1. 引言
前纵隔小结节，指发生于前纵隔的直径小于3 cm的软组织密度占位性病变 [1] ，其既有可能是胸腺上皮源性肿瘤(Thymic Epithelial Tumors, TET)等恶性病变，也有可能是囊肿等良性病变。近年来胸部CT筛查的普及使得前纵隔小结节的检出率进一步提高 [2] ，但对于其处理方法还存在不小争议。《外科学(第8版)》对于纵隔肿瘤的治疗中建议，由于其存在增大后压迫周围器官和大血管的可能，故无论纵隔肿瘤良恶性，发现后均应手术治疗 [3] ，这类治疗方案使得针对胸腺及周围组织的非治疗性手术占比达27.8%~43.8% [4] [5] 。根据一项基于多中心国际影像数据库的研究发现，良性囊肿是我国最常见的纵隔肿物 [6] ，而大部分纵隔囊肿在定期随访过程中保持稳定 [7] ，所以对于前纵隔小囊肿，或许可以给予随访观察而不是手术治疗，这就对术前诊断提出了更高的要求。胸部对比增强CT (Contrast-Enhanced Computed Tomography, CECT)作为纵隔占位最常用的检查之一，对于TET有较高的敏感性 [8] [9] ，但对于分辨囊肿与TET，尤其是直径较小的前纵隔小结节时存在一定的误诊率，且结果完全依赖于放射科医生的主观判断。影像组学作为一种新型的研究方法，在胸部肿瘤诊断中已有广泛应用 [10] [11] ，但用于区分前纵隔小结节病理性质的研究鲜有报道。本研究目的是通过前纵隔小结节患者临床特征及术前胸部增强CT的影像组学特征建立诊断模型，辅助预测前纵隔小结节的病理性质，以指导治疗方法。
2. 资料与方法
2.1. 临床资料
本研究为回顾性研究，选取2019年1月至2022年12月在青岛大学附属医院因纵隔肿物行纵隔病损切除术的患者。本研究将前纵隔小结节定义为出现于前纵隔区域的直径 ≤ 3 cm的软组织密度占位性病变 [1] 。纳入标准：① 术前检查证实存在前纵隔小结节；② 病灶经手术切除并获得完整病理标本；③ 临床信息及手术记录齐全。排除标准：① 术前CECT影像学资料不全或质量不佳；② 既往接受过穿刺活检或新辅助治疗；③ 病理结果非TET或囊肿性病变。经过筛选后的患者根据术后病理性质分为TET (包括胸腺瘤、胸腺癌及胸腺神经内分泌肿瘤)和囊肿性病变两组。并按照7:3的比例将患者随机分配到训练集和测试集，患者筛选过程见图1。本研究经过青岛大学附属医院伦理委员会批准(编号：QYFY WZLL 28532)。
2.2. 方法
2.2.1. 图像采集
所有筛选入组的患者均以DICOM格式获取术前3周内的动静脉期胸部增强CT。CT图像使用SOMATOM (西门子医疗系统，德国)或Brilliance iCT 256 (飞利浦医疗保健，荷兰)扫描仪。CT扫描项目依据我国常规胸部增强CT扫描技术规范。扫描参数如下：管电压120 kVp；探测器准直64 mm × 0.6 mm和128 mm × 0.625 mm；像素大小512 px × 512 px；重建层厚为1 mm。采用高压注射器经肘前静脉以3.0~3.5 mL/s的速度注入1.0 mL/kg对比剂(碘海醇注射液，300 mg/mL，北京北路制药有限公司)，随后进行生理盐水冲洗(20 mL)，获取增强CT图像。所有患者于注射对比剂25 s、75 s后进行动脉期和静脉期扫描。
2.2.2. 临床信息及影像学特征评估
临床及影像学形态特征包括年龄、性别、随访时间、症状、吸烟史、手术方式、术后病理诊断。根据既往研究，纳入的影像学特征包括肿瘤轴位最大直径，结节强化状态(本研究将动脉期与静脉期病灶平均CT值差值大于10 Hu定义为强化，否则为无强化)，结节边界(清晰/模糊)，结节形状(平滑/分叶或不规则)，结节实性部分密度(均匀/不均匀)，结节内钙化(有/无)。以上影像学特征由两位具有5年(医生A)和8年(医生B)以上经验的放射科医生分别于纵隔窗对每个结节进行评估，当出现分歧时由第三位(医生C) 30年以上经验的放射科医师进行判定，三人均对临床及病理信息不知情。
2.2.3. 图像分割及影像组学特征提取
