影像组学联合临床特征对非小细胞肺癌EGFR突变的预测价值.pdf

本文引文格式:黄必贵,农欣欣,邹清艺,等.影像组学联合临床特征对非小细胞肺癌E G F R突变的预测价值J.右江民族医学院学报,2 0 2 4,4 6(2):1 9 2-1 9 9.【论著与临床报道】影像组学联合临床特征对非小细胞肺癌E G F R突变的预测价值黄必贵1,农欣欣1,邹清艺1,周婷1,吴英宁2(1.右江民族医学院研究生学院,广西 百色 5 3 3 0 0 0;2.右江民族医学院附属医院,广西 百色 5 3 3 0 0 0)摘 要:目的 探讨基于胸部C T影像组学联合临床特征的列线图在非小细胞肺癌(N S C L C)表皮生长因子受体(E G-F R)基因突变中的预测价值。方法 回顾性分析2 1 0例经病理证实为N S C L C患者的术前临床资料及非增强薄层C T图像,将所有N S C L C患者分为E G F R突变组1 4 0例及E G F R野生组7 0例,按82的比例将其随机分配到训练组和验证组,提取C T平扫图像上的肿瘤影像组学特征,应用最小绝对收缩和选择算子(L A S S O)回归分析来筛选特征,同时建立影像组学预测模型,并纳入临床特征(C T影像学特征及患者临床资料)、影像组学标签构建综合预测模型,并基于综合预测模型绘制列线图,实现模型可视化,并进行模型验证。绘制受试者工作特征(R O C)曲线、校准曲线和决策曲线(D C A)用于评估模型预测性能和临床效用。结果 利用影像组学标签预测E G F R突变状态的训练组AU C=0.7 5 6,验证组AU C=0.6 9 6,临床特征模型中训练组AU C=0.8 1 1,验证组AU C=0.6 5 1,将影像组学标签联合临床特征构建综合预测模型后可提高对E G F R突变状态的预测效能,其训练集AU C=0.8 4 7,验证集AU C=0.7 4 0。结论 与单独的临床特征或影像组学标签相比,联合影像组学标签和临床特征构建的综合模型对预测N S C L CE G F R基因突变方面具有更好的预测效能,有助于指导临床治疗策略。关键词:影像组学;癌,非小细胞肺;表皮生长因子受体;基因突变中图分类号:R 7 3 0.2 6 文献标识码:A 文章编号:1 0 0 1-5 8 1 7(2 0 2 4)0 2-0 1 9 2-0 8d o i:1 0.3 9 6 9/j.i s s n.1 0 0 1-5 8 1 7.2 0 2 4.0 2.0 0 8P r e d i c t i v ev a l u eo f i m a g i n gc o m b i n e dw i t hc l i n i c a l f e a t u r e sf o rE G F Rm u t a t i o n i nn o n-s m a l l c e l l l u n gc a n c e rH u a n gB i g u i1,N o n gX i n x i n1,Z o uQ i n g y i1,Z h o uT i n g1,WuY i n g n i n g2(1.G r a d u a t eS c h o o l,Y o u j i a n gM e d i c a lU n i v e r s i t yf o rN a t i o n a l i t i e s,B a i s e5 3 3 0 0 0,G u a n g x i,C h i n a;2.T h eA f f i l i a t e dH o s p i t a l o fY o u j i a n gM e d i c a lU n i v e r s i t yf o rN a t i o n a l i t i e s,B a i s e5 3 3 0 0 0,G u a n g x i,C h i n a)A b s t r a c t:O b j e c t i v e T o i n v e s t i g a t e t h ep r e d i c t i v ev a l u eo f c h e s tC Ti m a g i n gc o m b i n e dw i t hc l i n i c a l f e a-t u r e s i ne p i d e r m a lg r o w t hf a c t o rr e c e p t o r(E