研究文章

开发基于CT的个性化放射学组学计,用于术前区分胃间质瘤与胃平线肌瘤

DOI:

10.3791/69527

2026年2月3日

本文内容

摘要

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

开发了基于CT的放射组学组学系统,能够准确区分胃间质肿瘤与胃平滑肌瘤,实现非侵入性和个体化的术前诊断,具有较高的预测性能。

摘要

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本方案描述了基于计算机断层扫描(CT)的放射学单位图的开发和验证,用于非侵入性分化胃间质肿瘤(GIST)和胃平线肌瘤(GLMs)这两种具有不同治疗策略和预后意义的胃黏膜下病灶。分析了172名病理确诊的GIST或GLM患者,且在手术前30天内接受了增强CT的回顾性队列。患者被随机分配到训练队列(n = 120)和验证队列(n = 52)。系统评估了人口变量、CT形态特征以及从人工划定的兴趣区域提取的定量放射学特征。特征选择采用最小绝对收缩与选择算子(LASSO)回归并交叉验证完成。最终预测模型纳入了年龄、肿瘤位置、增强模式以及放射学特征NGLDM_Busyness,后者反映了肿瘤内结构的异质性。这些变量被整合,构建了临床应用的个性化命名图。模型表现通过受试者工作特征分析、校准曲线和决策曲线分析进行评估。该命名图在培训和验证队列中展现出强烈的鉴别能力、良好的校准和良好的临床效用,支持其作为个体化术前诊断非侵入性工具的潜在价值。

引言

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

胃间质肿瘤(GIST)是最常见的胃黏膜下肿瘤(SMTs),无论其大小,通常被视为潜在恶性,其中表现出恶性临床病程的患者约占病例10%至30%。根据美国国立卫生研究院共识分类3,GISTs的临床恶性肿瘤风险在不同层级递增:极低、低、中等和高风险,这些风险由肿瘤大小和有丝分裂计数定义。建议早期诊断和早期手术切除,适用于GIST患者 4.相比之下,作为一种良性肿瘤,具有罕见的转移概率且显然是胃SMT中最常见的肌源性肿瘤,胃平线肌瘤(GLMs)通常需要保守观察或微创治疗,除非病灶大于5厘米5,6英寸。因此,区分GIST与小于5厘米的GLM非常重要,因为它们在治疗和预后意义上有显著差异。这种区分对于小病变尤其具有挑战性,因为它们常常共享重叠的影像特征,且缺乏明确的临床症状 7,8

内镜超声引导细针抽吸(EUS-FNA)作为胃SMTs治疗前鉴定中最成熟的技术,已被证明能为GISTs7提供安全且准确的病理诊断。遗憾的是,EUS-FNA提取组织样本的能力极为有限,这似乎降低了其诊断的准确性9。此外,这种技术被认为是侵入性的。计算机断层扫描被认为是胃肠道肿瘤术前诊断的最佳且经济的成像工具10。然而,鉴于GIST和GLM在手术前的复杂临床症状和CT表现,区分它们仍然具有挑战性10

放射学是一种有前景的工具,能够自动从X线图像中提取定量成像特征,从而客观量化肿瘤的异质性。以往研究中,放射组学模型主要用于基于CT或MRI对GISTs的风险分层,展示了其在评估恶性可能性方面的潜力。然而,专门聚焦于GIST与GLM之间差异诊断的研究仍然相对罕见。目前尚无基于CT的放射组组技术用于术前区分GIST与GLMs。因此,本研究利用CT图像的形态特征和放射学参数构建了术前预测线型图,以应对上述挑战。

访问受限。请登录或开始试用以查看此内容。

方案

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

该研究已获得医院伦理委员会批准(方案编号:1612167-18)。鉴于研究的回顾性质,对知情同意的要求被免除。从2017年1月至2022年7月期间的机构记录中识别出胃间质肿瘤(GIST)或胃平线肌瘤(GLMs)患者,均为术后病理确认。试剂和所用设备列于材料表中。

1. 患者详情

符合条件的患者若符合以下标准,则纳入:(1)最大直径≤5厘米的胃部病变;(2)具备完整的病理诊断;(3)以治愈为目的接受根治手术;以及(4)手术前30天内接受过增强CT检查。有恶性肿瘤病史或术前治疗的患者被排除。因此,本研究共招募了110名GIST患者和62名患有GLM的患者。展示了一个种群流程图(见图1)。共纳入172名患者(110名GIST,62名GLM;82名男性,90名女性),平均年龄为55.05±12.42岁(范围:22-79岁)。患者被随机分配到一组训练组(n = 120)和一组验证组(n = 52),采用无分层的简单随机化。基线人口统计数据汇总于 表1