首先对所有CECT图像进行预处理，重采样为1.0 × 1.0 × 1.0 mm3层厚，并对图像灰度进行标准化。由两名胸部肿瘤诊断经验为5年与8年的医师使用开源软件(3Dslicer4.11)在CT图像纵隔窗上分别沿病灶边缘勾画病灶，并融合成三维容积感兴趣区(Volume of Interest, VOI)，其中8年经验的医师勾画两次。影像组学特征组内和组间相关系数(inter- and Intra-Classcorrelation Coefficients, ICCs) [12] 用于评估观察者自身的和观察者间的可重复性。ICCs > 0.8的特征被认为一致性好，并且用于后续的特征筛选与模型建立。影像组学特征提取使用FAE软件(version 0.5.8; https://github.com/salan668/FAE)实现，它是一个基于Pyradiomics软件包的开源软件 [13] [14] 。通过原始特征加高斯变换及小波变换2种滤波器来提取特征。对于原始特征和每种滤波器，计算了7个类别的特征，包括一阶图像强度统计量、形状、灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵、邻域灰度差矩阵、灰度相关矩阵。
2.2.4. 影像组学特征筛选和Rad-Score建立
ICCs > 0.8的特征用于筛选，首先对所有特征进行标准化。采用2种算子依次选择特征，第一步应用最小冗余最大相关(Minimum Redundancy Maximum Relevance, mRMR)算法获得与分类相关性最大但彼此之间相关性最小的30个特征。为了减少过拟合和简化模型，第二步通过五折交叉验证方法使用最小绝对收缩和选择算子(Leastabsolute Shrinkage And Selection Operator, LASSO)对剩余特征进一步筛选，剩余特征将被纳入Rad-score构建。每例患者的Rad-score是通过最终特征和相应的LASSO系数的线性结合计算出来的。
2.3. 建模与统计学处理
采用SPSS 25.0、Python 3.7.6及R 4.1.0软件进行统计。采用单因素Logistic回归分析以确定能够鉴别两组的潜在临床与影像学特征，对单因素分析P < 0.1的特征应用多因素Logistic回归分析，P < 0.05作为可以鉴别TET与囊肿性病变的独立预测因素。以具有统计学差异的临床、影像形态学特征和Rad-score作为输入变量，运用多元Logistic回归分析建立列线图。通过受试者工作特征(receiver Operating Characteristic, ROC)曲线及其曲线下面积(Area under the Receiver Operating Characteristic, AUC)评估列线图在训练集和测试集中的诊断性能，使用1000次迭代的bootstrap方法获得指标的95%置信区间。绘制校准曲线评估模型的拟合优度，以评估模型是否足够稳健。通过使用决策曲线分析(Decision Curve Analysis, DCA)评估模型临床应用价值。P值 < 0.05为差异有统计学意义。
3. 结果
3.1. 人口统计学和临床病理特征
共筛查768例患者，其中270例存在前纵隔小结节病灶，其中155例囊肿性病变，89例TET，26例其他病变。TET与囊肿性病变在前纵隔小结节中占比超过90%。前纵隔小结节的病理类型与数量分布见表1。
Table 1. Summary of pathological characteristics for SAMNs
表1. 前纵隔小结节病理类型表
共244例TET与囊肿性病变纳入模型构建，其中男性120例，女性124例，中位年龄52岁，中位病灶直径22 mm。多数患者没有症状(79.1%)且大多(74.6%)在发现病变的6个月以内接受了手术治疗，绝大多数患者(95.9%)接受了胸腔镜手术。表2总结了训练集与测试集患者的基线临床与影像形态特征。
Table 2. Clinical and radiologic features of the patients
表2. 患者临床及影像学特征
*指首次发现前纵隔小结节至手术时间。
3.2. 影像组学特征筛选与影像组学评分构建
从动脉期与静脉期图像中共提取特征1890个，其中41% (775个)的特征ICCs > 0.8用于后续特征筛选，使用mRMR算法筛选出30个特征，LASSO对于者0个特征进一步筛选，最终剩余15个特征纳入模型构建。LASSO选择过程如图2所示，最终特征权重及热图如图3所示。
(a)
(b)
