ISSN 1004-4140
CN 11-3017/P

结直肠癌基因突变状态预测的影像学研究进展

贾建业, 丁聪, 周围, 柏根基

贾建业, 丁聪, 周围, 等. 结直肠癌基因突变状态预测的影像学研究进展[J]. CT理论与应用研究, 2023, 32(1): 147-152. DOI: 10.15953/j.ctta.2022.028.
引用本文: 贾建业, 丁聪, 周围, 等. 结直肠癌基因突变状态预测的影像学研究进展[J]. CT理论与应用研究, 2023, 32(1): 147-152. DOI: 10.15953/j.ctta.2022.028.
JIA J Y, DING C, ZHOU W, et al. Advances in Research on Image-based Prediction of Colorectal in Cancer Gene Mutation Status[J]. CT Theory and Applications, 2023, 32(1): 147-152. DOI: 10.15953/j.ctta.2022.028. (in Chinese).
Citation: JIA J Y, DING C, ZHOU W, et al. Advances in Research on Image-based Prediction of Colorectal in Cancer Gene Mutation Status[J]. CT Theory and Applications, 2023, 32(1): 147-152. DOI: 10.15953/j.ctta.2022.028. (in Chinese).

结直肠癌基因突变状态预测的影像学研究进展

基金项目: 北京医卫健康公益基金(肝脏特异性(Gd-EOB-DTPA)增强MR成像“一站式”评估肝脏解剖与储备功能的应用研究(B20240ES))。
详细信息
    作者简介:

    贾建业: 男,南京医科大学附属淮安市第一人民医院研究生,主要从事腹部磁共振研究,E-mail:844027685@qq.com

    柏根基: 男,南京医科大学附属淮安市第一人民医院主任医师,主要从事腹部及肌骨磁共振研究,E-mail:hybgj0451@163.com

    通讯作者:

    柏根基: 男,南京医科大学附属淮安市第一人民医院主任医师,主要从事腹部及肌骨磁共振研究,E-mail:hybgj0451@163.com

  • 中图分类号: R  814;R  445

Advances in Research on Image-based Prediction of Colorectal in Cancer Gene Mutation Status

  • 摘要: 随着临床医师对于结直肠癌(CRC)患者个性化诊疗策略的进一步需求,CRC患者在确诊或病变转移时进行突变基因谱检测显得尤为重要,通过非侵入性的影像学检查分析肿瘤生物学特性,对CRC患者的遗传信息进行有效预测已成为该领域的研究热点。本文围绕不同的影像学方法预测CRC基因突变状态的应用进行综述。
    Abstract: Clinicians are increasingly demanding personalized treatment strategies for patients with colorectal cancer (CRC). Detection of mutated gene profiles is particularly important when patients are diagnosed with CRC or metastatic CRC. Effective prediction of the gene status of patients with CRC by analyzing their tumor biological characteristics through non-invasive imaging has become a research hotspot. This review focuses on the application of different imaging methods to predict the gene mutation status in CRC.
  • 锥形束CT(cone beam computed tomography,CBCT)检查是以锥形X射线束围绕受检者受检部位旋转1周后成像的方法。通过锥形束扫描方式避免了周围结构重叠的影响,提高了三维空间分辨率,同时大大减少了扫描剂量,且明显低于普通螺旋CT[1-3]

    CBCT一方面能够全面观察被检部位内部结构,获得所用信息进行容积重组,形成更精确分辨率的图像;另一方面具备独特的金属伪影校正技术及各向同性空间分辨率优势,目前在口腔医学临床中得到广泛应用[4-5]

    在临床实际应用中,口腔CBCT检查作为一种3D成像方法,所得图像不仅局限于口腔牙齿、牙槽骨显像,也包含了周围组织结构的显像。在CBCT检查中这些周围结构的显示情况如何,能否检出耳鼻喉相关组织的疾病,如口腔疾病累及邻近上颌窦的病例,及口腔疾病合并常见的鼻窦及口咽疾病[6],目前尚未见到报道。

    本研究旨在探讨口腔CBCT检查中耳鼻喉相关组织结构的影像学表现,为临床减少不必要的漏诊提供理论依据。

    回顾性分析2019年7月至2020年5月在医院完成口腔CBCT检查的患者300例,其中男161例、女139例,年龄范围8~79岁,平均年龄(41.9±16.0)岁。

