Araştırma makalesi

Mide stromal tümörleri ile mide leiomiyomaları arasında ameliyat öncesi farklılaştırma için bireysel BT tabanlı radyomik nomogramın geliştirilmesi

DOI:

10.3791/69527

⸱

3 Şubat 2026

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

Bu makalede

Özet

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

Mide stromal tümörlerini gastrik leiomiomalardan doğru şekilde ayırt etmek için BT tabanlı radyomik nomogram geliştirildi; böylece yüksek öngörücü performansla invaziv olmayan ve bireyselleştirilmiş preoperatif tanı yapılmasını sağladı.

Özet

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

Bu protokol, farklı terapötik stratejilere ve prognostik sonuçlara sahip iki mide submukozal lezyonu olan mide stromal tümörlerinin (GIST) invaziv olmayan preoperatif differensiasyonu için bilgisayarlı tomografi (BT) tabanlı radyomik nomogramın geliştirilmesi ve doğrulanmasını açıklar. Patolojik olarak doğrulanmış GIST veya GLM'lere sahip 172 hastadan oluşan retrospektif bir kohort analiz edildi; ameliyattan önce 30 gün içinde kontrastlı BT uygulandı. Hastalar rastgele bir eğitim kohortuna (n = 120) ve bir doğrulama kohortuna (n = 52) atandı. Demografik değişkenler, BT morfolojik özellikleri ve manuel olarak belirlenmiş ilgi alanlarından çıkarılan nicel radyomik özellikler sistematik olarak değerlendirildi. Özellik seçimi, en az mutlak küçülme ve seçim operatörü (LASSO) regresyonu ile çapraz doğrulama kullanılarak gerçekleştirildi. Son öngörücü model yaş, tümör konumu, gelişim desenini ve tümör içi doku heterojenliğini yansıtan radyomik özelliği NGLDM_Busyness içeriyordu. Bu değişkenler, klinik kullanım için bireyselleştirilmiş bir nomogram oluşturmak üzere entegre edildi. Model performansı, alıcı çalışma karakteristik analizi, kalibrasyon eğrileri ve karar eğrisi analizi kullanılarak değerlendirildi. Nomogram, hem eğitim hem de doğrulama kohortlarında güçlü ayırt edici yetenek, iyi kalibrasyon ve olumlu klinik fayda göstererek, bireysel preoperatif tanı için invaziv olmayan bir araç olarak potansiyel değerini destekledi.

Giriş

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

En yaygın mide submukozal tümörleri (SMT) olan gastrik stromal tümörler (GIST), boyutları ne olursa olsun potansiyel olarak kötü hutlu olarak kabul edilir; malign klinik süreç gösterenler vakaların yaklaşık %10 ila %30'unu oluşturur 1,2. NIH konsensussınıflandırması 3'e göre, GIST'lerin klinik malignite riski çok düşük, düşük, orta ve yüksek riskli katmanlarda kademeli olarak artar; bunlar tümör boyutu ve mitotik sayısıyla tanımlanır. GIST'li hastalar için erken tanı ve erken cerrahi rezeksiyon önerilir4. Buna karşılık, nadir metastaz olasılığına sahip iyi huylu bir neoplazma ve görünüşe göre miyojenik tümörler olarak mide SMT'leri olduğundan, gastrik leiomyomalar (GLM) cerrahi yerine konservatif gözlem veya minimal invaziv tedaviler gerektirir; lezyonlar 5 cm 5,6'dan büyük olduğu durumlar hariç. Bu nedenle, GIST'leri 5 cm'den küçük GLM'lerden ayırmak büyük öneme sahiptir; çünkü terapötik ve prognostik etkileri oldukça farklıdır. Bu ayrım, genellikle örtüşen görüntüleme özelliklerine sahip olmaları ve kesin klinik semptomlara sahip olmaları nedeniyle küçük lezyonlar için özellikle zordur 7,8.

Endoskopik ultrason rehberliğinde ince iğne aspirasyonu (EUS-FNA), mide SMT'lerinde preterapötik tanımlama ile ilgili en olgun teknik olarak, GIST'lerin güvenli ve doğru patolojik tanısınısağladığı kanıtlanmıştır 7. Ne yazık ki, EUS-FNA'nın doku örnekleri alma yeteneği ciddi şekilde sınırlıdır ve bu da teşhisin doğruluğunuazaltmaktadır 9. Ayrıca, bu teknik invaziv olarak kabul edilir. Bilgisayarlı tomografi, gastrointestinal trakt tümörlerinin ameliyat öncesi teşhisi için optimal ve ekonomik görüntüleme aracı olarak kabuledilir 10. Ancak, ameliyat öncesi olarak GIST'ler ile GLM'leri ayırt etmek, benzer klinik semptomları ve BT görünümlerinin karmaşıklığı nedeniyle hâlâ zordur.

