基于多模态MRI影像组学特征构建胃癌淋巴结转移预测模型.pdf

50医疗装备 2024 年 2 月第 37 卷第 3 期 Medical Equipment,February.2024,Vol.37,No.3胃癌是世界性重大健康问题，是癌症死亡的第三大原因1。胃癌淋巴结转移是胃癌预后差的主要风险因素之一，对指导治疗方案的选择具有重要意义2-3。随着微创内镜技术的发展，对于无淋巴结转移的早期胃癌患者，临床推荐使用内镜下黏膜切除术或内镜下黏膜剥离术进行治疗，而非 D2 淋巴结清扫术。内镜下黏膜剥离术可导致患者管理方案效果较差及出现淋巴结转移4-6。前哨淋巴结技术被用于治疗多种肿瘤，可避免不必要的淋巴结清扫7-10，但术中前哨淋巴结清扫假阴性率较高11。淋巴结形态学改变与胃癌淋巴结转移病理结果并非强相关，如小淋巴结可能已经出现胃癌转移，但大的淋巴结可能只表现出炎症反应，易导致淋巴结转移误诊12-15。因此，临床迫切需要一种更加精确的方法预测淋巴结转移。目前，基于 MRI 影像组学特征预测胃癌淋巴结转移的研究较少。本研究旨在基于多模态 MRI 影像组学特征建立胃癌淋巴结转移预测模型，为胃癌的精准治疗提供更多依据，现报道如下。1 资料与方法1.1 一般资料选取 2020 年 2 月至 2022 年 2 月我院 172 例胃癌患者，依据病理结果分组，发生淋巴结转移为转移组（112 例），未发生淋巴结转移为未转移组（60 例）。纳入标准：患者均行 MRI 检查；愿意接受内镜检查且需行胃癌手术；均为早期胃癌；均具有随访条件。排除标准：具有全身合并症无法耐受内镜检查及胃癌手术。1.2 方法1.2.1 收集患者资料收集患者基本信息（性别、年龄、身高、体质量、体质量指数、血压、脉搏等）、病史（高血压、糖尿病、手术史、遗传病史、传染病史、用药情况基于多模态 MRI 影像组学特征构建胃癌淋巴结转移预测模型胡文锋，邱剑，方俊九江市第三人民医院（江西九江332000）摘要目的基于多模态 MRI 影像组学构建胃癌淋巴结转移预测模型。方法选取 2020 年 2 月至 2022 年 2 月医院收治的 172 例胃癌患者为研究对象，依据病理结果分组，发生淋巴结转移为转移组（112 例），未发生淋巴结转移为未转移组（60 例）。采用多模态MRI 检测患者胃部异常病变，并筛选术后发生胃癌淋巴结转移患者的信息获得最有诊断价值的影像组学特征信息。提取患者多模态 MRI 影像组学特征并标准化，根据获得的特征信息构建有效的胃癌淋巴结转移诊断模型。建立模型后，结合胃癌淋巴结转移患者术后病理诊断未转移组，验证并判断预测模型的稳定性、准确性和特异性。结果转移组与未转移组性别、年龄、糖类抗原、癌胚抗原水平、肿瘤大小、肿瘤位置、Lauren 分型、分化程度、浸润深度、脉管癌栓、溃疡指标比较，差异均无统计学意义（P0.05），转移组血红蛋白水平高于未转移组，差异有统计学意义（P0.05）。多因素 Logistic 分析显示，胃癌淋巴结转移与肿瘤大小、分化程度、浸润深度、脉管癌栓均相关（P0.05）。利用肿瘤大小、分化程度、浸润深度、脉管癌栓指标建立的预测列线图模型具有较好的精确度、区分度。结论基于多模态 MRI 影像组学构建胃癌淋巴结转移预测模型，有助于为胃癌淋巴结转移诊断提供快速、无创、简便的辅助检查手段，为患者提供更好的医疗服务，避免过度治疗。关键词多模态 MRI 影像组学；胃癌；淋巴结转移；预测模型中图分类号R73 文献标识码B 文章编号1002-2376（2024）03-0050-04DOI10.3969/j.issn.1002-2376.2024.03.015基金项目：江西省卫生健康委科技计划（202211742）收稿日期：2023-03-15临床应用51医疗装备 2024 年 2 月第 37 卷第 3 期 Medical Equipment,February.2024,Vol.37,No.3等）、相关血清学指标、多模态 MRI 影像信息。行内镜检查，术中对患者胃壁外的淋巴结进行细针抽吸术，采集活检标本后迅速放入带有组织固定液的标本瓶，择日进行胃癌手术，手术标本迅速固定并送病理科检测。1.2.2 多模态 MRI 影像特征的提取及标准化根据本研究中心的标准化多模态 MRI 流程，获取多模态 MRI 影像数据，保存为 DICOM 格式文件，导入 3D-Slicer 软件。由 2 位具有 5 年以上工作经验的副主任影像医师对多模态MRI图像进行胃部靶区标记。采用Pyradiomics 软件提取影像特征。该特征符合图像生物标志物标准化倡议（Image Biomarker Standardization Initiative，IBSI），并采用 Z 值评分进行数据标准化。影像特征包括 First Order Statistics、Shape-based（2D）、Gray Level Cooccurence Matrix（GLCM）、Gray LevelRun Length Matrix（GLRLM）、Gray LevelSize Zone Matrix（GLSZM）、Neigbouring Gray Tone Difference Matrix（NGTDM）、Gray LevelDependence Matrix（GLDM），并对由 2 位医师同一影像标记提取的影像特征进行内部一致性信度检验。1.2.3 构建多模态 MRI 影像组学评分系统基于多模态 MRI 影像组学数据并结合临床数据，使用 R 语言筛选影像特征变量，构建多模态MRI 影像组学评分系统，并采用十折交叉验证改进模型。