    采用口腔颌面锥形束计算机体层摄影设备(CBCT)(imaging science international,LLC)进行扫描,扫描体位:坐位;扫描参数:管电压120 kVp、管电流5 mA,获取时间26.9 s;扫描方式:360°;视野大小:直径 16 cm、高度11 cm;分辨率25立体像素14.7 s。

    用双盲法独立评判成像图像中以上组织的解剖显示率(上颌窦、蝶窦、额窦、筛窦),并对组织结构显示情况及组织结构间成像对比度进行评分。

    ①物理学标准:根据患者扫描所得整体图像信噪比(signal noise ratio,SNR)评价,无法诊断为 1分、诊断明显受限为2分、诊断受限为3分、诊断不受限为4分;②解剖学标准:按照图像中鼻窦(上颌窦、蝶窦、额窦、筛窦)、咽隐窝、鼻腔及前庭、乳突解剖结构显示是否完整清楚进行评分,1分为差、2分为一般、3分为良、4分为优;③患者图像耳鼻喉相关不同密度组织(气体、骨质、液体、软组织及脂肪组织)显示及对比度评分,1分为差、2分为一般、3分为良、4分为优[7]

    采用SPSS 26软件对所得数据进行统计分析,计量资料用均数±标准差($ \bar x \pm s $),两组间比较采用独立样本t检验。评估者之间比较采用 Kappa一致性检验,Kappa值大于0.6认为有高度一致性。P<0.05被认为具有统计学意义。

    所有检查者图像扫描规范、图像质量均符合口腔诊断要求,上下边缘层面均可见环形伪影(图1图2)。

    图  1  扫描在最上层图像中出现环形伪影
    信噪比评分2分,上颌窦及蝶窦显示清楚评分4分,鼻道及鼻前庭评分2分。
    Figure  1.  The scan shows a ring artifact in the topside image
    图  2  扫描在最下层图像中出现环形伪影
    信噪比评分2分,口咽结构可见,评分2分。
    Figure  2.  The scan shows a ring artifact in the lowest-side level image

    周围组织结构显示中两位医师评分一致性好,Kappa值最低达0.754,超过要求的0.6水平。所有图像质量好,信噪比评分大多数大于等于3分,其中乳突只能部分显示,评分3分及以上占比约50%,其中:上颌窦及蝶窦均可显示,且显示清楚,额窦及筛窦均未见显示,咽隐窝、鼻腔及前庭均可显示,且显示清楚,乳突均为部分显示,解剖结构显示为一般及良好(图3表1)。

    图  3  CBCT扫描图片
    图片信噪比评分4分,双层上颌窦显示优良评分为4分,鼻腔、前庭、鼻咽部显示清楚评分为4分;双侧乳突部分结构显示,显示情况为良好评分3分,气体及骨质显示及对比度评分3分;软组织、脂肪及液体显示及对比度评分1分。
    Figure  3.  The scanning images of CBCT
    表  1  图像SNR及牙齿周围组织结构解剖显示评估
    Table  1.  Image SNR and evaluation of anatomical display of tissue structure around teeth
    项目A医师B医师平均≥3分/%≤2分/%Kappa系数
    感知信噪比 3.83±0.413.79±0.434#98.7~99.01.0~1.30.754
    上颌窦、蝶窦444#10001.000
    额窦、筛窦 111*01001.000
    咽隐窝   3.96±0.273.96±0.283.96±0.28#98.7~99.01.0~1.30.864
    鼻腔、前庭 3.99±0.103.99±0.123.99±0.12#99.70.31.000
    乳突    2.43±0.692.36±0.73 2.40±0.85${}^\nabla $46.3~49.350.7~53.70.820
      注:# vs $\nabla $、# vs *、* vs $\nabla $,P<0.05差异有统计学意义;# vs #,P>0.05差异没有统计学意义。
    下载: 导出CSV 
    | 显示表格

    所有图像中气体及骨质显示优良,两位医师评分Kappa值等于1,评分一致性非常好;软组织及液体组织显示差,两位医师评分Kappa值均小于0.6,评分一致性差;气体、骨质的对比度均大于等于3分,明显高于与脂肪、软组织及液体的对比度,且对比度间差异有显著意义,而气体与骨质对比度间及脂肪、软组织、液体对比度间差异无统计学意义(图3表2)。

