PET/CT影像组学：开启滤泡性淋巴瘤基因表达状态预测之门
当下，医学影像技术持续发展，影像组学概念日益深入。河南中医药大学第一临床医学院高晓贺等探究了18F-FDG PET/CT影像组学在预测滤泡性淋巴瘤患者B细胞淋巴瘤-2(BCL-2)/免疫球蛋白重链(IgH)融合基因表达状态中的价值,他们基于90例患者资料,构建并对比了多种模型(PET组学､CT组学､临床及联合模型)的效能,发现联合模型较其他模型更优,提示基于PET/CT影像组学联合临床特征预测BCL-2/IgH融合基因表达状态有相当的价值｡
研究背景
滤泡性淋巴瘤(follicular lymphoma， FL)是惰性非霍奇金淋巴瘤中最常见的亚型［1］，起源于滤泡生发中心，属于恶性B淋巴细胞增殖性疾病［2-3］。FL在分子水平上具有多种遗传异质性，B细胞淋巴瘤-2(B-cell lymphoma-2, BCL-2)/免疫球蛋白重链(immunoglobulin heavy chain, IgH)融合基因是其重要的遗传异常之一，特征性分子改变为t(14;18)(q32;21)染色体易位［4］。该融合基因在FL中高频率表达［5］，对肿瘤细胞的不受控制增殖和治疗反应具有重要影响。
目前，常采用荧光原位杂交(fluorescence in situ hybridization， FISH)确定BCL-2/IgH的表达状态，但该方法存在假阴性和有创性检查等问题。PET/CT作为功能性、多模态无创的显像方式，能准确反映肿瘤的生物学特性，将PET/CT与影像组学结合，可以提取丰富的特征，量化疾病并提供更准确的分子信息［6］。近年来，PET/CT影像组学已在其他肿瘤特异性分子的突变靶点预测中取得了较好的准确性［7-8］，但在FL的BCL-2/IgH融合基因表达还研究甚少。本研究拟采用PET/CT影像组学方法对FL的BCL-2/IgH融合基因表达的预测价值进行初步探讨。
资料与方法
1.研究对象。回顾性分析河南省肿瘤医院2016年1月至2023年8月接受18 F-FDG PET/CT检查的FL患者90例［男46例、女44例，年龄29~74(48.7±10.5)岁］，均接受BCL-2/IgH基因检测。纳入标准：(1)经病理组织学证实为FL；(2) PET/CT图像上具有可测量的病灶(最大径≥1 cm)；(3)临床资料完整；(4)年龄≥18岁。排除标准：(1)有其他恶性肿瘤病史；(2) PET/CT检查前接受淋巴瘤相关治疗；(3)临床资料不完整，图像质量不清晰；(4)合并有严重心、肝肾功能不全。90例患者中，BCL-2/IgH阴性者35例，阳性者55例，将患者以7∶3随机分为训练集(62例)和验证集(28例)。本研究经河南省肿瘤医院医学伦理委员会批准［批件号：2023-KY-0150-001］。
2.显像方法。所有患者遵循标准的临床方案。采用德国Siemens Biograph Vision型和美国GE Discovery MI型 PET/CT仪进行扫描，范围从颅顶至大腿中部。18F-FDG由北京派特生物技术有限公司提供，放化纯＞95%。显像前禁食4～6 h，血糖<11.1 mmol/L，按照患者体质量注射3.75～5.50 MBq/kg 18F-FDG。注射后安静休息60 min后进行显像。CT扫描参数：PET/CT仪管电压为120～140 kV，自动毫安秒，层厚3.75 mm，层间距3.25 mm，螺距0.8，矩阵为512×512。使用相同的扫描范围进行PET扫描，采集6～7个床位，每个床位采集3 min。采用CT数据对PET图像进行衰减校正。
3.基因融合的检测。本研究采用FISH法检测BCL-2/IgH的表达状态。通过手术切除或穿刺活组织检查获得用于检测BCL-2/IgH的组织学样本。在荧光显微镜下观察细胞核中的荧光信号，如果观察到超过5%以上的细胞核携带融合信号，即发生基因重排，判断为阳性。
4.图像处理、病灶分割与影像组学特征提取。进行图像预处理：PET图像SUV的转换，PET、CT图像的重采样和强度离散化。图像以医学数字成像和通信(digital imaging and communications in medicine, DICOM)格式导入LIFEx软件，使用三维绘图工具在图像横断面上逐层勾画ROI，以41%SUVmax作为优化阈值，通过软件程序自动进行计算和提取特征。最终提取179个影像组学特征，包括99个PET特征和80个CT特征，均符合图像生物标志物标准化倡议(image biomarker standardization initiative, IBSI)所描述的特征定义。
