CT纹理特征评估胰腺导管腺癌的分化程度

吴 锦，徐珊珊，张怡帆，汤盛楠，何 健

南京大学医学院附属鼓楼医院核医学科，江苏 南京 210008

胰腺导管腺癌（pancreatic ductal adenocarcinoma，PDAC）是临床常见的消化道肿瘤之一，PDAC 早期诊断较为困难，大多数患者确诊时已处于中晚期且预后较差，5 年生存率不足5%，90%的患者在确诊后1 年内死亡［1-2］。尽管治疗方法有所进展，但PDAC 的5 年生存率并没有明显改善。由于PDAC预后较差，我们需要通过进一步的风险分层来制定更有效的治疗策略［3］；
研究表明PDAC 的分化程度是PDAC 术后生存的独立预后因素［4-5］；
与高分化PDAC 相比，低分化PDAC 具有更强的侵袭能力和更短的生存时间［6］；
而对于生存期较短的患者来说，手术切除相关风险远远大于益处［7］。Nurmi等［8］发现，对于低分化PDAC，新辅助治疗可以提供比前期手术更长的生存时间。因此，如果能在术前有效评估PDAC 的分化程度，对于患者治疗方案的选择和预后评估有着重要的意义。目前确定PDAC 分化程度的方法主要包括超声内镜引导下的细针活检（endoscopic ultrasound-guided fine needle aspiration，EUS-FNA），但由于胰腺肿瘤的异质性，穿刺活检获得的标本体积有限，穿刺并不能获得肿瘤的分化程度［9］。

由于CT 具有较高的时间和空间分辨率，是评估胰腺疾病的主要手段［10］，但是CT 检查评估结果受限于诊断医师的经验和专业能力，具有一定的主观性，并且获得的信息有限。基于CT 图像的纹理分析是一种可以定量提取纹理信息的图像处理技术，可以用数学方法检测视觉上无法感知的像素强度变化，已经成为评估肿瘤异质性、预测治疗反应和预后的一种有前景的技术［11-12］。纹理分析已经被用于预测PDAC 的预后以及PDAC 与胰腺神经内分泌肿瘤的鉴别诊断等方面［13-15］。然而，目前应用纹理分析对PDAC 病理分化程度预测的相关研究较少。本研究旨在探索基于术前增强CT 图像的纹理特征预测胰PDAC 理分化程度的作用。

1.1 对象

回顾性分析2017年1月—2020年10月66例经病理证实并且有明确肿瘤分化程度评估的PDAC患者，纳入训练组，其中男36 例，女30 例，年龄范围31～87岁，平均（63.4±11.2）岁；
并从南京市中医院选取了2017 年10 月—2021 年8 月34 例PDAC 患者作为外部验证组，其中男22例，女12例，年龄27～83岁，平均（58.1±10.9）岁。临床表现主要为上腹部不适、消化不良、黄疸。排除标准如下：①术前接受抗肿瘤治疗；
②图像质量差，包括肿瘤内的伪影；
③病灶体积太小，CT 图像上显示不清；
④没有完整的术前影像资料。

1.2 方法

1.2.1 病理分析

所有手术切除的肿瘤均经福尔马林固定，石蜡包埋，苏木精-伊红染色。根据WHO 消化系统肿瘤分类（第5 版）［16］分为：高分化腺癌、中分化腺癌、低分化腺癌，高分化腺癌由大量管样结构加上中等大小的肿瘤性腺体构成，中分化腺癌以埋于纤维间质中的中等大小、形状各异的导管样结构为主，低分化腺癌由密集排列的、形状不规则的小腺体以及完全取代腺泡组织的实性癌细胞巢或是条索结构构成。本研究中，由于病灶生长的不均质性，不同分化程度的成分可以同时存在同一病灶中，但在高分化肿瘤中出现低分化灶是很少见的，并且分化程度较低的成分更容易发生血管侵犯，预后较高分化病灶差，因此本研究的分化程度分组以整个病灶分化最低的部分为准［17］。根据术后病理分化程度，将本研究纳入的训练组病例分为两组：高分化组34 例，中-低分化组32 例，将纳入的外部验证组病例分为两组：高分化组21例，中-低分化组13例。本研究获得南京大学医学院附属鼓楼医院医学伦理委员会批准（2021-364-01）。

