Artykuł badawczy

Opracowanie indywidualnego tomograficznego nomogramu radiomiki opartego na tomografii komputerowej do przedoperacyjnego różnicowania między guzami stromalnymi żołądka a leiomyomami żołądka

DOI:

10.3791/69527

⸱

3 lutego 2026

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

W tym artykule

Podsumowanie

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

Opracowano omogram radiomiki oparty na tomografii komputerowej, aby precyzyjnie odróżnić guzy stromalne żołądka od leiomyomów żołądka, umożliwiając nieinwazyjną i indywidualną diagnozę przedoperacyjną o wysokiej wydajności predykcyjnej.

Streszczenie

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

Protokół ten opisuje opracowanie i walidację nomogramu radiomiki opartego na tomografii komputerowej (CT) dla nieinwazyjnej, przedoperacyjnej różnicowania guzów stromalnych żołądka (GIST) oraz leiomyomów żołądka (GLM), czyli dwóch zmian podśluzowych żołądka o różnych strategiach terapeutycznych i implikacjach prognostycznych. Analizowano retrospektywną kohortę 172 pacjentów z patologicznie potwierdzonymi GIST lub GLM, którzy przeszli tomografię komputerową z dodatkiem kontrastu w ciągu 30 dni przed operacją. Pacjenci byli losowo przypisywani do kohorty treningowej (n = 120) oraz kohorty walidacyjnej (n = 52). Systematycznie oceniono zmienne demograficzne, cechy morfologiczne CT oraz ilościowe cechy radiomiki wyodrębnione z ręcznie wyznaczonych obszarów zainteresowania. Wybór cech przeprowadzono przy użyciu regresji najmniejszego bezwzględnego kurczenia i operatora selekcji (LASSO) z walidacją krzyżową. Ostateczny model predykcyjny uwzględniał wiek, lokalizację guza, wzór wzmocnienia oraz NGLDM_Busyness cechy radiomicznej, co odzwierciedla niejednorodność tekstury wewnątrzguzowej. Te zmienne zostały zintegrowane, aby stworzyć indywidualny nomogram do użytku klinicznego. Wydajność modelu oceniano za pomocą analizy charakterystyki pracy odbiornika, krzywych kalibracyjnych oraz analizy krzywej decyzyjnej. Nomogram wykazał silną zdolność dyskryminacyjną, dobrą kalibrację oraz korzystną użyteczność kliniczną zarówno w kohortach treningowych, jak i walidacyjnych, co potwierdza jego potencjalną wartość jako nieinwazyjnego narzędzia do indywidualnej diagnozy przedoperacyjnej.

Wprowadzenie

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

Guzy stromalne żołądka (GIST), będące najczęstszymi guzami podśluzowymi żołądka (SMT), są uznawane za potencjalnie złośliwe niezależnie od wielkości, przy czym te wykazujące nowotworowy przebieg kliniczny stanowią około 10% do 30% przypadków 1,2. Według konsensusu NIH klasyfikacji3, ryzyko klinicznej nowotworów GIST rośnie stopniowo w warstwach: bardzo niskie, niskie, pośrednie i wysokie ryzyko, które są definiowane przez wielkość guza i liczbę mitotycznych. Wczesna diagnoza i wczesna resekcja chirurgiczna są zalecane u pacjentów z GIST4. Dla porównania, jako łagodny nowotwor o rzadkim prawdopodobieństwie przerzutów i najwyraźniej najczęstszy miogenny guz u żołądkowych SMT, leiomyoma żołądka (GLM) wymagają zachowawczej obserwacji lub minimalnie inwazyjnego leczenia zamiast operacji, z wyjątkiem przypadków, gdy zmiany są większe niż 5 cm 5,6. Dlatego bardzo ważne jest rozróżnienie GIST od GLM mniejszych niż 5 cm ze względu na ich istotnie odmienne znaczenie terapeutyczne i prognostyczne. To rozróżnienie jest szczególnie trudne dla małych zmian, ponieważ często mają one nakładające się cechy obrazowe i nie mają wyraźnych objawów klinicznych 7,8.

