Исследовательская статья

Разработка индивидуализированной радиомической номограммы на основе КТ для предоперационной дифференцировки между стромальными опухолями желудка и лейомиомами желудка

DOI:

10.3791/69527

⸱

3 февраля 2026 г.

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

В этой статье

Краткое содержание

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

Была разработана радиомическая номограмма на основе КТ для точной дифференцировки опухолей стромы желудка от гастральных лейомом, что позволило проводить неинвазивную и индивидуализированную предоперационную диагностику с высокой прогностической эффективностью.

Аннотация

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

Этот протокол описывает разработку и валидацию радиомической номограммы на основе компьютерной томографии (КТ) для неинвазивной предоперационной дифференцировки стромальных опухолей желудка (GIST) и лейомиом желудка (GLM), двух желудочных подслизистых поражений с различными терапевтическими стратегиями и прогностическими последствиями. Была проанализирована ретроспективная когорта из 172 пациентов с патологически подтверждёнными ГИСТ или ГМ, которые прошли контрастно-усиленную КТ в течение 30 дней до операции. Пациентов случайным образом распределяли в обучающую когорту (n = 120) и валидационную когорту (n = 52). Демографические переменные, морфологические характеристики КТ и количественные радиомические особенности, извлеченные из вручную выделенных интересующих областей, систематически оценивались. Выбор признаков проводился с использованием регрессии оператора наименьшей абсолютной усадки и отбора (LASSO) с перекрёстной валидацией. Финальная предиктивная модель включала возраст, расположение опухоли, паттерн усиления и радиомическую особенность NGLDM_Busyness, что отражает гетерогенность внутриопухолевой текстуры. Эти переменные были интегрированы для создания индивидуальной номограммы для клинического использования. Производительность модели оценивалась с помощью анализа рабочих характеристик приёмника, калибровочных кривых и анализа кривой решения. Номограмма продемонстрировала высокую дискриминативную способность, хорошую калибровку и благоприятную клиническую полезность как в обучении, так и в валидационной когорте, что подтверждает её потенциальную ценность как неинвазивного инструмента для индивидуальной предоперационной диагностики.

Введение

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

Стромальные опухоли желудка (ГИСТ), являющиеся наиболее распространёнными подслизистыми опухолями желудка (СМТ), обычно считаются потенциально злокачественными независимо от их размера, при этом клинические опухоли с злокачественным течением составляют примерно 10–30%случаев 1,2. Согласно консенсусной классификацииNIH 3, клинический риск злокачественных опухолей, связанных с GIST, постепенно увеличивается по слоям: очень низкий, низкий, промежуточный и высокий риск, которые определяются размером опухоли и количеством митозов. Ранняя диагностика и ранняя хирургическая резекция рекомендуются пациентам сГИСТ 4. В отличие от этого, будучи доброкачественной опухолей с редкой вероятностью метастазирования и, по-видимому, самой частой миогенной опухолью желудочных СМТ, желудочные лейомиомы (ГММ) требуют консервативного наблюдения или минимально инвазивного лечения вместо хирургического вмешательства, за исключением случаев, когда поражения превышают размер 5см 5,6. Поэтому крайне важно отличать GIST от GLM размером менее 5 см из-за их существенно различных терапевтических и прогностических последствий. Это различие особенно сложно для мелких поражений, так как они часто имеют перекрывающиеся визуализаторы и не имеют чётких клиническихсимптомов 7,8.

Эндоскопическая ультразвуковая аспирация с тонкой иглой (EUS-FNA), являясь самой зрелой техникой для предварительной идентификации в желудочных СМТ, доказала свою эффективность безопасного и точного патологического диагнозаГИСТ 7. К сожалению, способность EUS-FNA извлекать образцы тканей сильно ограничена, что, по-видимому, снижает точность постановкидиагноза 9. Кроме того, эта техника считается инвазивной. Компьютерная томография считается оптимальным и экономичным инструментом визуализации для предоперационной диагностики опухолей желудочно-кишечноготракта 10. Однако дифференцировать GIST и GLM до операции остаётся сложной задачей, учитывая сложность схожих клинических симптомов и видимостиКТ 10.

Радиомика представляет собой перспективный инструмент, позволяющий автоматически извлекать количественные характеристики визуализации из рентгенографических изображений, что позволяет объективно оценить гетерогенностьопухолей 11. В предыдущих исследованиях радиомические модели были разработаны преимущественно для стратификации риска ГИСТ на основе КТ или МРТ, демонстрируя их потенциал для оценки злокачественногопотенциала 12,13,14. Однако исследования, посвящённые конкретно дифференциальной диагностике между ГИСТ и ГМ, остаются относительно редкими. Для представления данных можно отметить, что ранее радиомическая номограмма на основе КТ не была разработана для предоперационной дифференцировки ГИСТ от GLM. Поэтому в данном исследовании создаётся предоперационная номограмма предсказания с использованием морфологических особенностей КТ-изображений и параметров радиомики для решения вышеупомянутых проблем.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Это исследование было одобрено этическим комитетом больницы (номер протокола: 1612167-18). Учитывая ретроспективный характер исследования, требование информированного согласия было отменено. Пациенты с опухолями стромы желудка (ГИСТ) или лейомиомами желудка (ГЛМ) были выявлены по институциональным записям с января 2017 по июль 2022 года, все с послеоперационным патологическим подтверждением. Реагенты и используемое оборудование перечислены в Таблице материалов.