G F R)g e n em u t a t i o ni nn o n-s m a l lc e l l l u n gc a n c e r(N S C L C).M e t h o d s P r e o p e r a t i v ec l i n i c a ld a t aa n du n e n h a n c e dt h i n-s l i c eC Ti m a g e so f2 1 0p a t i e n t sw i t hp a t h o l o g i c a l l yp r o v e nN S C L Cw e r e r e t r o s p e c t i v e l ya n a l y z e d.A l lN S C L Cp a t i e n t sw e r ed i v i d e d i n t oE G F Rm u t a n tg r o u p(1 4 0c a s e s)a n dE G F Rw i l dg r o u p(7 0c a s e s),r a n d o m l ya s s i g n e dt ot r a i n i n gg r o u pa n dv a l i d a t i o ng r o u p(i na82r a t i o),a n dt u m o r i m a g i n g f e a t u r e s o nC Tp l a i ns c a n i m a g e sw e r e e x t r a c t e d.M i n i m u ma b s o l u t e c o n t r a c t i o na n ds e l e c t i o no p e r a t o r(L A S S O)r e g r e s s i o na n a l y s i sw a su s e dt os c r e e nf e a t u r e s,a n da ni m a g i n go m i c sp r e d i c t i o nm o d e lw a se s t a b l i s h e d.C l i n i c a l f e a t u r e s(C Ti m a g i n gf e a t u r e sa n dp a t i e n t c l i n i c a l d a t a)a n d i m a g i n go m i c s l a-291第4 6卷 第2期 右江民族医学院学报 V o l.4 6N o.22 0 2 4年4月 J o u r n a l o fY o u j i a n gM e d i c a lU n i v e r s i t yf o rN a t i o n a l i t i e s A p r.2 0 2 4基金项目:广西研究生教育创新计划项目(Y C SW 2 0 2 3 5 0 3)第一作者:黄必贵,在读硕士研究生,研究方向:放射影像学,E-m a i l:8 4 2 5 9 7 4 3 1q q.c o m 通讯作者:吴英宁,博士,副主任医师,硕士研究生导师,研究方向:影像诊断与介入治疗,E-m a i l:y b 2 0 0 2 0 1 0 61 6 3.c o mb e l sw e r e i n c l u d e d t oc o n s t r u c t a c o m p r e h e n s i v ep r e d i c t i o nm o d e l.B a s e do n t h e c o m p r e h e n s i v ep r e d i c t i o nm o d-e l,an o m o g r a mw a sd r a w n t o r e a l i z em o d e l v i s u a l i z a t i o na n dm o d e l v a l i d a t i o n.R e c e i v e r o p e r a t i n gc h a r a c t e r i s t i c(R O C)c u r v e s,c a l i b r a t i o nc u r v e s,a n dd e c i s i o nc u r v e s(D C A)w e r