Endoskopowa aspiracja cienką igłą (EUS-FNA), prowadzona ultrasonograficznie, jako najbardziej dojrzała technika identyfikacji przedterapeutycznej w żołądkowych SMT, została udowodniona jako bezpieczna i dokładna patologiczna diagnoza GIST7. Niestety, zdolność EUS-FNA do pobierania próbek tkanek jest poważnie ograniczona, co wydaje się obniżać dokładność diagnozy9. Co więcej, technika ta jest uznawana za inwazyjną. Tomografia komputerowa jest uważana za optymalne i ekonomiczne narzędzie obrazowe do przedoperacyjnej diagnostyki guzów przewodu pokarmowego10. Jednak rozróżnienie GIST i GLM przed operacją pozostaje trudne, biorąc pod uwagę złożoność podobnych objawów klinicznych i wyników tomografiikomputerowej 10.

Radiomika stanowi obiecujące narzędzie z możliwością automatycznego wydobywania ilościowych cech obrazowania z obrazów radiologicznych, umożliwiając obiektywne kwantyfikowanie heterogeniczności guzów11. W poprzednich badaniach modele radiomiki były opracowywane głównie do stratyfikacji ryzyka GIST na podstawie tomografii komputerowej lub MRI, wykazując ich potencjał w ocenie potencjału złośliwego 12,13,14. Jednak badania skupione konkretnie na różnicowej diagnozie między GIST a GLM pozostają stosunkowo rzadkie. Aby przedstawić wiedzę, nie opracowano wcześniej nomogramu radiomiki opartego na tomografii komputerowej do przedoperacyjnego różnicowania GIST od GLM. Dlatego badanie to tworzy nomogram predoperacyjny z wykorzystaniem cech morfologicznych obrazów CT oraz parametrów radiomiki, aby sprostać wyżej wymienionym wyzwaniom.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Badania te zostały zatwierdzone przez komisję etyczną szpitala (numer protokołu: 1612167-18). Ze względu na retrospektywny charakter badania, wymóg świadomej zgody został zniesiony. Pacjenci z guzami stromalnymi żołądka (GIST) lub leiomyomami żołądka (GLM) zostali zidentyfikowani w dokumentacji instytucjonalnej między styczniem 2017 a lipcem 2022 roku, wszyscy z potwierdzeniem patologicznym po operacji. Odczynniki i używany sprzęt są wymienione w Tabeli Materiałów.

1. Dane pacjenta

Kwalifikujący się pacjenci są przyjmowani, jeśli spełniają następujące kryteria: (1) zmiany żołądka o maksymalnej średnicy ≤5 cm; (2) dostępność pełnej diagnozy patologicznej; (3) poddawanie się radykalnej operacji z zamiarem leczenia; oraz (4) po wykonaniu tomografii komputerowej z dodatkiem kontrastu w ciągu 30 dni przed operacją. Pacjenci z wywiadem nowotworów złośliwych lub terapii przedoperacyjnej zostali wykluczeni. W związku z tym do niniejszego badania włączono 110 pacjentów z GIST oraz 62 z GLM. Przedstawiono diagram przepływu populacji (Rysunek 1). Łącznie włączono 172 pacjentów (110 GIST, 62 GLM; 82 mężczyzn, 90 kobiet), o średnim wieku 55,05 ± 12,42 roku (zakres: 22-79). Pacjenci byli losowo przypisywani do zestawu treningowego (n = 120) oraz zestawu walidacyjnego (n = 52) przy użyciu prostej randomizacji bez stratyfikacji. Dane demograficzne bazowe są podsumowane w Tabeli 1.

2. Analiza obrazów CT

W niniejszym badaniu wykonano tomografię komputerową na 64-splatowych skanerach komputerowych. Każdy pacjent musiał pościć co najmniej 6 godzin. Około 30 minut przed tomografią komputerową każdy pacjent został poinstruowany, aby doustnie wypić 500-800 ml wody z kranu, a następnie poproszono o natychmiastowe podanie 1000 ml wody przed badaniem, aby rozciągnąć żołądek. Wszyscy pacjenci w badaniu byli ustawieni w pozycji leżącej, aby zapobiec artefaktom spowodowanym przez powietrze w żołądku, jednocześnie zapewniając, że wszystkie obszary zmian są pokryte. Pacjenci byli informowani o narażeniu na promieniowanie jonizujące jako część procedury obrazowania klinicznego. Przed podaniem kontrastu badano przeciwwskazania do jodowanego środka kontrastowego, w tym znaną alergię i niewydolność nerek (eGFR <30 mL/min/1,73 m²). Pacjenci byli monitorowani co najmniej 15 minut po podaniu iniekcji pod kątem ostrych reakcji niepożądanych. Podobno zastosowano standardowy algorytm rekonstrukcji, a proces skanowania ściśle przestrzegał następujących specyfikacji: napięcie lampy 120 kV; prąd lampowy 250-300 mA; Grubość i odstęp między kawałkami 1,5 mm. Zastosowano jądro rekonstrukcji tkanek miękkich (B30f). Następnie, podczas rozszerzonego procesu skanowania, podano 80-120 mL jodowanego środka kontrastowego, z dożylnym wtryskiem 3,0 mL/s. Fazy tętniczne, portalne i opóźnione powinny być pobierane w ciągu około 30, 60 sekund i 120 sekund po podaniu iniekcji. Do analizy radiomiki obrazy były wstępnie przetwarzane przez ponowne próbkowanie do izotropowego rozmiaru woksela 1,5 × 1,5 × 1,5 mm³ oraz dyskretyzację intensywności przy użyciu stałej szerokości pojemnika 25 jednostek Hounsfielda (HU).

