研究記事

胃間質腫瘍と胃平線筋腫の術前鑑別のための個別化されたCTベースの放射線学ノモグラムの開発

DOI：

10.3791/69527

⸱

2026年2月3日

 ,  ,  , 
1Department of Radiology, Shuguang Hospital Affiliated to Shanghai University of Traditional Chinese Medicine, 2Department of Radiology, Fudan University Shanghai Cancer Center

この記事について

サマリー

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

CTベースの放射線学ノモグラムが開発され、胃間質腫瘍と胃平線筋腫を正確に区別し、非侵襲かつ個別化された術前診断を高予測性能で可能にしました。

要約

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

本プロトコルは、異なる治療戦略と予後の影響を持つ胃粘膜下病変(GIST)および胃平線筋腫(GLM)の非侵襲的術前分化のためのコンピュータ断層撮影(CT)ベースのラジオミクスノモグラムの開発と検証を説明しています。手術30日前に造影CTを受けた病理学的に確定したGISTまたはGLMを持つ172人の後ろ向きコホートを分析しました。患者は無作為にトレーニングコホート(n = 120)と検証コホート(n = 52)に割り当てられました。人口統計的変数、CT形態的特徴、手作業で区画された関心領域から抽出された定量的な放射線学的特徴を体系的に評価しました。特徴選択は、最小絶対収縮・選択演算子(LASSO)回帰と交差検証を用いて行われました。最終的な予測モデルには、年齢、腫瘍の位置、増強パターン、腫瘍内テクスチャーの異質性を反映する放射線学的特徴NGLDM_Busynessが組み込まれました。これらの変数を統合し、臨床用に個別化されたノモグラムを構築しました。モデルの性能は、受信者の動作特性分析、キャリブレーションカーブ、意思決定曲線解析を用いて評価されました。ノモグラムは、訓練および検証の両コホートにおいて強い識別力、良好な校正、臨床的有用性を示し、個別化された術前診断のための非侵襲的ツールとしての潜在的価値を支持しました。

概要

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

胃間質腫瘍(GIST)は最も一般的な胃粘膜下腫瘍(SMT)であり、その大きさに関わらず悪性の可能性が高いと考えられる傾向があり、悪性臨床経過を示す患者は症例の約10%から30%を占めます。NIHコンセンサス分類3によると、GISTの臨床悪性腫瘍リスクは、腫瘍の大きさや有糸分裂数によって定義される非常に低い、低い、中間、高いリスクの各階層で段階的に増加します。GISTの患者には早期診断および早期外科的切除が推奨されます。4.これに対し、転移の可能性が稀で、胃SMTの筋形成性腫瘍として最も頻繁な良性腫瘍である胃平線筋腫(GLM)は、病変が5cm5.6を超える場合を除き、手術ではなく保存観察または低侵襲治療が必要です。したがって、GISTと5cm未満のGLMを区別することは、治療的および予後上に大きく異なるため非常に重要です。この区別は、小さな病変では特に困難であり、しばしば画像特徴が重なり、明確な臨床症状がないためです 7,8。

胃SMTsにおける治療前同定に関連する最も成熟した技術として、内視鏡超音波ガイド下細針吸引法(EUS-FNA)は、GISTs7の安全かつ正確な病理診断を提供することが証明されています。残念ながら、EUS-FNAの組織サンプル抽出能力は非常に限られており、診断の精度が低下しているようです。さらに、この技術は侵襲的と見なされています。コンピュータ断層撮影は、消化管腫瘍の術前診断において最適かつ経済的な画像診断ツールと考えられています10。しかし、GISTとGLMの術前区別は、臨床症状やCTの所見が複雑であるため、依然として困難です10。

放射線学は、放射線画像から定量的画像特徴を自動的に抽出できる有望なツールであり、腫瘍の異質性を客観的に定量化することを可能にします。過去の研究では、CTやMRIに基づくGISTのリスク層別化を目的に放射線学モデルが開発されており、悪性の可能性評価に効果があることが示されています。しかし、GISTとGLMの鑑別診断に特化した研究は比較的稀なままです。知見を述べると、GISTとGLMの術前鑑別のためのCTベースの放射線学ノモグラムはこれまで開発されていません。したがって、本研究はCT画像の形態学的特徴と放射線学パラメータを用いて、上述の課題に対応する術前予測ノモグラムを構築します。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

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

この研究は病院の倫理委員会(プロトコル番号:1612167-18)によって承認されました。研究の後ろ向きな性質を考慮し、インフォームドコンセントの要件は免除されました。胃間質腫瘍(GIST)または胃平線筋腫(GLM)の患者は、2017年1月から2022年7月までの機関記録から特定され、いずれも術後の病理的確認が認められました。試薬および使用機器は材料表に記載されています。

