC为1;在验证集中,RF模型的准确率为70.3%,敏感度为59.3%,特异度为100%,AUC为0.846(0.713～0.979)。RF模型在训练集和验证集中的诊断效能见表2,ROC曲线见图5。该模型对pCCA患者PNI状态具有良好的预测效能,可用于术前预测肝门部胆管癌患者的神经侵犯状态。

表2 RF模型在训练集和验证集中的诊断效能对比

图4 影像组学评分分布图。a)训练集中影像组学评分分布图,神经侵犯组(PNI=1)和无神经侵犯组(PNI=0)差异具有统计学意义;b)验证集中影像组学评分分布图,神经侵犯组(PNI=1)和无神经侵犯组(PNI=0)差异具有统计学意义。 图5 随机森林模型预测PNI的ROC曲线。

pCCA恶性程度高,预后差,据文献报道,其中位总生存期只有5～10个月[1,16],R0切除术可显著延长患者总生存期甚至达到临床治愈,然而只有13%～32%的患者有机会接受手术切除,并且一年内复发率高于50%[1,17,18]。PNI是胆道pCCA的组织学特征之一,发生率高达56%～88%[19]。既往文献报道PNI是pCCA患者预后差、总生存期短的重要危险因素[20],PNI阴性患者5年总生存率约为63.7% ,PNI阳性患者5年总生存率约为34.9%[21,22],差异具有统计学意义。此外,PNI亦是导致R0切除术后肿瘤复发的独立危险因素,因此对PNI的术前诊断对于指导患者治疗和预后至关重要[22-24]。

传统影像学工具如CT和MRI是诊断和评估pCCA的重要手段,可进行良恶性鉴别和临床分期等,但其对PNI的诊断价值有限。目前,PNI主要通过手术标本病理组织学检查确诊,不能提供及时有效的诊断信息,并且不适用于无手术机会的患者。近年来,影像组学研究得到了蓬勃发展,通过影像图像提取海量定量特征来量化肿瘤的生物学特点[25,26],对于疾病的精准诊疗和预后预测具有重要临床价值[27,28]。已有研究表明影像组学在肿瘤PNI的术前预测中具有潜在价值[29,30],Li等[31]结合CT和MRI图像开发的多模态影像组学模型预测直肠癌PNI达到了良好的效能,训练数据集AUC为0.906 (0.833～0.979);测试数据集AUC为0.884(0.761～1.000)。Huang等[32]基于MRI图像构建的影像组学模型在预测肝外胆管癌的PNI方面亦表现良好的性能和潜力,但其患者数量偏少(n=101),并且同时纳入了了肝门和远端胆管癌患者。

目前国内尚未见使用影像组学预测肝外胆管肿瘤PNI的相关报道。本研究基于治疗前静脉期CT图像,通过随机森林算法率先构建了可预测pCCA PNI的RF模型,结果显示,在训练集和验证集中,PNI组和无PNI组的Radiomics score差异具有统计学意义,并且AUC分别达到了1和0.846,证明该模型诊断效能良好。既往研究[33]报道了使用术前能谱CT预测胃腺癌PNI的临床价值,基于cT分期联合标准化延迟期碘浓度建立的临床模型AUC达到了0.832,但其诊断效能仍低于RF影像组学模型,且缺乏进一步验证。值得注意的是,本研究中筛选的影像组学特征均为小波特征,表明小波特征可能对PNI诊断更为敏感,既往文献亦有相关报道,小波特征可提供更多的图像信息,诊断价值可能优于其他特征[34]。此外,在临床特征方面,Guo等发现直肠癌术前PNI的独立危险因素包括CT报告中的T分期、N分期以及癌胚抗原(CEA)水平等临床因素[35]。然而,本研究并未得出类似的结果,可能是由于肿瘤类型不同、样本量较小导致数据偏差等原因所致。既往研究表明,pCCA的PNI与肿瘤的浸润深度等病理学指标密切相关[36]。然而,本研究的目的是建立手术切除前的非侵入性预测模型,因此并没有考虑病理学因素的影响。此外,考虑到临床因素对于肿瘤预测的重要性,笔者未来将进一步探讨pCCA发生PNI的相关临床因素。

本研究存在以下局限性:①本研究属于回顾性研究,可能存在数据偏倚;②样本数量有限,并且存在数据类别不均衡的问题(PNI组108例,无PNI组41例),这可能间接导致了模型在测试集中特异度偏高(100%),而敏感度偏低(59.3%),未来有待继续开展多中心大样本研究,并均衡纳入不同患者以完善模型;③CT扫描协议不统一,不过已通过多种图像预处理降低其影响。

总之,本研究基于CT建立的影像组学模型具有良好的诊断效能,为术前评估pCCA患者的PNI状态提供了无创性预测工具,有助于指导pCCA患者的预后,优化治疗策略。