3. Ekstrakcja cech radiomicznych

Jeśli chodzi o cechy radiomiczne, do wyodrębniania cech z obszaru zainteresowania (ROI) użyto oprogramowania LIFEx (wersja 4.90; www.lifexsoft.org). Wszystkie obszary zainteresowania zostały wyznaczone wyłącznie na obrazach tomografii w fazie żylnej wrotnej, które zostały wybrane do analizy radiomicznej w celu zapewnienia spójności i stabilności cech. Dla każdego pacjenta ROI był wyznaczany na wszystkich przecinkach zawierających zmianę w płaszczyźnie poprzecznej, z wykorzystaniem widoków strzałkowych i koronalnych, aby zapewnić dokładne pokrycie objętości (Rysunek 2). ROI były niezależnie określane przez dwóch radiologów bez konsensusu podczas początkowej segmentacji, aby umożliwić ocenę powtarzalności. ROI oznaczał dwuwymiarowy (2D) kontur pojedynczego przekroju, a nie objętość trójwymiarową. Wszystkie obszary guzów uwzględniono przy wyznaczaniu zwrotu z inwestycji, a zwapnienia wykluczono na podstawie progów gęstości w oprogramowaniu LIFEx. Przeprowadzono kontrolę jakości wzrokowej, aby zapewnić odpowiednie rozciągnięcie żołądka i pełne włączenie zmiany do ROI. Współczynniki korelacji wewnątrz- i międzyklasowe (ICC) zostały obliczone w celu oceny powtarzalności ekstrakcji cech radiomicznych; zachowano cechy z ICC > 0,75. Dzięki automatycznemu algorytmowi oprogramowania LIFEx uzyskano 37 cech radiomicznych: 5 parametrów histogramu, 7 parametrów współwystępowania na poziomie szarym (GLCM), 11 parametrów matrycy długości biegu na poziomie szarym (GLRLM), 3 parametry różnicy różnic różnic szarych poziomów (NGLDM) w okolicy oraz 11 parametrów macierzy długości stref na poziomie szarym (GLZLM). Ekstrakcja cech była wykonywana za pomocą ścieżki menu: Segmentacja → radiomika → obliczenia. Wstępne przetwarzanie obrazów obejmowało ponowne próbkowanie do izotropowego rozmiaru woksela 1,5 × 1,5 × 1,5 mm3 oraz dyskretyzację intensywności przy użyciu stałej szerokości pojemnika 25 jednostek Hounsfielda (HU). Przed modelowaniem nie zastosowano skalowania ani normalizacji cech.

4. Statystyki

Analizy statystyczne przeprowadzano przy użyciu oprogramowania R (wersja 3.6.0; https://www.r-project.org). Zmienne ciągłe porównano między grupami za pomocą niezależnych testów t; Zmienne kategoryczne oceniano za pomocą testów χ². Wartość P dwustronna < 0,05 uznano za istotną statystycznie.