1. 患者詳細

以下の基準を満たす患者は、以下の条件を満たす場合に登録されます:(1) 最大直径≤5 cmの胃病変;(2) 完全な病理診断の利用可能性;(3) 治癒目的で根治的手術を受けること;(4)手術の30日前に造影剤CT検査を受けていること。悪性腫瘍の既往または術前治療の患者は除外しました。したがって、本研究には110名のGIST患者とGLM患者62名が登録されました。集団フローチャートが示されました(図1)。合計172名の患者(110名のGIST、62名のGLM、82名の男性、90名の女性)が含まれ、平均年齢は55.05歳±12.42歳(範囲:22-79歳)でした。患者は単純ランダム化を用いて、層別化を使わずにトレーニングセット(n = 120)と検証セット(n = 52)にランダムに割り当てられました。ベースラインの人口統計データは 表1にまとめられています。

2. CT画像解析

本研究におけるCTスキャンは64スライスCTスキャナーで行われました。すべての患者は少なくとも6時間の断食が求められました。CTスキャンの約30分前に、各患者に500〜800mLの水道水を経口摂取するよう指示され、スキャン直前に胃を膨らませるために1000mLの水を服用するよう指示されました。研究に参加した全患者は、胃内の空気によるアーチファクトを防ぐため仰向け姿勢に配置され、病変部位はすべてカバーされました。患者には、臨床画像検査の一環として電離放射線への曝露が通知されました。造影剤投与前に、既知のアレルギーおよび腎不全(eGFR <30 mL/min/1.73 m²)を含むヨウ素化造影剤の禁忌がスクリーニングされました。患者は注射後少なくとも15分間、急性の副反応の有無を観察しました。標準的な再構成アルゴリズムが用いられたようで、スキャンプロセスは以下の仕様に厳格に従っていました:120 kV管電圧;管電流は250〜300 mA;スライス厚さと間隔は1.5mmです。軟部組織再建の核(B30f)が使用されました。その後、強化スキャン過程で80〜120 mLのヨウ素化造影剤を静脈内3.0 mL/sで投与しました。動脈相、門脈相、遅延相は注射後約30秒、60秒、120秒の間に収集されます。放射学分析では、画像を1.5 × 1.5 × 1.5 mm³の等方性ボクセルサイズに再サンプリングし、強度を離散化し、固定されたビン幅25ハウンズフィールドユニット(HU)を用いました。

3. 放射学的特徴抽出

ラジオマイクの特徴については、LIFExソフトウェア(バージョン4.90、www.lifexsoft.org)が関心領域(ROI)から特徴を抽出するために使用されました。関心のあるすべての領域は門脈位相CT画像のみで区分され、一貫性と特徴安定性を確保するために放射線分析のために選定されました。各患者に対して、横面の病変を含むすべてのスライスにROIが示され、矢状面および冠状面の視点を用いて正確な体積カバレッジを確保しました(図2)。ROIは、再現性評価のために初期セグメンテーション時に合意なしに2名の放射線科医が独立して作成しました。ROIは三次元体積ではなく、二次元(2D)の単一スライス輪郭を表していました。ROIの区分にはすべての腫瘍領域が含まれ、LIFExソフトウェアの設定では密度閾値に基づいて石灰化は除外しました。十分な胃拡張と病変の完全なROI包含を確保するため、視覚的な品質管理が行われました。クラス内およびクラス間相関係数(ICC)を計算し、放射学的特徴抽出の再現性を評価しました。ICC > 0.75の特徴は保持されました。LIFExソフトウェアの自動アルゴリズムにより、37の放射学的特徴が得られました:5つのヒストグラムパラメータ、7つのグレーレベル共現行列(GLCM)パラメータ、11のグレーレベルランレングスマトリックス(GLRLM)パラメータ、3つの近傍グレーレベル差分行列(NGLDM)パラメータ、そして11のグレーレベルゾーン長マトリックス(GLZLM)パラメータです。特徴抽出はメニューパス「Segmentation → Radiomics → Compute 」を通じて 行われました。画像前処理には、1.5 × 1.5 × 1.5 mm3 の等方性ボクセルサイズへのリサンプリングと、25ハウンズフィールドユニット(HU)の固定ビン幅を用いた強度離散化が含まれていました。モデリング前に特徴のスケーリングや正規化は一切適用されませんでした。

4. 統計

統計解析はRソフトウェア(バージョン3.6.0、https://www.r-project.org)を用いて実施されました。連続変数は独立t検定を用いてグループ間で比較されました。カテゴリ変数はχ²検定で評価されました。両側P値<0.05は統計的に有意とみなされました。

