Entwicklung eines individualisierten, CT-basierten radiomischen Nomogramms zur präoperativen Differenzierung zwischen gastrischen Stromustumoren und gastrischen Leiomyomen

Summary

Ein CT-basiertes radiomisches Nomogramm wurde entwickelt, um gastrische stromale Tumore von gastrischen Leiomyomen präzise zu unterscheiden und so eine nicht-invasive und individualisierte präoperative Diagnose mit hoher prädiktiver Leistung zu ermöglichen.

Abstract

Dieses Protokoll beschreibt die Entwicklung und Validierung eines computertomografischen (CT)-basierten radiomischen Nomogramms für die nicht-invasive präoperative Differenzierung von gastrischen stromalen Tumoren (GISTs) und gastrischen Leiomyomen (GLMs), zwei gastrischen submukosalen Läsionen mit unterschiedlichen therapeutischen Strategien und prognostischen Implikationen. Eine retrospektive Kohorte von 172 Patienten mit pathologisch bestätigten GISTs oder GLMs, die sich innerhalb von 30 Tagen vor der Operation einer kontrastverstärkten CT unterzogen, wurde analysiert. Die Patienten wurden zufällig einer Trainingskohorte (n = 120) und einer Validierungskohorte (n = 52) zugeteilt. Demografische Variablen, morphologische CT-Merkmale und quantitative radiomische Merkmale, die aus manuell abgegrenzten Interessensregionen extrahiert wurden, wurden systematisch bewertet. Die Merkmalsauswahl erfolgte mit der LASSO-Regression (LASSO) mit Kreuzvalidierung. Das endgültige prädiktive Modell berücksichtigte Alter, Tumorstandort, Verbesserungsmuster und das radiomische Merkmal NGLDM_Busyness, was die intratumorale Texturheterogenität widerspiegelt. Diese Variablen wurden integriert, um ein individualisiertes Nomogramm für den klinischen Einsatz zu erstellen. Die Modellleistung wurde mittels Empfänger-Betriebscharakteristika-Analyse, Kalibrierungskurven und Entscheidungskurvenanalyse bewertet. Das Nomogramm zeigte sowohl in den Ausbildungs- als auch in der Validierungskohorte eine starke Diskriminierungsfähigkeit, eine gute Kalibrierung und einen günstigen klinischen Nutzen, was seinen potenziellen Wert als nicht-invasives Werkzeug für individuelle präoperative Diagnostik untermauert.

Introduction

Gastrische stromale Tumore (GISTs), die häufigsten gastrischen submukosalen Tumore (SMTs), werden unabhängig von ihrer Größe meist als potenziell bösartig betrachtet, wobei solche mit einem malignen klinischen Verlauf etwa 10 % bis 30 % der Fälle^ausmachen. Laut der NIH-Konsensklassifikation³ steigt das klinische Malignitätsrisiko von GISTs schrittweise über die Schichten hinweg: sehr niedrig, niedrig, mittleres und hohes Risiko, die durch Tumorgröße und Mitoseanzahl definiert sind. Frühzeitige Diagnose und frühzeitige chirurgische Resektion werden für Patienten mit GISTs^{empfohlen 4}. Im Gegensatz dazu erfordern gastrische Leiomyome (GLMs) als gutartiges Neoplasma mit seltener Metastasierungswahrscheinlichkeit und offenbar die häufigsten myogenen Tumore gastrischer SMTs eine konservative Beobachtung oder minimalinvasive Behandlungen anstelle einer Operation, mit Ausnahme von Fällen, in denen die Läsionen größer als 5 cm ^5,6 sind. Daher ist es von großer Bedeutung, GISTs von GLMs kleiner als 5 cm zu unterscheiden, da ihre therapeutischen und prognostischen Auswirkungen erheblich unterschiedlich sind. Diese Unterscheidung ist besonders schwierig bei kleinen Läsionen, da sie oft überlappende bildgebende Merkmale teilen und keine eindeutigen klinischen Symptome ^7,8 vorweisen.

Die endoskopisch-ultraschallgesteuerte Feinnadelaspiration (EUS-FNA), als die ausgereifteste Technik zur prätherapeutischen Identifikation in gastrischen SMTs, hat sich als sichere und genaue pathologische Diagnose von GISTs⁷ erwiesen. Leider ist die Fähigkeit von EUS-FNA, Gewebeproben zu extrahieren, stark eingeschränkt, was offenbar die Genauigkeit seiner Diagnose^verringert. Darüber hinaus gilt die Technik als invasiv. Die Computertomographie gilt als optimales und wirtschaftliches Bildgebungsinstrument für die präoperative Diagnose von Magen-Darm-Tumoren¹⁰. Allerdings bleibt die Unterscheidung zwischen GISTs und GLMs präoperativ schwierig, angesichts der Komplexität ihrer ähnlichen klinischen Symptome und CT-Erscheinungen¹⁰.

