許新顏，陳佳艷，黃 律，王佳舟，劉 笛，文鈞淼，曹劍釗，樊 旼

復旦大學附屬腫瘤醫(yī)院放療科，復旦大學上海醫(yī)學院腫瘤學系，上海 200032

肺癌是世界范圍內(nèi)很常見且死亡率極高的惡性腫瘤之一［1］。在肺癌的所有病理學類型中，非小細胞肺癌（non-small cell lung cancer，NSCLC）占85%。30%～43%的NSCLC患者在疾病進展時有腦轉(zhuǎn)移，而肺腺癌（最常見的NSCLC亞型）患者中腦轉(zhuǎn)移比例高達50%［2］。NSCLC患者一旦出現(xiàn)腦轉(zhuǎn)移，自然中位無進展生存期（progression-free survival，PFS）僅1～2個月，1年生存率低至10%～20%［3］。晚期肺腺癌患者的標準治療已經(jīng)進入了針對各種驅(qū)動基因突變的靶向治療時代，這其中間變性淋巴瘤激酶（anaplastic lymphoma kinase，ALK）突變是除表皮生長因子受體（epidermal growth factor receptor，EGFR）突變外重要的驅(qū)動基因突變之一。約3～5%的NSCLC具有棘皮動物微管相關(guān)類蛋白4（echinoderm microtubule-associated proteinlike 4，EML4）基因與ALK基因的重排（EML4-ALK基因重排，簡稱ALK陽性）［4］。臨床中發(fā)現(xiàn)ALK陽性NSCLC患者的腦轉(zhuǎn)移發(fā)生概率為20%～35%［5-6］。對于接受靶向藥物——酪氨酸激酶抑制劑（tyrosine kinase inhibitor，TKI）治療的患者（如克唑替尼），腦部也是患者產(chǎn)生TKI獲得性耐藥時的主要轉(zhuǎn)移部位之一（約占60%）［5］。因此，腦轉(zhuǎn)移情況對于患者的總體預后評價和針對驅(qū)動基因突變治療的療效評估具有重要意義。

“組學”這一概念闡述了從腫瘤中提取高通量信息的理念。腫瘤表現(xiàn)出的遺傳多樣性被歸類入基因組學［7］，這其中肺癌的驅(qū)動基因狀態(tài)，例如上述EML4-ALK重排是從微觀分子層面體現(xiàn)腫瘤異質(zhì)性。近年來研究越來越多的“影像”組學則是從圖像中高通量提取定量特征以便從宏觀角度描述腫瘤表型和異質(zhì)性［8］。自從Lambin等［8］在2012年提出影像組學這一概念以來，關(guān)于影像組學的研究和應用發(fā)展迅速，特別是在肺癌領(lǐng)域［9］。

隨著對“組學”領(lǐng)域交叉研究的開展和深入，腫瘤基因組學（如EML4-ALK基因重排）和影像組學有希望結(jié)合并與臨床結(jié)果相關(guān)聯(lián)。Yoon等［10］發(fā)現(xiàn)一種影像組學方法可用于區(qū)分肺腺癌中ALK、C-ros原癌基因1受體酪氨酸激酶（C-rosoncogene 1 receptor tyrosine kinase，ROS1）和轉(zhuǎn)染期間重排（rearranged during transfection，RET）原癌基因融合的不同腫瘤表型。Lohmann等［11］發(fā)現(xiàn)圖像紋理分析可以區(qū)分放射性腦損傷和復發(fā)性腦轉(zhuǎn)移。以上結(jié)果提示影像組學可能與患者ALK驅(qū)動基因狀態(tài)及腦轉(zhuǎn)移情況相關(guān)聯(lián)。