2. CT图像分析

本研究中的CT扫描在64切片CT扫描仪上进行。每位患者都必须禁食至少6小时。CT扫描前约30分钟,每位患者被指示口服500-800毫升自来水,并要求在扫描前立即服用1000毫升水以扩张胃部。所有患者均被仰卧,以防止胃部空气引起的伪影,同时确保所有病灶区域均被覆盖。患者被告知在临床影像检查过程中暴露于电离辐射。在使用对比剂前,筛查了碘化造影剂的禁忌症,包括已知的过敏和肾功能不全(eGFR <30 mL/min/1.73 m²)。患者注射后至少监测15分钟急性不良反应。显然采用了标准重建算法,扫描过程严格遵循以下规范:120 kV管电压;250-300毫安管电流;切片厚度和间隔为1.5毫米。采用了软组织重建核(B30f)。随后,在增强扫描过程中,静脉注射80-120毫升碘对比剂,注射速率为3.0 mL/s。动脉、门静脉和延迟期应在注射后约30秒、60秒和120秒内采集。对于放射学分析,图像通过重新采样至各向同性体素尺寸(1.5 × 1.5 × 1.5 mm³)进行预处理,并使用固定的25 Hounsfield单位(胡)隔间进行强度离散处理。

3. 放射性组特征提取

至于放射电学特征,使用LIFEx软件(4.90;www.lifexsoft.org)提取感兴趣区域(ROI)特征。所有关注区域仅通过门静脉相CT图像划定,并选定用于放射学分析以确保一致性和特征稳定性。对于每位患者,ROI在横面所有含有病灶的切片上划定,并采用矢状面和冠状体视角以确保准确的体积覆盖(见图2)。ROI由两名放射科医生在初次分割时独立绘制,未达共识,以便评估可重复性。ROI代表的是二维(2D)单切片轮廓,而非三维体积。在划定投资回报率时纳入所有肿瘤区域,基于LIFEx软件设置中的密度阈值排除钙化。进行了视觉质量控制,以确保胃扩张充足且病灶完全纳入ROI。计算了类内和类间相关系数(ICC),以评估放射组特征提取的可重复性;保留了ICC >0.75的特征。通过LIFEx软件的自动算法,获得了37项放射学特征:5个直方图参数、7个灰阶共现矩阵(GLCM)参数、11个灰阶运行长度矩阵(GLRLM)参数、3个邻域灰阶差分矩阵(NGLDM)参数和11个灰阶区长矩阵(GLZLM)参数。特征提取 通过 菜单路径完成:Segmentation → Radiomics → Compute。图像预处理包括将各向同性体素尺寸重采样为1.5×1.5×1.5毫米3 ,并使用固定的25个Hounsfield单位(胡)的强度离散化。建模前未进行特征缩放或归一化。

4. 统计

统计分析使用R软件(版本3.6.0;https://www.r-project.org)。连续变量在组间进行了独立t检验比较;类别变量采用χ²检验进行评估。双侧P值<0.05被视为统计学显著。

5. 预测指标图的建立

采用皮尔逊与筛查人口学、CT形态学和放射学特征的相关性进行单变量分析,以确定诊断关联(GIST GLM)。多元建模采用了 通过 glmnet软件包(cv.glmnet函数)实现的最小绝对收缩与选择算子(LASSO)回归,并实现了10折交叉验证15。最优正则化参数λ在lambda.1se处被选定,以支持更简洁的模型。最终预测变量年龄、肿瘤位置、增强模式和NGLDM_Busyness,利用各自系数线性组合生成预测分数(预评分)。在所有提取的放射性组特征中,只有NGLDM_Busyness在LASSO惩罚后仍保持非零系数,表明其他放射组特征要么冗余,要么提供的额外判别值有限。基于多变量模型,利用均方根包中的单位图函数构建了命名图。

6. 预测效果与计数图的验证

预测性能通过受试者工作特征曲线(AUC)下的面积、敏感性、特异性和准确性评估,涵盖训练和验证队列。校准 通过 自助重抽样(1000次迭代)和Hosmer-Lemeshow拟合优度检验进行评估;校准曲线被相应绘制。P值<0.05表示与理想校准有显著偏差。索引(C指数)用于量化判别信度。临床效用通过决策曲线分析(DCA)评估。