ep l o t t e dt oe v a l u a t e t h em o d e lsp r e d i c t i v ep e r f o r m a n c ea n dc l i n i c a lu t i l i t y.R e s u l t s T h eAU Co f t h et r a i n i n gg r o u pw a s0.7 5 6;t h a to f t h ev e r i f i c a t i o ng r o u pw a s0.6 9 6;t h a to f t h ec l i n i c a l f e a t u r em o d e lw a s0.8 1 1;a n dt h a to f t h ev e r i f i c a t i o ng r o u pw a s0.6 5 1.T h e i n t e g r a t e dp r e d i c t i o nm o d e l c o m b i n e dw i t h t h e i m a g i n g l a b e l c o u l d i m p r o v e t h ep r e d i c t i o ne f f i c i e n c yo fE G-F Rm u t a t i o ns t a t u s,w i t ht h e t r a i n i n gs e tAU C=0.8 4 7a n dt h ev e r i f i c a t i o ns e tAU C=0.7 4 0.C o n c l u s i o n C o m p a r e dw i t hc l i n i c a l f e a t u r e so r i m a g i n gt a g sa l o n e,t h e i n t e g r a t e dm o d e l c o n s t r u c t e db yc o m b i n i n g i m a g i n gt a g sa n dc l i n i c a lf e a t u r e sh a sb e t t e rp r e d i c t i v ee f f i c a c yi np r e d i c t i n gN S C L CE G F Rg e n em u t a t i o n,w h i c hi sh e l p f u l t og u i d ec l i n i c a l t r e a t m e n t s t r a t e g y.K e yw o r d s:i m a g o m i c s;n o n-s m a l l c e l l l u n gc a n c e r;e p i d e r m a l g r o w t hf a c t o r r e c e p t o r;g e n em u t a t i o n 肺癌是全世界癌症相关死亡的主要原因之一1,其中 非 小 细 胞 肺 癌(n o n-s m a l lc e l ll u n gc a n c e r,N S C L C)约占肺癌所有病理类型的8 5%2。肺癌的发生、发展与基因组改变密切相关,表皮生长因子受体(e p i d e r m a l g r o w t hf a c t o r r e c e p t o r,E G F R)是N S C L C患者最常见的突变驱动基因。有研究表明3,表皮生长因 子 受 体 酪 氨 酸 激 酶 抑 制 剂(E G F R-T K I)是N S C L CE G F R突变患者的一线治疗方法,E G F R-T K I可以改善N S C L CE G F R突变患者的生存预后。因此,根据N S C L CE G F R突变状态制定具体的诊疗计划对于改善患者预后至关重要。目前,组织活检仍然是确定E G F R基因突变的金标准,但其耗时、昂贵、不适合重复检测,并且组织样本的采集具有侵入性,存在一定的主观性和采样误差,当有些患者没有手术或穿刺活检的倾向时,无法评估其表达水平。C T作为肺癌筛查和诊断的常规手段,具有非侵入性和可重复性的优势。影像组学通过高通量提取C T图像中的定量特征,挖掘出更多的生物学信息,全面评估肿瘤内部异质性,具有反映相关肿瘤基因表型的潜力。