Figure 2. LASSO feature selection process. (a) The change of partial likelihood deviance with responding to the change of lambda in the cross-validation process, the red line showed the optimal lambda in the LASSO metho; (b) The corresponding number of features at optimal lambda
图2. LASSO特征选择过程。(a) 在交叉验证过程中，部分似然偏差随lambda的变化而变化，红线表示LASSO方法中最优lambda；(b) 最优lambda时对应的特征数量
(a)
(b)
Figure 3. Radiomics feature. (a) The final 15 radiomics features and their respective weight; (b) The heat map between 15 radiomics features
图3. 特征结果。(a) 15个最终特征及其权重；(b) 15个医学影像组学特征值热图
使用LASSO系数与所得特征构建出Rad-score公式如下：
Rad-score = 0.017275 × A_wavelet-LHL_glrlm_High Gray Level Run Emphasis
−0.066765 × A_log-sigma-1-mm-3D_firstorder_Mean
−0.008502 × A_log-sigma-1-mm-3D_firstorder_Variance
−0.013502 × A_wavelet-LHH_glszm_Small Area Low Gray Level Emphasis
-0.064869 × V_wavelet-HLL_glszm_Small Area Emphasis
+0.034898 × V_wavelet-LLL_firstorder_Robust Mean Absolute Deviation
−0.088437 × A_wavelet-LLL_firstorder_Kurtosis
+0.054096 × A_wavelet-HHL_glcm_Correlation
+0.066578 × A_log-sigma-1-mm-3D_glcm_Cluster Shade
+0.116793 × A_wavelet-HHL_glszm_Size Zone Non Uniformity
+0.027292 × A_original_glcm_Autocorrelation
−0.203092 × A_wavelet-LLH_firstorder_Minimum
−0.034885 × A_wavelet-LHH_firstorder_Mean
+0.021485 × V_wavelet-HLL_firstorder_Mean
+0.016772 × V_original_glrlm_Run Entropy
3.3. 列线图的构建和模型诊断能力
将训练集患者的临床、影像学形态特征和Rad-score纳入单因素与多因素Logistic回归分析，发现独立预测因素包括结节形状、强化状态和Rad-score，单因素与多因素回归过程见表3。根据独立预测因素构建了诊断模型及其对应的列线图(图4)。
Table 3. Univariate and multivariate Logistic analysis for training set
表3. 训练集单因素与多因素Logistic回归分析
*指首次发现前纵隔小结节至手术时间。
列线图在训练集与测试集的敏感性与特异性分别为0.85，0.89和0.77，0.80。ROC曲线显示模型在训练集及测试集上均取得了良好的预测效能，其AUC值分别为0.95 (95% CI: 0.91~0.98)和0.86 (95% CI: 0.78~0.95) (图5(a)，图5(b))，两者之间没有统计学差异。图5(c)所示的校准曲线表明，测试集中从模型得到的预测值和实际值之间有很高的一致性。该模型的决策曲线分析(DCA)如图5(d)所示，揭示了在测试集中当阈值概率在0~1.0范围内时，模型决策优于“全部治疗”或“全部不治疗”策略。
(a) 
(b) 
(c) 
(d)
