基于CT影像组学对T1期肺腺癌淋巴结转移有较高的预测价值

发生淋巴结转移是肿瘤手术治疗中影响预后的重要因素之一［1］。

CT 是临床常用于术前评估肿瘤淋巴结转移情况的方法［2］，通过CT 扫描图像可直接观察到淋巴结大小，但其得出的结论主要是经验性的主观判断，缺乏一定的诊断特异性及敏感度。

由于肿瘤的异质性及传统基因检测方法具有有创性，因此迫切需要一种可重复的无创方法。

影像组学通过高通量提取定量影像数据，重复量化肿瘤病灶的全面信息，将影像转化为数据，得到影像中的关键特征信息，从而对疾病进行分类、分级及对治疗疗效与预后进行评估、预测，这在临床精
准医疗中具有重要意义［3］
；它能够建立肿瘤图像与淋巴结转移状态之间的关系，为预测淋巴结转移提供新的分
析方法［4］。

近年来，国内外已有利用影像组学方法预测
结直肠癌［5］、肝癌［6］、鼻咽癌［7］、食管癌［8］
的文献报道，但尚无利用影像组学方法预测肺癌淋巴结转移状态的研究。

本研究通过分析早期肺腺癌患者的增强CT 图像，利用影像组学法预测患者淋巴结转移情况，探究CT 影像组学在早期肺腺癌中的应用价值。

1资料与方法1.1一般资料
回顾性选择2016年6月~2019年5月我院收治的肺腺癌患者140例。

纳入标准：符合非小细胞肺癌诊断
Prediction value of CT-based radiomics in lymph node metastasis of T1lung adenocarcinoma
OUYANG Zhen 1,YU Lizhi 1,ZHANG Mei 1,KONG Lingmei 21
Department of Radiology,Taian Municipal hospital,Taian 271600,China;2Department of Radiology,the Second Affiliated Hospital of Medi-cal College of Shantou University,Shantou 515021,China
摘要：目的分析CT 影像组学对T1期肺腺癌淋巴结转移状态的预测价值。

方法回顾性选择2016年6月~2019年5月我院收治
的肺腺癌患者140例，以术中送检的病理组织标本检查结果为金标准，分为金标准阳性组67例与金标准阴性组73例。

分别采用术前增强CT 、术前CT 影像组学评估两组淋巴结转移发生情况。

利用Delong 检验评估CT 影像组学与增强CT 在两组中预测对淋巴结转移的价值。

结果CT 影像组学法对阳性淋巴结转移的预测比率为86.57%（58/67），高于增强CT 法的64.18%（43/67）（P <0.05）；CT 影像组学法对阴性淋巴结转移的预测比率为100.00%（73/73），高于增强CT 法的93.15%（68/73）（P <0.05）；CT 影像组学法预测到的金标准阳性组中发生淋巴结转移患者的风险评分值明显高于未发生淋巴结转移患者（P <0.05）；金标准阳性组中CT 影像组学对患者淋巴结转移预测的曲线下面积高于增强CT （P <0.05），金标准阴性组中CT 影像组学对患者淋巴结转移预测的曲线下面积高于增强CT （P <0.05）。