Radiomik stellt ein vielversprechendes Werkzeug dar, das in der Lage ist, quantitative Bildgeräte automatisch aus radiographischen Bildern zu extrahieren, was die objektive Quantifizierung der Heterogenität von Tumoren^ermöglicht. In früheren Studien wurden Radiomik-Modelle hauptsächlich zur Risikostratifizierung von GISTs basierend auf CT oder MRT entwickelt, wobei ihr Potenzial zur Bewertung des malignen Potenzials 12,13,14 demonstriert wurde. Studien, die sich speziell auf die Differenzialdiagnose zwischen GISTs und GLMs konzentrieren, bleiben jedoch relativ selten. Zur vorliegenden Kenntnis wurde kein vorheriges CT-basiertes Radiomisch-Nomogramm für die präoperative Differenzierung von GISTs von GLMs entwickelt. Daher erstellt diese Studie ein präoperatives Vorhersagenomogramm unter Verwendung morphologischer Merkmale von CT-Bildern und radiomischen Parametern, um die oben genannten Herausforderungen zu adressieren.

Protocol

Diese Forschung wurde vom Ethikausschuss des Krankenhauses genehmigt (Protokollnummer: 1612167-18). Aufgrund des rückwirkenden Charakters der Studie wurde die Anforderung einer informierten Einwilligung aufgehoben. Patienten mit gastrischen stromalen Tumoren (GISTs) oder gastrischen Leiomyomen (GLMs) wurden zwischen Januar 2017 und Juli 2022 aus institutionellen Unterlagen identifiziert, alle mit postoperativer pathologischer Bestätigung. Die Reagenzien und die verwendeten Geräte sind in der Materialtabelle aufgeführt.

1. Patientendetails

Geeignete Patienten werden aufgenommen, wenn sie folgende Kriterien erfüllen: (1) Magenläsionen mit maximalem Durchmesser ≤5 cm; (2) Verfügbarkeit vollständiger pathologischer Diagnose; (3) radikale Operation mit heilender Absicht; und (4) dass sie sich innerhalb von 30 Tagen vor der Operation einer kontrastverstärkten CT unterzogen hatte. Patienten mit einer Vorgeschichte bösartiger Tumore oder präoperativer Behandlung wurden ausgeschlossen. Daher wurden 110 GIST-Patienten und 62 mit GLMs in die vorliegende Studie aufgenommen. Ein Populationsflussdiagramm wurde demonstriert (Abbildung 1). Insgesamt wurden 172 Patienten (110 GISTs, 62 GLMs; 82 Männer, 90 Frauen) eingeschlossen, mit einem Durchschnittsalter von 55,05 ± 12,42 Jahren (Bereich: 22-79). Patienten wurden zufällig einem Trainingssatz (n = 120) und einem Validierungssatz (n = 52) mittels einfacher Randomisierung ohne Stratifikation zugeordnet. Die demografischen Basisdaten sind in Tabelle 1 zusammengefasst.