本研究旨在探讨影像组学结合临床特征构建的综合模型在预测N S C L CE G F R突变患者中的应用价值,为临床提供一种无创、操作简便的检测技术,从而辅助临床进行决策,实施精准医疗。1 资料与方法1.1 一般资料 回顾性搜集2 0 1 9年9月至2 0 2 3年8月于右江民族医学院附属医院经手术或穿刺活检病理证实为N S C L C患者3 0 0例。纳入标准:术前接受胸部非增强薄层C T检查;具有完整的临床资料;经组织病理学证实为N S C L C,并可获得完整的E G-F R基因检测信息。排除标准为:经组织病理学证实的N S C L C;临床资料不完整;由于严重的呼吸运动伪影,图像质量不符合要求。经过上述纳入排除标准,最终纳入2 1 0例患者,1 4 0例E G F R突变阳性患者和7 0例E G F R突变阴性患者,男1 3 3例,女7 7例,平均年龄(6 0.3 01 0.7 0)岁。1.2 C T检查方法 采用2 5 6排R e v o l u t i o n螺旋C T扫描仪进行胸部非增强C T扫描,扫描参数:管电压1 2 0k V,管电流自动控制,螺距0.9 9 2mm,准直1 2 8mm0.6mm,探测器宽度8 0mm,层间距5mm,层厚5mm,重建层厚1mm。1.3 C T影像学特征的主观评价 由两名经验丰富的放射科诊断医师针对C T影像学特征进行定义,取得一致性意见,并记录结果。纳入的C T影像学特征主要包括肿瘤大小、分叶征、毛刺征、磨玻璃成分、胸膜牵拉征、空气支气管征、纵膈淋巴结肿大(1 0mm)、胸腔积液。将纳入的C T影像学特征与患者临床基线数据(性别、年龄、吸烟状况、C E A、C A 1 5 3、组织学类型)通过单因素和多因素二元L o g i s t i c回归分析筛选出独立的预测因子,构建预测E G F R突变状态的临床特征模型。1.4 图像勾画、特征提取及筛选 存储D I C OM格式图像,以双线性内插法进行重采样处理,重采样体素为1mm1mm1mm,将图像标准化,随后以n i i格式保存并导入I T K-S NA P(h t t p:/www.i t k s n a p.o r g,V e r s i o n4.0.1)软件,由1名具有3年工作经验的放射科诊断医师对肿瘤边界进行逐层手动勾画出感兴趣区(r e g i o no f i n t e r e s t,R O I),并由另1名具有5年工作经验的放射科诊断医师审核,然后使用开源软件包P y r a d i o m i c s提取影像组学特征,每个患者总共提取1 0 7个特征,其中包括1 8个一阶统计特征(F i r s tO r-d e r)、2 4个灰度共生矩阵(G L CM)特征、1 4个灰度依赖矩阵(G L DM)特征、1 6个灰度游程矩阵(G L R LM)特征、1 6个灰度大小区域矩阵(G L S ZM)特征、5个邻近灰度差值矩阵(NG T DM)和1 4个形态基础特征,对所有影像组学特征进行Z-s c o r e归一化处理,利用两独立样本M a n n-Wh i t n e yU检验(符合非正态分布)或t检验(符合正态分布)筛选出预测E G F R突变的特征,将保留的特征进一步采用最小绝对收缩与选择算3912 0 2 4年 右江民族医学院学报 第2期子(L A S S O)回归及1 0倍交叉验证法,并选择一个使得模型误差最小的最佳惩罚系数,最终筛选最优的影像组学特征,并根据各个特征的权重系数计算出影像组学评分,将其作为影像组学标签,分别使用6种机器学习模型构建影像组学模型,包括K紧邻(KNN)、支持向量机(S VM)、决策树(D e c i s i o nT r e e)、随机森林(R a n d o mF o r e s t s)、X G B o o s t及L i g h t G BM,最后筛选出预测效能最佳的影像组学模型。1.5 综合预测模型的构建与验证 利用筛选出的临床独立预测因子构建的临床特征模型,将临床特征与r a d-s c o r e相结合构建预测E G F R突变状态的综合模型,并制作综合模型的列线图,通过列线图来实现对N S C L CE G F R基因突变的个体化预测。通过绘制受试者工作特征(R O C)曲线,并计算各个模型R O C曲线下面积(AU C)、准确性、敏感性、特异性、阳性预测值、阴性预测值等来评价各个模型对N S C L CE G F R基因突变状态的预测价值。