1. Информация о пациентах

Подходящие пациенты регистрируются, если они соответствуют следующим критериям: (1) желудочные поражения с максимальным диаметром ≤5 см; (2) наличие полной патологической диагностики; (3) проведение радикальной хирургии с лечебным намерением; и (4) проведение КТ с контрастным эффектом в течение 30 дней до операции. Пациенты с анамнезом злокачественных опухолей или предоперационной терапией были исключены. Таким образом, в настоящем исследовании было зачислено 110 пациентов с GIST и 62 с GLM. Была продемонстрирована блок-схема популяции (рисунок 1). Всего было включено 172 пациента (110 GIST, 62 GLM; 82 мужчины, 90 женщин), со средним возрастом 55,05 ± 12,42 года (диапазон: 22-79). Пациенты случайным образом распределялись в обучающий набор (n = 120) и валидационный набор (n = 52) с использованием простой рандомизации без стратификации. Базовые демографические данные приведены в таблице 1.

2. Анализ КТ-изображений

КТ-сканирование в рамках текущего исследования проводилось на 64-срезовых КТ-сканерах. Каждый пациент должен был голодать не менее 6 часов. Примерно за 30 минут до КТ каждому пациенту было рекомендовано перорально принимать 500–800 мл водопроводной воды, а затем перед сканированием было предложено принять 1000 мл воды для расширения желудка. Все пациенты в исследовании были расположены в положении на спине, чтобы предотвратить появление артефактов, вызванных воздухом в желудке, при этом обеспечивая покрытие всех зон поражения. Пациентов информировали о воздействии ионизирующего излучения в рамках клинической визуализации. Перед введением контраста были выявлены противопоказания для йодированной контрастной среды, включая известную аллергию и почечную недостаточность (eGFR <30 мл/мин/1,73 м²). Пациентов наблюдали не менее 15 минут после инъекции на предмет острых побочных реакций. По-видимому, использовался стандартный алгоритм реконструкции, и процесс сканирования строго следовал следующим характеристикам: напряжение лампы 120 кВ; ламповый ток 250–300 мА; Толщина срезов и интервал срезов 1,5 мм. Использовалось ядро для реконструкции мягких тканей (B30f). Впоследствии, в процессе усиленного сканирования, был введён йодированный контрастный агент объемом 80–120 мл с частотой инъекции внутривенно 3,0 мл/с. Артериальную, портальную и отложенную фазы следует собирать примерно в течение 30, 60 и 120 секунд после инъекции. Для радиомического анализа изображения предварительно обрабатывались путём повторной дискретизации до изотропного вокселя размера 1,5 × 1,5 × 1,5 мм³ и дискретизации интенсивности с использованием фиксированной ширины контейнера 25 единиц Хаунсфилда (HU).

3. Извлечение радиомикрофонных особенностей

Что касается радиомиковых особенностей, программное обеспечение LIFEx (версия 4.90; www.lifexsoft.org) использовалось для извлечения особенностей из интересующего региона (ROI). Все интересующие области были выделены только на КТ-изображениях портальной венозной фазы, которые были отобраны для радиомического анализа с целью обеспечения согласованности и стабильности признаков. Для каждого пациента ROI был выделен на всех срезах, содержащих поражение в поперечной плоскости, с использованием сагиттальных и корональных видов для обеспечения точного покрытия объёма (см. рисунок 2). ROI были независимо составлены двумя радиологами без консенсуса при начальной сегментации для оценки воспроизводимости. ROI представлял собой двумерный (2D) контур одного среза, а не трёхмерный объём. Все области опухоли были включены при определении ROI, а кальцификации исключались на основе порогов плотности в программном обеспечении LIFEx. Был проведен визуальный контроль качества для обеспечения достаточного расширения желудка и полного включения поражения в ROI. Были рассчитаны коэффициенты корреляции внутри- и межклассов (ICC) для оценки воспроизводимости извлечения радиомических признаков; функции с ICC > 0.75 были сохранены. С помощью автоматического алгоритма программного обеспечения LIFEx было получено 37 радиомических признаков: 5 параметров гистограммы, 7 параметров матрицы совместного возникновения серого уровня (GLCM), 11 параметров матрицы длины серого уровня (GLRLM), 3 параметра матрицы разности уровней серых уровней (NGLDM) и 11 параметров матрицы длины зон серого уровня (GLZLM). Извлечение признаков осуществлялось через путь меню: Segmentation → Radiomics → Compute. Предварительная обработка изображений включала редискретизацию до изотропного вокселя размером 1,5 × 1,5 × 1,5мм 3 и дискретизацию интенсивности с использованием фиксированной ширины бинки 25 единиц Хаунсфилда (HU). До моделирования не применялось масштабирование или нормализация признаков.

