Onderzoeksartikel

Ontwikkeling van een geïndividualiseerd, op CT gebaseerd radiomisch nomogram voor preoperatieve differentiatie tussen gastrische stromale tumoren en gastrische leiomyomen.

DOI:

10.3791/69527

⸱

3 februari 2026

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

In dit artikel

Samenvatting

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

Een CT-gebaseerd radiomisch nomogram werd ontwikkeld om gastrische stromale tumoren nauwkeurig te onderscheiden van gastrische leiomyomen, waardoor niet-invasieve en geïndividualiseerde preoperatieve diagnosen met hoge voorspellende prestaties mogelijk is.

Samenvatting

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

Dit protocol beschrijft de ontwikkeling en validatie van een computertomografie (CT)-gebaseerd radiomisch nomogram voor de niet-invasieve preoperatieve differentiatie van gastrische stromale tumoren (GIST's) en gastrische leiomyomen (GLM's), twee gastrische submukosale laesies met verschillende therapeutische strategieën en prognostische implicaties. Een retrospectieve cohort van 172 patiënten met pathologisch bevestigde GIST's of GLM's die binnen 30 dagen voor de operatie een contrastversterkte CT ondergingen, werd geanalyseerd. Patiënten werden willekeurig toegewezen aan een trainingscohort (n = 120) en een validatiecohort (n = 52). Demografische variabelen, CT-morfologische kenmerken en kwantitatieve radiomische kenmerken die uit handmatig afgebakende interessegebieden werden geëvalueerd. Featureselectie werd uitgevoerd met behulp van de least absolute shrinkage and selection operator (LASSO) regressie met kruisvalidatie. Het uiteindelijke voorspellende model nam leeftijd, tumorlocatie, verbeteringspatroon en het radiomische kenmerk NGLDM_Busyness mee, wat de heterogeniteit van de intratumorale textuur weerspiegelt. Deze variabelen werden geïntegreerd om een geïndividualiseerd nomogram voor klinisch gebruik te construeren. De modelprestaties werden beoordeeld met behulp van ontvanger-bedieningskenmerken, kalibratiecurves en beslissingscurve-analyse. Het nomogram toonde een sterk discriminatievermogen, goede kalibratie en gunstige klinische bruikbaarheid in zowel de trainings- als validatiecohorten, wat de potentiële waarde als niet-invasief instrument voor individuele preoperatieve diagnose ondersteunt.

Inleiding

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

Gastrische stromale tumoren (GIST's), de meest voorkomende gastrische submucosale tumoren (SMT's), worden meestal als potentieel kwaadaardig beschouwd ongeacht hun grootte, waarbij degenen met een maligne klinische verloop ongeveer 10% tot 30% van de gevallen 1,2 uitmaken. Volgens de NIH-consensusclassificatie3 neemt het klinische maligniteitsrisico van GIST's geleidelijk toe over de strata: zeer laag, laag, gemiddeld en hoog risico, die worden gedefinieerd door tumorgrootte en mitotische aantallen. Vroege diagnose en vroege chirurgische resectie worden aanbevolen voor patiënten met GISTs4. Daarentegen vereisen gastrische leiomyomen (GLM's), als een goedaardige neoplasma met een zeldzame kans op metastasatie en blijkbaar de meest voorkomende myogene tumoren van maag-SMT's, conservatieve observatie of minimaal invasieve behandelingen in plaats van chirurgie, behalve in gevallen waarin de laesies groter zijn dan5 cm. Het is daarom van groot belang om GIST's te onderscheiden van GLM's kleiner dan 5 cm vanwege hun aanzienlijk verschillende therapeutische en prognostische implicaties. Dit onderscheid is vooral lastig bij kleine laesies, omdat ze vaak overlappende beeldvormingskenmerken delen en geen definitieve klinische symptomen hebben 7,8.