Radyomik, radyografik görüntülerden nicel görüntüleme özelliklerini otomatik olarak çıkarma yeteneğine sahip umut verici bir araçtır ve tümörlerin heterojenliğinin objektif olarak nicelleştirilmesinisağlar 11. Önceki çalışmalarda, radyomik modeller öncelikle BT veya MRI temelinde GIST'lerin risk tabakalaşması için geliştirilmiştir ve bu modeller malign potansiyeli değerlendirmedepotansiyellerini göstermektedir 12,13,14. Ancak, özellikle GIST'ler ve GLM'ler arasındaki ayırt edici tanıya odaklanan çalışmalar nispeten nadirdir. Bilgi sunmak için, GIST'lerin ameliyat öncesi GLM'lerden ayırılması için daha önce CT tabanlı radyomik nomogramı geliştirilmemiştir. Bu nedenle, bu çalışma, yukarıda belirtilen zorlukları ele almak için CT görüntülerinin morfolojik özellikleri ve radyomik parametreleri kullanarak ameliyat öncesi bir tahmin nomogramı oluşturur.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Bu araştırma hastanenin etik komitesi tarafından onaylandı (protokol numarası: 1612167-18). Çalışmanın geriye dönük niteliği nedeniyle, bilgilendirilmiş onay gerekliliği kaldırıldı. Ocak 2017 ile Temmuz 2022 arasında kurumsal kayıtlardan mide stromal tümörleri (GIST) veya gastrik leiomiyomalar (GLM) olan hastalar tespit edildi ve hepsi ameliyat sonrası patolojik doğrulama aldı. Reaktifler ve kullanılan ekipmanlar Malzeme Tablosu'nda listelenmiştir.

1. Hasta detayları

Uygun hastalar aşağıdaki kriterleri karşılıyorlarsa kayıt altına alınır: (1) maksimum çapı ≤5 cm'ye sahip mide lezyonları; (2) tam patolojik tanı bulunabilirliği; (3) iyileştirici niyetle radikal ameliyat geçirmek; ve (4) ameliyattan önce 30 gün içinde kontrast artırılmış BT geçirmiş olması. Malign tümör öyküsü veya ameliyat öncesi tedavi olan hastalar hariç tutuldu. Bu nedenle, bu çalışmaya 110 GIST hastası ve 62 GLM hastası dahil edilmiştir. Bir popülasyon akış şeması gösterildi (Şekil 1). Toplam 172 hasta (110 GIST, 62 GLM; 82 erkek, 90 kadın) dahil edildi; ortalama yaş 55,05 ± 12,42 yıl (aralık: 22-79) idi. Hastalar, stratifikasyon olmadan basit rastgeleleştirme kullanılarak bir eğitim seti (n = 120) ve doğrulama kümesine (n = 52) rastgele atandı. Temel demografik veriler Tablo 1'de özetlenmiştir.

