Sviluppo di un nomogramma radiomico personalizzato basato su TC per la differenziazione preoperatoria tra tumori stromali gastrici e leiomiomi gastrici

Summary

È stato sviluppato un nomogramma radiomico basato su TC per differenziare con precisione i tumori stromali gastrici dai leiomiomi gastrici, consentendo una diagnosi preoperatoria non invasiva e individualizzata con elevate prestazioni predittive.

Abstract

Questo protocollo descrive lo sviluppo e la convalida di un nomogramma radiomico basato su tomografia computerizzata (TC) per la differenziazione preoperatoria non invasiva dei tumori stromali gastrici (GIST) e dei leiomiomiami gastrici (GLM), due lesioni submucose gastriche con strategie terapeutiche distinte e implicazioni prognostiche. È stata analizzata una coorte retrospettiva di 172 pazienti con GIST o GLM patologicamente confermati, sottoposti a una TAC con contrasto aumentata entro 30 giorni prima dell'intervento. I pazienti sono stati assegnati casualmente a una coorte di addestramento (n = 120) e a una coorte di validazione (n = 52). Sono state valutate sistematicamente variabili demografiche, caratteristiche morfologiche CT e caratteristiche radiomiche quantitative estratte da regioni di interesse delineate manualmente. La selezione delle caratteristiche è stata eseguita utilizzando la regressione LASSO, con la convalidazione incrociata di minor riduzione assoluta e l'operatore di selezione. Il modello predittivo finale incorporava età, localizzazione del tumore, modello di miglioramento e la NGLDM_Busyness delle caratteristiche radiomiche, che riflette l'eterogeneità della texture intratumorale. Queste variabili sono state integrate per costruire un nomogramma individualizzato per uso clinico. Le prestazioni del modello sono state valutate utilizzando analisi delle caratteristiche operative del ricevitore, curve di calibrazione e analisi della curva decisionale. Il nomogramma ha dimostrato una forte capacità discriminatoria, una buona calibrazione e un'utilità clinica favorevole sia nelle coorti di formazione che di validazione, a sostegno del suo potenziale valore come strumento non invasivo per la diagnosi preoperatoria individualizzata.

Introduction

I tumori stromali gastrici (GIST), che sono i tumori submucosi gastrici (SMT) più comuni, tendono a essere considerati potenzialmente maligni indipendentemente dalla loro dimensione, con quelli che presentano un decorso clinico maligno rappresentano circa il 10% al 30% dei^{casi 1,2}. Secondo la classificazione di consenso^{NIH 3}, il rischio clinico di malignità dei GIST aumenta progressivamente tra gli strati: rischio molto basso, basso, intermedio e alto, definiti dalla dimensione del tumore e dal conteggio mitotico. Per i pazienti con GIST⁴ sono raccomandate una diagnosi precoce e una resezione chirurgica precoce. Al contrario, essendo una neoplasia benigna con rara probabilità di metastatizzare e apparentemente i tumori miogenici più frequenti delle SMT gastriche, i leiomiomi gastrici (GLM) richiedono osservazione conservativa o trattamenti minimamente invasivi invece di interventi chirurgici, tranne nei casi in cui le lesioni sono maggiori di 5^{cm 5,6}. Pertanto, è di grande importanza distinguere i GIST dai GLM più piccoli di 5 cm a causa delle loro implicazioni terapeutiche e prognostiche sostanzialmente diverse. Questa distinzione è particolarmente difficile per le lesioni di piccole dimensioni, poiché spesso condividono caratteristiche di imaging sovrapposte e mancano di sintomi clinici^{definitivi 7,8}.