2. CT-Bildanalyse

CT-Scans in der vorliegenden Studie wurden an 64-Schnitt-CT-Scannern durchgeführt. Jeder Patient musste mindestens 6 Stunden fasten. Etwa 30 Minuten vor dem CT-Scan wurde jeder Patient angewiesen, 500–800 ml Leitungswasser oral aufzunehmen, und es wurden 1000 ml Wasser angefordert, unmittelbar vor dem Ultraschall zu nehmen, um den Magen zu dehnen. Alle Patienten in der Studie wurden in der Rückenposition positioniert, um Artefakte zu vermeiden, die durch Luft im Magen entstehen, und gleichzeitig sicherzustellen, dass alle Läsionsbereiche bedeckt sind. Die Patienten wurden im Rahmen des klinischen Bildgebungsverfahrens über die Exposition gegenüber ionisierender Strahlung informiert. Vor der Verabreichung von Kontrastmitteln wurden Kontraindikationen für iodhaltiges Kontrastmittel, einschließlich bekannter Allergie und Niereninsuffizienz (eGFR <30 mL/min/1,73 m²), untersucht. Die Patienten wurden mindestens 15 Minuten nach der Injektion auf akute Nebenwirkungen überwacht. Offenbar wurde ein standardisierter Rekonstruktionsalgorithmus verwendet, und der Abtastprozess folgte strikt diesen Spezifikationen: 120 kV Röhrenspannung; 250–300 mA Röhrenstrom; 1,5 mm Schnittdicke und Intervall. Ein Weichteilrekonstruktionskern (B30f) wurde verwendet. Anschließend wurde während des erweiterten Scanningsprozesses ein iodatiertes Kontrastmittel von 80–120 ml intravenös verabreicht, mit einer Injektionsrate von 3,0 mL/s. Arterielle, portale und verzögerte Phasen sollten etwa 30, 60 und 120 Sekunden nach der Injektion gesammelt werden. Für die radiomische Analyse wurden die Bilder vorverarbeitet, indem sie auf eine isotrope Voxelgröße von 1,5 × 1,5 × 1,5 mm³ und Intensitätsdiskretisierung mit einer festen Binbreite von 25 Hounsfield-Einheiten (HU) vorgefertigt wurden.

3. Extraktion radiomischer Merkmale

Was radiomische Funktionen betrifft, so wurde die LIFEx-Software (Version 4.90; www.lifexsoft.org) verwendet, um Features aus dem Interessengebiet (ROI) zu extrahieren. Alle interessierenden Bereiche wurden ausschließlich auf CT-Bildern der Portalvenösen Phase abgegrenzt, die für die radiomische Analyse ausgewählt wurden, um Konsistenz und Funktionsstabilität sicherzustellen. Für jeden Patienten wurde der ROI auf allen Schnitten mit der Läsion in der transversalen Ebene abgegrenzt, wobei sagittale und koronale Ansichten verwendet wurden, um eine genaue Volumenabdeckung sicherzustellen (Abbildung 2). ROIs wurden von zwei Radiologen unabhängig ohne Konsens während der initialen Segmentierung erstellt, um eine Reproduzierbarkeitsbewertung zu ermöglichen. Der ROI stellte eine zweidimensionale (2D) Einzelschnitt-Kontur dar, nicht ein dreidimensionales Volumen. Alle Tumorbereiche wurden bei der Abgrenzung der ROIs einbezogen, und Verkalkungen wurden aufgrund von Dichteschwellenwerten im LIFEx-Software-Setting ausgeschlossen. Eine visuelle Qualitätskontrolle wurde durchgeführt, um eine ausreichende Magendehnung und vollständige Einbeziehung der Läsion in den ROI sicherzustellen. Intra- und Interklassen-Korrelationskoeffizienten (ICCs) wurden berechnet, um die Reproduzierbarkeit der radiomischen Merkmalsextraktion zu bewerten; Merkmale mit ICC > 0,75 wurden beibehalten. Durch den automatischen Algorithmus der LIFEx-Software wurden 37 radiomische Merkmale erhalten: 5 Histogrammparameter, 7 Grey-Level Co-Occurrence Matrix (GLCM)-Parameter, 11 Grey-Level Run-Length Matrix (GLRLM)-Parameter, 3 Nachbarschafts-Grey-Level Differenzmatrix (NGLDM)-Parameter und 11 Grey-Level Zone Length Matrix (GLZLM)-Parameter. Die Feature-Extraktion erfolgte über den Menüpfad: Segmentierung → Radiomics → Compute. Die Bildvorverarbeitung umfasste das Resampling auf eine isotrope Voxelgröße von 1,5 × 1,5 × 1,5 mm³ sowie die Intensitätsdiskretisierung mit einer festen Binbreite von 25 Hounsfield-Einheiten (HU). Vor der Modellierung wurde keine Feature-Skalierung oder Normalisierung angewendet.

4. Statistiken

Statistische Analysen wurden mit der R-Software (Version 3.6.0; https://www.r-project.org) durchgeführt. Kontinuierliche Variablen wurden zwischen den Gruppen mittels unabhängiger t-Tests verglichen; Kategoriale Variablen wurden mit χ²-Tests bewertet. Ein zweiseitiger P-Wert < 0,05 wurde als statistisch signifikant angesehen.

