CT影像組學對食管鱗癌病理分化程度的預測價值

陳 華,丁 聰,張 繼,田為中

（泰州市人民醫院影像科 江蘇 泰州 225300）

食管癌是臨床中發病率較高的食管黏膜上皮腫瘤疾病[1]，絕大多數食管癌均為鱗狀細胞癌，而鱗狀細胞癌的分化程度將會直接影響患者的臨床治療效果及預后[2]。針對不同分化程度的鱗狀細胞癌患者而言，即使采取相同的診治措施也會出現不同的治療效果。因此，對于食管癌患者而言，開展手術治療前對食管癌的分化程度實施診斷鑒別對其臨床治療結局與預后評估具有重要影響作用。現階段，常規CT檢查技術在食管癌的常規診斷與分期中具有良好且廣泛的應用效果，但是對食管鱗狀細胞癌分化程度的研究相對匱乏。影像組學方法能夠通過機器將圖像轉化為高維特征，促使圖像數據化，同時也在一定程度上避免了傳統影像醫師自身因素對診斷的影響，確保檢測結果更加客觀，也能夠促使影像醫師更好地對腫瘤內部環境展開分析[3]。本次研究選取2018年6月—2020年4月于我院接受診治處理的食管鱗狀細胞癌患者36例作為研究對象，著重討論CT影像組學在食管鱗狀細胞癌病理分化程度預測中的應用價值，現報告如下。

1 資料與方法

1.1 一般資料

納入36例在我院接受診治處理的食管鱗狀細胞癌患者作為研究對象，接受診治時間為2018年6月—2020年4月，入選病例中共計包括24例男性患者以及12例女性患者，年齡均數為（58.28±3.42）歲。入選患者均經相關診斷標準明確診斷為食管鱗狀細胞癌，不存在化療、放療治療經歷，排除造影劑過敏、腫塊位于食管或胃交界處以及圖像質量過差而導致診斷結果受到一定影響的患者。本研究經醫院倫理委員會批準，患者對本研究知情并已簽署知情同意確認書。

1.2 方法

選取西門子128排螺旋CT機，予以患者上胸部增強掃描。相關參數設定如下：管電流設定為260～300mA，管電壓設定為120kV，層厚度設定為5mm，螺距設定為1，準直設定為0.625mm×64，矩陣設定為512×512，機架轉速設定為0.5s/r。使用高壓注射器經由肘靜脈將90mL增強對比劑碘帕醇注入，流速為2.5mL/s，注射劑量為90～100ml。30s延遲后實施動脈期CT增強掃描，60s延遲后實施實質期CT增強掃描。收集并分析患者的影像學資料，將獲取的CT影像上傳至醫學影像信息系統。

通過相關軟件手動勾畫感興趣區域，勾畫時選取腫塊最大層面的圖像，沿腫瘤邊界盡可能地包含腫瘤區域，同時應盡可能避開壞死區域及出血區域，以免對測定結果的準確性產生不良影響。

針對實施分割處理的圖像，使用相關軟件對圖像實施影像組學特征提取處理。將入選的36例患者以隨機數字表機劃分成訓練集與驗證集，例數依次為24例、12例。每例共計提取5000個影像組學特征。提取的影像組學特征主要四類，具體如下：（1）小波變換等特征；（1）一階灰度統計量，包括能量、偏度、峰度等；（2）紋理特征：基于灰度游程矩陣、灰度區域矩陣、灰度共生矩陣等的特征；（3）形態學特征：腫瘤體積、直徑、表面積等。

結合獲取的影像組學標簽與臨床資料展開多變量回歸分析，建立影像組學模型并進行驗證。通過受試者操作特征曲線評價模型術前預測食管鱗狀細胞癌分化程度的效能。

1.3 統計學處理

統計分析軟件選用SPSS20.0，計量資料采用t檢驗（或秩和檢驗），結果數據的表現形式為（）；計數資料采用χ2檢驗，結果數據的表現形式為率。P＜0.05認定差異存在統計學意義。利用AUC對提取的影像組學特征進行評估篩選；運用AUC對構建的相關模型評價食管鱗狀細胞癌分化程度的效能進行評估。

2 結果

2.1 患者的基線資料、影像組學評分、腫塊位置分析

訓練集與驗證集患者的年齡、性別等基線資料比較，差異不存在明顯的統計學意義（P＞0.05）；訓練集與驗證集患者的食管鱗狀細胞癌生長部位比較，差異不存在明顯的統計學意義（P＞0.05）；在訓練集與驗證集組中，影像組學評分比較，差異具有明顯的統計學意義（P＜0.05）。見表1。

