Dual-layer spectral CT for predicting spread through air spaces in lung adenocarcinoma: a dual-center study.

Fang Changxing, Cui Yanfen, Li Fanger, Li Xiang, Qiao Ying, et al.

View Original ↗
AI 導讀 academic CT 重要性 4/5

能譜 CT 雙相掃描可精準區分孤立性肺結核與肺腺癌,結合臨床數據鑑別 AUC 高達 0.976。

  • 肺腺癌在動脈期的 40keV CT 值與碘濃度顯著高於肺結核,呈現典型的高血供特徵。
  • 肺結核在靜脈期出現反轉,其 40keV CT 值(152 HU)與碘濃度顯著高於腺癌(142 HU)。
  • 綜合雙相能譜參數與臨床年齡、CEA 數值,診斷敏感度可達 95.6%,特異度達 89.5%。

肺結核與肺腺癌在靜脈期的影像表現竟然大翻轉——孤立性肺結核在靜脈期的碘濃度反而顯著高於肺腺癌,與動脈期的低血供特徵完全相反。只要將雙相能譜 CT 參數加上臨床指標 CEA 與年齡,鑑別這兩種疾病的 AUC 能直接飆高到 0.976,大幅減少不必要的侵入性切片風險。

單一結節切片風險與能譜 CT 參數拆解

在日常胸腔影像判讀中,呈現孤立性結節或腫塊的肺結核(SP-TB)與孤立性肺腺癌(S-LUAD)在外觀上極度相似。面對這種情況,常規 CT 往往無法提供決定性的鑑別證據。若直接安排手術切除,可能導致良性病灶被過度治療;若採取細針抽吸切片,不僅有引發氣胸與出血的風險,更可能造成結核分枝桿菌的沿針道擴散。因此,放射科急需一種無創且高準確率的影像診斷工具來區分這兩大類疾病。

雙能能譜 CT(Dual-energy spectral CT)透過瞬間(小於 0.05 毫秒)切換 80 kVp 與 140 kVp 兩種管電壓,能夠獲取常規解剖形態以外的多參數物質資訊。這項技術不僅能產出不同單能階(40–140 keV)的影像,更能計算出病灶內的 IC(碘濃度,反映局部微血管血供多寡)、WC(水濃度,評估組織水腫程度)、Zeff(有效原子序,反映組織內無機物質的綜合原子量),以及 l70keV(能譜曲線斜率,衡量不同能量下射線衰減的差異程度)。作者團隊的動機正是希望透過這些能反映腫瘤內部微環境與血管生成的量化指標,找出 SP-TB 與 S-LUAD 之間的根本性差異。

246 例實性結節與 GE GSI 掃描設定細節

這項回溯性研究收集了 2018 年 1 月至 2021 年 3 月間蘭州大學第二醫院的病例。研究團隊嚴格排除了最大徑小於 10 毫米、影像上帶有典型脂肪或鈣化特徵的結節,最終納入 246 位經病理或螢光定量 PCR 確診的患者。受試對象包含 86 例孤立性肺結核(平均年齡 46.98 歲)與 160 例孤立性肺腺癌(平均年齡 57.71 歲)。從臨床特徵來看,性別、吸菸史與病灶所在的肺葉位置在兩組間並無顯著差異,但腺癌組的年齡顯著較大,且 CEA 高值比例(74.37%)遠高於結核組(10.46%)。

所有患者均使用 GE Discovery CT750 HD 機型進行寶石能譜(GSI)模式掃描。對比劑使用 300 mgI/ml 的 iohexol,以 3.5–4.0 ml/s 的流速注射 1.3–1.5 ml/kg。掃描時序精準控制在注射後 30 秒獲取動脈期(AP),60 秒獲取靜脈期(VP)。在 ADW4.6 工作站的後處理上,兩位具備 6 至 8 年經驗的胸腔放射科醫師在 70 keV 單能影像下手動框選感興趣區(ROI)。為了確保數據的穩定性,ROI 必須放置在強化均勻且避開壞死與血管的區域,面積需大於病灶最大截面積的二分之一,並測量上下相鄰層面取平均值。此外,醫師使用複製貼上功能,確保同一病灶在動靜脈期的 ROI 大小與位置完全一致。