1.2.2 CT扫描参数

本研究66例患者均采用GE Light-speed 64排螺旋CT 扫描仪，扫描参数如下：管电压120 kVp，管电流200～250 mAs，扫描层厚5 mm，层间距5 mm。所有患者在进行CT 检查前至少禁食8 h，均采用仰卧位进行扫描，范围：上至膈肌顶部，下至双肾下极。行CT 平扫扫描后，以3.5 mL/s 的注射速率，由高压注射器经肘正中静脉注射对比剂（欧乃派克）1.5 mL/kg，注射后约30 s 和60 s 行动脉期和静脉期扫描。

1.2.3 CT图像分析

训练组及外部验证组CT 图像通过影像存档和通信系统（PACS）传输到医生工作站后，分别由两位经验丰富的放射科医生（均具有10 年以上经验）对以下影像学特征进行评估：①肿瘤的大小（肿瘤的最大层面测量肿瘤的直径，cm）；
②位置（头颈、钩突、体尾）；
③胰尾萎缩（胰尾体积明显缩小）；
④胰管扩张（主胰管直径≥3 mm）；
⑤边界：边界清楚（肿瘤边缘清楚无毛刺或浸润少于80%）或边界模糊（肿瘤边缘毛糙）［18］；
⑥胆总管扩张（胆总管最宽处直径≥9 mm）；
⑦血管侵犯：观察肝总动脉、脾动静脉、胃十二指肠动脉、肠系膜上动静脉和门静脉受侵犯情况，标准指肿瘤与血管接触范围超过180°，可伴有血管的闭塞或血栓形成；
⑧测量感兴趣区内肿瘤及胰腺实质的CT值，共测量3次，取其平均值，尽量选择动脉期及静脉期图像的同一层面进行测量。增强扫描肿瘤的强化程度使用肿瘤实质与正常胰腺组织的静脉期CT 值的比值（tumor to pancreas ratio at portal venous phase，TPER）表示。两位医生对术后的病理结果及临床信息并不知情，当评估结果不一致时，以两位医生讨论后的结果为准。

1.2.4 CT纹理分析

从PACS 获得所有患者的腹部增强CT 动、静脉期图像，并以DICOM 格式导出，本研究采用计算机自动分割算法对肿瘤感兴趣区域（region of interest，ROI）进行全容积分割，然后由上述两位放射科医师使用ITK-SNAP（开源软件，https：//www.itksnap.org/）对自动分割结果进行校正。避开肿瘤周围的胰腺实质组织、十二指肠、胰胆管及胰周血管，最终多层面ROI 重建获得VOI（volume of interest）（图1）。将分割完毕的图像导入Pyradiomics 软件（开源软件，https：//github.com/Radiomics/pyradiomics）并从中提取影像组学特征732 个，采用其中72 个纹理特征，包括18 个直方图特征、22 个灰度共生矩阵特征（gray-level cooccurrence matrix，GLCM）、16 个灰度游程长度矩阵特征（gray-level run length，GLRL）及16 个灰度区域大小矩阵特征（gray-level zone size matrix，GLZSM）。

1.3 统计学方法

统计分析采用SPSS 22.0，所有计量资料使用正态性分布检验，符合正态分布的计量资料用均数±标准差（）表示，两组间比较采用两独立样本t检验；
不符合正态分布的计量资料用中位数（四分位数）［M（P25，P75）］表示，两组间比较采用Mann-WhitneyU检验。计数资料以绝对数或百分比表示，组间比较采用卡方检验或连续校正卡方检验，将单因素分析有统计学差异的参数纳入多因素Logistic回归分析，进一步筛选出最佳预测参数并建立预测模型。通过受试者工作特征（receiver operating characteristic，ROC）曲线，得到模型及各参数曲线下面积（area under curve，AUC）、最佳临界值、灵敏度及特异度。以双侧P＜0.05为差异有统计学意义。