有鑒于此，本研究希望利用影像組學方法對ALK陽性NSCLC患者的早期腦轉(zhuǎn)移情況進行預測，以期為此類患者建立風險預測模型并指導個體化治療。

1 資料和方法

1.1 研究對象

本研究回顧性收集2014年6月—2017年9月在復旦大學附屬腫瘤醫(yī)院經(jīng)病理學檢查證實的ALK陽性NSCLC患者。入選患者符合以下條件：①經(jīng)第7版美國癌癥聯(lián)合會（American Joint Committee on Cancer，AJCC）癌癥分期手冊（2010）分期為Ⅲ和Ⅳ期；②經(jīng)免疫組織化學檢測和熒光原位雜交（fluorescencein situhybridization，F(xiàn)ISH）檢測為ALK陽性的NSCLC；③患者在復旦大學附屬腫瘤醫(yī)院進行了治療前胸部CT檢查。

1.2 基本信息采集

記錄患者基線特征（如腫瘤類型、分期等），本研究使用的常規(guī)臨床預后因素包括年齡、性別、吸煙史、T分期、N分期和顱外轉(zhuǎn)移情況。

1.3 CT采集和靶區(qū)勾畫

患者在初次治療開始前1個月內(nèi)進行胸部CT掃描，根據(jù)復旦大學附屬腫瘤醫(yī)院應用的標準CT掃描方案，采用德國Siemens公司64排Siemens Somatom Sensation MSCT掃描儀。CT掃描參數(shù)如下：管電壓，120 kV；自動管電流調(diào)制，200 mAs；矩陣，512×512；層數(shù)：330層。掃描范圍從肺尖到肺底，包括兩側(cè)腋窩。對于部分進行增強CT掃描的患者，經(jīng)肘前淺靜脈高壓注射器團注碘佛醇（320 mg/mL），劑量1.5 mL/kg，速率2.5 mL/s，總量不超過100 mL。注射對比劑后分別于25和45 s行動脈期、靜脈期掃描。通過標準算法（Standard）進行1 mm薄層和多平面重建進行原始數(shù)據(jù)的重建（圖1）。

將所有圖像導入MIM系統(tǒng)（version 6.6，美國MIM公司），由兩位有10年以上胸部放療經(jīng)驗的放療科醫(yī)師使用區(qū)域增長法完成腫瘤感興趣區(qū)（region of interest，ROI）的有效分割。為更好地區(qū)分腫塊和周圍以及內(nèi)部其他非腫瘤結(jié)構(gòu)，每例患者勾畫過程中結(jié)合PET/CT以及外院增強CT在患者CT上進行腫塊勾畫，對于部分有復旦大學附屬腫瘤醫(yī)院增強CT圖像的患者，直接在增強CT上勾畫腫塊。為避免對影像組學特征分析的影響，腫塊的勾畫不包括氣管、血管等（圖2）。

圖1 研究流程圖Fig.1 Study flowchart

圖2 ROI分割示意圖Fig.2 Segmentation of ROI

1.4 影像組學特征的提取和穩(wěn)定性評估

本研究中，我們在患者的CT圖像上進行了基于MATLAB 2015b（美國Mathworks公司）的內(nèi)部特征提取?？偣蔡崛×薈T中的203個特征，這些特征可以分為七類：①Wavelet Gray Level Co-occurrence Matrix-based特征；②Wavelet Gray Level Run-length Matrix-based特征；③Wavelet Histogram-based特征；④Gray Level Cooccurrence Matrix-based特征；⑤Gray Level Runlength Matrix-based特征；⑥Geometry特征；⑦Histogram特征。

關(guān)于RIDER NSCLC數(shù)據(jù)集，本研究使用Aerts等［12］和Zhao等［13］提供的方法，使用RIDER test-retest來確定兩次間隔CT掃描之間最穩(wěn)定的特征［14］。為選擇出最優(yōu)特征子集用于后續(xù)的模型構(gòu)建，需要挑選出可重復性強、穩(wěn)定、與分類結(jié)果相關(guān)度大、相互之間冗余度小的優(yōu)質(zhì)子集。我們采用test-retest的方法，組內(nèi)相關(guān)系數(shù)（intra-class correlation coefficient，ICC）大于0.8的特征將被保留下來。

