基于胸腔積液生物標志物和CT征象的肺癌風險模型的建立與驗證

涂宇琴，吳 燕，陸云峰，陳 特，畢小云△

重慶醫科大學附屬第一醫院：1.醫學檢驗科；2.輸血科；3.放射科，重慶 400016

肺癌在全球是導致癌癥相關死亡的主要原因[1]。惡性胸腔積液是滲出性胸腔積液的第二大主要原因[2]。為了鑒別良惡性胸腔積液，目前常見的非侵入性診斷方法如生物標志物檢測已廣泛應用于肺癌的診斷，其中癌胚抗原(CEA)和細胞角蛋白19片段(CYFRA21-1)是肺癌診斷、治療監測和預后判斷中常用的生物標志物[3-4]。胸腔積液CEA是區分腫瘤與非腫瘤性胸腔積液最常見的指標[5-6]；細胞學檢查為金標準，但靈敏度僅為60%[7]；低劑量CT(LDCT)篩查使肺癌病死率降低20%，但其假陽性率較高[8-9]。肺泡灌洗、經皮肺穿刺活檢、胸腔鏡手術等侵入性診斷方法在臨床較常用，可與實驗室和影像學檢查相互補充，但這些方法成本偏高、風險較大，患者的耐受性較差。目前，使用數學模型預測肺癌風險是國內外推薦使用的方法[10]。為此，本實驗基于生物標志物與CT征象建立肺癌風險模型，通過外部驗證證實該模型具有較高的診斷性能及可重復性，可用于評估伴有胸腔積液的肺部病變患者罹患肺癌的風險。

1 資料與方法

1.1一般資料 采用回顧性研究設計，將2017年1月至2020年5月首次在本院行胸腔穿刺術的1 664例患者按納入、排除標準篩選出訓練集460例胸腔積液患者用于構建模型，134例胸腔積液患者研究對象組成驗證集，對模型進行外部驗證。訓練集中肺癌組237例患者，對照組223例患者；驗證集中肺癌組67例患者，對照組67例患者。肺癌組包括細胞學或組織病理活檢確診的腺癌、鱗癌、小細胞肺癌患者，對照組為同期住院的其他呼吸系統疾病(結核、肺炎、慢性阻塞性肺疾病等)并伴有胸腔積液的患者。

納入標準：(1)有完整的臨床資料，包括如年齡、性別、吸煙情況、腫瘤家族史和惡性腫瘤病史；(2)有完整的CT征象，包括腫塊最大直徑(cm)、病變位置、腫塊有無分葉、毛刺、血管會聚、空氣支氣管征和胸膜凹陷征；(3)有完整的實驗室數據，包括胸腔積液清蛋白(ALB)、球蛋白(GLB)、乳酸脫氫酶(LDH)、總膽紅素(TBIL)、總蛋白(TP)、ALB/GLB比值(A/G)、CEA和CYFRA21-1。排除標準：(1)5年內有惡性腫瘤病史；(2)瀕臨死亡的病例；(3)患有慢性腎功能不全、糖尿病、肝硬化等可導致CEA等檢查指標假陽性的疾病；(4)慢性病毒感染；(5)孕婦或者哺乳期；(6)器官移植。

1.2儀器與試劑 采用羅氏Cobas e602電化學發光法，檢測CEA和CYFRA21-1水平；羅氏Cobas c701全自動生化分析儀檢測TP、ALB、LDH、TBIL和A/G。采用64層螺旋CT對患者進行胸部掃描，收集平掃和(或)增強CT數據，詳細記錄病變部位特征。所有CT圖像由兩名經驗豐富的胸部組放射科醫師解讀，對有爭議的結果由兩者協商并達成一致。