2.1 临床和影像学特征

本研究中训练组共66 例PDAC 患者，其中高分化34 例，中-低分化32 例。外部验证组共有34 例PDAC患者，其中高分化21例，中低分化13例。训练组中-低分化PDAC患者血清糖类抗原125（carbohydrate antigen 125，CA125）水平显著高于高分化患者（P=0.001），中-低分化PDAC在静脉期CT图像上肿瘤实质与正常胰腺组织静脉期CT 值的比值（tumor to pancreas ratio at portal venous phase，TPER）明显低于高分化PDAC（P=0.005，表1）。验证组临床及影像特征在高、中低分化组间差异均无统计学意义（P＞0.05，表2）。

表1 训练组高分化和中-低分化PDAC患者临床资料与常规影像特征Table 1 Clinical data and conventional imaging characteristics of patients with highly differentiated or moderately and poorly differentiated pancreatic ductal adenocarcinoma in the training group

表2 验证组高分化和中-低分化PDAC患者临床资料与常规影像特征Table 2 Clinical data and conventional imaging characteristics of patients with highly differentiated or moderately and poorly differentiated pancreatic ductal adenocarcinoma in the training group

2.2 CT 动、静脉期纹理特征的筛选和模型预测效能分析

将选取的纹理特征进行单因素分析，基于动脉期、静脉期分别筛选出5、16 个纹理特征。将上述CT 纹理特征纳入多因素Logistic 回归分析，并分别构建动、静脉期CT 纹理特征模型，结果显示动脉期纹理特征中的运行熵（run entropy）和静脉期纹理特征中的区域百分比（zone percentage）及区域大小不均匀性（size-zone non-uniformity）是预测PDAC 分化程度的最佳影响因素（P值分别为0.024、0.013 和0.016）。在训练组和验证组进行ROC 曲线分析，基于CT 动脉期纹理特征模型在训练组和验证组的AUC、灵敏度及特异度分别为0.716、0.581、0.824 和0.722、0.600、0.765；
基于CT静脉期纹理特征模型在训练组和验证组的AUC、灵敏度及特异度分别为0.895、0.781、0.882 和0.873、0.722、0.929（表3）。绘制训练组及验证组纹理特征模型预测PDAC病理分化程度的ROC曲线（图2）。

表3 CT动、静脉期纹理特征模型预测PDAC分化程度效能Table 3 Efficacy of CT arteriovenous texture model in predicting differentiation degree of pancreatic ductal adenocarcinoma

本研究建立了基于术前CT动、静脉纹理特征预测术后高分化PDAC 及中-低分化PDAC 模型，其中动脉期型的AUC 值为0.716，灵敏度为0.581，特异度为0.824。静脉期模型的AUC 值为0.895，灵敏度为0.781，特异度为0.882。结果表明，对于预期寿命较短的PDAC患者，利用CT纹理分析有助于术前风险分层，进而最大化患者生存期。

血清中CA125最早应用于卵巢癌的诊断，但在消化系统肿瘤（PDAC、结直肠癌、胃癌）患者血清中也均有表达［19］。以往有研究表明，CA125 对于发现早期PDAC 有一定的意义，是一种较好的PDAC 肿瘤标志物［20］。本研究发现中-低分化PDAC CA125水平高于高分化PDAC，差异有统计学意义（P＜0.05），这一发现可能为今后研究PDAC的分化程度提供新的理论依据。

