Imaging Features of Lung Focal Ground-glass Opacities on MDCT after Thin-section (1mm) Reconstruction
-
摘要: 目的:分析局灶性磨玻璃结节(fGGO)MDCT 1mm薄层重建后的表现,得到早期肺癌磨玻璃结节的影像学特征。方法:分析53例已经活检或抗炎治疗证实有病理结果的肺部磨玻璃结节,分析其影像学征象,包括病变位置、大小、形态、界面、边缘、空泡、支气管扩张及蜂窝征、细支气管充气、胸膜凹陷征、血管聚集增粗以及mGGO中GGO含量,统计分析各征象在良恶性之间的差异。结果:良、恶性fGGO边缘、界面以及血管聚集增粗具有统计学差异,P<0.05;而患者的一般资料、病灶基本信息及病灶形态、空泡支气管蜂窝、细支气管充气、胸膜凹陷以及mGGO中GGO含量在良恶性fGGO的表现差异不明显,P>0.05。结论:MDCT 1mm薄层重建后的fGGO影像学特征对于鉴别良恶性fGGO及诊断早期肺癌具有极其重要的应用价值。Abstract: Objective: Analyzing the performance of focal ground glass that under MDCT thin thickness reconstruction, and obtaining CT features of focal ground glass opacity from early stage lung cancer. Method: 53 clinically or pathologically confirmed f GGO were collected and analyzed clinical informations and imaging features including lesion location and size, shape, margin, interface, internal density, pleural indentation, vacuole, air bronchus-charging sign and blood vessel clustering. Statistical analyze the differences between the benign and malignant. Results: There were statistical differences between benign and malignant fGGOs in terms of margin(P = 0.001), interface(P = 0.000) and blood vessel clustering(P = 0.009) as well as gender(P = 0.120), age(P = 0.437), location(P = 0.565) size(benign 1.55 ±0.67) cm, malignant(1.54 ±0.85) cm,(P = 0.978), shape, vacuole(P = 0.100), air bronchus-charging sign(P = 0.211) and pleural indentation(P = 0.243) doesn't significantly found in malignant fGGOs. Conclusion: Margin, interface and blood vessel clustering can make contribute to early lung cancer diagnosis and differentiation of benign and malignant fGGOs.
-
Keywords:
- early stage lung cancer /
- ground-glass opacity /
- construction
-
肺癌已经成为世界各地癌症患者死亡的主要原因[1]。近年来,肺亚实性结节(subsolid nodules,SSNs)的检出率逐年增高,SSNs经常和肺腺癌有关[2]。由于不同病理阶段的SSNs的临床预后及治疗策略不同,因此术前影像学评估SSNs的侵袭程度对临床决策具有重要的意义[3-4]。以往对SSNs的大小测量多以最大横截面的最大横径来代表SSNs大小,以手动勾画感兴趣区内的平均CT值代表结节密度[5-8]。
本研究根据2021年WHO肺腺癌新分类标准,分为腺体前驱病变组(非典型腺瘤样增生(atypical adenomatous hyperplasia,AAH)、原位腺癌(adenocarcinoma in situ,AIS))和腺癌组(微浸润性腺癌(minimally invasive adenocarcinoma,MIA)、浸润性腺癌(invasive adenocarcinoma,IAC)),利用一款可以测量肺结节体积密度的人工智能(artificial intelligence,AI)分析软件,对病灶进行三维定量分析;利用AI体积密度法绘制CT值分布直方图,获得体积密度系列参数,探讨AI体积密度法判断肺亚实性结节浸润性的价值。
1. 材料与方法
1.1 研究对象