表1 患者的基線資料、影像組學評分、腫塊位置分析

2.2 影像組學模型的創建

對5000個影像組學特征降維，運用回歸分析軟件對剩余的28個影像組學特征進行進一步篩選。在本研究中，使用10倍交叉驗證，選取交叉驗證中誤差最小、AUC較大處的Lambda值用于特征選取。選出的9個特征用于構建影像組學模型，9個特征依次為LoG_1.5_RLV,LoG_2.0_NGTDM_Contrast,bior3.7_1_SRLGLE,bior5.5_4_MP,rbio1.1_1_HGZE,db10_5_IDN,db10_5_LGZE,db8_4_SRLGLE,rbio3.1_1_SZN。其中RLV：游程方差，用于度量運行長度的運行差異；contrast：對比度，用于衡量空間強度的變化；SRLGLE短游程低灰度游程強度，衡量較低灰度值的短游程的分布情況；MP：最大概率，反映矩陣中出現最多的共生對的概率；HGZE：高灰度值空間強度，衡量高灰度值的連通區域的分布；IDN：歸-化逆差，衡量圖像局部均勻性；LGZE：低灰度值空間強度，衡量低灰度值的連通區域的分布；SZN：空間不均勻性，衡量整個圖像中連通區域的可變性。

2.3 影像組學模型的效能評價

應用影像組學構建的模型開展效能評價。在訓練集中，AUC值為0.778，特異性為72.10%，靈敏度為80.37%；在驗證集中，AUC值為0.755，特異性為73.38%，靈敏度為70.46%。

3 討論

食管鱗狀細胞癌患者的自身分化缺陷與疾病的發生、發展具有緊密相關性，而且食管鱗狀細胞癌的分化程度將會對患者的治療結局及預后效果產生直接的影響作用[4]。因此，開展手術治療前予以食管鱗狀細胞癌患者病理分化程度評估，對患者預后的改善具有重要意義。相關研究表明，影像組學可清晰地呈現腫瘤本身的異質性以及其生物學特性，這在一定程度上實現了常規診斷措施不足之處的有效彌補。常規CT檢查技術在食管癌的常規診斷與分期中具有良好且廣泛的應用效果，但是對食管鱗狀細胞癌分化程度的研究相對匱乏。常規影像學主要采用寶石CT能譜以及18F-FDG PET-CT等方式對食管鱗狀細胞癌分化程度進行預測分析，但由于檢查費用相對高昂，因此臨床應用存在一定局限性。相關研究表明[5]，相較于傳統研究方法，影像組學具有較高的經濟價值，在研究樣本量方面具有較大優勢，而且可靠性相對較高。影像組學方法是指基于CT圖像，促使圖像數據化，借助機器將圖像轉化為高維特征，同時也在一定程度上避免了傳統影像醫師自身因素對診斷的影響，提升檢測結果的客觀性與準確性，有利于影像醫師了解并掌握腫瘤內部的環境情況，并以此為依據展開研究分析，對于包括分化程度在內的生物學研究具有積極意義。本次研究應用影像組學方法對食管鱗狀細胞癌病理分化程度展開預測評估，通過CT影像技術實現腫瘤影像特征的有效提取，同時將檢測結果與臨床相關資料相結合，以此為基礎創建具備篩選效能的預測模型。針對5000個影像組學特征降維，并運用回歸分析軟件針對剩余的28個影像組學特征展開進一步篩選，應用10倍交叉驗證，選取交叉驗證中誤差最小、AUC較大處的Lambda值用于特征選取，選出的9個特征用于構建影像組學模型，并以此為基礎創建多變量回歸模型。通過創建的模型對訓練集與驗證集食管鱗狀細胞癌患者的病理分化程度展開預測評估。本次研究發現，訓練集與驗證集患者的年齡、性別等基線資料比較，差異不存在明顯的統計學意義；訓練集與驗證集患者的食管鱗狀細胞癌生長部位比較，差異不存在明顯的統計學意義；在訓練集與驗證集組中，患者的影像組學評分比較，差異存在明顯的統計學意義。應用影像組學構建的模型開展效能評價。在訓練集中，AUC值為0.778，特異性為72.10%，靈敏度為80.37%；在驗證集中，AUC值為0.755，特異性為73.38%，靈敏度為70.46%。提示該模型對食管鱗狀細胞癌的分化程度具有一定的評價效能。此外，性別、年齡等基線資料以及腫瘤生長部位等信息均不能作為病理分化程度的獨立預測因素，難以用于模型的構建。不論是訓練集還是驗證集中，創建的影像組學模型均對食管鱗狀細胞癌病理分化程度具有一定的預測效能，能夠為術前食管鱗狀細胞癌的病理分化程度預測提供良好幫助。

綜上所述，CT影像組學在食管鱗狀細胞癌病理分化程度預測中的應用價值較為理想，有助于提高臨床診斷的特異性與靈敏度，能夠為后續的臨床治療提供更加可靠、準確的數據支持。