5.特征筛选、模型构建及评估。特征选择在训练集中进行。首先对临床特征进行单因素分析，筛选出差异有统计学意义的特征后进行多因素分析，最终构建临床logistic回归模型。再进行影像组学特征筛选及模型构建，首先使用Wilcoxon秩和检验筛选出差异有统计学意义的特征，然后使用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)和十折交叉验证对特征进一步筛选,并建立影像组学logistic回归模型。最后将临床特征与影像组学特征结合，构建联合模型。采用ROC曲线及AUC评价不同模型在训练集和验证集中的预测性能。
6.统计学处理。采用R软件(4.3.2)进行数据分析。符合正态分布的定量资料以x±s表示，并通过两独立样本t检验分析数据；不符合正态分布的定量资料以M(Q1，Q3)表示，采用Wilcoxon秩和检验分析PET/CT参数在BCL-2/IgH不同表达组之间的分布是否存在差异。定性资料以频数表示，并采用χ2检验比较。AUC的比较采用Delong检验。P<0.05为差异有统计学意义。
结 果
1.患者临床资料(表1)。90例FL患者中，训练集62例(BCL-2/IgH阴性25例，阳性37例)，验证集28例(BCL-2/IgH阴性10例，阳性18例)。训练集中，患者BCL-2/IgH表达状态间病理分级、Ann Arbor分期、最大病灶最大径(maximum diameter of the maximum lesion, Dmax)以及验证集Ann Arbor分期间的差异有统计学意义(χ2值:8.35~9.11,z=-3.90;均P<0.05)，余指标间差异均无统计学意义(t值:-0.88、1.05, z值:-1.28~0.67, χ2值:0.01~9.56;均P>0.05)。
2.临床特征筛选。共收集19个相关的临床特征。临床资料单因素分析结果见表2。进一步多因素分析显示，病理分级、Dmax与FL患者BCL-2/IgH表达状态有关［比值比(odds ratio, OR; 95% CI): 0.201(0.052～0.699)，1.033(1.009～1.065),P值:0.014和0.017］。
3.影像组学特征选择。在训练集中，筛选出24个CT候选组学特征和7个PET候选组学特征，最终选中贡献最大的6个特征(3个CT组学特征和3个PET组学特征)作为构建影像组学模型的最佳子集。最终选择的CT组学特征分别为强度直方图范围(IntensityHistogramRange，IBSI:5Z3W)、强度方差(IntensityVariance，IBSI:ECT3)、强度峰度(IntensityKurtosis，IBSI:IPH6)；PET组学特征分别为表面积(SurfaceArea，IBSI:C0JK)、 球形度(Sphericity，IBSI:QCFX)、非球面性(Asphericity，IBSI:25C7)。除ECT3为一阶特征外，其余均为形态特征。
4.模型的构建及评估。利用筛选出的临床特征、PET组学特征、CT组学特征分别构建临床模型、PET组学模型、CT组学模型。3种模型在训练集中的AUC分别为0.84、0.80、0.80，在验证集中的AUC分别为0.55、0.61、0.66。3种模型在训练集和验证集中的ROC曲线见图1。Delong检验结果显示，在训练集中，临床模型与CT组学模型(z=-0.57，P=0.567)、临床模型与PET组学模型(z=-0.57，P=0.566)、PET组学模型与CT组学模型(z=-0.14，P=0.887)；在验证集中，临床模型与CT组学模型(z=0.90，P=0.367)、临床模型与PET组学模型(z=0.26，P=0.798)、PET组学模型与CT组学模型(z=0.25，P=0.801)的AUC差异均无统计学意义。
5.联合模型及性能评估。将临床特征、CT组学特征、PET组学特征结合，构建临床和影像组学的联合模型。该模型在训练集和验证集中的AUC分别为0.91和0.71。联合模型在训练集中的准确性、灵敏度、特异性、F1分数(精确率和召回率的调和平均数)均最佳，分别为0.82、0.84、0.80、0.82；其在验证集中的准确性、灵敏度亦最佳，分别为0.64、0.78，临床、PET组学、CT组学、联合模型的特异性分别为0.50、 0.20、0.46、0.40，F1分数分别为0.58、0.56、0.57、0.53。Delong检验示，在训练集、验证集中，联合模型AUC有高于以上3种模型的趋势(z值：0.50~1.71，P值：0.087~0.620)。联合模型在训练集和验证集中的ROC曲线见图2。
