基于薄層CT 的影像組學模型對非小細胞肺癌EGFR DEL19 和L858R 敏感性突變的預測價值

惠俊國，翁巧優(yōu)，劉 妍，高瑞杰，楊偉斌，王祖飛，紀建松

1.溫州醫(yī)科大學附屬第五醫(yī)院/浙江省麗水市中心醫(yī)院/浙江大學麗水醫(yī)院放射科，浙江 麗水 323000；2.浙江省影像診斷與介入微創(chuàng)研究重點實驗室，浙江 麗水 323000；3.浙江省麗水市中醫(yī)院放射科，浙江 麗水323000

肺癌為全球發(fā)病率最高的惡性腫瘤，且絕大多數(shù)為非小細胞肺癌（non-small cell lung cancer，NSCLC）［1］。NSCLC 患者除手術治療外，放、化療等手段也可顯著提高患者預后，但不良反應損傷較大，限制了其在臨床中的應用。隨著基因?qū)W的發(fā)展，靶向治療逐漸顯現(xiàn)出對腫瘤治療的優(yōu)勢，相對于傳統(tǒng)放化療，其可針對性殺滅腫瘤細胞，減少對機體正常細胞的損害，從而減少不良反應。肺癌靶向藥物發(fā)展迅速，最具代表性的有表皮生長因子受體酪氨酸激酶抑制劑（EGFR-TKIs），其可有效延長EGFR 敏感性突變NSCLC 患者的無進展生存期及總生存期，還可提高患者的生活質(zhì)量［2］。而EGFR 敏感性突變中，以19 號外顯子缺失（DEL19）及21 號外顯子替代（L858R）最常見，且DEL19 突變稍多于L858R 突變［3］；兩者對TKIs 治療的反應性不同，TKIs 治療后DEL19 突變患者的無進展生存期及總生存期明顯優(yōu)于L858R 突變患者［3-4］。研究表明，L858R 突變患者的化療效果更好［5］。因此，準確識別DEL19 突變及L858R 突變對臨床決策尤為重要。但目前基因測序成本較高，且為侵入性檢查，檢測結果也會受取樣影響造成偏差。

近年來，各種組學研究發(fā)展迅速，利用組學的方法可從影像中挖掘出更多肉眼難以識別的特征，為疾病的診療提供依據(jù)［6］。影像組學已應用于各個系統(tǒng)，幫助臨床進行精準診斷及預后評估［7-12］。Kim 等［11-12］運用影像組學成功預測腦膠質(zhì)瘤患者的異檸檬酸脫氫酶（IDH）及O6-甲基鳥嘌呤DNA 甲基轉(zhuǎn)移酶（MGMT）突變類型。Weng 等［13-14］將影像組學應用于肺癌患者的診斷及EGFR 突變類型預測。這些研究均表明影像組學不僅能夠?qū)膊〉暮暧^表現(xiàn)進行分析，還可對微觀的基因分型進行甄別。本研究基于NSCLC患者的CT 平掃圖像構建可預測EGFR DEL19 及L858R 突變的影像組學模型，并評估其預測效能。

1 資料與方法

1.1 一般資料

收集麗水市中心醫(yī)院2015 年7 月至2019 年1 月經(jīng)病理證實的NSCLC 患者共590 例，經(jīng)納入及排除標準篩選，最終納入149 例，其中DEL19 突變63 例，L858R 突變86 例。149 例患者按照6∶4 的比例隨機分為訓練集（104 例）和驗證集（45 例）。訓練集DEL19 突變44 例，L858R 突變60 例；驗證集DEL19 突變19 例，L858R 突變26 例。

納入標準：①CT 平掃前未接受任何針對腫瘤的治療；②經(jīng)組織病理學診斷為NSCLC；③基因檢測證實存在EGFR DEL19 或L858R 突變。排除標準：①非原發(fā)腫瘤；②獲取CT 圖像前已行放化療等姑息性治療；③圖像存在偽影，影響病灶觀察；④存在其他類型突變者。

