摘要
基于计算机的计算机断层扫描(CT)分析可以提供具有特发性肺纤维化(IPF)的疾病的客观定量。将计算机算法,卡钳与常规CT和肺功能测量进行比较,用于死亡率预测。
CT和肺功能变量(用力呼气量在1 s,用力肺活量、肺的扩散能力一氧化碳、传递系数的肺一氧化碳和综合生理指数(CPI)) 283年的连续多学科诊断IPF患者死亡率。视觉和CALIPER CT特征包括肺间质病变的总体范围、蜂窝、网状、磨玻璃样混浊和肺气肿。此外,CALIPER评分肺血管体积(PVV),而牵引性支气管扩张和实变仅用视觉评分。将死亡率预测因子与性别、年龄、生理模型相比较。
上单变量分析中,所有的视觉和卡尺衍生间质性特征和功能性指数分别为死亡率的预测到0.01显着性水平。在多变量分析,视觉CT参数被丢弃。死亡率的独立预测因子CPI(危险比(95%CI)1.05(1.02-1.07)中,p <0.001)和两个卡尺参数:PVV(1.23(1.08-1.40)中,p = 0.001)和蜂窝状(1.18(1.06-1.32)中,p = 0.002)。从该模型导出的三组分期系统是有力预测死亡率(2.23(1.85-2.69)中,p <0.0001)的。
CALIPER推导的参数,特别是PVV,比传统的VICESC CT分数更准确。诸如CALIPER等定量工具有可能改善IPF中的分期系统。
摘要
诸如肺部血管体积的卡钳衍生的参数比视觉CT分数更精确http://ow.ly/2b5G304exlA
介绍
准确的预测是患有特发性肺纤维化患者(IPF)的核心的核心。除了通知患者可能的预期寿命[1]精确预测患者可能的临床课程允许制剂适当的管理,目前可能包括抗纤维化药物,用于移植的转诊[2或姑息治疗途径。
然而,IPF中的预测充满了困难。多年来使用了一系列预后指标,但IPF的成功程度不同。肺功能试验(PFT),如肺的一氧化碳的扩散能力(D.LCO)也许是疾病的严重程度的最敏感的标志物,但用10〜15%的速度测试的测量变化相关联[3.].视觉计算断层摄影(CT)评估受Interobserver变化[4.那5.].已提出综合指数,但尚未得到全面验证[6.].因此,需要新的工具来更准确地预测病人的预后。弗莱施纳协会最近的一项建议[7.]强调基于计算机的定量CT分析作为IPF中的潜在结果测量。
建立定量工具是否是疾病结果的合适标志物,需要评估该工具对其他基线疾病严重程度的其他标志物。已经显示了一种复杂的定量CT算法(CALiper)与PFT的相关性比Semiquiquatiative Visual CT评估更好地相关[8.].
我们研究的目的是比较CALIPER、视觉CT评分和pft与IPF生存率的关系。采用CALIPER变量、视觉变量、pft和性别、年龄、生理(GAP)评分进行最佳分层。
方法
重新开始分析间质性肺病数据库,鉴定了接受据发表的指南的多学科团队诊断的患者全部连续新出席患者[9.],4.5年(2007年1月至2011年7月)。患有部门,非共克,仰卧,体积CT的患者纳入研究队列(图1).CT,超声心动图和PFT协议包括在线补充材料中,如CTIPER CT评估的细节。CT扫描中医学图像中的数字成像和通信被转移到Mayo诊所(罗切斯特,MN,USA),用于致盲的卡钳加工。本研究临床指出的CT和肺功能数据的批准是从皇家Brompton医院(伦敦,英国)和Mayo诊所和知情患者同意的制度伦理委员会获得的。
Visual CT评估
E.ach CT scan was evaluated independently by two radiologists with 5 and 7 years of thoracic imaging experience, blinded to all clinical information. An initial training dataset of 15 nonstudy cases was used to help to identify pre-existing biases. The scores of the test cases were reviewed and the most widely discrepant results discussed with a third radiologist.