    表  2  耳鼻喉相关不同密度组织显示及对比度评估
    Table  2.  Contrast evaluation and display of different density tissues related to ear, nose and throat
    项目A医师B医师平均≥3分(%)≤2分(%)Kappa系数
    气体444#10001.000
    骨质444#10001.000
    软组织0.85±0.360.77±0.420.81±0.38${}^{\nabla} $01000.535
    脂肪111${}^{\nabla} $01001.000
    液体0.81±0.390.71±0.460.75±0.45${}^{\nabla} $01000.543
      注:# vs $\nabla $,P<0.05差异有统计学意义;# vs #、$\nabla $ vs $\nabla $,P>0.05差异没有统计学意义。
    下载: 导出CSV 
    | 显示表格

    CBCT因电离辐射小、精度高、显示三维空间结构,成为口腔医师进行牙齿治疗前的首选方法,在口腔正畸和种植中广泛使用[8-9]。本组所有完成口腔CBCT检查的受检者中,接收的X线辐射剂量仅为19.9 mGy·cm,远低于专家共识中对鼻窦CT检查的辐射要求,即鼻窦CT检查中CTDIvol 40 mGy,甚至低于共识中提到的鼻窦CT检查辐射剂量可能达到水平25 mGy[10]。在具体分析扫描图像中,发现所有扫描最上层及最下层图像中均出现了环形伪影,信噪比评分有所下降,为无法诊断及诊断明显受限,考虑这些伪影是扫描中X线衰减所致,但中心层面图像显示清楚,信噪比大多数评分为诊断不受限。

    本研究在对口腔周围耳鼻喉相关结构的图像分析中,发现部分鼻窦显示良好,解剖结构显示清楚,部分鼻窦解剖结构显示不清。具体表现为鼻窦中上颌窦显示良好,解剖结构显示清楚。考虑因其在大体组织解剖中位于上颌骨体内,而上颌骨前表面朝前朝外构成了上牙槽、对应了牙根的位置,即上颌窦正位于上牙牙根正上方,就处于CBCT的扫描范围内。上颌窦临近牙齿的解剖位置会造成临近牙齿疾病的累及,比如在牙源性疾病中,炎性疾病(如牙龈炎)及肿瘤性疾病,如含牙囊肿、牙瘤及造釉细胞瘤等均会累及临近上颌骨或下颌骨,造成牙源性上颌窦炎[11-12]。同时,上颌窦因其解剖位置较低、自然开口与鼻腔相通位置较高且细小,黏膜与鼻腔相连,容易感染阻塞及狭窄,成为副鼻窦感染中最为常见的部位[13]

    所以,当上牙出现问题进行CBCT扫描时,图像观察除牙齿之外,还需要观察邻近的上颌骨及上颌窦情况,如含牙囊肿中邻近上颌骨的骨质破坏情况、牙龈炎时是否合并上颌窦炎,或者是否单独存在上颌窦炎。

    除此之外,本组研究也分析鼻窦中位置最深的蝶窦,在口腔CBCT检查中能够清楚显示也,图像评分均达3分以上,考虑由于它位于蝶骨体内,与临近的咽隐窝、鼻腔及前庭一起,均处于上颌骨水平的解剖范围内,能够在口腔CBCT检查中得到良好显示。乳突只能部分显示,图像评分3分及以上只是占比约50%,考虑因其是从颞骨乳突部的底面突出的圆锥形突出,位于外耳道的后面和茎突的外面,部分处于下颌骨支外侧水平范围内,所以可以部分显示。另一方面,作为鼻窦的组成部分的额窦及筛窦因两者处于口腔CBCT扫描范围外,均未显示。

    具体解剖表现为筛窦位于鼻腔外上方筛骨内,而筛骨位于颅骨的前基底部,处于鼻顶部,并在两个眼眶之间,额窦位于额骨的内、外侧骨皮质之间,在筛窦的前上方,位置更高,处于CBCT扫描上缘水平之外。所以在CBCT口腔检查中,除牙齿之外,我们还能观察到处于扫描范围内的副鼻窦、乳突、咽隐窝、鼻腔及前庭这些耳鼻喉相关组织的图像。