5. 予測ノモグラムの確立

単変量解析は、診断との関連性(GIST 対GLM)。多変量モデリングは、glmnetパッケージ(cv.glmnet関数 )を通じて 実装された最小絶対縮小および選択演算子(LASSO)回帰を用い、10重クロス検証15を用いています。最適な正則化パラメータλは、より簡潔なモデルを支持するためにλ.1seで選ばれました。最終的な予測因子である年齢、腫瘍の位置、増強パターン、NGLDM_Busynessはそれぞれの係数を用いて線形に結合し、予測スコア(Prescore)を生成しました。抽出されたすべての放射学的特徴のうち、LASSOの罰則後に非ゼロ係数を保持したのはNGLDM_Busynessのみであり、これは他の放射線学的特徴が冗長であるか、限定的な識別値しか提供していないことを示唆している。マルチバリアントモデルに基づくノモグラムは、RMSパッケージのノモグラム関数を用いて構築されました。

6. ノモグラムの予測効果と検証

予測性能は、訓練コホートおよび検証コホートの両方において、受講者動作特性曲線(AUC)下の面積、感度、特異度、精度を用いて評価されました。校正はブートストラップ再サンプリング(1000回の反復)およびHosmer-Lemeshow適合度検定 によって 評価されました。それに応じてキャリブレーション曲線がプロットされました。P値<0.05は理想的な校正からの著しい逸脱を示しました。判別信頼性を定量化するためにコンコルダンス指数(C-index)が用いられました。臨床的有用性は意思決定曲線分析(DCA)によって評価されました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

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

人口統計学的および臨床的特徴
胃粘膜下腫瘍患者172名(GIST110例、GLM62例)が含まれました。人口統計学的および臨床的特徴は 表1、 表2 、 表3にまとめられています。この分析は、GISTとGLMのベースラインの違いを特定し、その後のモデル開発に役立てることを目的としました。GISTは中等度の増強パターンを持つ高齢患者で胃体で発生しやすく、軽度の増強がある若年患者では心臓部でGLMがより頻繁に見られました(p < 0.05)。単純CTスキャンでのハウンズフィールド単位(HU)は、GIST患者でGLM患者よりも有意に低かった(p < 0.05)。性別、症状、腫瘍既往、家族歴、大きさ、成長パターン、形状、CT値、増強スキャン時のCT値、病変境界、嚢胞性変化や石灰化の有無に有意な差は認められませんでした(p > 0.05)。連続変数はシャピロ・ウィルク検定 で 正常性を確認した後、独立t検定を用いて比較されました。カテゴリ変数はχ²検定で評価されました。<...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

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

消化管間質腫瘍(GIST)と胃平原筋腫(GLMs)の区別は、治療決定や患者の転後に直接影響するため臨床的に重要です。ノモグラムは、1つの人口統計的特徴(年齢)、2つのCTサイン(位置および増強パターン)、1つの放射線パラメータ(NGLDM_Busyness)を含む予測ノモグラムとして開発・検証されました。このモデルは術前臨床でも容易に適用可能です。本研究は、診断効果や侵襲性が限られた方法に代わる実用的な代替手段を提供することで、胃粘膜下腫瘍の非侵襲的術前分化における現在のギャップを埋めます。

本分析では、訓練コホートでGIST患者の平均年齢が59.69歳±8.90歳、検証コホートで60.94歳±9.27歳であり、これはHeら16 およびWangら17の調査結果と一致しています。GIST患者はGLM患者より高齢であり、これは以前の報告と一致しています。Levyら

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

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

著者たちは競合する利害関係がないと宣言しています。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
造影CTスキャナーシーメンス・ヘルシニアーズSOMATOM定義 AS+64スライスCTスキャナー;2017年から2022年までの中国の三次医療病院では典型的な状況です。スキャンパラメータ:120kV、250kVおよびndash;300 mA、スライス厚さ1.5mm、核はB30f。
glmnetパッケージ(R)クランバージョン4.0(R 3.6.0と互換性)10分割のクロスバリデーションを伴うLASSO回帰。
ヨウ素化造影剤バイエルAGウルトラビスト370(ヨオプロミド 370 mg I/mL)80&ndashで点滴投与;120 mL、3.0 mL/s。中国で腹部CTに広く使われている非イオン性造影剤。
LIFExソフトウェアwww.lifexsoft.orgバージョン4.90CTのROIから放射学的特徴抽出に使用されます。
RソフトウェアR財団バージョン 3.6.0統計解析およびモデリング(https://www.r-project.org)。
RMSパッケージ(R)クランバージョン5.1-4(R 3.6.0と互換性)ノモグラムの構築とキャリブレーション。

参考文献

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

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

CT RadiomicsGastric Stromal TumorsGastric LeiomyomasRadiomics NomogramPreoperative DifferentiationContrast Enhanced CTFeature SelectionLASSO RegressionTumor Texture HeterogeneityReceiver Operating Characteristic
動画は近日公開

関連記事