1.2.4 模型评估及测试通过受试者工作特征（receiver operating chara-cteristic，ROC）曲线分析评估诊断性能，并使用Delong 验证比较不同模型曲线下面积（areas under curve，AUC）。模型诊断数据和病理确诊胃癌淋巴结转移数据间的差异通过 Calibration 校准曲线和Hosmer-Lemeshow 试验评估。最终，通过对整个队列中不同阈值概率下的净效益进行量化，进行决策曲线分析（decision curve analysis，DCA），确定模型的临床有效性。通过诊断测试集，测试所构建的胃癌淋巴结转移多模态 MRI 影像组学评分系统的诊断效能。1.3 观察指标（1）比较转移组与未转移组临床资料；（2）分析胃癌淋巴结转移预测模型的诊断效能。1.4 统计学处理采用 SPSS 25.0 统计软件进行数据分析。计量资料以 x-s 表示，采用 t 检验。计数资料以率表示，采用 2检验。P0.05）；转移组血红蛋白水平高于未转移组，差异有统计学意义（P0.05），见表 1。表 1转移组与未转移组临床资料比较项目转移组（112 例）未转移组（60 例）2/tP性别 例（%）男78（69.64）36（60.00）1.6240.201女34（30.36）24（40.00）年龄（岁，x-s）63.2510.45 61.4510.251.8860.360糖类抗原 199（U/ml，x-s）8.301.25 8.541.251.5330.446癌胚抗原（ng/ml，x-s）2.120.32 2.140.351.6380.867血红蛋白（g/L，x-s）138.2121.23133.4221.256.9650.015肿瘤大小 例（%）2 cm54（48.21）35（58.33）1.6010.205 2 cm58（51.79）25（41.67）肿瘤位置 例（%）上部42（37.50）20（33.33）中部40（35.71）16（26.67）3.3430.187下部30（26.79）24（40.00）Lauren 分型 例（%）肠型75（66.96）37（61.67）弥漫型18（16.07）7（11.67）2.4960.286混合型19（16.97）16（26.66）分化程度 例（%）分化58（51.79）30（50.00）0.0500.822未分化54（48.21）30（50.00）浸润深度 例（%）黏膜层58（51.79）28（46.67）0.4100.521黏膜下层54（48.21）32（53.33）脉管癌栓 例（%）有27（24.11）17（28.33）0.3660.544无85（75.89）43（71.67）溃疡 例（%）有34（30.36）20（33.33）0.1600.688无78（69.64）40（66.67）2.2 转移组临床参数的多因素 Logistic 分析多因素 Logistic 分析显示，胃癌淋巴结转移与肿瘤大小、分化程度、浸润深度、脉管癌栓均相关（P0.05），见表 2。2.3 胃癌淋巴结转移预测模型的建立与评估利用肿瘤大小、分化程度、浸润深度、脉管癌栓 4 个影响因素建立预测列线图模型。重复抽样纳入 1 000 次数据后，采用校准曲线对该模型进行精确度验证，并用 ROC 曲线对模型的区分度进行检验，预测值与实际结果几乎相等；C-index 分数52医疗装备 2024 年 2 月第 37 卷第 3 期 Medical Equipment,February.2024,Vol.37,No.3（95%CI）为 0.833（0.8150.851），Calibration 验证曲线几乎呈对角对应关系，C-index 趋势为 1。该预测列线图模型具有较好的精确度、区分度，见图 1。表2训练集转移组患者临床参数的多因素Logistic分析变量POR（95%CI）单变量性别0.6540.654（0.5032.972）年龄0.6250.625（0.4433.847）糖类抗原 1990.3221.023（0.9761.023）癌胚抗原0.2820.806（0.5441.193）血红蛋白0.7810.995（0.9641.026）肿瘤大小0.020 3.528（1.21410.252）肿瘤位置0.3740.562（0.1572.003）Lauren 分型0.3810.555（0.1482.073）分化程度0.010 4.724（1.44515.438）浸润深度0.00110.800（2.34749.665）脉管癌栓0.05），转移组血红蛋白水平高于未转移组（P0.05）。多因素 Logistic 分析显示，胃癌淋巴结转移与肿瘤大小、分化程度、浸润深度、脉管癌栓均相关（P0.05）；利用肿瘤大小、分化程度、浸润深度、脉管癌栓 4 个影响因素建立预测列线图模型，预测值与实际结果几乎相等，具有较好的精确度、区分度。在胃癌手术前，进行胃癌淋巴结转移预测，有助于制定更合理的手术方案，缩短患者治疗时间，提高治愈率，降低术后并发症发生率，帮助患者尽快恢复，具有重要的社会效益26。综上所述，基于多模态 MRI 影像组学构建的胃癌淋巴结转移预测模型，有助于为胃癌淋巴结转移诊断提供快速、无创、简便的辅助检查手段，为患者提供更好的医疗服务，避免过度治疗。