246 例患者的臨床特徵與分布
臨床變數孤立性肺結核 (n=86)孤立性肺腺癌 (n=160)p 值
平均年齡 (歲)46.98 ± 12.8457.71 ± 10.49<0.001
男性比例62.79%54.38%0.255
吸菸史比例36.05%25.63%0.117
CEA 異常偏高10.46%74.37%<0.001

腺癌患者普遍年齡較大且 CEA 偏高

Table 2 揭示動靜脈期參數的戲劇性翻轉

把焦點拉到 Results,Table 2 呈現了能譜量化參數在動脈期與靜脈期的顯著差異。在動脈期,肺腺癌展現了強大的血流灌注優勢:S-LUAD 組的 CT40keV 值(159.75 ± 11.25 HU)顯著高於 SP-TB 組(142.30 ± 10.64 HU,p < 0.001)。同時,S-LUAD 的 CT70keV 值、能譜曲線斜率 l70keV(3.12 對比 2.70)、有效原子序 Zeff(8.52 對比 8.50)以及碘濃度 IC(15.32 對比 14.70 100μg/cm³)均顯著高於結核組。

然而,最引人矚目的是靜脈期的數據翻轉。當對比劑進入靜脈期後,SP-TB 組的數值全面反超。Table 2 顯示,結核組的 VP_CT40keV 上升至 152.08 ± 8.69 HU,顯著高於腺癌組的 142.49 ± 8.23 HU(p < 0.001)。結核組在靜脈期的能譜曲線斜率 l70keV(2.79 對比 2.70)、有效原子序 Zeff(8.47 對比 8.43)以及碘濃度 IC(14.54 對比 14.07 100μg/cm³)也全部呈現顯著高值。唯一在雙相中皆無統計學差異的參數是水濃度(WC),動脈期 p=0.930,靜脈期 p=0.823。

這種動靜脈期的交叉翻轉現象,具有深刻的病理生理學意義。肺腺癌通常伴隨大量且豐富的腫瘤新生血管網,因此在動脈期能快速攝取對比劑,並在靜脈期迅速廓清(快進快出)。相反地,肺結核的微血管密度相對較低,動脈期強化較弱;但結核肉芽腫組織內的對比劑擴散較慢,導致碘濃度在靜脈期出現相對滯留與積累。這也解釋了為何結核組的能譜曲線在動脈期較平緩,而在靜脈期變得較為陡峭。

雙相 40keV 單能階 CT 值變化比對

結核在靜脈期上升,腺癌在靜脈期廓清

Table 3 證明 AUC 0.976 的終極組合模型

若細看 Table 3 與 Figure 5 的 ROC 曲線分析,各參數的診斷效能被清晰地量化。如果只看單一影像參數,動脈期的 CT40keV 是最強的鑑別指標,其 AUC 為 0.867(95% CI: 0.818–0.917),提供 82.5% 的敏感度與 81.4% 的特異度。相比之下,靜脈期的單一參數表現略遜一籌,VP_CT40keV 的 AUC 為 0.785。

為了追求更高的準確率,研究團隊使用了複合模型。當把動脈期的所有能譜參數(CT40keV, CT70keV, l70keV, Zeff, IC)結合時,AP_all 模型的 AUC 提升至 0.909(敏感度 84.4%,特異度 87.2%)。靜脈期全參數組合 VP_all 的 AUC 則為 0.834。如果將動靜脈雙相的所有能譜數據全部輸入模型(AP_all + VP_all),AUC 可達 0.942。

這項研究的最高成就在於整合了臨床資訊。單靠臨床變數(年齡與 CEA 異常)的鑑別 AUC 為 0.872。但是,當模型同時納入雙相能譜 CT 的所有參數以及臨床變數時,這個「終極組合(Combined)」的診斷效能達到了驚人的 AUC 0.976(95% CI: 0.961–0.991),其敏感度高達 0.956(95% CI: 0.812–0.988),特異度為 0.895(95% CI: 0.732–0.953),整體準確率達到 0.935。這個數據證實了功能性影像與血清標記物具有極佳的互補性。