绘制决策曲线来评估列线图的临床实用价值。1.6 统计学方法 采用P y t h o n3.5.0统计软件。符合正态分布的计量资料以(xs)表示,两组间采用独立样本t检验;采用2检验比较计数资料。采用L o-g i s t i c s回归构建预测模型,采用D e l o n g检验进行模型间AU C的比较,采用H o s m e r-L e m e s h o w检验分析模型拟合优度,绘制决策曲线评估临床使用价值。P0.0 5为差异有统计学意义。2 结果2.1 临床特征的选择 将2 1 0例患者按82的比例随机分成训练组1 6 8例和验证组4 2例,所有患者中E G F R突变型1 4 0例,E G F R野生型7 0例,患者的E G F R突变状态与临床特征的关系见表1。通过单因素及多因素二元L o g i s t i c回归分析对临床特征进行筛选,最终筛选出的独立预测因子分别是性别(O R=0.8 3 7,P=0.0 0 7)和纵隔淋巴结肿大(O R=0.8 4 4,P=0.0 1 0),基于这两个独立预测因子建立临床特征模型,见表2。表1 E G F R突变状态与临床特征的关系参数训练组(n=1 6 8)E G F R突变型(n=1 1 2)E G F R野生型(n=5 6)t/2P验证组(n=4 2)E G F R突变型(n=2 8)E G F R野生型(n=1 4)t/2P性别7.0 8 50.0 0 83.8 5 70.0 5 0 男6 7(5 9.8 2)4 5(8 0.3 6)1 1(3 9.2 9)1 0(7 1.4 3)女4 5(4 0.1 8)1 1(1 9.6 4)1 7(6 0.7 1)4(2 8.5 7)年龄/岁6 0.0 41 0.4 8 6 1.9 31 1.0 11.0 8 00.2 8 25 7.4 69.8 16 1.4 31 2.5 61.1 2 30.2 6 8吸烟史2.0 4 70.1 5 31.6 2 1a0.2 0 3 有5 9(5 2.6 8)3 6(6 4.2 9)7(2 5.0 0)7(5 0.0 0)无5 3(4 7.3 2)2 0(3 5.7 1)2 1(7 5.0 0)7(5 0.0 0)C A 1 5 3/(m L-1)2 3.6 23 5.7 9 4 0.6 45 0.5 12.5 2 00.0 1 32 7.0 55 6.5 4 3 5.3 42 7.5 90.5 1 60.6 0 8C E A/(n gm L-1)4 4.6 21 6 4.4 86 1.7 21 7 1.0 3 0.6 3 00.5 3 27.3 21 9.8 3 9 5.4 32 6 5.0 3 1.7 7 10.0 8 4肿瘤最大径线/mm3 8.9 72 2.5 9 5 3.3 82 7.8 23.6 0 00.0 0 1 3 5.1 42 2.0 3 4 3.7 12 5.2 51.1 3 20.2 6 4磨玻璃影0.0 2 80.8 6 63.2 6 2a0.0 7 1 有1 3(1 1.6 1)7(1 2.5 0)8(2 8.5 7)0 无9 9(8 8.3 9)4 9(8 7.5 0)2 0(7 1.4 3)1 4(1 0 0.0 0)毛刺征4.8 0 50.0 2 81.8 6 70.1 7 2 有6 8(6 0.7 1)2 4(4 2.8 6)2 0(7 1.4 3)7(5 0.0 0)无4 4(3 9.2 9)3 2(5 7.1 4)8(2 8.5 7)7(5 0.0 0)血管集束征0.0 4 80.8 2 75.7 7 50.0 1 6 有5 4(4 8.2 1)2 6(4 6.4 3)1 1(3 9.2 9)1 1(7 8.5 7)无5 8(5 1.7 9)3 0(5 3.5 7)1 7(6 0.7 1)3(2 1.4 3)分叶征0.2 8 00.5 9 72.5 9 3a0.1 0 7 有9 9(8 8.3 9)5 1(9 1.0 7)2 1(7 5.0 0)1 4(1 0 0.0 0)无1 3(1 1.6 1)5(8.9 3)7(2 5.0 0)0空气支气管征3.7 5 70.0 5 31.8 6 3a0.1 7 2 有2 1(1 8.7 5)1 8(3 2.1 4)5(1 7.8 6)6(4 2.8 6)无9 1(8 1.2 5)3 8(6 7.8 6)2 3(8 2.1 4)8(5 7.1 4)4912 0 2 4年 右江民族医学院学报 