参考文献1 Bray F,Ferlay J,Soerjomataram I,et al.Global cancer statistics 2018:GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countriesJ.CA Cancer J Clin,2018,68(6):394-424.2 Lo SS,Wu CW,Chen JH,et al.Surgical results of early gastric cancer and proposing a treatment strategyJ.Ann Surg Oncol,2007,14(2):340-347.3 Mu GC,Huang Y,Liu ZM,et al.Application value of nomogram and prognostic factors of gastric cancer patients who underwent D2 radical lymphadenectomyJ.BMC Gastroenterol,2019,19(1):188.4 Imaoka W,Ida K,Katoh T,et al.Is curative endoscopic treatment of early gastric cancer possible?J.Endoscopy,1987,19(Suppl 1):7-11.5 Ishikawa S,Togashi A,Inoue M,et al.Indications for EMR/ESD in cases of early gastric cancer:relationship 53医疗装备 2024 年 2 月第 37 卷第 3 期 Medical Equipment,February.2024,Vol.37,No.3between histological type,depth of wall invasion,and lymph node metastasisJ.Gastric Cancer,2007,10(1):35-38.6 Abdelfatah MM,Barakat M,Lee H,et al.The incidence of lymph node metastasis in early gastric cancer according to the expanded criteria in comparison with the absolute criteria of the Japanese Gastric Cancer Association:a systematic review of the literature and meta-analysisJ.Gastrointest Endosc,2018,87(2):338-347.7 Balch GC,Mithani SK,Richards KR,et al.Lymphatic mapping and sentinel lymphadenectomy after preoperative therapy for stage and breast cancerJ.Ann Surg Oncol,2003,10(6):616-621.8 Hiratsuka M,Miyashiro I,Ishikawa O,et al.Application of sentinel node biopsy to gastric cancer surgeryJ.Surgery,2001,129(3):335-340.9 Kelley MC,Hansen N,McMasters KM.Lymphatic mapping and sentinel lymphadenectomy for breast cancerJ.Am J Surg,2004,188(1):49-61.10 Miyashiro I,Hiratsuka M,Sasako M,et al.High false-negative proportion of intraoperative histological examination as a serious problem for clinical application of sentinel node biopsy for early gastric cancer:final results of the Japan Clinical Oncology Group multicenter trial JCOG0302J.Gastric Cancer,2014,17(2):316-323.11 Rice TW,Gress DM,Patil DT,et al.Cancer of the esophagus and esophagogastric junction-Major changes in the American Joint Committee on Cancer eighth edition cancer staging manualJ.CA Cancer J Clin,2017,67(4):304-317.12 Wang FH,Shen L,Li J,et al.The Chinese Society of Clinical Oncology(CSCO):clinical guidelines for the diagnosis and treatment of gastric cancerJ.Cancer Commun(Lond),2019,39(1):10.13 In H,Solsky I,Palis B,et