Table 3 關鍵模型鑑別診斷效能
測試參數 / 模型AUC [95% CI]敏感度特異度
單一參數:動脈期 CT40keV0.867 [0.818-0.917]82.5%81.4%
全參數結合:動脈期 (AP_all)0.909 [0.873-0.945]84.4%87.2%
全參數結合:靜脈期 (VP_all)0.834 [0.780-0.887]70.6%87.2%
終極組合 (雙相能譜 + 臨床)0.976 [0.961-0.991]95.6%89.5%

資料來源:Table 3

單一中心局限與實性大於一公分病灶的應用邊界

從 Discussion 來看,作者也坦承了這項研究的適用邊界。首先,受限於回溯性與單一中心的設計,且病患來源侷限於中國西北部的特定地理區域,這套 AUC 高達 0.976 的預測模型是否能無縫轉換到其他盛行率不同的醫學中心,仍需要大規模外部驗證。其次,研究對象嚴格排除了小於 10 毫米的結節以及帶有毛玻璃成分的亞實性病灶,因此這套能譜翻轉規律目前只能應用在「大於一公分且不含鈣化/脂肪的純實性結節」上,不能套用於毛玻璃結節的鑑別。

放射科同儕在實際應用時,應特別注意量測的細節。本研究的數據建立在 70 keV 的單能影像基準上,且避開了壞死區。因此,在工作站上進行後處理時,務必確保 ROI 的大小超過實性部分的一半,且動靜脈期的 ROI 必須完美疊合。未來若能將這些能譜參數與病灶切片的實體微血管密度(MVD)進行直接的病理對照,將能為這種血供翻轉現象提供更堅實的基礎。

面對大於一公分且難以定性的實性孤立肺結節,請務必比較動靜脈雙相的 40keV CT 值與碘濃度;若發現靜脈期數值不降反升(超過動脈期),應高度警惕結核肉芽腫的延遲滯留特性,避免貿然將其視為惡性腫瘤而直接開刀。

Abstract

To investigate the value of machine learning classifiers incorporating dual-layer spectral CT (DLCT) parameters for preoperative prediction of spread through air spaces (STAS) in patients with lung adenocarcinoma. This two-center retrospective study included 246 lung adenocarcinoma patients from center I (training cohort) and 193 patients from center II (test cohort). DLCT parameters and clinicoradiologic characteristics were collected. Univariable and multivariable logistic regression analyses were performed to identify independent factors for STAS, among which DLCT parameters were used to develop DLCT-based models (Model-DLCT) using five machine learning classifiers. Similarly, clinicoradiologic characteristics associated with STAS were subsequently combined with DLCT parameters to develop combined models (Model-COM). The prediction performances were evaluated using the receiver operating characteristic curve and decision curve analysis (DCA). Venous phase electron density (odds ratio (OR) = 1.042, p = 0.02) and venous phase normalized iodine concentration (OR = 73.015, p < 0.01) were used to construct the Model-DLCT. Among the five classifiers, the extreme gradient boosting (XGBoost)-based Model-DLCT achieved the best performance, with AUC values of 0.833 [95% CI: 0.777-0.889] and 0.829 [95% CI: 0.773-0.886] in the training and test cohorts, respectively. The consolidation/tumor ratio (CTR, OR = 17.865, p = 0.01) was the only significant clinicoradiologic predictor. The combined model, integrating CTR with the Model-DLCT, demonstrated modestly improved discrimination with AUCs of 0.862 (95% CI: 0.812-0.911) and 0.832 (95% CI: 0.774-0.889) in the two cohorts. DCA further confirmed its clinical utility. A machine learning model integrating DLCT quantitative parameters with clinicoradiologic characteristics provides a robust tool for preoperative prediction of STAS in patients with lung adenocarcinoma. Question Does the application of dual-layer spectral CT improve the prediction of spread through air spaces in lung adenocarcinoma? Findings A machine learning model, integrating dual-layer spectral CT parameters with clinicoradiologic features, demonstrated optimal prediction of spread through air spaces. Clinical relevance Dual-layer spectral CT demonstrates significant value in predicting spread through air spaces in lung adenocarcinoma and could inform preoperative risk stratification and surgical decision-making.