收集2013年1月至2022年4月于我院收治,有完整术前胸部CT、临床资料并经病理证实的108枚SSNs。根据2021年WHO肺腺癌新分类标准,分为腺体前驱病变组25例,包括AAH 3例、AIS 22例;腺癌组83例,包括MIA 16例、IAC 67例。
纳入标准:①肺内至少 1个 SSN,大小范围为0.5~3 cm之间;②在我院行手术切除,术后病理结果经复阅证实为AAH、AIS、MIA及IAC;③具有完整 CT图像、临床和病理数据。排除标准:①术后病理证明为良性疾病或其他肺癌的病理亚型;②患者有肺部多发转移瘤或其他部位原发肿瘤;③患者曾行全身化疗。
1.2 设备与参数采集
指导患者呼吸训练后,仰卧位进行胸部CT平扫。采用GE LightSpeed VCT及宝石CT、西门子SOMATOM Definition Flash双源CT、东芝Aquilion ONE 320排CT进行扫描。扫描参数:①GE LightSpeed VCT及宝石CT:管电压120 kV,自动管电流,层厚5 mm,重建层厚1.25 mm,螺距1.0,显示野(FOV)360 mm;②SOMATOM Definition Flash双源CT:管电压120 kV,自动管电流,层厚5 mm,重建层厚1 mm,螺距1,显示野(FOV)400 mm;③Aquilion ONE 320排CT:管电压120 kV,自动管电流,层厚5 mm,重建层厚0.8 mm,螺距0.516,显示野(FOV)400 mm。
扫描矩阵512×512,并采用肺高分辨算法进行重建(图1)。将扫描得到的原始数据上传至AI肺结节筛查系统进行观察。
1.3 AI参数采集及分析
基于深度学习模型的AI软件由推想预测提供,将图像数据由PACS系统传输至“推想预测”工作站(https://www.infervision.com/),软件自动对SSNs进行分割,记录结节体积及平均径,获取CT值分布直方图,并记录该SSN的以下参数:最大CT值、最小CT值、平均CT值、偏度、峰度、CT百分位数值,其中百分位数值包括第25百分位数(Perc.25%)、第50百分位数(Perc.50%)、第75百分位数(Perc.75%)、第95百分位数(Perc.95%)。
1.4 统计学分析
计数资料以例数(百分比)表示,当T<5且n≥40时采用Fisher确切概率法检验,当T≥5、n≥40时差异性分析采用卡方检验。计量资料首先进行正态性检验,服从正态分布的数据以均值±标准差表示,采用独立样本t检验;不服从正态分布的数据以中位数(四分位间距)表示,采用Mann-Whitney U检验。利用Medcalc软件对有统计意义的变量绘制受试者工作特征曲线(ROC),计算曲线下面积(AUC),并得出最佳临界值。采用Logistic回归分析探究数学建模对腺体前驱病变组及腺癌组的鉴别诊断能力。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
两组中,女性患者多于男性,但性别差异无统计学意义(表1)。女性患者在各类型中所占比例分别为:18/25(72.00%)、51/83(61.45%);男性所占比例为:7/25(28.00%)、32/83(38.55%)。年龄差异在两组间无统计学意义;腺体前驱病变组患者平均年龄(60.93±8.72)岁,腺癌组患者平均年龄(60.78±9.68)岁。结节发生部位在各组之间没有统计学意义,但病灶在各组间均以右肺上叶为好发部位。结节类型在两组之间的差异无统计学意义(表1)。
表 1 腺体前驱病变组与腺癌组临床资料比较Table 1. Comparison of clinical data between the glandular prodromal disease group and adenocarcinoma group临床资料 组别 统计检验 腺体前驱病变组(25例) 腺癌组(83例) t/χ2 P 年龄/岁 60.93±8.72 60.78±9.68 0.088 0.930 性别 男 7 32 0.928 0.335 女 18 51 结节分布 右上 13 34 4.263 0.370 右中 1 5 右下 5 14 左上 3 19 左下 3 11 结节类型 pGGNs 5 13 0.260 0.760 mGGNs 20 70 2.2 两组CT分布直方图纹理参数、结节体积、结节平均径比较
腺体前驱病变组和腺癌组的CT最大值、CT最小值、平均CT值、偏度、Perc.25%、Perc.50%、Perc.75%、结节体积、结节平均径的差异有统计学意义,峰度、Perc.95% 的差异无统计学意义(表2)。