Endoscopische ultrageluidsgeleide fijnnaaldaspiratie (EUS-FNA), als de meest ontwikkelde techniek voor pretherapeutische identificatie in gastrische SMT's, is bewezen een veilige en nauwkeurige pathologische diagnose van GISTs7 te bieden. Helaas is het vermogen van EUS-FNA om weefselmonsters te extraheren sterk beperkt, wat de nauwkeurigheid van de diagnose lijktte verminderen. Bovendien wordt de techniek als invasief beschouwd. Computertomografie wordt beschouwd als een optimaal en economisch beeldvormingsinstrument voor de preoperatieve diagnose van tumoren van het maag-darmkanaal10. Het preoperatief onderscheiden van GIST's en GLM's blijft echter een uitdaging, gezien de complexiteit van hun vergelijkbare klinische symptomen en CT-verschijningen10.

Radiomics is een veelbelovend instrument met het vermogen om kwantitatieve beeldvormingskenmerken automatisch uit radiologische beelden te extraheren, waardoor de heterogeniteit van tumorenobjectief kan worden gekwantificeerd. In eerdere studies zijn radiomicsmodellen voornamelijk ontwikkeld voor risicostratificatie van GIST's op basis van CT of MRI, waarmee hun potentieel is aangetoond bij het evalueren van maligne potentieel 12,13,14. Studies die zich specifiek richten op de differentiële diagnose tussen GIST's en GLM's blijven echter relatief zeldzaam. Om kennis te presenteren, is er geen eerder CT-gebaseerd radiomic nomogram ontwikkeld voor de preoperatieve differentiatie van GIST's van GLM's. Daarom construeert deze studie een preoperatief voorspellingsnomogram met behulp van morfologische kenmerken van CT-beelden en radiomicische parameters om de bovengenoemde uitdagingen aan te pakken.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Dit onderzoek werd goedgekeurd door de ethische commissie van het ziekenhuis (protocolnummer: 1612167-18). Gezien het retrospectieve karakter van de studie werd de vereiste voor geïnformeerde toestemming opgeheven. Patiënten met gastrische stromale tumoren (GIST's) of gastrische leiomyomen (GLM's) werden geïdentificeerd uit institutionele dossiers tussen januari 2017 en juli 2022, allemaal met postoperatieve pathologische bevestiging. De reagentia en de gebruikte apparatuur worden vermeld in de Materiaaltabel.

1. Patiëntgegevens

In aanmerking komende patiënten worden opgenomen als zij voldoen aan de volgende criteria: (1) maaglaesies met een maximale diameter van ≤5 cm; (2) beschikbaarheid van volledige pathologische diagnose; (3) het ondergaan van radicale chirurgie met genezende intentie; en (4) dat hij binnen 30 dagen voor de operatie een contrastversterkte CT heeft ondergaan. Patiënten met een voorgeschiedenis van kwaadaardige tumoren of preoperatieve therapie werden uitgesloten. Daarom werden 110 GIST-patiënten en 62 met GLM's ingeschreven in de huidige studie. Er werd een populatiestroomdiagram gedemonstreerd (Figuur 1). In totaal werden 172 patiënten (110 GIST's, 62 GLM's; 82 mannen, 90 vrouwen) opgenomen, met een gemiddelde leeftijd van 55,05 ± 12,42 jaar (bereik: 22-79). Patiënten werden willekeurig toegewezen aan een trainingsset (n = 120) en een validatieset (n = 52) met eenvoudige randomisatie zonder stratificatie. Basisdemografische gegevens worden samengevat in Tabel 1.