L'aspirazione con ago fine guidata da ultrasuoni endoscopici (EUS-FNA), come la tecnica più matura relativa all'identificazione preterapeutica nelle SMT gastriche, ha dimostrato di fornire una diagnosi patologica sicura e accurata dei GIST⁷. Purtroppo, la capacità dell'EUS-FNA di estrarre campioni di tessuto è gravemente limitata, il che sembra ridurre l'accuratezza della sua^{diagnosi 9}. Inoltre, la tecnica è considerata invasiva. La tomografia computerizzata è considerata uno strumento di imaging ottimale ed economico per la diagnosi preoperatoria dei tumori del tratto^{gastrointestinale 10}. Tuttavia, distinguere tra GIST e GLM preoperatoriamente rimane una sfida, data la complessità dei loro sintomi clinici simili e le apparizioni CT¹⁰.

La radiomica rappresenta uno strumento promettente con la capacità di estrarre automaticamente caratteristiche di imaging quantitativo da immagini radiografiche, consentendo la quantificazione oggettiva dell'eterogeneità dei^{tumori 11}. In studi precedenti, modelli radiomici sono stati sviluppati principalmente per la stratificazione del rischio dei GIST basandosi su TC o MRI, dimostrando il loro potenziale nella valutazione del potenziale^maligno 12,13,14. Tuttavia, gli studi focalizzati specificamente sulla diagnosi differenziale tra GIST e GLM rimangono relativamente rari. Ad oggi non è stato sviluppato alcun nomogramma radiomico basato su TC per la differenziazione preoperatoria dei GIST dai GLM. Pertanto, questo studio costruisce un nomogramma pre-operatorio di previsione utilizzando le caratteristiche morfologiche delle immagini CT e dei parametri radiomici per affrontare le sfide sopra menzionate.

Protocol

Questa ricerca è stata approvata dal comitato etico dell'ospedale (numero di protocollo: 1612167-18). Data la natura retrospettiva dello studio, il requisito del consenso informato è stato rimosso. I pazienti con tumori stromali gastrici (GIST) o leiomiomi gastrici (GLM) sono stati identificati dai registri istituzionali tra gennaio 2017 e luglio 2022, tutti con conferma patologica post-operatoria. I reagenti e le attrezzature utilizzate sono elencati nella Tabella dei Materiali.

1. Dettagli del paziente

I pazienti idonei sono arruolati se soddisfano i seguenti criteri: (1) lesioni gastriche con diametro massimo ≤5 cm; (2) disponibilità di diagnosi patologica completa; (3) sottoporsi a interventi chirurgici radicali con intento curativo; e (4) aver subito una TAC con contrasto aumentata entro 30 giorni prima dell'intervento. I pazienti con storia di tumori maligni o terapia preoperatoria sono stati esclusi. Pertanto, 110 pazienti GIST e 62 con GLM sono stati arruolati nel presente studio. È stato dimostrato un diagramma di flusso della popolazione (Figura 1). Sono stati inclusi in totale 172 pazienti (110 GIST, 62 GLM; 82 maschi, 90 femmine), con un'età media di 55,05 ± 12,42 anni (intervallo: 22-79 anni). I pazienti sono stati assegnati casualmente a un set di addestramento (n = 120) e a un set di validazione (n = 52) utilizzando una semplice randomizzazione senza stratificazione. I dati demografici di base sono riassunti nella Tabella 1.