1.5 影像組學特征的選取

所有患者被隨機分為訓練集和驗證集（4∶1）。在訓練集上執(zhí)行最小絕對收縮和選擇運算符（least absolute shrinkage and selection operator，LASSO）COX回歸（嶺回歸）和leaveone-out cross-validation進行特征的篩選和特征子集的交叉驗證，數(shù)據(jù)已進行標準化處理。高度相關(guān)的特征會被過濾掉以消除冗余，留下最經(jīng)常被選中且P＜0.05的特征。這樣確定下來的特征將會被用于構(gòu)建最終的預測模型。

1.6 用于預測ALK陽性NSCLC患者治療前腦轉(zhuǎn)移的影像組學特征

在訓練集中利用logistic回歸分析影像組學特征及其他常規(guī)臨床預后因素與患者治療前腦轉(zhuǎn)移的關(guān)系，并在驗證集中進行驗證。描繪受試者工作特征（receiver operating characteristic，ROC）曲線并計算曲線下面積（area under curve，AUC）以評估模型效能（AUC＞0.5的模型視為有意義，越接近1預測效能越高）。

1.7 統(tǒng)計學處理

Test-retest用于確定穩(wěn)定的影像組學特征，Ridge-LASSO COX回歸和leave-one-out crossvalidation用于減少冗雜參數(shù)。利用單因素和多因素logistic回歸分析各因素和治療前腦轉(zhuǎn)移的關(guān)系，模型效能通過AUC進行描述。不同ROC曲線之間的比較采用Delong檢驗。

所有統(tǒng)計分析均在R平臺實現(xiàn)（version 3.3.2；www.r-project.org），LASSO回歸利用“Glmnet”包實現(xiàn)，ROC曲線的生成及比較利用“pROC”包實現(xiàn)。P＜0.05為差異有統(tǒng)計學意義。

2 結(jié)果

2.1 患者一般情況

本研究共納入132例經(jīng)病理學確診的ALK陽性NSCLC患者，其中Ⅲ期患者57例，Ⅳ期患者75例；共有27例患者在治療前即有腦轉(zhuǎn)移。中位隨訪時間為11.8個月（范圍：0.1～65.2個月）。所有患者被隨機分為兩組：訓練集（N=106）和驗證集（N=26）。兩組患者均尚未達到中位生存時間（NA）。105例治療前無腦轉(zhuǎn)移的患者中后續(xù)有16例發(fā)生了腦轉(zhuǎn)移，其中12例患者治療前cTNM分期為Ⅲ期，4例患者治療前cTNM分期為Ⅳ期（有顱外其他部位轉(zhuǎn)移）。表1提供了詳細的基線信息。

2.2 Test-retest和影像組學特征的確定

在RIDER數(shù)據(jù)集的所有203個特征中，我們確定了132個特征（65%）的ICC大于0.9，提示高穩(wěn)定性。隨后，我們將132個特征納入LASSO回歸分析以確定合適的影像組學特征用于建模。結(jié)果表明只有一個特征符合標準：W_GLCM_LH_Correlation。

2.3 利用影像組學特征預測患者治療前腦轉(zhuǎn)移

在訓練集中沒有發(fā)現(xiàn)與治療前腦轉(zhuǎn)移有明顯相關(guān)性的常規(guī)臨床特征（P均＞0.05），而影像組學特征（W_GLCM_LH_Correlation）與治療前是否發(fā)生腦轉(zhuǎn)移顯著相關(guān)（P=0.014）。單因素logistic回歸的詳細結(jié)果如表1所示。該影像組學特征預測患者治療前腦轉(zhuǎn)移發(fā)生情況的logistic回歸模型可表述為:

logit（P）=0.819-5.696*W_GLCM_LH_Correlation

在訓練集中，AUC為0.687（95% CI：0.551～0.824；特異度為83.5%；靈敏度為57.1%）。該模型在驗證集中預測性能也尚可，AUC=0.642（95% CI：0.501～0.783；特異度為60.0%；靈敏度為83.3%）（圖3）。盡管N分期本身對腦轉(zhuǎn)移沒有顯著預測價值，但將N分期和影像組學特征相結(jié)合一定程度上能提高模型的預測能力：訓練集AUC=0.697（95% CI：0.562～0.832；特異度為84.7%；靈敏度=57.1%），驗證集AUC=0.675（95% CI：0.536～0.814；特異度為65.0%；靈敏度=83.3%）（圖3）。由于兩種預測模型的差異應在構(gòu)建模型時體現(xiàn)，故比較了訓練集中單用影像組學特征和結(jié)合影像組學特征+N分期進行腦轉(zhuǎn)移預測的ROC曲線，并通過Delong檢驗進行差異的顯著性檢驗。結(jié)果顯示兩者的AUC差值=0.01，Z統(tǒng)計量=1.695，P=0.09，傾向陽性（圖4）。由于本研究的樣本量較小，P雖小于0.10，但尚未達到0.05的顯著性水平。若擴大樣本量，該差異可能更加顯著。

表1 患者基線情況及詳細信息Tab.1 Patients’characteristics and detailed information

圖3 影像組學特征（A）及影像組學特征結(jié)合N分期（B）預測ALK陽性NSCLC患者治療前腦轉(zhuǎn)移的ROC曲線Fig.3 ROC curves of radiomics feature(A)and radiomics feature+N stage(B)in predicting pretreatment brain metastasis for ALKpositive NSCLC patients

圖4 單獨利用影像組學特征進行腦轉(zhuǎn)移預測和利用影像組學特征+N分期進行腦轉(zhuǎn)移預測的ROC曲線比較（訓練集）Fig.4 Comparison between ROC curves of radiomics feature and radiomics feature+N stage in predicting pretreatment brain metastasis(in train set)

3 討 論

臨床上大多數(shù)肺癌患者在診斷時已經(jīng)是局部晚期（Ⅲ期）或晚期（Ⅳ期），這部分患者的總體治療效果不佳，其中一個重要原因可能是忽視了腫瘤的異質(zhì)性。因此，采用各種手段和方法根據(jù)不同驅(qū)動基因狀態(tài)和肺癌表型評估腫瘤侵襲和復發(fā)風險，將是客觀、全面地了解腫瘤異質(zhì)性從而實施個體化治療的關(guān)鍵。

在微觀層面，基于組織、細胞和基因水平的特征分析是用于區(qū)分腫瘤異質(zhì)性的常見手段。在肺癌驅(qū)動基因方面，約5%的NSCLC患者存在EML4-ALK基因重排，其對應的靶向藥物克唑替尼能顯著延長患者PFS［15］。然而，即使在已接受靶向治療的患者中，腦轉(zhuǎn)移和腦部原有病灶進展仍然較為常見［16］。因此迫切需要為ALK陽性的NSCLC患者探索出早期預測腦轉(zhuǎn)移發(fā)生的有效方法。盡管有越來越多的研究在尋求建立ALK陽性NSCLC患者的特異性預測和預后模型，但目前對于這類患者腦轉(zhuǎn)移情況的預測方面尚未有大量報道。因此，我們的研究具有重要的現(xiàn)實意義。

在宏觀層面，近年來已有大量研究關(guān)注影像組學與各種類型腫瘤的淋巴結(jié)轉(zhuǎn)移之間的關(guān)系［17-19］，其中也包括肺癌［18］。腦轉(zhuǎn)移方面，Lohmann等［11］發(fā)現(xiàn)，基于腦部圖像的紋理特征分析可能有助于鑒別腦轉(zhuǎn)移復發(fā)與放射性腦損傷。然而，迄今為止，很少有關(guān)于利用胸部CT圖像的影像組學特征預測ALK陽性NSCLC患者腦轉(zhuǎn)移的研究，因此我們的研究具有原創(chuàng)性。