表 2 腺体前驱病变组、腺癌组的CT值分布直方图纹理参数及结节体积、结节平均径比较Table 2. Comparison of the CT value distribution histogram texture parameters, nodule volume and mean nodule diameter between the glandular precursor lesion group and adenocarcinoma group参数 组别 P 腺体前驱病变组(n=25) 腺癌组(n=83) 偏度/HU 0.45(0.25~0.70) 0.215(0.06~0.45) 0.001 峰度/HU -0.64(-1.03~-0.02) -0.95(-1.10~-0.53) 0.260 CT最大值/HU 22.00(-122.00~126.00) 167.00(41.00~338.00) <0.001 CT最小值/HU -757.00(-782.00~-711.00) -653.00(-752.25~-597.00) <0.001 平均CT值/HU -536.67±99.18 -390.16±165.59 <0.001 Perc.25%/HU -605.00(-659.00~-496.00) -416.00(-532.25~-233.50) <0.001 Perc.50%/HU -580.00(-650.00~-522.00) -418.50(-545.00~-296.00) <0.001 Perc.75%/HU -508.00(-673.00~-433.00) -449.00(-610.00~-208.75) 0.003 Perc.95%/HU -329.00(-722.00~-107.00) -528.50(-685.00~-5.25) 0.819 结节体积/mm3 646.86(278.79~1647.36) 1467.00(534.50~3270.94) <0.001 结节平均直径/mm 9.90(8.40~13.50) 15.65(11.12~19.65) <0.001 2.3 诊断效能
将两组差异有统计学意义的变量行ROC分析。其中,Perc.25% 诊断效能最佳并且敏感度最高,AUC值达0.797,诊断敏感度86.75%,特异性68.00%,诊断临界值 -578 HU;CT值平均值与Perc.50% 曲线下面积相等(AUC值0.787),诊断敏感度72.29%,特异性84.00%,诊断临界值-468 HU,阳性预测值最高(97.90%);将诊断效能最高的Perc.25% 分别于与Perc.50% 和平均CT值两两建立联合诊断模型,判断SSNs的浸润性均有诊断意义(图2和图3),其中Perc.25% 与平均CT值的模型诊断效最高(敏感度75.90%,特异度76.00%,AUC值0.816)且联合诊断模型诊断效能高于Perc.25%与平均CT值单独的诊断效能。
由于结节平均径常用于影像科医生判断SSNs浸润性的日常工作中,且两组间结节平均直径的差异具有统计学意义,本研究将诊断效能最高的Perc.25% 与结节平均直径结合得出联合诊断模型2,联合模型2曲线下面积为0.816,相比于结节平均径单独使用提高了诊断效能,并且得到了91.7的阳性预测值(表3)。
表 3 ROC分析结果Table 3. ROC analysis results参数 AUC 最佳临界值 敏感度/% 特异性/% 阳性预测
值/%阴性预测
值/%95% CI 下限 上限 偏度 0.689 0.24 56.63 76.00 88.7 34.5 0.593 0.775 CT最大值/HU 0.725 39.00 77.11 64.00 87.7 45.7 0.631 0.807 CT最小值/HU 0.731 -692.00 62.65 88.00 94.5 41.5 0.737 0.812 平均CT值/HU 0.787 -468.00 72.29 84.00 97.9 47.7 0.697 0.860 Perc.25%/HU 0.797 -578.00 86.75 68.00 90.0 60.7 0.709 0.869 Perc.50%/HU 0.787 -500.00 71.08 84.00 93.7 46.7 0.698 0.860 Perc.75%/HU 0.678 -474.00 57.83 76.00 88.9 35.2 0.581 0.765 体积/mm3 0.701 777.38 73.49 64.00 87.1 42.1 0.606 0.785 平均径/mm 0.718 13.50 63.86 76.00 89.9 38.8 0.623 0.800 联合模型1 0.814 - 75.90 76.00 91.3 48.7 0.728 0.883 联合模型2 0.816 - 75.90 76.00 91.7 48.3 0.730 0.884 3. 讨论
随着AI软件逐渐运用于肺结节的辅助诊断[9-10],影像科医生发现图像纹理分析不仅能探测到肿瘤的微观信息[11],还可提供可量化的参数用于鉴别诊断。CT分布直方图作为一种非侵入性检查手段,将患者影像图像的面积或体积像素进行统计并以更直观的方式表现出来,让影像科医生获得更多有利于诊断的CT定量参数。目前已有部分研究对SSNs的CT值分布直方图进行研究[12-14],结合多个参数值能全面反映SSNs的细微变化,对病变的浸润性起到提示作用。
本研究结果显示,SSNs的CT最大值、CT最小值、平均CT值、偏度、Perc.25%、Perc.50%、Perc.75% 分别与侵袭性有显著的相关性。这些结果表明,CT定量参数,特别是Perc.25% 有助于提高影像科医生对SSNs患者的认识,AUC值达0.797,诊断敏度86.75%,特异性68.00%,Perc.25%≥-578 HU的SSNs表现为腺癌组可能性大。