2. BT görüntüleme analizi

Mevcut araştırmada BT taraması 64 dilimli BT tarayıcılarında gerçekleştirilmiştir. Her hastanın en az 6 saat oruç tutması gerekiyordu. BT taramasından yaklaşık 30 dakika önce, her hastaya 500-800 mL musluk suyu ağızdan alınması ve taramadan hemen önce 1000 mL suyun alınması istendi. Çalışmadaki tüm hastalar, midedeki havanın neden olduğu artefaktları önlemek ve tüm lezyon bölgelerinin örtülmesini sağlamak için sırtüstü pozisyonda konumlandırıldı. Hastalar, klinik görüntüleme prosedürünün bir parçası olarak iyonlaştırıcı radyasyona maruz kalmaları konusunda bilgilendirildi. Kontrast uygulamasından önce, bilinen alerji ve böbrek yetmezliği (eGFR <30 mL/min/1,73 m²) dahil olmak üzere iyotlu kontrast maddeye karşı kontrendikasyonlar tarandı. Hastalar enjeksiyondan en az 15 dakika boyunca akut yan reaksiyonlar için izlendi. Standart bir yeniden yapılandırma algoritması kullanıldığı anlaşılıyor ve tarama süreci bu spesifikasyonları sıkı bir şekilde takip etti: 120 kV tüp voltajı; 250-300 mA tüp akımı; 1,5 mm dilim kalınlığı ve aralığı. Yumuşak doku yeniden yapılandırma çekirdeği (B30f) kullanıldı. Daha sonra, geliştirilmiş tarama sürecinde, damar içi enjeksiyon oranı 3,0 mL/s ile 80-120 mL iyotlu kontrast maddesi verildi. Arteriyel, portal ve gecikmeli fazlar enjeksiyon süresinden yaklaşık 30, 60 ve 120 saniye sonra toplanmalıdır. Radyomik analiz için, görüntüler 1.5 × 1.5 × 1.5 mm³ izotropik voxel boyutuna ve 25 Hounsfield birimi (HU) sabit bin genişliğiyle yoğunluk ayrıklaştırılmasına yeniden örnekleme ile ön işlendi.

3. Radyomik özellik çıkarımı

Radyomik özellikler için ise, LIFEx yazılımı (sürüm 4.90; www.lifexsoft.org) ilgi alanından (ROI) özellikleri çıkarmak için kullanılmıştır. İlgi duyulan tüm bölgeler yalnızca portal venöz faz BT görüntüleriyle belirlendi; bu görüntüler radyomik analiz için seçildi; tutarlılık ve özellik kararlılığı sağlandı. Her hasta için, lezyonu içeren tüm dilimlerde ROI, doğru hacim kapsamını sağlamak için sagital ve koronal görünümler kullanılarak belirlenmiştir (Şekil 2). ROI'lar, iki radyolog tarafından ilk segmentasyon sırasında uzlaşısız bağımsız olarak çizildi ve tekrarlanabilirlik değerlendirmesi mümkün oldu. ROI, üç boyutlu bir hacim değil, iki boyutlu (2D) tek dilimli bir konturu temsil ediyordu. Tüm tümör alanları ROI'ler belirlenirken dahil edildi ve kalsifikasyonlar LIFEx yazılım ayarında yoğunluk eşiklerine göre hariç tutuldu. Görsel kalite kontrolü, yeterli mide şişmesi ve lezyonun ROI içine tamamen dahil edilmesini sağlamak için gerçekleştirildi. Radyomik özellik çıkarımının tekrarlanabilirliğini değerlendirmek için sınıf içi ve sınıflar arası korelasyon katsayıları (ICC) hesaplandı; ICC > 0.75 özellikli özellikler korundu. LIFEx yazılımının otomatik algoritması sayesinde, 37 radyomik özellik elde edildi: 5 histogram parametresi, 7 gri seviyeli eşrastlanma matrisi (GLCM) parametri, 11 gri seviyeli koşu uzunluğu matrisi (GLRLM) parametresi, 3 komşuluk gri seviye fark matrisi (NGLDM) parametresi ve 11 gri seviye bölge uzunluk matrisi (GLZLM) parametresi. Özellik çıkarımı menü yolu üzerinden gerçekleştirildi: Segmentasyon → Radyomik → Hesaplama. Görüntü ön işleme, 1.5 × 1.5 mm ×3 izotropik voxel boyutuna yeniden örneklemeve 25 Hounsfield birimi (HU) sabit kutu genişliği kullanılarak yoğunluk ayrıştırmasını içeriyordu. Modellemeden önce herhangi bir özellik ölçeklendirmesi veya normalizasyon uygulanmamıştır.

4. İstatistikler

İstatistiksel analizler R yazılımı (sürüm 3.6.0; https://www.r-project.org) kullanılarak gerçekleştirildi. Sürekli değişkenler gruplar arasında bağımsız t-testleri kullanılarak karşılaştırıldı; Kategorik değişkenler χ² testleriyle değerlendirildi. İki taraflı P değeri < 0.05 istatistiksel olarak anlamlı olarak kabul edildi.