在本研究中，我們分析了從ALK陽性的Ⅲ/Ⅳ期NSCLC患者的治療前胸部CT圖像中提取的203個特征中的132個影像組學特征，最終確定了一個影像組學特征（W_GLCM_LH_Correlation）與治療前腦轉(zhuǎn)移顯著相關(guān)。關(guān)于公認的臨床預后因素，如吸煙史等［20］，本研究中尚未發(fā)現(xiàn)其與腦轉(zhuǎn)移的強相關(guān)性，這一方面可能源于樣本量有限，另一方面也提示ALK陽性的NSCLC可能是NSCLC中一種獨特的亞型，常規(guī)預后因素可能不足以解釋其腫瘤生物學行為。因此為這類特定患者開發(fā)獨特的腦轉(zhuǎn)移預測方法是非常緊迫和有意義的。有趣的是，盡管N分期本身的預測能力很弱，但其加入有可能進一步提高影像組學特征預測腦轉(zhuǎn)移的能力，這提示影像組學特征的預測能力仍有改進空間，而在這方面，常規(guī)臨床特征可能是有效的補充。盡管本研究中兩種預測模型的差異尚未達到0.05的顯著性水平（P=0.09），但擴大樣本量后這一趨勢可能會進一步放大。

灰度共生矩陣（gray level co-occurrence matrix，GLCM）是一種紋理特征，其描述了圖像中灰度組合的值、距離和角度［21］。本研究發(fā)現(xiàn)的與ALK陽性NSCLC患者治療前腦轉(zhuǎn)移情況顯著相關(guān)的特征W_GLCM_LH_Correlation是一種基于小波變換的GLCM特征。所有影像組學特征中紋理特征是已知的衡量腫瘤異質(zhì)性并與肺癌預后最密切相關(guān)的特征，而小波特征是強度和紋理特征的濾波器變換結(jié)果?；诩y理和小波的特征已在肺癌的預測和預后方面有了廣泛研究［9］。診斷方面，許多研究成功開發(fā)了紋理和小波特征用于區(qū)分NSCLC與其他良性肺部病變［22］。分子分型方面，有研究發(fā)現(xiàn)基于紋理分析和小波變換的影像組學方法可以作為肺癌中EGFR、Kirsten大鼠肉瘤病毒癌基因（Kirsten rat sarcoma viral oncogene，KRAS）、ALK及ROS1基因突變的預測標志物［10，23］。既往研究也證實影像組學特征可以預測肺癌局部復發(fā)或遠處轉(zhuǎn)移。Coroller等［20］構(gòu)建了具有635個特征的影像組學模型，發(fā)現(xiàn)其中35個特征可以預測遠處轉(zhuǎn)移，主要包括兩類：小波特征Wavelet HHL-Skewness和紋理特征GLCM-Cluster shade。影像組學特征，尤其是和臨床特征相結(jié)合以后，其預測能力遠高于常規(guī)腫瘤體積的預測能力。本研究在上述研究的基礎(chǔ)上進一步證實基于小波變換的紋理特征可用于預測具有特定驅(qū)動基因突變（ALK陽性）的肺癌患者的早期腦轉(zhuǎn)移情況，而加入臨床N分期有可能在一定程度上提高其預測能力，該特征類型和研究結(jié)論也和前述研究相符。

這項研究有一定局限性?？紤]到肺癌中EML4-ALK重排的低發(fā)生率，且部分患者在至本院診療前已在外院進行過治療，因此本研究的樣本量有限，以上結(jié)果需要擴大樣本量進行進一步驗證。此外，有必要納入具有其他驅(qū)動基因（例如EGFR、ROS1和KRAS等）突變的NSCLC患者，以探索本研究中發(fā)現(xiàn)的影像組學特征的普遍適用性。最后，本研究是基于胸部CT圖像進行的，所發(fā)現(xiàn)的影像組學特征對腦轉(zhuǎn)移的預測價值需要在其他臨床圖像中進一步驗證（如PET/CT等）。