结论与增强CT 相比，CT 影像组学在术前预测肺腺癌淋巴结转移阳性预测值和阴性预测值更高，具有更高的诊断价值。

关键词：CT 影像组学；肺腺癌；淋巴结转移；预测价值
Abstract:Objective To investigate the predictive value of CT-based radiomics in lymph node metastasis in stage T1lung adenocarcinoma.Methods A total of 140patients with lung adenocarcinoma admitted to our hospital from June 2016to May 2019were retrospectively selected.With the results of pathological tissue samples in intraoperative examination as the gold standard,they were divided into the gold standard positive group (n =67)and the gold standard negative group (n =73).Preoperative enhanced CT and preoperative CT imaging were used to evaluate lymph node metastasis in the two groups.Delong test was used to evaluate the value of CT imaging and enhanced CT in predicting lymph node metastasis in both groups.Results In the two groups,the prediction ratioof positive lymph node metastasis by CT radiomics was 86.57%(58/67),which was higher than that by enhanced CT method [64.18%(43/67)](P <0.05).The prediction ratioof negative lymph node metastasis by CT radiomics was 100.00%(73/73),which was higher than that by enhanced CT [93.15%(68/73)](P <0.05).In the gold standard positive group,the risk score of patients with lymph node metastasis was significantly higher than that of patients without lymph node metastasisvia CT radiomics (P <0.05).In the gold standard positive group,the AUC area of CTradiomics in prediction of lymph node metastasiswas significantly higher than that of enhanced CT (P <0.05),and so was in the gold standard negative group (P <0.05).Conclusions Compared with enhanced CT,CT radiomics has a higher positive predictive value and negative predictive value for predicting lymph node metastasis of lung adenocarcinoma before surgery with high diagnostic value.
Keywords:CT radiomics;lung adenocarcinoma;lymph node metastasis;predictive value
收稿日期：2021-12-27
基金项目：广东省医学科研基金（B2021204）
作者简介：欧阳振，主治医师，E-mail:分子影像学杂志,2022,45(3):339-343doi 10.12122/j.issn.1674-4500.2022.03.06
·
·339
标准［9］；所有患者均有完整增强CT 图像及临床一般资
料；接受肺叶切除术+系统性淋巴结清扫手术；TNM 分期为T1期。

排除标准：伴有远处转移；近1月内接受过放化疗治疗；合并其它部位恶性肿瘤。

以术中送检的病理组织标本检查结果为诊断患者是否伴有肺内纵隔淋巴结（包括余肺叶间与段间淋巴结）转移的金标准，按金标准结果将140例患者分为金标准阳性组（n =67）与金标准阴性组（n =73），其中金标准阳性组男35例，女32例，年龄41~75（56.06±4.23）岁；金标准阴性组男38例，女35例，年龄42~73（54.51±4.17）岁。

两组年龄、性别差异无统计学意义（P >0.05）。

本研究获医院伦理委员会批准，所有患者及家属自愿签署知情同意书。

1.2方法
两组患者均进行同等增强CT 和CT 影像组学检查，分别根据两种检查结果，结合患者临床资料信息评估患者是否发生淋巴结转移。

所有患者CT 图像均由飞利浦Brilliance CT 扫描仪扫描获取。

参数设置：电压120kV ，电流160mAs ，层厚1.25mm 。

行增强CT 前均经患者肘静脉注射对比剂，剂量约90mL ，注射30s 后行CT 增强扫描。

首先基于获取得到的每位患者增强CT 结果进行淋巴结转移预测，统计并记录此方法的预测结果；再将CT 扫描获取的图像传输至工作站，基于MATLABR 2014a 软件进行影像组学特征提取及分析。

增强CT 预测淋巴结转移的诊断标准为：肿瘤直径>3cm ，增强CT 显示病灶明显强化，肺门与纵隔有肿大
淋巴结，且位于原发病灶引流区淋巴结范围内［10］。

CT 影像组学具体方法：首先将CT 薄层增强图像上的肿瘤病灶进行分割，由本院放射科具有丰富经验的医师进行逐层手动分割放置感兴趣区域（ROI ）。

基于MATLABR 2014a 软件对ROI 图像进行图像特征提取，包括灰度直方图、小波变换特征、纹理特征、Gabor 变换特征。

为排除手动分割ROI 的误差，在首次分割ROI 的3D 后，由另一名经验丰富的放射科医师再次进行ROI 分割并提取特征图像，此医师不知首次分割后特征提取结果；将两次特征提取结果进行组内相关系数（ICC ）分析，以检查两次分割ROI 的一致性，ICC 验证结果>0.75则表示不同医师分割的ROI 特征提取结果具有较好一
致性，可排除人工误差。

另由2位不清楚手动分割结果的放射科医师分别采用半自动化、自动化分割法对患者CT 薄层增强图像上的肿瘤病灶进行分割，将这两种分割法与人工手动分割后提取到的影像组学特征进行一致性检验（ICC 验证结果>0.70），以人工手动分割法结果进行后续研究。

图像特征提取完成后，首先除去高维影像特征包含的冗余信息，以得到稳定的特征信息。

采用LASSO Cox 回归模型对特征数据进行降维，消除高度相关的特征（即冗余特征），筛选出可用于预测淋巴结转移的特性数据。

依据筛选出的特征与对应的加权系数的线性组合建立每位患者的影像组学标签，评估每位
患者各自影像组学风险评分值［11］
，该值=Logistic 回归模型截距+特征图像的回归系数×回归模型筛选出的特征数据。