本研究經(jīng)醫(yī)院倫理委員會批準［科研倫審（2022）第（122）號］。

1.2 儀器與方法

使用Philips Brilliance 64 排CT 掃描儀行CT平掃。掃描參數(shù)：200 mA，120 kV，層厚0.9 mm；運用iDose3 混合迭代重建算法進行重建，層距0.45 mm，層厚2 mm；視野（15 cm×15 cm）～（20 cm×20 cm），螺距1.2，旋轉(zhuǎn)時間350 ms，矩陣1 024×1 024。圖像在Philips Extended Brilliance 工作站（EBW）進行處理。

1.3 紋理特征提取

將所有患者的胸部薄層CT 肺窗DICOM 格式圖像導入ITK-SNAP 軟件（http：//www.itksnap.org/）。由2 名具有10 年以上胸部影像診斷經(jīng)驗的醫(yī)師，分別獨立勾畫病灶ROI，勾畫時沿高密度病灶輪廓邊緣手動逐層分割，最后融合生成容積感興趣區(qū)（volume of interest，VOI），如有不同意見，則與第3 位具有20 年胸部影像診斷經(jīng)驗的醫(yī)師共同討論決定。將分割好的VOI 文件及原始圖DICOM 文件導入GE A.K.軟件（版本3.0.1.A）進行影像組學分析，共得到396 個不同的紋理特征。

1.4 降維及特征篩選

基于薄層CT 平掃圖像，利用放射組學A.K.軟件共提取到396 個紋理特征進行預處理，用中位數(shù)替代參數(shù)中的異常值。首先行Z-score 標準化處理，以去除不同數(shù)據(jù)的單位限制。符合正態(tài)分布的數(shù)據(jù)采用方差分析進行篩選，不符合正態(tài)分布數(shù)據(jù)則采用Kruskal-Wallis 檢驗降維。采用Spearman 秩相關檢驗去冗余（去除相關性＞0.9 的參數(shù)）。最后采用最小絕對收縮與選擇算子算法（LASSO）回歸分析及10 倍交叉驗證法對數(shù)據(jù)降維，篩選出高度相關的紋理特征。對得到的紋理參數(shù)行多因素logistic 回歸分析。

1.5 統(tǒng)計學分析與模型構建

采用組內(nèi)相關系數(shù)（intraclass correlation coefficient，ICC）對2 名醫(yī)師提取的特征行一致性評估，ICC≥0.75 表示一致好。使用R 語言行統(tǒng)計分析（版本3.4.4，https：//www.r-project.org/）。利用多因素logistic回歸分析構建訓練集和驗證集的預測模型，即基于CT 圖像的影像組學模型、基于臨床特點的臨床模型，以及兩者的聯(lián)合模型，并用ROC 曲線及列線圖評價各模型的預測效能。以P＜0.05 為差異有統(tǒng)計學意義。

2 結果

2.1 臨床資料的單因素、多因素分析（表1）

表1 149 例非小細胞肺癌患者臨床資料的單因素、多因素分析

單因素分析顯示，性別、吸煙狀態(tài)、病灶位置、分葉、空氣支氣管征、壞死與2 個突變亞型均有相關性（均P＜0.05）。多因素分析顯示，性別、病灶位置、壞死與2 個突變亞型均有相關性（均P＜0.05）。

2.2 影像組學特征

2 名醫(yī)師分割的病灶VOI 所提取的影像組學特征一致性好（ICC=0.834～0.892）。在病灶VOI 中提取396 個影像組學特征。經(jīng)過降維篩選出4 個顯著性最強的紋理特征，分別為標準差（stdDeviation）、集群突出物_ 角度0_ 偏移4（ClusterProminence_angle0_offset4）、相關性_角度0_偏移7（Correlation_angle0_offset7）和相關性_角度90_偏移4（Correlation_angle 90_offset4）?；谝陨? 個紋理參數(shù)（表2），計算出相應的影像組學評分納入模型構建。2 種突變亞型患者的小提琴圖顯示，兩者影像組學評分差異有統(tǒng)計學意義（圖1）。