讨 论
BCL-2/IgH的异常表达与FL的发病和进展密切相关［9］，促进FL细胞的存活和增殖，有助于肿瘤的发展和持续，因此，对BCL-2/IgH表达状态的检测尤为重要。本研究采用PET/CT影像组学对预测BCL-2/IgH表达状态进行了初步探讨，结果显示：联合模型在预测FL患者BCL-2/IgH融合基因表达状态中具有较好的预测效能，该模型结果也在验证集中得到了验证，表明该模型具有一定的可靠性和重复性。
本研究使用多种特征选择方法，以保证特征选择的稳定性，最终选出了3个CT组学特征和3个PET组学特征。3个CT组学特征均与强度有关，反映肿瘤内不同区域的强度变化［10］。3个PET组学特征均为形态特征［11］，可帮助了解肿瘤的形态学特性。以上组学特征对图像进行分析，提取了与肿瘤组织学、异质性和内部结构相关的信息，有助于评估肿瘤的形态学特点、生物学行为以及可能对临床结果产生的影响［12］。需注意的是，在本研究中未证实PET/CT常规代谢参数［SUVmax、肿瘤代谢体积(metabolic tumor volume, MTV)、病灶糖酵解总量等］与BCL-2/IgH基因表达的关系，这可能因为SUV为半定量分析参数，测量易受多种因素影响［13］，如检测时间、血糖水平等；MTV的测量方法多种多样［14］，且目前尚无统一标准，因此，测量结果可能不统一；同时，作为常规代谢参数，不能充分反映疾病内部异质性方面的信息。后期会通过继续增加样本量及多中心的合作进行该方面的深入研究。
本研究发现，病理分级和Dmax与预测FL患者BCL-2/IgH表达状态有关。高级别的FL通常预后较差且疾病进展较迅速［15］，对常规治疗方案的反应较差。Ⅲ级及以上FL具有明显的侵袭性［16］，临床预后欠佳。Dmax与肿瘤的扩散有关［17］。存在较大病灶的患者扩散程度较大，肿瘤负荷重且治疗难度大，易发生进展［18］。本研究对临床特征分析中，尚未发现C反应蛋白、淋巴细胞/单核细胞比值(lymphocyte to monocyte ratio， LMR)、中性粒细胞/淋巴细胞比值(neutrophil to lymphocyte ratio， NLR)等与该融合基因表达有关，可能由于患者个体差异、检测时间、肿瘤微环境等多种因素的影响。
本研究共构建了4种模型，尽管一些模型在验证集中的AUC较低，但其仍具有一定的预测价值。由临床特征和组学特征构成的联合模型，在训练集和验证集中都表现出更高的性能(AUC分别为0.91和0.71)，在预测基因表达状态方面相较于单一模型更具优势。先前的研究多集中肺癌表皮生长因子受体(epidermal growth factor receptor, EGFR)、程序性细胞死亡蛋白配体1(programmed death-ligand 1, PD-L1)、胃癌人表皮生长因子受体2(human epidermal growth factor receptor 2, HER2)等基因表达状态的预测［19-20］，研究结果均表明，PET/CT影像组学特征预测基因表达有一定的价值，但联合模型仍表现出更高的预测性能。
通过PET/CT影像组学特征预测FL患者BCL-2/IgH基因表达状态的研究尚少，虽然本研究尝试利用PET/CT影像组学研究此方向，但也需要注意当前文献中缺乏类似研究。本研究的局限性：(1)回顾性研究，可能存在选择上的偏倚，需更严格的研究设计来减少偏倚的影响；(2)单中心研究且样本量较小，未来需进行大样本和多中心研究以加强预测模型的稳定性；(3)纳入的患者并非在同一台机器进行检查。不同设备之间可能存在差异。未来将通过多中心合作、统一的采集参数和分析标准来提高研究结果的一致性和可靠性。
总之，基于18F-FDG PET/CT影像组学特征和临床特征构建的联合模型在预测FL患者的BCL-2/IgH基因表达中有一定的价值，有利于临床医师准确了解患者的病情、制定个体化的精准治疗方案。
END
封面图来源于网络，如有侵权请联系删除
zhang
核医学微信公共平台
主办：中华医学会核医学分会
科普与信息传媒工作委员会信息传媒组
目前 54000+人已关注加入我们
2024年第237期|总第1492期
编 辑 ：代 薇
责 编 ：余 飞
主 审 ：丁 虹
中华医学会核医学分会
科普与信息传媒工作委员会信息传媒组
组 长：丁 虹
副组长：余 飞、李春林、黄青清、林端瑜返回搜狐，查看更多
责任编辑：