1.3观察指标
两组临床资料比较；不同方法两组预测术前淋巴结转移结果比较；金标准阳性组中CT 影像组学法得到的发生淋巴结转移与未发生淋巴结转移患者的风险评分值比较；增强CT 与CT 影像组学在T1期肺腺癌患者术前淋巴结转移中的预测价值。

1.4统计学分析
通过SPSS23.0软件进行数据分析，计量资料以均数±标准差表示，组间比较采用独立样本t 检验或非参数秩和检验；计数资料以n (%)表示，组间比较采用χ2检验；预测价值采用Delong 检验比较。

以P <0.05为差异有统计学意义。

2结果
2.1两组临床资料比较
金标准阳性组有吸烟史比例、CEA 阳性比例、肿瘤直径均高于金标准阴性组（P <0.05），不典型腺瘤样增生比例低于金标准阴性组（P <0.05，表1）。

2.2不同方法两组预测术前淋巴结转移结果比较
术前CT 影像组学对两组中每例患者均提取了586个基础影像组学特征，经降维处理后，最终在每位患者选择符合条件的14个特征用以构建影像组学模型。

在两组中，CT
影像组学法对阳性淋巴结转移的预测比率
表1两组临床资料比较
分子影像学杂志,2022,45(3):339-343
·
·340
为86.57%（58/67），高于增强CT 法的64.18%（43/67）
（P <0.05）；CT 影像组学法对阴性淋巴结转移的预测比率为100.00%（73/73），高于增强CT 法的93.15%（68/73）（P <0.05，表2）。

2.3金标准阳性组中CT 影像组学法得到的发生淋巴结
转移与未发生淋巴结转移患者的风险评分值比较
CT 影像组学法预测到的金标准阳性组中发生淋巴结转移患者的风险评分值明显高于未发生淋巴结转移患者（-0.49±0.43vs -1.16±0.58，P <0.05）。

2.4增强CT 与CT 影像组学在两组患者术前淋巴结转移中的预测价值
金标准阳性组、金标准阴性组中CT 影像组学对患者淋巴结转移预测的曲线下面积明显高于增强CT （P <0.05，表3、图1）。

2.5患者典型病例CT 图像
本次研究中T1期肺腺癌淋巴结转移的典型病例CT 征象（图2），箭头指向提示病灶所在位置。

3讨论
随着现代医疗诊断手段的快速多样化发展，目前已实现在常规CT 图像特征中进行高通量提取，即CT 影像
组学［12］。

CT 影像组学现虽尚未完全替代增强CT 法，但
已在多种肿瘤疾病的多种临床特征预测中获得高预测
表2不同方法两组预测术前淋巴结转移结果比较
Tab.2Comparison of different methods in predicting preoperative
表3增强CT 与CT 影像组学在两组患者术前淋巴结转移中的预测价值
图1金标准阳性组及阴性组CT 影像组学法、增强CT 法的ROC 曲线
Fig.1ROC curve of CT radiomics and enhanced CT in gold standard positive group and gold standard negative group.A:金标准阳性组CT 影像组学法;B:金标准阳性组增强CT 法;C:金标准阴性组CT 影像组学法;D:金标准阴性组增强CT 法.
1.0
0.8
0.60.40.20.0
敏感度
1.0
0.8
0.60.40.20.0敏感度
1.0
0.8
0.60.40.20.0敏感度
1.0
0.8
0.60.40.20.0
敏感度
0.0
0.2
0.40.60.8
1.0
1-特异性
0.0
0.2
0.40.60.8 1.0
1-特异性
0.0
0.2
0.40.60.8 1.0
1-特异性
A B C D 分子影像学杂志,2022,45(3):339-3431-特异性
·
·341
效能验证。

肺癌患者淋巴结是否发生转移对临床选择治疗方式有较大影响。

本研究旨在基于增强CT ，利用计算机自动化算法提取CT 图像中的定量影像学数据，以描述肿瘤特征等信息，从而排除人为干扰得到精准预测肺癌患者术前淋巴结是否发生转移的结果，还可以准确描述肿瘤病灶组织的特征信息，从而分析肿瘤的分
型、分期等差异［13］。