1.3方法 結合臨床及既往研究經驗對潛在危險因素進行特征選擇，在5個臨床基本資料(性別、年齡、吸煙史、腫瘤家族史和腫瘤病史)，7個影像學特征(腫塊最大直徑、分葉征、毛刺征、胸膜凹陷征、血管集束征、空氣支氣管征和病變位置)和8個胸腔積液檢測結果(CEA、CYFRA21-1、ALB、GLB、LDH、TBIL、TP和A/G)中，利用多因素Logistic回歸分析在五折交叉驗證中的分類結果來選擇出最優的特征組合。采用一個標準誤差(one-standard-error)準則作為后向選擇的停止準則。模型1由臨床-放射學結合生物標志物參數構成，模型2僅包括臨床-放射學參數，以對比將生物標志物與CT征象聯合后模型診斷性能的變化。同時為有胸腔穿刺禁忌證的患者提供替代模型2。

2 結 果

2.1訓練集、驗證集臨床資料 訓練集中肺癌組237例，其中腺癌158例，鱗癌49例，小細胞肺癌30例。對照組223例患者中結核146例，肺炎34例，其他病變43例。肺癌組平均年齡大于對照組(P<0.001)，且肺癌患者中吸煙更常見；與對照組比較，肺癌組病變處呈現的分葉征、毛刺征、胸膜凹陷征、血管集束征、空氣支氣管征等征象更多見(P<0.05)。訓練集中肺癌組和對照組的胸腔積液CEA、CYFRA21-1、ALB、GLB、TBIL水平和A/G比較，差異均有統計學意義(P<0.05)。肺癌組與對照組腫瘤家族史占比比較差異無統計學意義(P=0.223)，但結合實際臨床經驗及既往研究，仍將該變量納入候選因素。驗證集中肺癌組和對照組各67例，其中腺癌47例，鱗癌17例，小細胞肺癌3例；結核34例，肺炎18例，其他病變15例，見表1、2。

表1 訓練集臨床特征

2.2建立肺癌風險模型 通過交叉驗證，模型1中肺癌的獨立危險因素包括腫瘤病史、腫塊最大直徑、空氣支氣管征、A/G、lgCEA和lgCYFRA21-1。模型2的參數為腫瘤病史、腫塊最大直徑、分葉征和血管集束征(表3)。根據Logistic回歸模型系數構建列線圖，實現模型可視化(圖1)。通過兩個列線圖可以實現肺部病變患者癌癥發生概率的個體化預測，計算得出的數值越高，患者發生肺癌的可能性越高。

表2 驗證集臨床特征

續表2 驗證集臨床特征

表3 多因素Logistic回歸模型

注：A為模型1；B為模型2。

2.3模型比較與驗證 訓練集與驗證集對應的ROC曲線見圖2，以AUC量化模型性能。在訓練集中模型1的AUC為0.979(95%CI：0.968～0.991)，模型2的AUC為0.932(95%CI：0.909～0.955)；驗證集中兩個模型的曲線下面積用AUC′表示，分別為0.911(95%CI:0.861～0.961)和0.846(95%CI：0.776～0.917)，反映了模型較高的外部適用性。通過Delong檢驗，訓練集中模型1的性能優于模型2，兩者AUC比較，差異有統計學意義(P<0.001),驗證集中P=0.009。校準曲線中Hosmer-Lemeshow擬合優度測試，兩個模型的P>0.05，分別為0.61和0.20，并且R2分別為0.85和0.70，表明模型擬合良好?？梢钥闯瞿Ｐ?的預測概率與觀測頻率之間一致性更好(圖3)。驗證隊列診斷分類表上模型1對肺癌患者的正確分類比例為86.6%，靈敏度91.0%，特異度82.1%，陽性預測值83.6%，陰性預測值90.2%；模型2正確分類比例為82.1%，靈敏度88.1%，特異度76.1%，陽性預測值78.7%，陰性預測值86.4%(表4)。模型1決策曲線分析在50%閾值概率下的凈收益為45.0%，模型2為39.8%，均優于基線模型。并且模型1的表現要優于模型2，在臨床上具有更好的應用價值(圖4)。