    在CBCT检查低剂量的优势下,这些耳鼻喉相关组织结构能否清楚显示,即组织间图像对比度如何?本组研究继续进行了相关图像的进一步分析。

    在对口腔CBCT能显示的组织结构成像中,气体及骨质显示对比度好,易于评估且评估一致性好;软组织、液体及脂肪显示对比度不佳,不易于评估,且评估一致性不佳,即鼻窦窦腔及窦壁骨质、乳突气房、咽隐窝、鼻腔、前庭含气组织结构显示清楚,但软组织间界限欠清,考虑是因为口腔CBCT属于X线成像,所以对于气体、骨、软组织显示优秀,但密度分辨率低于普通螺旋CT[14-16]。这样,一方面在CBCT口腔检查中,利用气体、骨质及软组织间良好的对比度,当含气组织发生形态改变时辅助相应耳鼻喉相关组织疾病的检出。

    例如急性鼻窦炎的病理改变主要是以黏膜增生、肥厚及囊肿形成为主,并引起相应气腔改变[17];在其影像诊断中,主要依据包括了含气窦腔大小、形态改变及窦腔内黏膜增厚,所以通过良好的气体及软组织对比度,来观察窦腔形态的改变,减少急性鼻窦炎的漏诊,尽量达到对急性鼻窦炎早发现、早治疗,避免因炎症的恶化及感染扩散,引起疾病迁延不愈及并发症的发生所导致的患者生活质量下降[18]。同时通过发现窦壁骨质增厚来辅助诊断慢性鼻窦炎。

    另一方面,在口腔CBCT检查中对软组织、液体及脂肪之间的对比度评估差,肌肉间隔显示不清,而无法对软组织病变进行具体测量及定性,即对耳鼻喉相关组织疾病中的怀疑肿瘤性病变者,还需进一步检查。

    本组研究中的两位医师对口腔CBCT检查中耳鼻喉相关组织中的软组织、脂肪及液体之间的对比度评判中,评分一致性差,考虑这与医师之间临床经验存在差异,而对图像分析能力存在区别有关,表明临床经验的差异将影响口腔CBCT检查中耳鼻喉相关组织疾病的检出。

    本次研究中也存在不足之处,对于口腔CBCT检查中已存在病变的检出及疾病的分类未进行统计及分析,将在下一步研究中完善。

    低剂量口腔CBCT检查中对耳鼻喉相关组织中含气体组织如部分鼻窦、乳突、咽隐窝、鼻腔及鼻前庭能够清楚显示解剖结构,可以通过含气组织气腔形态及骨质改变发现口腔以外组织病变,减少临床疾病的漏诊,但对软组织结构间的对比显示不佳,对软组织病变的定性还需进一步检查。

  • [1]

    BRAY F, FERLAY J, SOERJOMATARAM I, et al. Global cancer statistics 2018: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA: A Cancer Journal for Clinicians, 2018, 68(6): 394−424. doi: 10.3322/caac.21492

    [2]

    SUNDAR R, HONG D S, KOPETZ S, et al. Targeting BRAF-mutant colorectal cancer: Progress in combination strategies[J]. Cancer Discovery, 2017, 7(6): 558−560. doi: 10.1158/2159-8290.CD-17-0087

    [3]

    DAI D, WANG Y, ZHU L, et al. Prognostic value of KRAS mutation status in colorectal cancer patients: A population-based competing risk analysis[J]. PeerJ, 2020, 8(6): e9149.

    [4]

    DERBEL O, WANG Q, DESSEIGNE F, et al. Impact of KRAS, BRAF and PI3 KCA mutations in rectal carcinomas treated with neoadjuvant radiochemotherapy and surgery[J]. BMC Cancer, 2013, 13: 200. doi: 10.1186/1471-2407-13-200

    [5]

    BENSON A B, VENOOK A P, AL-HAWARY M M, et al. Colon cancer, version 2. 2021, NCCN clinical practice guidelines in oncology[J]. Journal of National Comprehensive Cancer Network, 2021, 19(3): 329−359. doi: 10.6004/jnccn.2021.0012

    [6]

    SCLAFANI F, CHAU I, CUNNINGHAM D, et al. KRAS and BRAF mutations in circulating tumour DNA from locally advanced rectal cancer[J]. Scientific Reports, 2018, 8(1): 1445. doi: 10.1038/s41598-018-19212-5