本研究140例患者中，采用术后病理检查金标准方法，结果显示发生淋巴结转移的患者共67例，未发生淋巴结转移患者共73例。

分别对两组采用术前增强CT 、CT 影像组学方法进行淋巴结转移情况的预测分析，其中术前增强CT 预测到金标准阳性组发生淋巴结转移的比例为64.18%，预测到金标准阴性组未发生淋巴结转移的比例为93.15%；而术前CT 影像组学预测到金标准阳性组发生淋巴结转移的比例为86.57%，预测到金标准阴性组未发生淋巴结转移的为100.00%。

该结果表示，对于金标准阴性（即未发生淋巴结转移）患者，采用CT 影像组学法预测的准确率很高，这一结论与文献报道相符［14］。

也有研究显示，CT 影像组学在预测胃癌淋巴血管侵犯中具有较高的预测效能［15］。

但由于本研究纳入样本量有限，后续还需对更大样本数据进行分析以进一步验证这一结果。

对于金标准阳性（即已发生淋巴结转移）患者，采用CT 影像组学法预测的准确率也明显较高。

进一步对两组不同预测方法的预测效能进行分析，发现两组中CT 影像组学对患者淋巴结转移预测的曲线下面积均较大，且均>0.8，提示其具有良好诊断效能［16］。

将本研究金标准阳性组由CT 影像组学预测到
的发生淋巴结转移与未发生淋巴结转移患者的CT 影像
组学风险评分值进行比较，发现发生淋巴结转移患者的风险评分值明显高于未发生淋巴结转移患者。

这表示利用CT 影像学组分析可以在发生淋巴结转移与未发生淋巴结转移患者中得到具有明显差异的参数，有利于程序区分识别淋巴结是否发生转移。

既往文献也报道在预测肺腺癌表皮生长因子受体基因突变研究中也被证
实具有高预测价值［17-18］。

虽然既往研究也有对肺癌采用影像组学法对淋巴结转移的预测价值进行了分析，但对同一样本采用不用分割方法进行分析的研究较少。

本研究的创新点在于，分割ROI 时采用的是人工手动分割，该方法具有较高的准确性。

但既往多篇文献均表示其可重复性较小、耗时较长，因此本研究同时采用了半自动、自动分割法，其提取到的影像组学特征与人工手动分割法具有较高一致性［19-22］，这表示在本研究的早期肺腺癌患者中，采用不同分割方法不会对影像组学特征的提取产生不利影响。