4. Статистика

Статистический анализ проводился с использованием программного обеспечения R (версия 3.6.0; https://www.r-project.org). Непрерывные переменные сравнивались между группами с помощью независимых t-тестов; Категориальные переменные оценивались с помощью χ² тестов. Двустороннее значение P < 0,05 считалось статистически значимым.

5. Установление предсказательной номограммы

Одномерный анализ был проведён с использованием корреляции Пирсона с демографическими характеристиками скрининга, морфологическими характеристиками КТ и радиомологических характеристик для связи с диагностикой ( GIST vs. GLM). Многомерное моделирование использовало регрессию операторов наименьшей абсолютной усадки и выбора (LASSO), реализуемую через пакет glmnet (функция cv.glmnet) с 10-кратной перекрестнойвалидацией 15. Оптимальный параметр регуляризации λ был выбран в lambda.1se для более экономичной модели. Конечные предикторы — возраст, расположение опухоли, паттерн усиления и NGLDM_Busyness — были линейно комбинированы с использованием соответствующих коэффициентов для получения прогнозного балла (Prescore). Из всех извлечённых радиомических признаков только NGLDM_Busyness сохранял ненулевой коэффициент после штрафов LASSO, что говорит о том, что другие радиомические признаки либо были избыточными, либо предоставляли ограниченное дополнительное дискриминативное значение. Была построена номограмма на основе многомерной модели с использованием функции номограммы из пакета rms.

6. Эффективность прогнозирования и валидация номограммы

Предсказательная эффективность оценивалась с использованием площади под кривой рабочей характеристики приёмника (AUC), чувствительности, специфичности и точности как в обученных, так и в валидационных когортах. Калибровка оценивалась с помощью бутстрэппинга редискретлинга (1000 итераций) и теста на годность Хосмера-Лемешоу; Калибровочные кривые были нанесены соответствующим образом. Значение P < 0,05 указывало на значительное отклонение от идеальной калибровки. Индекс согласованности (C-индекс) использовался для количественной оценки дискриминативной надёжности. Клиническая полезность оценивалась с помощью анализа кривой принятия решений (DCA).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Демографические и клинические особенности
Всего было включено 172 пациента с подслизистыми опухолями желудка (110 GIST, 62 GLM). Демографические и клинические особенности изложены в Таблице 1, Таблице 2 и Таблице 3. Целью анализа было выявление базовых различий между GIST и GLM для дальнейшей разработки модели. ГИСТ чаще возникали в желудочном организме у пожилых пациентов с умеренным паттерном увеличения, тогда как ГЛМ чаще встречались в сердце у мол...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Различение стромальных опухолей желудочно-кишечного тракта (GISTs) и желудочных лейомиом (GLM) имеет клиническое значение, поскольку напрямую влияет на решения о лечении и исходы пациентов. Была разработана и валидирована номограмма как предиктивная номограмма, включающая одну демографическую характеристику (возраст), два признака КТ (расположение и паттерн усиления) и один радиомический параметр (NGLDM_Busyness). Эту модель легко применять до операции в клинической практике. Это исследо...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторы заявляют, что у них нет конкурирующих интересов.

Благодарности

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

Ни одного.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Контрастный КТ-сканерSiemens HealthineersОпределение SOMATOM AS+64-срезный КТ-сканер; типично для китайских третичных больниц в 2017 году и 2022 года. Параметры сканирования: 120 кВ, 250 кВ; 300 мА, толщина ломка 1,5 мм, ядро B30f.
Пакет glmnet (R)CRANВерсия 4.0 (совместима с R 3.6.0)Регрессия LASSO с 10-кратной перекрёстной валидацией.
Йодированный контрастный агентBayer AGUltravist 370 (иопромид 370 мг I/mL)Вводили внутривенно в 80 и ндаш; 120 мл, 3,0 мл/с. Широко используемый неионный контрастный агент в Китае для абдоминальной КТ.
Программное обеспечение LIFExwww.lifexsoft.orgВерсия 4.90Используется для извлечения радиомических признаков из КТ-ROI.
Программное обеспечение RФонд RВерсия 3.6.0Для статистического анализа и моделирования (https://www.r-project.org).
Пакет rms (R)CRANВерсия 5.1-4 (совместима с R 3.6.0)Конструкция и калибровка номограммы.

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

CT RadiomicsGastric Stromal TumorsGastric LeiomyomasRadiomics NomogramPreoperative DifferentiationContrast Enhanced CTFeature SelectionLASSO RegressionTumor Texture HeterogeneityReceiver Operating Characteristic
Видео скоро будет доступно

Похожие статьи