第2期表1(续)E G F R突变状态与临床特征的关系参数训练组(n=1 6 8)E G F R突变型(n=1 1 2)E G F R野生型(n=5 6)t/2P验证组(n=4 2)E G F R突变型(n=2 8)E G F R野生型(n=1 4)t/2P胸膜牵拉征0.1 0 80.7 4 20.0 0 01.0 0 0 有6 3(5 6.2 5)3 0(5 3.5 7)1 4(5 0.0 0)7(5 0.0 0)无4 9(4 3.7 5)2 6(4 6.4 3)1 4(5 0.0 0)7(5 0.0 0)纵隔淋巴结肿大5.8 4 50.0 1 61 3.7 9 3 0.0 0 1 有4 2(3 7.5 0)3 2(5 7.1 4)9(3 2.1 4)1 3(9 2.8 6)无7 0(6 2.5 0)2 4(4 2.8 6)1 9(6 7.8 6)1(7.1 4)胸腔积液0.3 4 80.5 5 50.1 3 1a0.7 1 7 有3 3(2 9.4 6)1 9(3 3.9 3)7(2 5.0 0)5(3 5.7 1)无7 9(7 0.5 4)3 7(6 6.0 7)2 1(7 5.0 0)9(6 4.2 9)组织学亚型0.0 6 20.8 0 40.0 0 0a1.0 0 0 腺癌8 2(7 3.2 1)4 2(7 5.0 0)2 1(7 5.0 0)1 1(7 8.5 7)鳞癌3 0(2 6.7 9)1 4(2 5.0 0)7(2 5.0 0)3(2 1.4 3)注:表内计数资料数据用n(%)表示,计量资料数据以(xs)表示,a:用F i s h e r确切概率法。表2 临床资料及C T影像学征象的单因素及多发因素L o g i s t i c回归结果分析变量单因素分析O R9 5%C IP多因素分析O R9 5%C IP性别0.8 0 40.7 2 00.8 9 70.0 0 10.8 3 70.7 5 20.9 3 10.0 0 7年龄0.9 9 60.9 9 01.0 0 10.1 4 2吸烟史0.8 8 10.7 9 10.9 8 00.0 5 1肿瘤最大径线0.9 9 50.9 9 30.9 9 70.0 0 1C A 1 5 30.9 9 80.9 9 70.9 9 90.0 1 5C E A1.0 0 00.9 9 91.0 0 00.1 9 3磨玻璃密度影1.1 0 10.9 4 01.2 9 00.3 1 7毛刺征1.1 8 31.0 6 31.3 1 70.0 1 0血管集束征0.9 4 40.8 4 81.0 5 20.3 8 2分叶征0.8 6 00.7 2 81.0 1 50.1 3 3空气支气管征0.8 2 50.7 2 80.9 3 40.0 1 2胸膜牵拉征1.0 1 90.9 1 51.1 3 70.7 7 0胸腔积液0.9 4 20.8 3 81.0 5 90.3 9 9纵隔淋巴结肿大0.7 7 90.7 0 20.8 6 50.0 0 10.8 4 40.7 5 70.9 4 00.0 1 0组织学亚型0.9 7 50.8 6 21.1 0 40.7 3 9 注:表内性别、纵隔淋巴结肿大具有统计学意义。2.2 影像组学特征的筛选和模型的构建 特征筛选过程中,L A S S O回归选择最佳惩罚系数的过程见图1,经L A S S O回归筛选出预测最优5个的影像组学特征,各个特征的权重系数见图2。将选定的5个影像组学特征按各自的加权系数计算影像组学评分,基于影像组学评分建立影像组学特征模型(即“影像组学标签”),本研究选择最佳的影像组学模型L i g h t G BM进行建 模,其 训 练 组AU C为0.7 5 6,验 证 组AU C为0.6 9 6。基于临床特征(性别、纵隔淋巴结肿大)构建的临床预测模型中训练组AU C为0.8 1 1,验证组AU C为0.6 5 1,联合临床特征模型和影像组学模型(影像组学标签)构建综合预测模型,综合预测模型的训练组AU C为0.8 4 7,验证组AU C为0.7 4 0,各个模型具体预测效能见表3,并绘制综合预测模型的列线图,见图3。根据分析所得结果发现,在两组患者中综合预测模型的AU C均高于临床特征模型或影像组学模型,见图4。D e L o n g检验结果显示,在训练组中综合预测模型与临床特征模型及影像组学模型诊断E G F R突变的效能存在显著差异(P0.0 5),见表4。