有研究显示，自动分割法在临床应用上还未有明确同一
的标准，其未来发展还需更多学者进一步研究［23-24］。

综上所述，在术前基于增强CT 的影像组学在肺腺癌淋巴结转移的判断中具有高预测价值，在术前对肺癌患者淋巴结转移风险进行更加精准预测，为后续选择治疗方式等提供依据。

参考文献：
［1］刘洋,寻航,李修奎,等.不同病理类型肺癌的双源CT 参数特征及
诊断鉴别价值［J ］.中国CT 和MRI 杂志,2018,16(2):77-80.［2］Kim CR,Kim B,Ning MS,et al.Cost analysis of PET/CT versus CT
A B C
D
E F
图247岁男性患者T1期肺腺癌CT 图像.
Fig.2CT images of T1lung adenocarcinoma of a 47-year-old male patient.
A :轴位CT 平扫肺窗;
B :轴位CT 平扫纵隔窗;
C :轴位CT 增强动脉期纵隔窗;
D :轴位CT 增强静脉期纵隔窗;
E :纵隔最大淋巴结位于5区,短径约1.2cm;
F :左肺门淋巴结短径约1.1cm ；左肺上叶下舌段4.8cm×3.9cm 肿块影,邻近胸膜增厚粘连,增强后呈不均匀持续强化.左舌叶亚段支气管闭塞.
分子影像学杂志,2022,45(3):339-343
·
·342
as surveillance for stage III non-small-cell lung cancer after definitive radiation therapy［J］.Clin Lung Cancer,2018,19(4):e517-
28.
［3］史张,李晶,边云,等.影像组学在临床精确诊疗中的研究进展［J］.
中华放射学杂志,2018,52(10):801-4.
［4］杨志炜,郭天,谢海滨,等.影像组学在脑胶质瘤分级中的应用研究［J］.磁共振成像,2018,9(6):439-45.
［5］Lambin P,Rios-Velazquez E,Leijenaar R,et al.Radiomics: Extracting more information from medical images using advanced feature analysis［J］.Eur J Cancer,2012,48(4):441-6.
［6］Gillies RJ,Kinahan PE,Hricak H.Radiomics:images are more than pictures,they are data［J］.Radiology,2016,278(2):563-77.
［7］Avanzo M,Wei LS,Stancanello J,et al.Machine and deep learning methods for radiomics［J］.Med Phys,2020,47(5):e185-202.
［8］Yang F,Ford JC,Dogan N,et al.Magnetic resonance imaging(MRI)-based radiomics for prostate cancer radiotherapy［J］.Transl Androl Urol,2018,7(3):445-58.
［9］李武超,陈琦,蒋仪,等.基于CT影像组学术前预测胃癌淋巴血管侵犯［J］.中国医学影像技术,2019,35(7):1057-60.
［10］Li XM,Dong XP,Lian J,et al.Knockoff filter-based feature selection for discrimination of non-small cell lung cancer in CT image［J］.IET Image Process,2019,13(3):543-8.
［11］徐茂林,李芳,刘玉林,等.肺腺癌乳腺转移超声及MRI表现1例［J］.
中国临床医学影像杂志,2019,30(3):227-8.
［12］吉蘅山,张龙江,朱虹.肺癌PET-CT影像组学研究进展［J］.中华放射学杂志,2019,53(2):154-7.
［13］洪敏萍,王云华,顾吾立,等.肺内淋巴结伴周围炎症与胸膜下微浸润性肺腺癌的CT鉴别分析［J］.中国临床医学影像杂志,2020,31(9): 637-40.
［14］肖磊,顾潜彪,张堃,等.CT影像组学标签预测肺腺癌表皮生长因子受体基因敏感突变［J］.中国介入影像与治疗学,2019,16(4):220-4.［15］Sotoudeh H,Sadaatpour Z,Rezaei A,et al.The role of machine learning and radiomics for treatment response prediction in
idiopathic normal pressure hydrocephalus［J］.Cureus,2021,13(10):
e18497
［16］Forghani R.Precision digital oncology:emerging role of radiomics-based biomarkers and artificial intelligence for advanced imaging
and characterization of brain tumors［J］.Radiol Imaging Cancer,
2020,2(4):e190047.
［17］Ou J,Wu L,Li R,et al.CT radiomics features to predict lymph node metastasis in advanced esophageal squamous cell carcinoma and to
discriminate between regional and non-regional lymph node
metastasis:a case control study［J］.Quant Imaging Med Surg,2021,
11(2):628-40.
［18］Wu QX,Wang S,Li L,et al.Radiomics Analysis of Computed Tomography helps predict poor prognostic outcome in COVID-19［J］.Theranostics,2020,10(16):7231-44.
［19］岳军艳,窦文广,梁长华,等.实性肺腺癌和鳞癌的性别、年龄及CT征象分析［J］.实用放射学杂志,2019,35(2):208-11.
［20］宋文娟,平学军,石惠,等.周围型肺癌能谱CT定量分析与免疫组化指标的相关性分析［J］.实用放射学杂志,2018,34(10):1517-20,
1525.
［21］谭剑,杨星萍,田仁江,等.肺腺癌中T细胞免疫球蛋白黏蛋白分子3与干扰素γ表达及其临床意义［J］.中华生物医学工程杂志,2020,26
(3):231-6.
［22］史张,刘崎.影像组学技术方法的研究及挑战［J］.放射学实践, 2018,33(6):633-6.
［23］林斌,王韬,沈可人,等.肺黏膜相关淋巴组织淋巴瘤与肺腺癌鉴别的影像组学研究[J].中华放射学杂志,2018,52(10):766-9.
［24］吴光耀.影像组学在肺癌的应用及研究进展［J］.实用放射学杂志, 2018,34(10):1635-7,1642.
（编辑：郎朗）
分子影像学杂志,2022,45(3):339-343·
·343。