基于CT影像组学的肿瘤微环境异质性分析在肺腺癌磨玻璃结节浸润性术前鉴别中的多中心研究

《Frontiers in Oncology》：CT-based habitat radiomics for preoperative differentiation of adenocarcinoma in situ/minimally invasive adenocarcinoma from invasive adenocarcinoma manifesting as ground-glass nodules: a multicenter study

本综述创新性地提出基于CT的肿瘤微环境异质性（Habitat）影像组学模型，通过K-means聚类将磨玻璃结节（GGNs）划分为不同生物学特性的亚区域，结合传统影像组学特征和临床因素构建联合列线图模型。研究证实该模型在训练集（AUC=0.928）和外部验证集（AUC=0.897）均显著优于传统模型，为肺腺癌（AIS/MIA与IAC）的术前精准鉴别及个体化治疗决策提供了可靠工具。

　　

引言

肺癌是全球发病率和死亡率最高的恶性肿瘤，其中肺腺癌是最常见的组织学亚型。随着低剂量计算机断层扫描（CT）筛查的普及，磨玻璃结节（GGNs）的检出率显著上升，而GGNs是肺腺癌的常见影像学表现。根据2021年世界卫生组织胸部肿瘤分类，肺腺癌可分为前驱腺体病变（包括不典型腺瘤样增生和原位腺癌[AIS]）、微浸润腺癌（MIA）和浸润性腺癌（IAC）。AIS/MIA患者术后5年无病生存（DFS）率可达100%，而IAC的5年DFS率仅为38%至86%。两者手术治疗策略也存在显著差异：IAC标准术式为肺叶切除，而AIS/MIA更倾向于亚肺叶切除。因此，术前准确区分AIS/MIA与IAC对于制定个体化治疗策略、避免过度治疗或治疗不足至关重要。

常规影像学检查在鉴别GGNs浸润性方面存在局限。尽管结节大小、形态特征和密度与浸润性相关，但这些定性或半定量评估方法主观性强，区分AIS/MIA与IAC的准确性有限。影像组学作为一种新兴的基于人工智能的影像分析技术，能够从医学图像中高效提取高通量特征信息，已在疾病诊断、预后评估和治疗反应监测中展现出重要价值。近年来，基于CT影像组学区分AIS/MIA与IAC的研究取得显著进展，但这些研究通常将整个肿瘤视为单一感兴趣区（ROI）进行特征提取，忽略了肺腺癌GGNs显著的异质性特征。

肿瘤微环境在塑造肿瘤异质性中起关键作用。间质细胞类型的多样性和功能异质性直接塑造了肿瘤内部复杂的环境景观。癌症相关成纤维细胞、肿瘤相关巨噬细胞和血管内皮细胞等间质成分通过分泌不同的生长因子和细胞因子，形成空间异质性的微环境梯度。这种空间微环境异质性进一步促进肿瘤细胞在选择压力下的适应性进化，导致出现不同表型和功能特征的肿瘤细胞亚群，最终形成复杂的瘤内异质性模式。鉴于肿瘤固有的空间复杂性，将肿瘤作为单一均匀实体分析的传统影像组学方法可能难以充分捕捉这些异质组织中存在的全部生物多样性。

为克服此局限并更好反映肿瘤生物学的空间复杂性， habitat影像组学通过将复杂肿瘤分割为不同亚区（称为habitat）来量化瘤内异质性。该方法克服了传统影像组学将肿瘤视为均匀实体的不足，能够更深入分析肿瘤区域间的生物学差异，为个性化治疗策略提供更可靠的影像证据。多项研究表明，habitat影像组学在预测胶质瘤分子标志物、乳腺癌人表皮生长因子受体2（HER2）表达状态和宫颈癌淋巴血管间隙浸润等方面具有良好应用价值。瘤周区域作为肿瘤微环境的组成部分，蕴含与肿瘤分子亚型、侵袭性和淋巴结转移相关的信息，在肿瘤分子分型、预后评估和转移预测中具有重要价值。