电流互感器进行评分采用连续规模肺叶基础上。间质性肺病(ILD)的总程度最初估计至最近的5%,则细分成四个图案:网状,毛玻璃混浊,蜂窝状和整合,使用从术语的Fleischner学会词汇表胸成像定义[10.].为了导出每种实质模式的洛洛百分比,总洛达·耐数量乘以单个叶形实质图案范围,并除以100。此外,每个叶片的百分比(到最接近的5%)含有镶嵌的叶片(减少衰减组分)或呼气液被记录。每种放射科学专家的每个实质模式的单个瓣百分比均为每个放射科检查,并将其除以每种图案的平均叶片分数,每分钟,每个案例。
牵引支气管扩张,如Fleischner社会术语表中所定义的术语表[10.],被分配与纤维化区域以及扩张的整个叶的程度内考虑到气道扩张的平均度的分类“严重性”分数,并给出一个完形得分无(0),轻度(1),中度(2)和严重(3)。肺动脉高压的索引(主肺动脉:升主动脉比)通过使用升主动脉的电子卡尺测量直径和肺动脉直径在肺动脉分叉水平2个得分评估[11.].在线补充材料中概述了视觉评分的共识制剂。
CALIPER CT评估
数据处理
初始数据处理步骤涉及从周围胸部结构的肺部提取到上部,中下区域。使用基于自适应密度的形态学方法进行肺分割[12.],而气道分割涉及迭代三维区域增长、密度阈值(阈值包括−950 HU和−960 HU)和连接组件分析。利用基于Hessian矩阵特征值的优化多尺度管状结构增强滤波器实现肺血管提取前的分割。过滤器计算发生在每个肺体素周围区域的二阶导数。然后分析由导数构建的Hessian矩阵的特征值,从这些值,有可能确定潜在体素连接到密集的管状结构,因此代表一个血管的可能性[13.那14.].
肺部血管体积(PVV)评分量化了肺动脉和静脉排除血管血管的血管的量,作为肺部量的百分比(图2).PVV评分根据血管尺寸细分。所有CT图像上的所有血管都具有横截面积<5 mm2(PVV5)或<10毫米2(PVV10)或> 5mm2(PVV> 5)总结,并表示为体积(cm3.)调整Z轴CT切片厚度后。5毫米2and 10 mm2阈值被作为在在线补充材料所述的分析范围的容器尺寸阈值的选择之后,并且与容器尺寸的阈值线在慢性阻塞性肺疾病分析[15.].的PVV> 5阈值进行了检查以除去潜在的错误分类的网状图案的捕获在PVV变量与广泛纤维化的情况。
使用纹理分析,基于计算机视觉的图像理解,对体积直方图签名映射特征和3D形态学的计算机视觉图像理解,将实质组织类型分类应用于15×15×15- voxel体积单位。13.].Caliper工具受到亚专业胸部放射科医生的培训,病理证实数据集的共识评估[13.那16.].