Figure 5. The diagnostic ability of the model evaluated in the training set and the test set. (a) The ROC curve of training set, (b) The ROC curve of test set, (c) The calibration curve of test set, (d) The DCA curve of test set
图5. 模型在训练集与测试集诊断性能。(a) 训练集ROC曲线；(b) 测试集ROC曲线；(c) 测试集校准曲线；(d)测试集DCA曲线
4. 讨论
先前的研究已经证明了影像组学对于TET的预测能力，包括病理分级 [15] 、可切除性 [8] 等。本研究尝试利用影像组学技术鉴别前纵隔小结节的病理性质。基于病灶动静脉期双时相影像组学特征、临床特征及影像形态特征构建了预测模型来鉴别诊断TET与囊肿性病变，模型在训练集和验证集中诊断能力均较高。
本研究回顾性筛选了768例接受纵隔病损切除术治疗的患者，发现270例患者存在前纵隔小结节病灶，其中囊肿性病变占比最多，其次是TET，这与既往研究的结果一致 [6] [7] ，除两者之外的其他病变占比不足10%，故诊断模型模型仅纳入TET与囊肿。前纵隔小结节的诊断难点即在于TET与囊肿的鉴别诊断，TET和囊肿均可表现为前纵隔软组织密度结节，早期的TET往往缺少明显的外侵征象，所以难以进行鉴别 [5] 。临床上对于两者的鉴别主要通过病灶是否强化，而前纵隔区域的病灶可能会受到部分容积效应及周围大血管强化的线束硬化伪影影响 [16] [17] ，而导致“假性强化” [18] ，这使得人工诊断导致的TET假阳性率较高，许多出现“假性强化”的囊肿性病变被误诊为TET而进行手术治疗 [19] 。
在本研究中绝大多数患者没有症状，实际上前纵隔小结节较少引起血管受压症状，这是因为前纵隔区域主要为脂肪等疏松组织填充其间，在此范围内不超过3 cm的肿物通常无法对周围组织造成压迫 [20] 。故以3 cm为界将前纵隔肿物分层为前纵隔小结节有其临床意义 [21] 。大多数患者在初次发现病灶后6个月内接受了手术治疗，这反映了目前临床上针对前纵隔肿物仍然坚持发现后尽早切除的原则，但对于囊肿性病变绝大多数在随访期间无变化，而早期TET的倍增时间可长达一年以上，所以理论上首次发现后6个月复查是安全的 [7] [22] ，可以根据随访病灶变化帮助诊断确定后续治疗方案。
本研究从1890个特征中进行筛选与降维，最终提取出15项特征构建了Rad-score，相对于一般的影像组学研究，本研究从动静脉期双时相提取特征增加了模型的预测效能，在特征筛选与降维方面我们采取了ICC、mRMR与LASSO三步筛选方法，使得最终特征的泛化能力与相关性均较好。Zhou等 [23] 的研究发现临床特征和影像学形态特征对于诊断前纵隔肿物性质存在价值，故本研究同时纳入了有意义的临床特征与影像学形态特征共同构建模型，结果显示结节出现强化与结节形状不规则是TET的预测因素，这是因为TET存在血供及生长不规则的缘故。本研究结果表明，列线图模型验证集AUC为0.86，即该诊断模型可以比较准确的鉴别TET与囊肿，这一方面可为临床医师决定是否手术提供可靠依据，另一方面也为患者接受准确的治疗提供了有力保障。
既往有研究证明胸部MR有助于纵隔结节的诊断，其分辨囊性病变与实性病变的能力高于胸部增强CT [24] [25] 。但同时胸部MR一般情况下还是有一定的局限性，并且纵隔脂肪越少，或软组织体积的相对增加，患者呼吸及心脏大血管搏动形成的伪影对MR造成的影响更大 [26] ，仅仅依靠胸部MR往往难以对病灶进行诊断，往往需要结合胸部增强CT做出诊断。同时其检查时间长，价格较高，有禁忌症等缺陷导致国内开展胸部MR检查的医院较少，而胸部增强CT由于其应用普遍，对患者肺功能要求低，各级医院均可完成检查等优点，所以目前仍是诊断纵隔肿物的最重要影像学检查。故本研究选取胸部增强CT为依据使用影像组学的方法建立诊断模型。
虽然本研究的结果总体较理想，但也存在一些局限性：① 本研究作为一项回顾性研究，不可避免的存在选择偏倚；② 前纵隔小结节的发病率较低导致样本量较小，进一步的研究需要更大规模的多中心数据。③ 没有取得患者胸部CT平扫，无法通过平扫图像判断病灶是否出现增强，只能以动静脉期CT值差值进行判断。
综上所述，从胸部CECT中提取的放影像组学特征可以提高术前鉴别TET与囊肿性病变的能力，本研究建立了基于术前CECT影像组学和临床特征的诊断模型及列线图，可以辅助诊断前纵隔小结节的病理性质，从而指导临床治疗。
NOTES
*通讯作者。