本研究旨在开发一种基于CT的habitat影像组学模型，用于区分表现为GGNs的AIS/MIA与IAC。进一步地，我们将habitat模型与瘤内（或瘤周）特征及临床危险因素整合，构建联合列线图模型，为临床医生提供更全面、准确的诊断证据，以优化个体化治疗决策。

材料与方法

患者

本研究为多中心回顾性研究，经烟台山医院和滨州医学院附属医院伦理委员会批准。研究共纳入2020年1月至2024年12月期间在两所中心接受手术切除的630例经病理证实为GGNs的患者。纳入标准包括：术后病理证实为AIS、MIA或IAC；肺窗下测量结节长径<3^?cm；术前两周内行薄层胸部CT检查（层厚<2^?mm）。排除标准包括：CT图像质量差；既往接受放疗、化疗或其他抗肿瘤治疗；合并其他恶性肿瘤；同一肺叶多发GGNs。最终，中心1的522例GGNs按7:3比例随机分为训练集和内部验证集，中心2的108例GGNs作为外部验证集。

图像采集与预处理

两所中心均使用飞利浦医疗系统CT扫描仪。所有患者扫描前接受标准化呼吸训练，采用靶扫描协议获取平扫高分辨率图像。为减少设备间差异并提高影像组学特征的可比性和可重复性，首先使用最近邻插值法将体素间距重采样为1^?mm^?×^?1^?mm^?×^?1^?mm，随后进行强度值的直方图标准化。

ROI分割与瘤周区域生成

由一名初级放射科医生（A）使用ITK-SNAP软件在肺窗设置下手动逐层勾画结节轮廓，获得三维体积感兴趣区（VOI）。结节内大血管和支气管被仔细排除。随后，一名高级放射科医生（B）审核勾画结果，分歧通过协商一致解决。整个过程放射科医生不知晓病理结果。最后，以VOI外表面为参考，应用形态学膨胀算法生成向外扩展1^?mm和2^?mm的瘤周区域，膨胀过程中覆盖的非肺组织（如胸壁、肋骨、心脏）被手动排除。

Habitat生成

为生成肿瘤habitat，从三维VOI内的每个体素提取12个局部特征，随后使用K-means聚类划分habitat区域。评估了2至9个聚类数，根据Calinski-Harabasz评分选择最佳聚类数。最终确定最佳亚区数量为3，分别命名为Habitat^?1、Habitat^?2和Habitat^?3。

特征提取与选择

使用PyRadiomics平台进行多区域影像组学特征提取，区域包括：瘤内区域、瘤周1^?mm区域、瘤周2^?mm区域以及各habitat亚区。特征提取严格遵循影像生物标志物标准化倡议（IBSI）指南，涵盖三大类：一阶统计特征、形状特征和高阶纹理特征。为评估特征提取的一致性，随机选择30例GGNs由两位放射科医生独立勾画ROI计算组内相关系数（ICC），两周后由A医生重复勾画计算组内ICC。ICC均大于0.75的特征被保留。特征值基于训练集均值和标准差进行Z-score标准化。随后进行t检验（p<0.05）保留显著特征，计算皮尔逊相关系数去除高度相关特征（阈值0.9），使用最小冗余最大相关（mRMR）算法筛选前30个特征，最后通过LASSO回归模型结合10折交叉验证确定最优正则化参数λ，选择非零系数特征用于最终预测模型构建。

模型构建

本研究构建了四种基于不同区域的影像组学模型：瘤内（Intra）模型、瘤周1mm（Peri^?1mm）模型、瘤周2mm（Peri^?2mm）模型和Habitat模型。对于临床（Clinic）模型，首先对所有临床和影像变量进行单因素逻辑回归分析（p<0.05），随后进行多因素逻辑回归分析确定IAC的独立危险因素用于建模。模型构建采用了多种机器学习算法。最终，选择在内部验证集AUC最大的算法构建相应模型。为构建联合模型，综合评估了模型性能、互补性和临床适用性，最终将Intra模型、Habitat模型和Clinic模型整合，构建了联合列线图模型。