决策曲线(D C A)显示,综合预测模型较另外两种模型获得更佳的临床净效益,见图5。5912 0 2 4年 右江民族医学院学报 第2期注:A.不同L a m b d a下的影像组学特征的权重系数曲线图,虚线处表示选取的最优所在位置;B.M S E(均方误差)随变化的曲线图,虚线处表示选取的最优所在位置。图1 使用1 0倍交叉验证的L A S S O回归进行影像组学特征筛选的过程图2 最优影像组学特征组合及其相关系数注:性别(1:男,0:女),纵隔淋巴结肿大(1:有,0:无)。图3 构建综合预测模型的列线图表3 各模型预测效能比较数据集分组AU C准确度/%9 5%C I敏感度特异度阳性预测值/%阴性预测值/%训练组 临床特征模型0.8 1 17 2.60.7 4 90.8 7 40.6 6 10.8 5 79 0.25 5.8 影像组学标签0.7 5 66 8.50.6 8 60.8 2 50.6 5 20.7 5 08 3.95 1.9 综合预测模型0.8 4 77 7.40.7 8 80.9 0 60.7 6 80.7 8 68 7.86 2.9验证组 临床特征模型0.6 5 16 4.30.4 8 10.8 2 00.6 7 90.6 1 57 6.04 7.1 影像组学标签0.6 9 66 4.30.5 4 70.8 4 60.6 0 70.7 1 48 1.04 7.6 综合预测模型0.7 4 07 1.40.5 8 60.8 9 40.7 8 60.5 7 17 8.65 7.16912 0 2 4年 右江民族医学院学报 第2期注:A.训练组;B.验证组;C l i n i cS i g n a t u r e为临床特征模型,R a dS i g n a t u r e为影像组学标签,N o m o g r a m为综合预测模型。图4 训练组和验证组的各个模型的R O C曲线图表4 综合预测模型与临床特征模型、影像组学模型之间的D e L o n g检验P值组别综合预测模型与临床特征模型综合预测模型与影像组学模型训练组0.0 4 00.0 0 1验证组0.1 2 40.5 4 1注:A.训练组;B.验证组。图5 训练组和验证组的各个模型的决策曲线图3 讨论在临床实践中,E G F R突变是N S C L C最常见的致癌驱动基因,受体酪氨酸激酶抑制剂(T K I)是治疗N S C L CE G F R突变患者的一线靶向治疗药物,E G F R-T K I能够显著改善N S C L CE G F R突变患者的预后。CHE NY Y等4研究晚期肺腺癌E G F R突变患者接受各种治疗策略后的影响,结果发现接受过E G F R-T K I治疗的肺腺癌患者的生存率明显高于其他治疗,无论是否联合其他治疗,肺腺癌患者使用E G F R-T K I治疗均被视为积极的预后因素。因此,临床中诊断E G F R突变状态是使用E G F R-T K I治疗的关键,本研究的目的是分析2 1 0例患者的C T影像组学特征、临床特征与E G F R突变状态之间的相关性,以构建影像组学特征联合临床特征的综合预测模型,并通过绘制列线图来实现模型的可视化。近年来国内外学者通过评估N S C L C患者的C T影像学特征及临床资料与E G F R突变之间的关联,来预测N S C L C E G F R突 变 方 面 取 得 了 良 好 的 成 效。7912 0 2 4年 右江民族医学院学报 第2期G E VA E R TO等5研究了1 8 6例N S C L C患者术前薄层C T图像,并分别注释了每个患者肿瘤的8 9个语义图像特征,结果表明,用 于预测E G F R突 变 状 态 的AU C为0.8 9,磨玻璃影的存在则表明E G F R存在突变。R I Z Z OS等6研究发现E G F R突变与女性、非吸烟者、病变大小和胸膜牵拉征相关。此外,有相关研究探讨了E G F R基因突变与C T上磨玻璃影的相关性,HANXY等7通过逻辑回归分析E G F R有效突变最重要的独立预测因素是磨玻璃影。本研究通过单因素及多因素二元L o g i s t i c回归分析纳入的临床特征发现,磨玻璃影、空气支气管征、胸膜牵拉征、吸烟史、肿瘤大小等对预测结果没有统计学意义,仅性别、纵隔淋巴结肿大与E G F R突变状态相关,N S C L C患者为女性时 更 容 易 发 生E G F R基 因 突 变,这 与 前 期 的 研究6,8结果类似。