统计分析
数据作为中位数呈现,平均值±SD或n(%)。观察者间视觉评分的差异使用单一判定标准偏差进行评估。采用线性回归分析,探讨PVV、CALIPER ILD范围、目视ILD及网状形态范围与右心室收缩压(RVSP)的关系。线性回归评估PVV细分与PVV和之间的关系D.LCO。单变量和多变量COX回归分析用于调查三个数据集内部和之间的关系:CALIPER CT评估,Visual CT评估和PFT。在所有研究分析中,P <0.01被认为是显着的。
用于多元COX回归分析对多元COX回归分析的独立预测因子的那些参数的危险比用于产生表示每位患者的死亡率的估计。单独的卡钳参数的危险比是多元COX回归分析对死亡率的独立预测因子,也用于产生单独的配方,其代表每位患者的死亡率估计。
从危险比得分衍生的死亡率估计被转化为分类评分,并与来自GAP指数分期系统的死亡率估计进行比较[17.],使用单变量和双变量COX回归分析,Kaplan-Meier生存地块和日志排名测试。使用自动启动和重新采样的结果确认了结果的稳健性,该数据集高达1000次。使用Harrell的一致性指数计算生存模式的健康状况。通过视觉检查鞅残留和缩放的Schoenfeld残差来测试线性度和比例危害的假设。使用Stata进行统计分析(第12版; Statacorp,College Station,TX,USA)。
结果
人口统计数据
研究人群由283名连续诊断IPF的诊断组成。演示文稿的中位数为67岁;平均随访时间为30±21.5个月,210(74%)患者在研究期间死亡。重要地位的数据在98.6%的病例中完成,4名(1.4%)患者被审查。提出了人口统计数据和平均视觉评分,卡尺分数和PFT数据表1。在线补充材料中提供了视觉分数的Interobserver变化值。
死亡率分析
所有视觉和卡尺推导的间质特征都可以预测死亡率。卡尺导出的PVV(如图图2)、PVV5、PVV10和PVV>5在单因素分析中均高度显著,所有pft、RVSP和GAP评分(表2.).在双变量死亡率分析中,当RVSP和CALIPER ILD程度与PVV并列时,只有PVV仍然是死亡率的独立预测因子。线性回归分析显示PVV与CALIPER ILD程度(R .20.76,P <0.0001)和PVV和视觉ILD程度之间(R20.57,p <0.0001)[8.].PVV与RVSP (R20.20,P <0.0001)和PVV和视觉网状图案程度之间(R20.16,P <0.0001)。在线补充材料中显示了PVV细分和功能索引和生存之间的关系。
在逐步比例危险分析中,死亡率的独立卡钳衍生的预测因子是蜂窝状和PVV(表3.).当单独插入多变量模型时,PVV5和PVV10没有保持显著性。然而,PVV>5是死亡率的独立预测指标(在线补充表S4)。在肺功能指标的多因素分析中,综合生理指标(CPI)是死亡率最强的预测指标。一项结合CALIPER评分、视觉评分、pft和GAP评分的多变量Cox回归分析显示了CPI(此前已使用CALIPER进行验证[8.])是变量最佳量化ILD的严重性。剩下的两个CT变量独立预测死亡率通过卡尺导出:蜂窝状和PVV。没有视觉评分CT参数独立地与死亡率相关(表3.).当最终多变量模型中的GAP评分取代CPI时,尽管它仍被保留为死亡率的独立预测因子,但它不如模型中的CPI强(表3.).当PVV>5被PVV取代时,上述结果仍然有效。
复合变量的推导
进一步的死亡率评估比较了GAP指数分期系统[17.从两个多变量模型的风险比衍生]两个死亡率估计。一种式是从死亡的最后三个独立预测因子(卡尺-CPI得分)如下的风险比导出:
CALIPER - cpi score = (CALIPER PVV×23.0904) + (CALIPER honeycombing×18.3795) + (CPI×4.5065)
第二个公式来自两个变量的危险比,即在卡尺分数的多变量分析中是死亡率的独立预测因子(唯一的CALIPER的分数):
只有卡钳的得分=(Caliper PVV×52.9004)+(卡尺蜂窝×12.0524)
CALIPER-CPI和CALIPER-only分数都被转换为分类分数,方法是将个体分数按升序排列,并将各自的队列分为三个同等大小的组(n=83)。
复合变量的比较
单变量Cox回归分析表明,CALIPER-CPI和唯一只有对差距指数分期系统相似的预后强度,但表现出改善适合款式的良好性(表4.).
在双变量Cox回归分析中,GAP指数分期系统对CALIPER-CPI类别没有保持显著性,通过1000个样本的bootstrap验证了这一结果(表4.).的GAP指数分期系统还显示出的死亡率比仅卡钳类别的预测较弱,再次用的1000个样本自举证实。当PVV> 5代替PVV(在线补充表S5)这些发现被维持。相比于GAP索引分期系统(log-rank检验P <0.0001的GAP指数分期系统,卡尺-CPI和CALIPER-当Kaplan-Meier生存曲线显示出使用Caliper-CPI和卡钳仅类别的基团的类似的分离只有类别)(图3.).