5. Etablierung des Vorhersage-Nomogramms

Univariate Analysen wurden unter Verwendung von Pearsons Korrelation zu demografischen, CT-morphologischen und radiomischen Eigenschaften für die Assoziation mit der Diagnose durchgeführt (GIST vs. GLM). Die multivariate Modellierung verwendete die minimalste absolute Schrumpfung und Auswahloperator-(LASSO)-Regression, die über das glmnet-Paket (cv.glmnet-Funktion) mit 10-facher Kreuzvalidierung^{von 15} implementiert wurde. Der optimale Regularisierungsparameter λ wurde bei lambda.1se ausgewählt, um ein sparsameres Modell zu bevorzugen. Die endgültigen Prädiktoren – Alter, Tumorort, Verstärkungsmuster und NGLDM_Busyness – wurden linear mit ihren jeweiligen Koeffizienten kombiniert, um einen Vorhersagescore (Prescore) zu erzeugen. Unter allen extrahierten radiomischen Merkmalen behielt nach der LASSO-Strafe nur NGLDM_Busyness einen von null verschiedenen Koeffizienten, was darauf hindeutet, dass andere radiomische Merkmale entweder redundant waren oder einen begrenzten zusätzlichen Diskriminierungswert boten. Ein Nomogramm wurde auf Basis des multivariaten Modells unter Verwendung der Nomogrammfunktion aus dem RMS-Paket konstruiert.

6. Vorhersagewirksamkeit und Validierung des Nomogramms

Die prädiktive Leistung wurde anhand der Fläche unter der Empfänger-Betriebscharakteristiekkurve (AUC), Sensitivität, Spezifität und Genauigkeit sowohl in Trainings- als auch in Validierungskohorten bewertet. Die Kalibrierung wurde mittels Bootstrapping-Resampling (1000 Iterationen) und dem Hosmer-Lemeshow-Goodness-of-Fit-Test bewertet; Kalibrierungskurven wurden entsprechend dargestellt. Ein P-Wert < 0,05 zeigte eine signifikante Abweichung von der idealen Kalibrierung an. Der Konkordanzindex (C-Index) wurde verwendet, um diskriminierende Zuverlässigkeit zu quantifizieren. Der klinische Nutzen wurde mittels Entscheidungskurvenanalyse (DCA) bewertet.

Results

Demografische und klinische Merkmale
Insgesamt wurden 172 Patienten mit gastrischen submukosalen Tumoren (110 GISTs, 62 GLMs) eingeschlossen. Demografische und klinische Merkmale sind in Tabelle 1, Tabelle 2 und Tabelle 3 zusammengefasst. Diese Analyse zielte darauf ab, Basisunterschiede zwischen GISTs und GLMs zu identifizieren, um die spätere Modellentwicklung zu unterstützen. GISTs traten im Magenkörper bei älteren Patienten mit moderatem Enhanceme...

Discussion

Die Unterscheidung zwischen gastrointestinalen stromalen Tumoren (GISTs) und gastrischen Leiomyomen (GLMs) ist klinisch wichtig, da sie direkt die Behandlungsentscheidungen und die Patientenergebnisse beeinflusst. Ein Nomogramm wurde entwickelt und als prädiktives Nomogramm validiert, das ein demografisches Merkmal (Alter), zwei CT-Zeichen (Ort und Verstärkungsmuster) und einen radiomischen Parameter (NGLDM_Busyness) umfasst. Dieses Modell kann in der klinischen Praxis problemlos präoper...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Kontrastverstärkter CT-Scanner	Siemens Healthineers	SOMATOM-Definition AS+	64-Schnitt-CT-Scanner; typisch in chinesischen tertiären Krankenhäusern im Jahr 2017 – 2022. Scan-Parameter: 120 kV, 250 %; 300 mA, 1,5 mm Scheibendicke, B30f-Kern.
glmnet-Paket (R)	CRAN	Version 4.0 (kompatibel mit R 3.6.0)	LASSO-Regression mit zehnfacher Kreuzvalidierung.
Jodiertes Kontrastmittel	Bayer AG	Ultravist 370 (Iopromid 370 mg I/mL)	IV bei 80 % verabreicht; 120 mL, 3,0 mL/s. In China weit verbreitetes nicht-ionisches Kontrastmittel für die Bauch-CT.
LIFEx-Software	www.lifexsoft.org	Version 4.90	Verwendet zur radiomischen Feature-Extraktion aus CT-ROIs.
R-Software	Die R-Stiftung	Version 3.6.0	Für statistische Analysen und Modellierungen (https://www.r-project.org).
rms-Paket (R)	CRAN	Version 5.1-4 (kompatibel mit R 3.6.0)	Nomogrammkonstruktion und -kalibrierung.