2. CT-beeldanalyse

CT-scanning in het huidige onderzoek werd uitgevoerd op 64-slice CT-scanners. Elke patiënt moest minstens 6 uur vasten. Ongeveer 30 minuten voor de CT-scan kreeg elke patiënt de instructie om 500-800 ml kraanwater oraal in te nemen, en werd gevraagd om 1000 ml water direct voor de echo te nemen om de maag te deden. Alle patiënten in de studie werden in rugligging geplaatst om artefacten veroorzaakt door lucht in de maag te voorkomen, terwijl alle laesiesgebieden bedekt waren. Patiënten werden geïnformeerd over blootstelling aan ioniserende straling als onderdeel van de klinische beeldvormingsprocedure. Voorafgaand aan het toedienen van contrastmiddel werden contra-indicaties voor gejodieerd contrastmiddel, waaronder bekende allergie en nierinsufficiëntie (eGFR <30 mL/min/1,73 m²), gescreend. Patiënten werden minstens 15 minuten na de injectie gemonitord op acute bijwerkingen. Er werd blijkbaar een standaard reconstructie-algoritme gebruikt, en het scanproces volgde strikt deze specificaties: 120 kV buisspanning; 250-300 mA buisstroom; 1,5 mm sneedikte en interval. Er werd een zachte weefselreconstructiekern (B30f) gebruikt. Vervolgens werd tijdens het uitgebreide scanproces 80-120 mL gejodeerd contrastmiddel toegediend, met een injectiesnelheid van 3,0 mL/s intraveneus. Arteriële, portale en vertraagde fasen moeten ongeveer 30 seconden, 60 seconden en 120 seconden na de injectietijd worden verzameld. Voor radiomische analyse werden beelden vooraf verwerkt door opnieuw te bemonsteren naar een isotrope voxelgrootte van 1,5 × 1,5 × 1,5 mm³ en intensiteitsdiscretisatie met een vaste binbreedte van 25 Hounsfield-eenheden (HU).

3. Radiomische feature-extractie

Wat betreft radiomic-functies werd LIFEx-software (versie 4.90; www.lifexsoft.org) gebruikt om features uit het regio van belang (ROI) te halen. Alle interessegebieden werden alleen afgebakend op CT-beelden van de portaalveneuze fase, die werden geselecteerd voor radiomische analyse om consistentie en structuurstabiliteit te waarborgen. Voor elke patiënt werd de ROI afgebakend op alle sneden met de laesie in het transversale vlak, met sagittale en coronale beelden om een nauwkeurige volumedekking te garanderen (Figuur 2). ROI's werden onafhankelijk vastgesteld door twee radiologen zonder consensus tijdens de initiële segmentatie om reproduceerbaarheidsbeoordeling mogelijk te maken. De ROI vertegenwoordigde een tweedimensionale (2D) enkelvoudige sneecontour, geen driedimensionaal volume. Alle tumorgebieden werden opgenomen bij het afbakenen van ROI's, en verkalkingen werden uitgesloten op basis van dichtheidsdrempels in de LIFEx-softwarecontext. Visuele kwaliteitscontrole werd uitgevoerd om voldoende maaguitzetting te waarborgen en volledige opname van de laesie binnen de ROI. Intra- en interclass correlatiecoëfficiënten (ICC's) werden berekend om de reproduceerbaarheid van radiomische feature-extractie te beoordelen; functies met ICC > 0,75 werden behouden. Via het automatische algoritme van LIFEx-software werden 37 radiomische kenmerken verkregen: 5 histogramparameters, 7 grijs-niveau co-incident matrix (GLCM) parameters, 11 grijs-niveau run length matrix (GLRLM) parameters, 3 buurt-grijs-niveau verschil matrix (NGLDM) parameters en 11 grijs-niveau zone lengte matrix (GLZLM) parameters. Feature-extractie werd uitgevoerd via het menupad: Segmentatie → Radiomics → Compute. Beeldvoorbewerking omvatte resampling naar een isotrope voxelgrootte van 1,5 × 1,5 × 1,5 mm3 en intensiteitsdiscretisatie met een vaste binbreedte van 25 Hounsfield-eenheden (HU). Er werd geen feature-scaling of normalisatie toegepast vóór het modelleren.

4. Statistieken

Statistische analyses werden uitgevoerd met R-software (versie 3.6.0; https://www.r-project.org). Continue variabelen werden tussen groepen vergeleken met behulp van onafhankelijke t-tests; Categorische variabelen werden beoordeeld met χ²-tests. Een tweezijdige P-waarde < 0,05 werd als statistisch significant beschouwd.