CT 增强检查是PDAC 术前检查最常用的影像学方法，王中秋等［21］评估了32例PDAC 患者的术前增强CT检查，研究结果表明PDAC的分化程度和病灶实质期的CT增强程度呈正比，即PDAC的分化程度越高，其病灶的CT增强程度就越高，PDAC的CT增强程度与病灶内不同成分的比例有关，而病灶的成分比例因肿瘤的分化程度高低而不同。本研究发现中-低分化PDAC 的强化程度明显低于高分化PDAC，但是CT 检查评估结果受限于诊断医师的经验和专业能力，具有一定的主观性，容易产生误差。研究发现PDAC纹理分析技术通过数学方法检测视觉上无法感知的像素强度变化，以反映病变内的异质性和病变之间的细小差异［11］，已被证实在PDAC诊断和预后中具有较高的价值［22］。

本研究最终筛选出3个CT纹理特征，分别为运行熵、区域百分比和区域大小不均匀。运行熵测量运行长度的随机分布程度，其值越高，表示纹理的异质性越高；
区域百分比是通过区域数量和体素数量的比例来量化纹理的粗糙度，该值越高，表明图像的纹理越精细；
区域大小不均匀性测量图像中尺寸区体积的变异性，该值越低，说明图像中不同区域的纹理之间缺少变化、质地均匀。中-低分化PDAC 在动脉期图像上运行熵值明显较高，同时在静脉期图像上区域百分比值明显较低，而在区域大小不均匀性的值明显较高，因此，中-低分化PDAC在CT 图像上像素灰度变化幅度较大、分布规则较乱。孔令重等［23］研究发现肿瘤内异质性的一个重要组成部分是肿瘤血管分布的不规则性。肿瘤血管的畸形、不规则结构导致肿瘤出现囊变、坏死。我们推测中-低分化PDAC 的图像不均匀性与肿瘤内部的囊变坏死有关，也表明中-低分化PDAC异质性较高分化PDAC高，从而也预示着较差的预后。

本研究基于CT 动、静脉期增强图像建立PDAC病理学分化程度预测模型，结果显示静脉期较动脉期预测效能稍高，可能是因为胰腺实质在静脉期与周围正常组织有明显的对比，有助于更准确地勾画ROI。沈力等［24］回顾性分析了49 例PDAC 病例，提取了静脉期灰度直方图特征，发现纹理特征中均值的AUC 值最大（AUC=0.695），具有最佳的诊断效能，灵敏度和特异度分别为0.864 和0.444。本研究建立的预测模型诊断效能又有了很大的提高，可能是因为本研究在灰度直方图纹理特征的基础上加入了灰度共生（gray-level cooccurrence matrix，GLCM）、灰度游程长度（gray-level run length，GLRL）和灰度区域大小（gray-level zone size matrix，GLZSM）纹理特征，同时本研究分别基于动脉期、静脉期图像进行了ROI的勾画，而且测量了整个肿瘤的体积，这样可以减少选择单一层面带来的误差，能够更加全面地反映肿瘤的异质性。此外，本研究在图像的勾画上也有明显的优势，肿瘤的ROI 勾画采用了一种新的深度学习网络系统自动分割方法，这种新的分割方法有助于得到较清晰的分割边界，从而显著提高了影像学特性的稳定性。尽管存在这些差异，但两项研究都支持一个相似的结论，即CT纹理分析是预测PDAC分化程度的一种有前景且无创的方法。

本研究尚存在一些局限性：①纹理分析需要大量的样本，本研究纳入的病例数仍然有限，未来需要收集更多的病例来提高预测效能；
②本研究为回顾性设计，可能会引入选择偏差；
③只考察了纹理学特征用于预测PDAC的病理学分化程度。在未来的研究中，我们应该结合基因组学特征和蛋白质组学等特征，其预测PDAC 分化程度的诊断效能将进一步提高。

综上所述，利用术前CT动静脉期增强图像纹理分析的特征参数建立的预测模型在高、中-低分化PDAC之间存在差异，给术前评估PDAC的恶性程度提供了新的方法。