圖1 表皮生長因子受體基因（EGFR）L858R 突變和DEL19 突變影像組學評分的小提琴圖 圖2 基于訓練集與驗證集構建3 種模型的ROC 曲線 注：圖2a 為訓練集（AUC=0.744，95%CI 0.649～0.824）；圖2b 為驗證集（AUC=0.874，95%CI 0.742～0.954）

表2 篩選出4 個組學特征的模型系數(shù)

2.3 模型預測效能

臨床特征模型顯示，訓練集AUC 為0.643（95%CI 0.543～0.735），敏感度和特異度分別為62.2%和64.4%；驗證集AUC 為0.778（95%CI 0.630～0.888），敏感度為84.2%，特異度為73.1%。影像組學模型顯示，訓練集AUC 為0.713（95%CI 0.616～0.798），敏感度和特異度分別為64.4%和76.3%；驗證集AUC 為0.698（95%CI 0.543～0.826），敏感度為73.7%，特異度為61.5%。聯(lián)合模型顯示，訓練集AUC 為0.744（95%CI 0.649～0.824），敏感度和特異度分別為75.6%和71.2%；驗證集AUC為0.874（95%CI 0.742～0.954），敏感度為84.2%，特異度為88.5%（圖2）。驗證集中聯(lián)合模型的預測效能優(yōu)于影像組學模型（P=0.004）。列線圖與校正曲線顯示，聯(lián)合模型在訓練集和驗證集中的預測概率與實際概率相近，與對角線擬合效果優(yōu)于影像組學模型（圖3，4），對EGFR 有較好的診斷能力。

圖3 聯(lián)合模型列線圖 圖4 影像組學模型及聯(lián)合模型校正曲線 注：圖4a，4b 分別為影像組學模型訓練集與驗證集校正曲線；圖4c，4d 分別為納入臨床因素的聯(lián)合模型訓練集與驗證集校正曲線

3 討論

隨著分子生物學的發(fā)展，分子靶向藥物更多的應用于腫瘤的治療之中。NSCLC 患者治療不僅基于臨床特點及腫瘤形態(tài)學，更多地依賴于個體的基因突變特征［15］，尤其是EGFR 突變特點。DEL19 和L858R 突變約占NSCLC 患者EGFR 敏感性突變的90%［16］。也有研究表明，與傳統(tǒng)化療相比，二代TKIs 類藥物阿法替尼治療可有效提高NSCLC EGFR 敏感性突變患者的無進展生存期［17-18］。而隨著EGFR 靶向藥物研究的深入，部分研究表明，NSCLC EGFR DEL19 突變患者對TKIs 治療反應性優(yōu)于L858R 突變患者，且L858R 突變的NSCLC 患者化療效果更好［3-5］。Yang等［5］的研究表明，對于L858R 突變患者，相比于TKIs，含鉑類化療藥物治療的中位總生存期更長。而Kato等［19］的研究也表明，TKIs 相較于化療能明顯改善DEL19 患者的總生存期，而L858R 患者效果較差。因此，對于NSCLC 患者的TKIs 靶向治療，臨床不僅需明確是否存在EGFR 敏感性突變，也應區(qū)分敏感性突變亞型，這更有利于患者的精準及個體化治療。目前，臨床最常用的基因檢測方法為活檢，但其為侵入性檢查，存在由于取樣誤差造成樣本無法代表病灶的整體生物學特征的可能。臨床研究表明，由于缺乏足夠的腫瘤細胞或可擴增的DNA，導致10%～20%的NSCLC 活檢組織不足以進行分子分析［6］，對臨床工作造成困擾。