    [7]

    TABERNERO J, LENZ H J, SIENA S, et al. Analysis of circulating DNA and protein biomarkers to predict the clinical activity of regorafenib and assess prognosis in patients with metastatic colorectal cancer: A retrospective, exploratory analysis of the CORRECT trial[J]. The Lancet Oncology, 2015, 16(8): 937−948. doi: 10.1016/S1470-2045(15)00138-2

    [8]

    SONG C, SHEN B, DONG Z, et al. Diameter of superior rectal vein-CT predictor of KRAS mutation in rectal carcinoma[J]. Cancer Management and Research, 2020, 12: 10919−10928. doi: 10.2147/CMAR.S270727

    [9]

    GILLIES R J, KINAHAN P E, HRICAK H. Radiomics: Images are more than pictures, they are data[J]. Radiology, 2016, 278(2): 563−577. doi: 10.1148/radiol.2015151169

    [10]

    LI Y, ERESEN A, SHANGGUAN J, et al. Preoperative prediction of perineural invasion and KRAS mutation in colon cancer using machine learning[J]. Journal of Cancer Research and Clinical Oncology, 2020, 146(12): 3165−3174. doi: 10.1007/s00432-020-03354-z

    [11]

    YANG L, DONG D, FANG M, et al. Can CT-based radiomics signature predict KRAS/NRAS/BRAF mutations in colorectal cancer?[J]. European Radiology, 2018, 28(5): 2058−2067. doi: 10.1007/s00330-017-5146-8

    [12]

    HOSNY A, PARMAR C, QUACKENBUSH J, et al. Artificial intelligence in radiology[J]. Nature Reviews Cancer, 2018, 18(8): 500−510. doi: 10.1038/s41568-018-0016-5

    [13]

    HE K, LIU X, LI M, et al. Noninvasive KRAS mutation estimation in colorectal cancer using a deep learning method based on CT imaging[J]. BMC Medical Imaging, 2020, 20(1): 59. doi: 10.1186/s12880-020-00457-4

    [14]

    SHI R, CHEN W, YANG B, et al. Prediction of KRAS, NRAS and BRAF status in colorectal cancer patients with liver metastasis using a deep artificial neural network based on radiomics and semantic features[J]. American Journal of Cancer Research, 2020, 10(12): 4513−4526.

    [15] 赵常红, 郝粉娥, 刘挨师. 胰腺癌定量双能CT碘图与CT灌注参数相关性研究[J]. 放射学实践, 2018,33(6): 578−592.

    ZHAO C H, HAO F E, LIU A S. Correlation between quantitative dual-energy CT iodine maps and CT perfusion parameters in patients with pancreatic carcinoma[J]. Radiologic Practice, 2018, 33(6): 578−592. (in Chinese).

    [16]

    CAO Y, ZHANG G, BAO H, et al. Development of a dual-energy spectral CT based nomogram for the preoperative discrimination of mutated and wild-type KRAS in patients with colorectal cancer[J]. Clinical Imaging, 2021, 69: 205−212. doi: 10.1016/j.clinimag.2020.08.023

    [17]

    ZHOU X, YI Y, LIU Z, et al. Radiomics-based pretherapeutic prediction of non-response to neoadjuvant therapy in locally advanced rectal cancer[J]. Annals of Surgical Oncology, 2019, 26(6): 1676−1684. doi: 10.1245/s10434-019-07300-3

    [18]

    LIANG M, CAI Z, ZHANG H, et al. Machine learning-based analysis of rectal cancer MRI radiomics for prediction of metachronous liver metastasis[J]. Academic Radiology, 2019, 26(11): 1495−1504. doi: 10.1016/j.acra.2018.12.019

    [19]

    XU Y, XU Q, MA Y, et al. Characterizing MRI features of rectal cancers with different KRAS status[J]. BMC Cancer, 2019, 19(1): 1111. doi: 10.1186/s12885-019-6341-6

    [20]

    OH J E, KIM M J, LEE J, et al. Magnetic Resonance-based texture analysis differentiating KRAS mutation status in rectal cancer[J]. Cancer Research and Treatment, 2020, 52(1): 51−59. doi: 10.4143/crt.2019.050

    [21]

    CHAN H P, SAMALA R K, HADJIISKI L M, et al. Deep learning in medical image analysis[J]. Advances in Experimental Medicine and Biology, 2020, 1213: 3−21.