访问受限。请登录或开始试用以查看此内容。

结果

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

人口统计学和临床特征
共纳入172例胃黏膜下肿瘤患者(110例GIST,62例GLM)。人口统计和临床特征汇总于 表1表2表3。本分析旨在识别GIST与GLM之间的基线差异,以便后续模型开发。中度增强模式的老年患者胃体中GIST更可能发生,而轻微增强的年轻患者心腔内GLM更为常见(p < 0.05)。普通CT扫描的Hounsfield单位(胡)在GIST患者中显著低于GLM患者(p < 0.05)。在性别、症状、肿瘤史、家族史、体型、生长模式、形状、增强扫描时的CT值、病灶边界或囊性变化或钙化的存在方面均未观察到显著差异(p > 0.05)。连续变量在通过Shapiro-Wilk检验确认 正常后, 使用独立t检验进行比较;类别变量采用χ²检验进行评估。

放射性组特征的可重复性与选择
提取了10项CT形态特征和37项放射学特征。为评估观察者间的可重复性——可靠...

访问受限。请登录或开始试用以查看此内容。

讨论

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

区分胃肠道间质肿瘤(GIST)和胃平线肌瘤(GLMs)在临床上非常重要,因为它直接影响治疗决策和患者结局。一种被开发并验证的预测性命名图包含一项人口特征(年龄)、两种CT体征(位置和增强模式)和一种放射参数(NGLDM_Busyness)。该模型可在临床实践中轻松应用于术前。本研究通过提供一种切实可行的替代方案,弥补了胃黏膜下肿瘤非侵入性术前分化的空白。

本分析中,训练队列中GIST患者的平均年龄为59.69±8.90岁,验证队列为60.94±9.27岁,这与He等人16 和Wang等17的研究结果一致。GIST患者年龄大于GLM患者,与之前报告一致,18人。Levy等人19和Miettinen等人报告 称GLMs仅存在于心脏,而GISTs最常发生在胃体,这一模式在现有数据中得到...

访问受限。请登录或开始试用以查看此内容。

披露

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

作者声明他们没有利益冲突。

材料

本文使用的材料清单
姓名公司目录编号评论
增强型CT扫描仪西门子健康单体原子定义 AS+64片CT扫描仪;2017年至2022年中国三级医院的典型情况。扫描参数:120 kV,250 kdash;300 mA,切片厚度1.5毫米,核B30f。
glmnet 封装 (R)克兰版本 4.0(兼容 R 3.6.0)带有10重交叉验证的LASSO回归。
碘化对比剂拜耳股份公司Ultravist 370(碘化物370毫克I/mL)80秒时输液;120毫升,3.0毫升/秒。中国广泛使用的非离子造影剂用于腹部CT。
LIFEx 软件www.lifexsoft.org版本 4.90用于从CT反应率中提取放射性组特征。
R 软件R基金会版本 3.6.0用于统计分析与建模(https://www.r-project.org)。
RMS包(R)克兰版本 5.1-4(兼容 R 3.6.0)计画图的构建与校准。