2. Analisi delle immagini TC

La TAC nel presente studio è stata effettuata su scanner a 64 slice. Ogni paziente era tenuto a digiunare per almeno 6 ore. Circa 30 minuti prima della TAC, a ogni paziente è stato ordinato di ingerire per via orale 500-800 mL di acqua del rubinetto, e è stato richiesto di prelevare 1000 mL d'acqua immediatamente prima della scansione per distendere lo stomaco. Tutti i pazienti dello studio sono stati posizionati in posizione supina per prevenire artefatti causati dall'aria nello stomaco, assicurandosi che tutte le aree lesionali fossero coperte. I pazienti sono stati informati dell'esposizione a radiazioni ionizzanti come parte della procedura di imaging clinico. Prima della somministrazione del contrasto, sono state sottoposte controindicazioni al mezzo di contrasto iodato, inclusi allergie note e insufficienza renale (eGFR <30 mL/min/1,73 m²). I pazienti sono stati monitorati per almeno 15 minuti dopo l'iniezione per reazioni avverse acute. Apparentemente fu utilizzato un algoritmo standard di ricostruzione, e il processo di scansione seguiva rigorosamente queste specifiche: tensione valvolare di 120 kV; corrente valvolare da 250-300 mA; Spessore e intervallo della fetta di 1,5 mm. È stato utilizzato un chicco di ricostruzione dei tessuti molli (B30f). Successivamente, durante il processo di scansione potenziata, sono stati somministrati 80-120 mL di agente di contrasto iodato, con una velocità di iniezione di 3,0 mL/s per via endovenosa. Le fasi arteriose, portale e ritardate dovrebbero essere raccolte in circa 30 secondi, 60 e 120 secondi dopo l'iniezione. Per l'analisi radiomica, le immagini sono state pre-elaborate ricampionando a una dimensione isotropa di voxel di 1,5 × 1,5 × 1,5 mm³ e discretizzazione di intensità utilizzando una larghezza fissa di 25 unità di Hounsfield (HU).

3. Estrazione delle caratteristiche radiomiche

Per quanto riguarda le caratteristiche radiomiche, il software LIFEx (versione 4.90; www.lifexsoft.org) è stato utilizzato per estrarre caratteristiche dalla regione di interesse (ROI). Tutte le regioni di interesse sono state delineate solo su immagini CT in fase venosa porta, selezionate per analisi radiomiche per garantire coerenza e stabilità delle caratteristiche. Per ogni paziente, il ROI è stato delineato su tutte le fette contenenti la lesione nel piano trasverso, utilizzando le viste sagittale e coronale per garantire una copertura volumetrica accurata (Figura 2). I ROI sono stati disegnati indipendentemente da due radiologi senza consenso durante la segmentazione iniziale per consentire la valutazione della riproducibilità. Il ROI rappresentava un contorno bidimensionale (2D) a singola fette, non un volume tridimensionale. Tutte le aree tumorali sono state incluse nella delineazione dei ROI, e le calcificazioni sono state escluse in base alle soglie di densità nell'ambito software LIFEx. È stato eseguito un controllo di qualità visivo per garantire un'adeguata distensione gastrica e la completa inclusione della lesione all'interno del ROI. I coefficienti di correlazione intra- e interclasse (ICC) sono stati calcolati per valutare la riproducibilità dell'estrazione di caratteristiche radiomiche; furono mantenute le caratteristiche con ICC > 0,75. Attraverso l'algoritmo automatico del software LIFEx, sono state ottenute 37 caratteristiche radiomiche: 5 parametri di istogramma, 7 parametri di matrice di co-occorrenza a livello di grigio (GLCM), 11 parametri della matrice di lunghezza di corsa a livello di grigio (GLRLM), 3 parametri della matrice di differenza a livello di grigio di invicinato, e 11 parametri di matrice di lunghezza della zona a livello di grigio (GLZLM). L'estrazione delle caratteristiche veniva effettuata tramite il percorso del menu: Segmentazione → Radiomica → Calcolo. La pre-elaborazione delle immagini includeva il ricampionamento a una dimensione isotropa dei voxel di 1,5 × 1,5 ×^{1,5 mm 3} e la discretizzazione di intensità utilizzando una larghezza fissa di 25 unità di Hounsfield (HU). Non è stata applicata alcuna scalatura o normalizzazione delle caratteristiche prima della modellazione.

4. Statistiche

Le analisi statistiche sono state effettuate utilizzando il software R (versione 3.6.0; https://www.r-project.org). Le variabili continue sono state confrontate tra i gruppi utilizzando test t indipendenti; Le variabili categoriche sono state valutate con test χ². Un valore P bilaterale < 0,05 è stato considerato statisticamente significativo.