与前期的大多数研究不同的是,本研究纳入了“纵隔淋巴结肿大”作为独立预测因子,其统计结果表明,当N S C L C患者无纵隔淋巴结肿大时更容易发生E G F R基因突变,这一新研究成果尚需大量研究去证实。结合前期的研究发现,基于传统C T影像学特征对E G F R基因突变的预测结果不稳定,容易受到观察者经验、扫描方法及重建图像质量、样本量等因素的影响,并且不能评估肿瘤异质性的特征。由于C T图像中隐藏着大量人类视觉系统无法识别的肿瘤生物学信息,利用一般的C T影像学特征来预测E G F R基因表型已不再满足临床诊断的需求,影像组学通过高通量提取图像中的定量特征,将图像转化为可挖掘和分析的数据,量化整体肿瘤内部异质性,具有反映相关肿瘤基因表型的潜力。有相关研究表明9-1 0基于C T影像组学在预测N S C L C患者E G F R基因表型中已取得良好的效能,WANGGY等1 1基于MR I的脑转移影像组学特征预测肺腺癌E G F R突变状态,研究结果表明,在T 2-F L A I R序列上提取的影像组学特征表现出良好的辨别力,其AU C=0.9 8 7,这突出了影像组学在预测E G F R突变的新潜力。以往有研究1 2发现,区分E G F R突变型和野生型的最独特的C T影像组学特征是纹理特征G L R L_S h o r t R u n Em p h a s i s。陈琦等1 3研究发现筛选出的影像组学特征中,灰度运行长度矩阵和灰度共生矩阵特征与肿瘤异质性存在密切联系,这些特征可以反映N S C L CE G F R突变状态。D ONGYJ等1 4一项多中心性研究发现可以从肿瘤纹理特征中获得E G F R基因表达信息。本研究发现G L R LM特征中的灰度非均匀归一化是预测E G F R突变状态最重要的影像组学特征,在训练组中利用最相关的5个影像组学特征构建的影像组学模型AU C=0.7 5 6,在预测E G F R突变方面具有良好的预测效能,结合前期的研究表明1 3-1 4,C T纹理特征与E G F R突变存在着密切联系,量化这些特征可以提高预测E G F R基因突变的准确性和可靠性。另有不少研究基于影像组学模型的基础上纳入临床特征构建综合预测模型后,获得更优的预测效能。R I NA L D IL等1 5研究发现,肿瘤体积、女性及吸烟史等临床特征与E G F R突变显著相关,当结合影像组学特征建立综合模型后得到了更好的预测效能。TU W T等1 6从4 0 4例N S C L C患者的术前非增强C T图像中提取影像组学特征,并构建影像组学模型用于预测E G F R突变,结果显示,与区分E G F R突变状态的所有临床特征和常规C T形态特征相比,影像组学模型显示出最佳预测性能,当结合临床独立预测因子构建综合模型后显示出更佳的预测性能(在验证队列中AU C=0.8 1 8)。本研究与前期的研究8,1 3-1 4结论类似,影像组学特征在预测N S C L CE G-F R突变方面表现出了良好的预测性能(训练组AU C=0.7 5 6,验证组AU C=0.6 9 6),当结合临床特征后的综合模型预测性能有进一步提高,在训练队列和验证队列中AU C值分别为0.8 4 7和0.7 4 0,均优于任何一个单独模型,而与陈琦等1 3研究不同的是,本研究绘制了综合预测模型的列线图,该列线图根据所有预测指标回归系数的大小来制定评分标准,每个预测指标都有相应的评分,通过得分计算每个患者临床结局发生的概率,例如,在本研究中N S C L C患者为女性且无纵隔淋巴结肿大则E G F R突变的风险值就越高,通过列线图可以为每个患者提供一个精确的数字化的风险值,可以辅助临床医生进行决策,体现了个体化医疗的思想。另外不同的C T类型图像对研究结果存在一定的影响,有相关研究1 7通过结合6 7例N S C L C患者的临床和治疗前胸部增强的C T特征构建的模型在预测E G F R突变取得较高的预测效能(AU C=0.9 7 2),该研究认为与C T平扫图像相比,C T增强图像可以反映出更多有关肿瘤血液供应、内部异质性等方面的有价值的信息,但是该研究样本量较少,缺乏外部验证,而且使用了5mm的切片厚度图像,由于采集参数不同对特征稳定性有影响,因此也可能导致评估不准确,而本研究的样本量相对较多,使用了1mm的薄层C T图像,有助于获取更全面的高维数据,并且使用C T平扫能获取最原始的图像信息,不受造影剂的影响,提取到的特征稳定性可能更高。