参考文献

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Papke, D. J., Hornick, J. L. Recent developments in gastroesophageal mesenchymal tumors. Histopathology. 78 (1), 171-186 (2021).
  2. Inoue, A., et al. Difference of computed tomographic characteristic findings between gastric and intestinal gastrointestinal stromal tumors. Jpn J Radiol. 38 (8), 771-781 (2020).
  3. Joensuu, H. Risk stratification of patients diagnosed with gastrointestinal stromal tumor. Hum Pathol. 39 (10), 1411-1419 (2008).
  4. Nishida, T., Blay, J. Y., Hirota, S., Kitagawa, Y., Kang, Y. K. The standard diagnosis, treatment, and follow-up of gastrointestinal stromal tumors based on guidelines. Gastric Cancer. 19 (1), 3-14 (2016).
  5. Yang, H. K., et al. Leiomyomas in the gastric cardia: CT findings and differentiation from gastrointestinal stromal tumors. Eur J Radiol. 84 (9), 1694-1700 (2015).
  6. Nishida, T., Blay, J. Y., Hirota, S., Kitagawa, Y., Kang, Y. K. The standard diagnosis, treatment, and follow-up of gastrointestinal stromal tumors based on guidelines. Gastric Cancer. 19 (1), 3-14 (2016).
  7. Okuyama, R., et al. Can EUS-FNA cytology reliably classify gastric submucosal spindle cell tumors. Diagn Cytopathol. 51 (4), 230-238 (2023).
  8. Chen, Z., et al. Gastric gastrointestinal stromal tumors (2-5 cm): Correlation of CT features with malignancy and differential diagnosis. Eur J Radiol. 123, 108783(2020).
  9. Akahoshi, K., Oya, M., Koga, T., Shiratsuchi, Y. Current clinical management of gastrointestinal stromal tumor. World J Gastroenterol. 24 (26), 2806-2817 (2018).
  10. Li, Y., et al. Computed tomography in the size measurement of gastric gastrointestinal stromal tumors: Implication to risk stratification and "wait-and-see" tactics. Eur J Surg Oncol. 48 (8), 1739-1745 (2022).
  11. Gillies, R. J., Kinahan, P. E., Hricak, H. Radiomics: Images are more than pictures, they are data. Radiology. 278 (2), 563-577 (2016).
  12. Mao, H., et al. MRI-based radiomics models for predicting risk classification of gastrointestinal stromal tumors. Front Oncol. 11, 637270(2021).
  13. Chu, H., et al. Value of radiomics model based on enhanced computed tomography in risk grade prediction of gastrointestinal stromal tumors. Sci Rep. 11, 3775(2021).
  14. Chen, Z., et al. CT radiomics model for discriminating the risk stratification of gastrointestinal stromal tumors: A multi-class classification and multicenter study. Front Oncol. 11, 657371(2021).
  15. Sauerbrei, W., Royston, P., Binder, H. Selection of important variables and determination of functional form for continuous predictors in multivariable model building. Stat Med. 26 (30), 5512-5528 (2007).
  16. He, M. Y., et al. Differentiation between gastrointestinal schwannomas and gastrointestinal stromal tumors by computed tomography. Oncol Lett. 13 (5), 3746-3752 (2017).
  17. Wang, C., et al. Building CT radiomics-based models for preoperatively predicting malignant potential and mitotic count of gastrointestinal stromal tumors. Transl Oncol. 12 (9), 1229-1236 (2019).
  18. Choi, Y. R., et al. Differentiation of large (≥5 cm) gastrointestinal stromal tumors from benign subepithelial tumors in the stomach: Radiologists' performance using CT. Eur J Radiol. 83 (2), 250-260 (2014).
  19. Levy, A. D., Remotti, H. E., Thompson, W. M., Sobin, L. H., Miettinen, M. Gastrointestinal stromal tumors: Radiologic features with pathologic correlation. Radiographics. 23 (2), 283-304 (2003).
  20. Miettinen, M., Lasota, J. Gastrointestinal stromal tumors: Definition, clinical, histological, immunohistochemical, and molecular genetic features and differential diagnosis. Virchows Arch. 438 (1), 1-12 (2001).
  21. Wang, J., et al. Value of CT imaging in the differentiation of gastric leiomyoma from gastric stromal tumor. Can Assoc Radiol J. 72 (3), 444-451 (2021).
  22. Tomita, H., et al. Unenhanced CT texture analysis with machine learning for differentiating between nasopharyngeal cancer and nasopharyngeal malignant lymphoma. Nagoya J Med Sci. 83 (1), 135-149 (2021).
  23. Zhu, H., et al. Differentiation of gastric true leiomyoma from gastric stromal tumor based on biphasic contrast-enhanced computed tomographic findings. J Comput Assist Tomogr. 38 (2), 228-234 (2014).
  24. Sauerbrei, W., Royston, P., Binder, H. Selection of important variables and determination of functional form for continuous predictors in multivariable model building. Stat Med. 26 (30), 5512-5528 (2007).
  25. Han, J. P., et al. EUS-guided FNA and FNB after on-site cytological evaluation in gastric subepithelial tumors. J Dig Dis. 17 (9), 582-587 (2016).
  26. Liu, X. Y., et al. Application of artificial intelligence in the diagnosis of subepithelial lesions using endoscopic ultrasonography: A systematic review and meta-analysis. Front Oncol. 12, 915481(2022).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

CT RadiomicsGastric Stromal TumorsGastric LeiomyomasRadiomics NomogramPreoperative DifferentiationContrast Enhanced CTFeature SelectionLASSO RegressionTumor Texture HeterogeneityReceiver Operating Characteristic
视频即将推出

相关文章