al.Validation of the 8th edition of the AJCC TNM staging system for gastric cancer using the national cancer databaseJ.Ann Surg Oncol,2017,24(12):3683-3691.14 Jiang Y,Wang W,Chen C,et al.Radiomics signature on computed tomography imaging:association with lymph node metastasis in patients with gastric cancerJ.Front Oncol,2019,6(9):340.15 Li W,Zhang L,Tian C,et al.Prognostic value of computed tomography radiomics features in patients with gastric cancer following curative resectionJ.Eur Radiol,2019,29(6):3079-3089.16 Ma Z,Fang M,Huang Y,et al.CT-based radiomics signature for differentiating Borrmann type IV gastric cancer from primary gastric lymphomaJ.Eur J Radiol,2017,91(6):142-147.17 Huang YQ,Liang CH,He L,et al.Development and Validation of a Radiomics Nomogram for Preoperative Prediction of Lymph Node Metastasis in Colorectal CancerJ.J Clin Oncol,2016,34(18):2157-2164.18 Wu S,Zheng J,Li Y,et al.A Radiomics Nomogram for the Preoperative Prediction of Lymph Node Metastasis in Bladder CancerJ.Clin Cancer Res,2017,23(22):6904-6911.19 Gu Y,She Y,Xie D,et al.A Texture Analysis-Based Prediction Model for Lymph Node Metastasis in Stage IA Lung AdenocarcinomaJ.Ann Thorac Surg,2018,106(1):214-220.20 Feng QX,Liu C,Qi L,et al.An Intelligent Clinical Decision Support System for Preoperative Prediction of Lymph Node Metastasis in Gastric CancerJ.J Am Coll Radiol,2019,16(7):952-960.21 Wang Y,Liu W,Yu Y,et al.CT radiomics nomogram for the preoperative prediction of lymph node metastasis in gastric cancerJ.Eur Radiol,2020,30(2):976-986.22 Nie K,Shi L,Chen Q,et al.Rectal cancer:assessment of neoadjuvant chemoradiation outcome based on radiomics of multiparametric MRIJ.Clin Cancer Res,2016,22(21):5256-5264.23 Limkin EJ,Sun R,Dercle L,et al.Promises and challenges for the implementation of computational medical imaging(radiomics)in oncologyJ.Ann Oncol,2017,28(6):1191-1206.24 Bickelhaupt S,Jaeger PF,Laun FB,et al.Radiomics based on adapted diffusion kurtosis imaging helps to clarify most mammographic findings suspicious for cancerJ.Radiology,2018,287(3):761-770.25 Zhang B,Tian J,Dong D,et al.Radiomics features of multiparametric MRI as novel prognostic factorsin advanced nasopharyngeal carcinomaJ.Clin Cancer Res,2017,23(15):4259-4269.26 马涛，程好堂，高强，等.基于 CT 动脉期影像组学列线图预测胃癌淋巴结转移的构建与验证 J.实用放射学杂志，2023，39（9）：1448-1452.