本研究得出最大CT值优于峰度来区分SSNs的浸润性,与张宏等[15]结果一致。行ROC曲线分析可知,CT最大值的AUC值达0.725,诊断敏感度77.11%,特异度64.00%,当CT最大值≥39 HU的SSNs表现为腺癌组可能性大。本文得出CT最小值对判断SSNs的侵袭性具有诊断价值,经统计学分析得出CT最小值的AUC值达0.731,诊断敏感度达62.65%,特异性为88.00%,当CT最小值≥-692 HU时诊断为腺癌组的可能性最大,与张宏等[15]结果不一致,但与徐小东等[16]结果一致。
我们认为,最小CT值不能客观反映病变内部密度的差异,只能代表SSNs未被肿瘤细胞充满的部分肺组织的密度。Kitami等[17]发现直径<1 cm或平均CT值为 -600 HU的肺纯磨玻璃结节可作为区分未侵袭性病变和侵袭性病变的临界值。本研究得出平均CT值与蔡雅倩[12]结果不同,我们认为AI勾画SSNs时已经避免勾画病灶周围的血管、支气管,但是不可避免的是依旧受患者基础疾病、年龄等因素影响。直方图的偏度是描述变量分布的是否对称的统计量,偏度绝对值越大,分布形态偏移的程度越大。与本文得出的结果相反,本文得出腺体前驱病组的偏度高于腺癌组。导致结果出现偏差的原因是本研究在设计上是回顾性的,且本研究采纳符合去选标准的AAH仅有3例,结果有差异。仅包括接受手术切除的SSNs,而一些每年随访的SSNs由于没有病理诊断而被排除。
Ikeda等[18]指出,CT密度的Perc.75% 有可能区分AAH和肺腺癌,通过ROC曲线分析得知,本研究得出鉴别腺体前驱病变与腺癌的Perc.25%、Perc.50%、Perc.75% 最佳临界值分别为 -578 HU、-500 HU、-474 HU,曲线下面积(AUC)分别为0.797、0.787、0.678,其中Perc.25%、Perc.50% 的AUC值0.7~0.9之间,这说明CT分布直方图的Perc.25%、Perc.50% 对腺体前驱病变组与腺癌组SSNs具有一定的鉴别诊断价值。在9个CT分布直方图参数中,对于腺体前驱病变组和腺癌组的鉴别,以 -578 HU为临界值的Perc.25% 为最佳,其诊断敏感度为86.75%,特异性为68.00%。
随着病变的病理浸润度逐渐增加,从AAH、AIS到MIA再到IAC,SSNs的大小逐渐增大[19]。既往研究[20]证实CT定量参数中特别是结节最长径对预测肺SSNs病变的侵袭性具有重要意义,本研究结果显示,SSNs的最大直径与侵袭性有显著的相关性。通过ROC曲线分析,本研究得出>13.50 mm是预测SSNs浸润性的可靠因子,诊断的敏感度、特异性分别为63.86%、76.00%,AUC为0.718(表3)。步玉兰等[21]的研究表明12.5 mm是侵袭前组和侵袭组的最佳直径临界值,略低于本研究的最佳临界值(13.50 mm),存在这种差异可能的原因是,步玉兰等[20]在分组时将 MIA归为浸润性病变组。在本研究中,MIA与IAC一起被分配到腺癌组,这一结果与Liu等[22]的结果相似。本研究将诊断效能最高的Perc.25% 与结节平均径结合得出联合诊断模型2,联合模型2曲线下面积为0.816,相比于结节平均径提高了诊断效能,并且得到了91.7的阳性预测值。
一般认为随着SSNs体积的增大,病灶内的实性部分趋于出现;体积的增大与SSNs的病理组织学类型是密切相关的,并不同程度上反映了侵袭程度。本研究对于SSNs结果与以往文献报道基本一致,结节的体积与侵袭性有显著的相关性,诊断的敏感度、特异性分别为73.49%、64.00%,AUC为0.701,阳性预测值为87.10%(表3)。本研究建立的Logistic回归模型(灵敏度、特异度和AUC值分别为63%、81% 和0.769)能较好地预测SSNs肺腺癌的CT病理分级,其预测值明显高于单独使用各定量参数。术前预测CT影像特征的病理分型有助于提高术前诊断和鉴别诊断水平,正确的诊断结果可以有效提高患者的存活率。
近年来,伴随着人工智能在医学技术诊断工作中的大量投入,影像医生身上的重担虽然被人工智能分担了一部分,但是责任从未减轻。本研究使用基于深度学习的AI肺结节筛查系统,对SSNs进行三维定量分析,绘制CT值分布直方图,获得体积密度系列定量参数,鉴别肺部腺体前驱病变与腺癌,为能够辅助临床进行精确的诊断以及辅助临床能够为患者提供积极的治疗方法。不足之处是手动勾画存在主观性,用感兴趣区得出CT值分布直方图反映的是二维层面的的密度并不能反映结节三维空间的不均质生长。本研究采用的是AI自动分割结节软件,避免手动分割结节产生的误差。
本研究的局限性。①这是一项源自实际临床实践的回溯性研究,为了证实本研究的结论,有必要进行前瞻性的大样本研究;②仅使用手术病例存在一定的选择性偏差;③样本量相对较小,本研究采用AI软件自动勾画所有结节的轮廓,存在勾画在内的小血管及小气管,可能影响直方图特征。未来希望能够进一步扩大样本量,采取合适的病灶选取办法,完善此项研究。
-
期刊类型引用(1)
1. 李正腾,王敏,潘冬梅,王宪凯. CCTA斑块特征在冠状动脉管腔狭窄程度进展预测及预后的价值研究. CT理论与应用研究(中英文). 2025(01): 23-30 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 466
- HTML全文浏览量: 1
- PDF下载量: 12
- 被引次数: 1