5. Istituzione del nomogramma di previsione

L'analisi univariata è stata condotta utilizzando la correlazione di Pearson con le caratteristiche demografiche, morfologiche della TAC e radiomiche per l'associazione con la diagnosi (GIST vs. GLM). La modellazione multivariata impiegava la regressione LASSO (least absolute shrinkage and selection operator) implementata tramite il pacchetto glmnet (funzione cv.glmnet) con validazione incrociata di 10^{volte 15}. Il parametro di regolarizzazione ottimale λ fu selezionato in lambda.1se per favorire un modello più parsimonioso. I predittori finali, età, localizzazione del tumore, modello di miglioramento e NGLDM_Busyness, sono stati combinati linearmente utilizzando i rispettivi coefficienti per generare un punteggio di previsione (Prescore). Tra tutte le caratteristiche radiomiche estratte, solo NGLDM_Busyness hanno mantenuto un coefficiente diverso da zero dopo la penalizzazione LASSO, suggerendo che altre caratteristiche radiomiche fossero ridondanti o fornissero un valore discriminativo aggiuntivo limitato. Un nomogramma veniva costruito basandosi sul modello multivariato usando la funzione nomogramma del pacchetto rms.

6. Efficacia della previsione e validazione del nomogramma

Le prestazioni predittive sono state valutate utilizzando l'area sotto la curva di funzionamento del ricevitore (AUC), sensibilità, specificità e accuratezza sia nelle coorti di addestramento che di validazione. La calibrazione è stata valutata tramite ricampionamento bootstrap (1000 iterazioni) e test di adattamento Hosmer-Lemeshow; Le curve di calibrazione venivano tracciate di conseguenza. Un valore P < 0,05 indicava una deviazione significativa dalla calibrazione ideale. L'indice di concordanza (C-indice) veniva utilizzato per quantificare l'affidabilità discriminativa. L'utilità clinica è stata valutata tramite analisi della curva decisionale (DCA).

Results

Caratteristiche demografiche e cliniche
Sono stati inclusi in totale 172 pazienti con tumori submucosi gastrici (110 GIST, 62 GLM). Le caratteristiche demografiche e cliniche sono riassunte nelle Tabelle 1, Tabella 2 e Tabella 3. Questa analisi mirava a identificare differenze di base tra GIST e GLM per informare lo sviluppo successivo del modello. I GIST erano più probabili nel corpo gastrico nei pazienti anziani con un modello di miglioramento moder...

Discussion

Distinguere tra tumori stromali gastrointestinali (GIST) e leiomiomi gastrici (GLM) è clinicamente importante perché influisce direttamente sulle decisioni terapeutiche e sugli esiti dei pazienti. Un nomogramma è stato sviluppato e validato come nomogramma predittivo che incorpora una caratteristica demografica (età), due segni CT (posizione e modello di miglioramento) e un parametro radiomico (NGLDM_Busyness). Questo modello può essere facilmente applicato preoperatoriamente nella prati...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Scanner TC con contrasto	Siemens Healthineers	Definizione SOMATOM AS+	scanner TC a 64 fasce; tipico negli ospedali terziari cinesi durante il 2017 e il 2022. Parametri di scansione: 120 kV, 250 e lineo; 300 mA, spessore fetta di 1,5 mm, grano B30f.
Pacchetto glmnet (R)	CRAN	Versione 4.0 (compatibile con R 3.6.0)	Regressione LASSO con validazione incrociata a 10 volte.
Agente di contrasto iodrata	Bayer AG	Ultravist 370 (Iopromide 370 mg I/mL)	Somministrata per via endovenosa a 80 e linea; 120 mL, 3,0 mL/s. Agente di contrasto non ionico ampiamente utilizzato in Cina per la TAC addominale.
Software LIFEx	www.lifexsoft.org	Versione 4.90	Utilizzato per l'estrazione di caratteristiche radiomiche dai ROI CT.
Software R	La Fondazione R	Versione 3.6.0	Per analisi statistica e modellazione (https://www.r-project.org).
Pacchetto RMS (R)	CRAN	Versione 5.1-4 (compatibile con R 3.6.0)	Costruzione e calibrazione del nomogramma.