5. Ustanowienie nomogramu predykcyjnego

Analizę jednowariantową przeprowadzono na podstawie korelacji Pearsona z charakterystyką demograficzną, morfologiczną i radiomiczną w celu powiązania z diagnozą (GIST vs. GLM). Modelowanie wielowymiarowe wykorzystywało regresję najmniejszego bezwzględnego kurczenia i operatorów selekcji (LASSO), realizowaną za pomocą pakietu glmnet (funkcja cv.glmnet) z 10-krotną walidacją krzyżową15. Optymalny parametr regularizacji λ został wybrany w lambda.1se, aby sprzyjać bardziej oszczędnemu modelowi. Ostateczne predyktory: wiek, lokalizacja guza, wzór wzmocnienia i NGLDM_Busyness, zostały liniowo połączone za pomocą ich współczynników, aby uzyskać wynik predykcyjny (Prescore). Spośród wszystkich wyodrębnionych cech radiomicznych tylko NGLDM_Busyness zachowały współczynnik różny od zera po karaniu LASSO, co sugeruje, że inne cechy radiomicalne były albo redundantne, albo zapewniały ograniczoną dodatkową wartość dyskryminacyjną. Nomogram został skonstruowany na podstawie modelu wielowariantnego, wykorzystując funkcję nomogramu z pakietu RMS.

6. Skuteczność predykcji i walidacja nomogramu

Wydajność predykcyjna oceniano na podstawie obszaru pod krzywą charakterystyki operacyjnej odbiornika (AUC), czułości, specyficzności oraz dokładności zarówno w kohortach treningowych, jak i walidacyjnych. Kalibrację oceniano za pomocą resampling bootstrappingu (1000 iteracji) oraz testu dopasowania Hosmera-Lemeshowa; krzywe kalibracyjne zostały odpowiednio wykreślone. Wartość P < 0,05 wskazywała na istotne odchylenie od idealnej kalibracji. Do ilościowego określenia niezawodności dyskryminacyjnej używano indeksu konkordancji (C-index). Użyteczność kliniczna oceniano za pomocą analizy krzywej decyzyjnej (DCA).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Cechy demograficzne i kliniczne
Łącznie obejmowano 172 pacjentów z guzami podśluzowymi żołądka (110 GIST, 62 GLM). Cechy demograficzne i kliniczne są podsumowane w Tabeli 1, Tabeli 2 oraz Tabeli 3. Analiza ta miała na celu zidentyfikowanie podstawowych różnic między GIST a GLM, aby pomóc w dalszym rozwoju modelu. GIST częściej występowały w ciele żołądka u starszych pacjentów z umiarkowanym wzorcem wzmocnienia, podczas gdy GLM częściej występowały w s...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Rozróżnianie między guzami stromalnymi żołądka pokarmowego (GIST) a mięśniakami żołądkowymi (GLM) jest klinicznie istotne, ponieważ bezpośrednio wpływa na decyzje dotyczące leczenia i wyniki leczenia. Opracowano i zweryfikowano nomogram jako nomogram predykcyjny, który obejmuje jedną cechę demograficzną (wiek), dwa znaki tomografii komputerowej (lokalizacja i wzór wzmocnienia) oraz jeden parametr radiomiczny (NGLDM_Busyness). Model ten można łatwo zastosować przedoperacyjnie w praktyce klinicznej. Niniejsze badanie rozwi...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy deklarują, że nie mają ze sobą rywalizujących interesów.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Komputer komputerowy z ulepszonym kontrastemSiemens HealthineersDefinicja SOMATOM AS+64-slayerowy tomograf komputerowy; typowe dla chińskich szpitali trzeciego stopnia w latach 2017 i 2022. Parametry skanowania: 120 kV, 250 i smusza; 300 mA, grubość 1,5 mm plasterka, ziarno B30f.
Pakiet glmnet (R)CRANWersja 4.0 (kompatybilna z R 3.6.0)Regresja LASSO z 10-krotną walidacją krzyżową.
Jodowany środek kontrastowyBayer AGUltravist 370 (Iopromid 370 mg I/mL)Podano dożylnie w 80 godzinach; 120 mL, 3,0 mL/s. Szeroko stosowany niejonowy środek kontrastujący w Chinach do tomografii jamy brzusznej.
Oprogramowanie LIFExwww.lifexsoft.orgWersja 4.90Wykorzystywany do ekstrakcji cech radiomicznych z zwrotu zwrotu z CT.
Oprogramowanie RFundacja RWersja 3.6.0Do analizy statystycznej i modelowania (https://www.r-project.org).
Pakiet rms (R)CRANWersje 5.1-4 (kompatybilne z R 3.6.0)Konstrukcja i kalibracja nomogramu.

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

CT RadiomicsGastric Stromal TumorsGastric LeiomyomasRadiomics NomogramPreoperative DifferentiationContrast Enhanced CTFeature SelectionLASSO RegressionTumor Texture HeterogeneityReceiver Operating Characteristic
Film wkrótce dostępny

Powiązane artykuły