模型评估

使用受试者工作特征（ROC）曲线指标评估模型性能，包括曲线下面积（AUC）、准确度、灵敏度、特异性、阳性预测值和阴性预测值。采用DeLong检验进行模型间性能差异比较。使用校准曲线和Hosmer-Lemeshow检验评估模型校准能力。应用决策曲线分析（DCA）评估模型在不同风险阈值下的临床净获益。

结果

患者特征

本研究共纳入630例患者，训练集365例，内部验证集157例，外部验证集108例。在所有三个队列中，年龄、长径、短径、CT值、分叶、毛刺、血管改变、形状和类型在AIS/MIA组与IAC组间均存在统计学显著差异。具体而言，IAC组发病年龄更高，长径和短径更大，CT值更高。此外，IAC组分叶、毛刺、血管改变、圆形结节和混合性磨玻璃结节的发生率显著高于AIS/MIA组。

Habitat生成

在生成habitat亚区时，评估了2至9个亚区数量。Calinski-Harabasz评分在亚区数量从2增加到3时升高，随后逐渐降低，表明最佳亚区数量为3。

特征选择与模型构建

从各区域共提取大量特征，经LASSO筛选后，瘤内区域保留15个特征，瘤周1mm区域保留11个特征，瘤周2mm区域保留16个特征，habitat区域保留18个特征用于相应模型构建。临床模型构建中，多因素逻辑回归分析确定长径和CT值为独立危险因素用于建模。基于内部验证集AUC结果，Intra模型、Peri^?1mm模型和Habitat模型采用逻辑回归算法，Peri^?2mm模型采用极限梯度提升（XGBoost）算法，Clinic模型采用随机森林算法。最终整合Intra模型、Habitat模型和Clinic模型构建了联合列线图模型。

模型性能与评价

ROC曲线分析显示，在训练队列中，联合模型诊断性能最优（AUC=0.928），Habitat模型次之（AUC=0.924），均显著优于其他单模型。瘤内模型、瘤周1mm模型和瘤周2mm模型诊断性能相似（AUC范围0.868-0.879），Clinic模型性能最低（AUC=0.807）。在内部验证队列中，模型性能普遍下降，但联合模型（AUC=0.871）和Habitat模型（AUC=0.859）仍保持领先优势。在外部验证队列中，联合模型展现了最佳的泛化能力（AUC=0.897），显著优于所有单模型，Habitat模型（AUC=0.840）为次优模型。DeLong检验证实了这些差异的统计学显著性。

DCA表明，联合模型和Habitat模型在所有三个队列中均表现出较高的临床净获益，尤其在较低阈值概率区间。校准曲线和Hosmer-Lemeshow检验显示，仅联合模型和Habitat模型在所有队列中均保持一致的良好校准能力。

讨论

本研究开发并验证了基于CT的habitat影像组学模型，用于区分表现为GGNs的AIS/MIA与IAC。结果表明，habitat影像组学模型在捕捉瘤内异质性方面具有独特优势，其诊断性能显著优于传统瘤内和瘤周影像组学模型。整合了habitat特征、瘤内特征和临床危险因素的联合列线图模型展现了最优诊断性能，为临床精准诊断和治疗提供了可靠的量化工具。

准确术前病理分级对制定个体化治疗策略至关重要。本研究发现CT值和长径是IAC的独立危险因素，与先前研究一致。肺腺癌通常经历AAH、AIS、MIA到IAC的渐进演变，结节增大往往反映肿瘤细胞增殖活性和侵袭性增强，而CT值升高则与侵袭加深导致的肿瘤细胞密度增加、纤维组织增生和血管生成增加相关。然而，仅基于临床因素的模型诊断性能不足，表明传统影像特征无法满足临床精准诊断需求。