表4 驗證隊列模型的診斷分類

注：A為模型1、B為模型2；AUC與AUC′分別代表訓練集與驗證集模型曲線下面積。

注：A為模型1；B為模型2。

3 討 論

本研究使用臨床上易于獲取的基線資料、實驗室數據和CT圖像特征，來預估出現了胸腔積液的肺部病變患者罹患肺癌的風險大小，為良惡性胸腔積液診斷和是否需要進行進一步的侵入性檢查提供依據。模型1對肺癌的識別能力優于模型2(P<0.05)，決策曲線分析顯示其臨床應用價值也高于模型2，表明生物標志物與CT征象結合可以顯著提高肺癌模型性能。而模型2可以為有胸腔穿刺禁忌證的患者提供參考。通過構建列線圖實現了模型的可視化，對癌癥發生概率進行個體化預測。另外，模型變量與既往研究已經證實對結局指標有影響的協變量一致[3，11]，而且不需要額外的檢測和成本。

胸腔積液生物標志物可以為了解積液的性質提供額外的信息，特別是對于細胞學檢查陰性的病例。本研究結果顯示，CEA在列線圖中的權重較高，是肺癌較強的獨立預測因子，而CYFRA21-1與CEA水平一直被認為與肺癌的診斷和轉移密切相關，與既往研究一致[5,12]。A/G作為潛在變量被納入到回歸模型，可以反映胸腔積液中蛋白質組成的變化。影像學作為肺癌篩查的有效工具，是提高模型性能的另一個原因。從列線圖可以看出，腫塊最大直徑是肺癌較強的客觀預測因子，許多研究有相同的報道[3,10,13]?？諝庵夤苷骺捎脕龛b別肺癌、肺結核和肺炎，是惡性腫瘤的表現[14]。此外，血管穿行征提示癌性腫塊可能性更高[15]。YANG等[16]發現分葉征與惡性腫瘤的高風險相關。放射學征象作為肺癌的危險因素對模型作出了貢獻。本研究結果顯示，腫瘤病史與肺癌的發生密切相關，與YANG等[16]的肺癌模型結果一致。

優勢模型具有客觀、可重復性和低侵入性的特點，這也正是多學科數據整合的優勢所在。雖然本研究結果已初步顯示出對伴有胸腔積液的肺癌的預測能力，但仍需要更大的樣本量和多學科合作對模型進行優化。

近年來，隨著基因組學、蛋白質組學和代謝組學的發展，更多靈敏的技術可以幫助預測肺癌的風險，例如基因測序、microRNA、液體活檢及整合放射組學數據庫等。然而，這些指標在臨床上廣泛應用之前，需要經過多階段、大規模和長時間的臨床試驗及驗證。為了推動個體化醫學的發展，這些新方法需要與其他檢測方式進行結合。模型也將在以后納入更多先進的檢測指標，使其性能進一步優化，提高對肺癌的診斷效率。

本研究有一定的局限性。首先，本研究較準確地預測了出現胸腔積液的肺癌病變，包括腺癌、鱗癌、小細胞肺癌等，但部分腺癌可以出現早期轉移而沒有胸腔積液。因此，模型適用范圍包括出現胸腔積液的肺癌與出現胸腔積液的良性肺部病變之間的鑒別。其次，模型是基于回顧性研究的患者建立的，這些發現需要更大規模的、多中心的數據進行驗證。最后，如果患者有胸腔穿刺絕對禁忌證，缺少胸腔積液生物標志物數據會限制優勢模型1的使用，只能以模型2為替代。

本研究建立了一個新的基于胸腔積液生物標志物和CT征象的肺癌風險模型，能較準確地識別伴有胸腔積液的肺部病變的性質，并得到了驗證，可以為良惡性胸腔積液的診斷及是否進行侵入性檢查提供更準確的參考依據。