5. Vaststelling van voorspellingsnomogram

Univariate analyse werd uitgevoerd met behulp van Pearsons correlatie met screendemografische, CT-morfologische en radiomische kenmerken voor associatie met diagnose (GIST vs. GLM). Multivariate modellering maakte gebruik van least absolute shrinkage and selection operator (LASSO) regressie geïmplementeerd via het glmnet-pakket (cv.glmnet-functie) met 10-voudige kruisvalidatievan 15. De optimale regularisatieparameter λ werd gekozen op lambda.1se om een meer zuinig model te bevorderen. De uiteindelijke voorspellers, leeftijd, tumorlocatie, versterkingspatroon en NGLDM_Busyness, werden lineair gecombineerd met behulp van hun respectievelijke coëfficiënten om een voorspellingsscore (Prescore) te genereren. Van alle geëxtraheerde radiomische kenmerken behield alleen NGLDM_Busyness een niet-nul coëfficiënt na de LASSO-straf, wat suggereert dat andere radiomische kenmerken ofwel redundant waren of beperkte extra discriminatiewaarde boden. Er werd een nomogram geconstrueerd op basis van het multivariate model met behulp van de nomogramfunctie uit het rms-pakket.

6. Voorspellingseffectiviteit en validatie van het nomogram

Voorspellende prestaties werden geëvalueerd met behulp van het gebied onder de receiver operating characteristic curve (AUC), gevoeligheid, specificiteit en nauwkeurigheid in zowel trainings- als validatiecohorten. De kalibratie werd beoordeeld via bootstrapping resampling (1000 iteraties) en Hosmer-Lemeshow goodness-of-fit-test; Kalibratiecurves werden dienovereenkomstig uitgezet. Een P-waarde < 0,05 gaf een significante afwijking van de ideale kalibratie aan. De concordantie-index (C-index) werd gebruikt om discriminatieve betrouwbaarheid te kwantificeren. De klinische bruikbaarheid werd geëvalueerd met beslissingscurveanalyse (DCA).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Demografische en klinische kenmerken
In totaal werden 172 patiënten met gastrische submucosale tumoren (110 GIST's, 62 GLM's) opgenomen. Demografische en klinische kenmerken worden samengevat in Tabel 1, Tabel 2 en Tabel 3. Deze analyse was bedoeld om basislijnverschillen tussen GIST's en GLM's te identificeren om verdere modelontwikkeling te ondersteunen. GIST's kwamen vaker voor in het maaglichaam bij oudere patiënten met een matig versterkingspatro...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Het onderscheiden van gastro-intestinale stromale tumoren (GIST's) en gastrische leiomomen (GLM's) is klinisch belangrijk omdat het direct invloed heeft op de behandelingsbeslissingen en patiëntuitkomsten. Een nomogram werd ontwikkeld en gevalideerd als een voorspellend nomogram dat één demografisch kenmerk (leeftijd), twee CT-tekens (locatie en versterkingspatroon) en één radiomische parameter (NGLDM_Busyness) bevat. Dit model kan gemakkelijk preoperaal worden toegepast in de klinische ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs verklaren dat zij geen concurrerende belangen hebben.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Contrast-enhanced CT scannerSiemens HealthineersSOMATOM Definition AS+64-slice CT scanner; typisch in Chinese tertiaire ziekenhuizen gedurende 2017–2022. Scanparameters: 120 kV, 250–300 mA, 1,5 mm plakdikte, B30f kernel.
glmnet package (R)CRANVersie 4.0 (compatibel met R 3.6.0)LASSO regressie met 10-voudige kruisvalidatie.
Joodhoudend contrastmiddelBayer AGUltravist 370 (Iopromide 370 mg I/mL)Toegediend IV bij 80–120 mL, 3,0 mL/s. Wijd gebruikt niet-ionisch contrastmiddel in China voor abdominale CT.
LIFEx softwarewww.lifexsoft.orgVersie 4.90Gebruikt voor radiomische feature extractie uit CT ROI's.
R softwareThe R FoundationVersie 3.6.0Voor statistische analyse en modellering (https://www.r-project.org).
rms package (R)CRANVersie 5.1-4 (compatibel met R 3.6.0)Nomogram constructie en calibratie.

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

CT RadiomicsGastric Stromal TumorsGastric LeiomyomasRadiomics NomogramPreoperative DifferentiationContrast Enhanced CTFeature SelectionLASSO RegressionTumor Texture HeterogeneityReceiver Operating Characteristic
Video binnenkort beschikbaar

Gerelateerde artikelen