近年来一些研究探索了影像组学在鉴别肺腺癌病理亚型中的应用价值。本研究的瘤内模型性能与先前研究相当，但仍逊于Habitat模型。本研究系统评估了瘤周模型的诊断性能，发现其虽优于临床模型，但显著逊于Habitat模型。这表明尽管瘤周区域包含与肿瘤侵袭性相关的重要信息，但瘤内和瘤周模型将这些区域作为整体分析，未能充分挖掘其内部异质性信息。此外，本研究发现瘤周模型性能不如瘤内模型，可能与本研究仅纳入GGNs及其瘤周微环境变化不如实性结节明显，以及所选瘤周扩展距离较小有关。

传统影像组学将肿瘤视为单一均匀实体进行特征提取，忽略了瘤内异质性。肿瘤是高度异质性的生态系统，包含不同表型和功能特征的细胞亚群。肿瘤微环境的空间变异驱动肿瘤细胞的适应性进化，导致具有不同增殖能力、侵袭性和治疗敏感性的细胞亚群共存。这种异质性在肺腺癌GGNs中尤为明显：肿瘤中心可能已发生浸润，而周边区域仍保持原位或微浸润生长特征。本研究基于12个局部特征使用K-means聚类将GGNs划分为3个habitat亚区，从而更精确地捕捉肿瘤内的空间异质性信息。结果显示Habitat模型的预测性能显著超越其他单模型，与先前研究结论一致。在Habitat模型通过LASSO筛选的18个特征中，重要性最高的两个特征——小波_HLL_glcm_Idn_h2和original_glcm_ClusterTendency_h2——均为源自灰度共生矩阵（GLCM）的纹理特征。Idn特征量化图像纹理的局部同质性，较高值反映更均匀的区域，可能对应侵袭性较低的肿瘤成分；Cluster^?Tendency测量相似灰度值像素的聚集程度，捕捉区分AIS/MIA鳞屑样生长模式和IAC更无序的浸润性生长模式的空间组织 pattern。这些纹理特征在模型中的突出地位与病理观察一致，即IAC相较于AIS/MIA表现出更大的结构复杂性和细胞异质性，在CT影像上表现为更异质的纹理模式。值得注意的是，Habitat模型在所有队列中均表现出稳定的诊断性能，尤其在外部验证中性能下降幅度小于其他单模型，表明habitat特征具有更强的泛化性和鲁棒性。原因可能包括：habitat特征反映了肿瘤微环境异质性，捕捉了肿瘤内复杂的空间分布模式，且这种异质性信息在不同患者群体中保持相对稳定；habitat分析通过聚类方法将肿瘤划分为具有相似表型特征的亚区，这种空间异质性的量化更准确地反映了肿瘤生物学特性，在不同中心间具有更好的可转移性。

整合habitat特征、瘤内特征和临床危险因素的联合列线图模型在所有队列中均展示了最优诊断性能。这种多维信息融合策略的优势包括：不同类型的特征提供互补的诊断信息；列线图格式直观易用；模型在外部验证中保持良好性能，展示了跨中心应用的可行性。DCA显示联合模型在广泛的阈值概率范围内产生临床净获益，尤其在低阈值区间表现优异。这对GGNs管理具有重要意义，早期识别IAC可指导及时手术干预，而准确识别AIS/MIA可避免过度治疗。

本研究存在一定局限性。首先，回顾性研究固有的选择偏倚可能影响结果可靠性，未来需要大样本、多中心前瞻性研究进一步验证。其次，用于评估观察者间和观察者内一致性的样本量相对有限，未来应使用更大样本量进行一致性评估。第三，本研究仅分析了平扫CT图像，未能充分利用多模态功能成像提供的信息。最后，当前habitat生成主要依赖无监督聚类算法，缺乏与病理金标准的直接验证，其准确性需要通过系统的影像-病理对照研究加以证实。

结论

本研究成功构建了基于CT的habitat影像组学诊断模型，实现了对磨玻璃结节肺腺癌浸润性的精准评估。Habitat分析通过捕捉瘤内空间异质性信息，显著提高了诊断准确性。结合临床危险因素的列线图模型在多中心验证中展现出优异性能和临床适用性。这一创新方法为肺腺癌的早期精准诊断提供了新工具，有望改善患者治疗决策和临床结局。