5. Tahmin nomogramının oluşturulması

Tek değişkenli analiz, Pearson'ın ekran demografik, BT morfolojik ve radyomik özelliklerle korelasyonu kullanılarak yapılan bir kombinasyon (GIST vs. GLM). Çok değişkenli modelleme, glmnet paketi (cv.glmnet fonksiyonu) üzerinden uygulanan en az mutlak küçülme ve seçim operatörü (LASSO) regresyonunu kullanarak 10 kat çapraz doğrulama15 ile uygulanmıştır. Optimal düzenleme parametresi λ, daha sade bir modeli tercih etmek için lambda.1se'de seçildi. Son tahminciler olan yaş, tümör konumu, gelişim deseni ve NGLDM_Busyness, ilgili katsayıları kullanılarak doğrusal olarak birleştirilerek tahmin puanı (Ön puan) oluşturuldu. Çıkarılan tüm radyomik özellikler arasında, LASSO cezasından sonra sadece NGLDM_Busyness sıfır olmayan katsayıyı korudu; bu da diğer radyomik özelliklerin ya gereksiz olduğunu ya da sınırlı ek ayırtıcı değer sağladığını düşündürür. Bir nomogram, rms paketinden nomogram fonksiyonu kullanılarak çok değişkenli modele dayanarak oluşturulmuştur.

6. Nomogramın tahmin etkinliği ve doğrulanması

Öngörücü performans, alıcı çalışma karakteristik eğrisinin (AUC) altındaki alan, hassasiyet, özgüllük ve doğruluk kullanılarak hem eğitim hem de doğrulama kohortlarında değerlendirildi. Kalibrasyon, bootstrapping resampling (1000 iterasyon) ve Hosmer-Lemeshow uygunluk testi ile değerlendirildi; kalibrasyon eğrileri buna göre çizildi. P değeri < 0.05, ideal kalibrasyondan anlamlı bir sapma olduğunu gösteriyordu. Uyum indeksi (C-indeksi) ayırt edici güvenilirliği nicelendirmek için kullanıldı. Klinik fayda, karar eğrisi analizi (DCA) ile değerlendirildi.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Demografik ve klinik özellikler
Toplam 172 hasta mide submukozal tümörü (110 GIST, 62 GLM) dahil edildi. Demografik ve klinik özellikler Tablo 1, Tablo 2 ve Tablo 3'te özetlenmiştir. Bu analiz, GIST'ler ve GLM'ler arasındaki temel farklılıkları belirleyerek sonraki model geliştirmeyi bilgilendirmeyi amaçladı. GIST'ler, orta derecede gelişim desenine sahip yaşlı hastalarda mide vücudunda daha sık görülürken, hafif bir artışa sahip genç hastalarda GLM'l...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Gastrointestinal stromal tümörler (GIST) ile mide leiomiyomaları (GLM) arasındaki ayrım yapmak klinik olarak önemlidir çünkü tedavi kararlarını ve hasta sonuçlarını doğrudan etkiler. Bir nomogram, bir demografik özellik (yaş), iki BT işareti (konum ve geliştirme desen) ve bir radyomik parametre (NGLDM_Busyness) içeren öngörücü nomogram olarak geliştirildi ve doğrulandı. Bu model, klinik uygulamada ameliyat öncesi kolayca uygulanabilir. Bu çalışma, sınırlı tanı verimli veya invazivlik yön...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarlar, rekabet eden çıkarları olmadığını belirtirler.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Kontrast artırılmış CT tarayıcıSiemens HealthineersSOMATOM Tanımı AS+64 dilimli BT tarayıcı; 2017–2022 yıllarında Çin üçüncü sınıf hastanelerinde tipik bir durum. Tarama parametreleri: 120 kV, 250 ve dash; 300 mA, 1,5 mm dilim kalınlığı, B30f çekirdek.
glmnet paketi (R)CRANSürüm 4.0 (R 3.6.0 ile uyumlu)10 kat çapraz doğrulama ile LASSO regresyonu.
İyotlu kontrast maddesiBayer AGUltravist 370 (İopromid 370 mg I/mL)80&ndash aralığında IV verildi; 120 mL, 3.0 mL/s. Çin'de abdominal BT için yaygın olarak kullanılan iyonyaz kontrast maddesidir.
LIFEx yazılımıwww.lifexsoft.orgSürüm 4.90CT ROI'lerinden radyomik özellik çıkarımı için kullanılır.
R yazılımıR VakfıSürüm 3.6.0İstatistiksel analiz ve modelleme için (https://www.r-project.org).
rms paketi (R)CRANSürüm 5.1-4 (R 3.6.0 ile uyumlu)Nomogram yapısı ve kalibrasyonu.

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

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

İlgili makaleler