CT 掃描2 mm 的薄層圖像已普及，且平掃較增強掃描適用范圍更廣，具有便捷、廉價、無創(chuàng)、可重復等優(yōu)點。本研究采用影像組學對CT 圖像進行數(shù)據(jù)挖掘，提取人眼難以識別的圖像紋理特征，構建影像組學模型，探討基于影像組學的預測模型對NSCLC患者EGFR 敏感性突變亞型的預測能力。

既往文獻報道多是基于臨床或宏觀影像因素區(qū)分EGFR 突變狀態(tài)。Rizzo 等［20-21］認為，空氣支氣管征、胸膜凹陷征、肺氣腫和吸煙與NSCLC 患者EGFR敏感性突變相關。肖磊等［22］的研究顯示，EGFR 敏感突變與非敏感突變組（包括野生和非敏感突變）的空氣支氣管征、胸膜凹陷征、空泡征、磨玻璃密度影、毛刺征、分葉征及胸腔積液差異均無統(tǒng)計學意義。以上研究表明，空氣支氣管征、胸膜凹陷征等影像學征象有助于區(qū)分EGFR 突變與否，但未發(fā)現(xiàn)其對識別敏感性突變有幫助。本研究納入149 例發(fā)生EGFR 敏感性突變（包括DEL19 及L858R）的NSCLC 患者，篩選出3 個臨床（包括性別、病灶部位、壞死）及影像特征與上述突變亞型相關，但基于臨床特點及影像學所能選取的特征有限。影像組學則可充分挖掘醫(yī)學影像深部數(shù)據(jù)，探索其與EGFR 突變的關系，用于疾病診斷、預后評估和指導臨床決策［23］。多項研究報道影像組學在預測EGFR 突變中的應用，但鮮有報道運用影像組學預測DEL19 或L858R 突變［24-25］。Liu 等［26］利用影像組學所構建模型預測DEL19、L858R 突變的特異度分別為86.7%（69.3%～96.2%）和70.4%（49.8%～86.3%）。該研究采用CT 增強掃描圖像，優(yōu)點是可提供更多可供挖掘的數(shù)據(jù)，缺點是檢查成本升高，同時部分患者存在對比劑使用禁忌證，使該模型適用范圍受限。Li 等［27］利用影像組學識別DEL19 和L858R 突變與野生型及其他突變，預測效能較好，其在驗證集中的AUC 達0.775，該研究識別了DEL19 和L858R 突變與其他突變或野生型的基因型，但并未進一步區(qū)分DEL19 突變和L858R 突變。本研究選擇NSCLC 患者薄層CT 平掃圖像，層厚2 mm，檢查成本相對較低，可重復性好，無明確禁忌證，優(yōu)勢明確，所構建的模型適用范圍更廣泛，能達到理想效果；影像組學模型在驗證集中預測DEL19和L858R 突變的AUC 達0.698；聯(lián)合臨床因素所構建的聯(lián)合模型在驗證集中AUC 顯著提高，達0.874；驗證集中聯(lián)合模型的預測效能優(yōu)于影像組學模型（P=0.004）；列線圖也表明聯(lián)合模型對DEL19 突變和L858R 突變的預測效能更佳。

本研究的局限性：①入組患者有限，因部分患者僅行EGFR 突變的檢測，未行DEL19 和L858R 位點的檢測，后期將擴大樣本量進一步分析。②采用2 mm層厚平掃圖像，優(yōu)點是構建模型適用范圍更廣，缺點是厚層圖像可供挖掘的數(shù)據(jù)不如增強掃描圖像。③納入的臨床因素相對較少，可能是由于樣本量小、未篩選出其他相關的臨床因素。后續(xù)研究應增大樣本量，將病灶按大小分層，并納入縱隔窗可顯示的薄層增強掃描圖像進行研究，這樣可獲取多一個維度的紋理特征。

綜上所述，以2 mm 薄層平掃圖像為基礎構建的影組學模型應用范圍廣，且能夠較準確預測NSCLC患者敏感性突變亞型，聯(lián)合相關臨床因素所構建的聯(lián)合模型對DEL19 和L858R 突變的預測效能最優(yōu)。