    [22]

    MA Y, WANG J, SONG K, et al. Spatial-frequency dual-branch attention model for determining KRAS mutation status in colorectal cancer with T2-weighted MRI[J]. Computer Methods and Programs in Biomed, 2021, 209: 106311. doi: 10.1016/j.cmpb.2021.106311

    [23]

    ZHANG G, CHEN L, LIU A, et al. Comparable performance of deep learning-based to manual-based tumor segmentation in KRAS/NRAS/BRAF mutation prediction with MR-based radiomics in rectal cancer[J]. Frontiers in Oncology, 2021, 11: 696706. doi: 10.3389/fonc.2021.696706

    [24] 孙丹琦, 王灵华, 李广政, 等. 纹理分析及功能磁共振成像预测直肠癌KRAS基因突变的可行性研究[J]. 临床放射学杂志, 2021,40(5): 924−929.

    SUN D Q, WANG L H, LI G Z, et al. To predict KRAS mutation in rectal cancer patients with texture analysis and functional MRI[J]. Journal of Clinical Radiology, 2021, 40(5): 924−929. (in Chinese).

    [25]

    CUI Y, CUI X, YANG X, et al. Diffusion kurtosis imaging-derived histogram metrics for prediction of KRAS mutation in rectal adenocarcinoma: Preliminary findings[J]. Journal of Magnetic Resonance Imaging, 2019, 50(3): 930−939. doi: 10.1002/jmri.26653

    [26]

    CAICEDO C, GARCIA-VELLOSO M J, LOZANO M D, et al. Role of 18F-FDG PET in prediction of KRAS and EGFR mutation status in patients with advanced non-small-cell lung cancer[J]. European Journal of Nuclear Medicine and Molecular Imaging, 2014, 41(11): 2058−2065. doi: 10.1007/s00259-014-2833-4

    [27]

    LOVINFOSSE P, KOOPMANSCH B, LAMBERT F, et al. 18F-FDG PET/CT imaging in rectal cancer: Relationship with the RAS mutational status[J]. The British Journal of Radiology, 2016, 89(1063): 20160212. doi: 10.1259/bjr.20160212

    [28]

    MAO W, ZHOU J, ZHANG H, et al. Relationship between KRAS mutations and dual time point 18F-FDG PET/CT imaging in colorectal liver metastases[J]. Abdominal Radiology (NY), 2019, 44(6): 2059−2066. doi: 10.1007/s00261-018-1740-8

    [29]

    LEE J H, KANG J, BAIK S H, et al. Relationship between 18F-fluorodeoxyglucose uptake and V-Ki-Ras2 kirsten rat sarcoma viral oncogene homolog mutation in colorectal cancer patients: Variability depending on C-reactive protein level[J]. Medicine, 2016, 95(1): e2236. doi: 10.1097/MD.0000000000002236

    [30]

    KIM S J, PAK K, KIM K. Diagnostic performance of 18F-FDG PET/CT for prediction of KRAS mutation in colorectal cancer patients: A systematic review and meta-analysis[J]. Abdominal Radiology (NY), 2019, 44(5): 1703−1711. doi: 10.1007/s00261-018-01891-3

  • 期刊类型引用(2)

    1. 杨影,魏崴,杨军. 锥形束CT在耳鼻咽喉头颈外科中的应用进展. 山东大学耳鼻喉眼学报. 2024(03): 109-115 . 百度学术
    2. 王振婷,李北,季意,张娟,杨晨,单华,刘锐. 成年人翼钩及其周围组织的CBCT影像学研究. 口腔医学. 2024(10): 728-733 . 百度学术

    其他类型引用(2)

计量
  • 文章访问数:  289
  • HTML全文浏览量:  172
  • PDF下载量:  50
  • 被引次数: 4
出版历程
  • 收稿日期:  2022-02-23
  • 修回日期:  2022-04-10
  • 录用日期:  2022-04-11
  • 网络出版日期:  2022-04-27
  • 发布日期:  2023-01-30

目录

/

返回文章
返回
x 关闭 永久关闭