当卡尺CPI和卡钳只有分数进行了调整,使得每个组的病人数量是相同的,以在GAP分期系统组的病人数量,单因素分析和引导二元分析的关系并没有改变。两个模型的拟合优度为类似于GAP指数分级系统(用于卡钳CPI得分勒尔的C指数0.66和0.65的卡尺唯一的比分)。相比于GAP索引分期系统(log-rank检验P <0.0001用于将调整的卡尺-CPI和卡钳仅当Kaplan-Meier生存曲线再次表明使用新的调整卡尺-CPI和卡钳仅类别的基团的类似的分离类别)(图3.).
讨论
我们的研究表明,计算机衍生的定量CT参数是IPF中死亡率的更好预测因子,而不是视觉得分参数。当患者基于CALIPER变量和CPI分层时,与使用间隙指数分段系统的分层相比,提高死亡率预测。使用卡尺的死亡率预测强度的核心是单一变量,PVV。PVV是一种新型卡尺变量,没有视觉得分等同物。因此,PVV可以表示评估IPF患者的新参数。
D.LCO长期以来一直被认为是IPF中最能反映基线疾病严重程度的参数[18.]但是通过测量噪声的损伤范围为5-15%[3.那19.].因此,在探索疾病严重程度或在IPF中恶化的其他潜在标志性时,兴趣正在增加,例如外周血[20.]和成像[7.]生物标志物。鉴于基于计算机的量化CT的快速技术进步[13.[及时,对评估IPF的潜在准确性的探索是及时的。
在目前的研究中,在单变量分析中,视觉均分析,蜂窝状和牵引支气管扩张是预测死亡率的预测性,确认了先前研究的结论,该研究评估了具有组织病理学证明通常的间质性肺炎模式的患者相同模式的预后意义[21.].
最后结合视觉,卡尺和CPI的多变量模型确定的生存三个独立预测因子。其中之一是消费物价指数,以及发现证实了以前的报告中强调了CPI的信号的强度在肺纤维化疾病[预测结果22.那23.].同样,当CALIPER评分时,与蜂窝状相关的预后信号确认在IPF中相同模式的视觉评分结果[24.].
PVV和CALIPER /视觉ILD范围和PVV和RVSP之间的共同线性表明PVV可能代表同时捕获间质和血管室内疾病的变量。值得注意的是,卡尺软件最初设计用于分割并丢弃血管结构(而不是量化它们),因此可以优化实质模式的分类。在CT上具有更严重的纤维化的情况下,血管分割不可避免地捕获较小程度的外围网状图案(图2);然而,显着的是视觉网状图案和PVV之间仅有很小程度的共线性。此外,当血管<5毫米时,PVV预测死亡率的能力2从分析中排除了反对PVV信号的重要部分被错误分类的网状模式的可能性。在任何情况下,随着软件算法的改进,仍然有可能通过卡尺或类似的定量工具细化容器描绘,从而改善该新CT参数的预后信号。
PVV提供的信号基础是模糊的。PVV以前没有被研究作为IPF的预后指标,也没有被认为是独立于肺动脉高压的预后指标。最近的IPF研究评估了疾病发病机制中血管生成和血管抑制介质之间的复杂相互作用[25.主要考虑了显性肺动脉高压的三棱镜内的血管系统[26.].
纤维化区域的血液灌注已被证明减少[27.],但与纤维化区相邻的肺组织则相反[28.那29.].因此,ild范围和船只之间的强烈相关性可能反映在温和的纤维化肺中的局部肺动脉压力,或在更晚期疾病中的毛细血管床破坏中的局部肺动脉压力,这可能产生比较备用或非凝血肺的优先转移。粪便肺的血管电容(IPF患者的上层和中间裂片,主要是基础疾病)可能导致血管体积增加更先进的疾病。因此,鉴定尺寸的尺寸可以由卡尺检测到的尺寸,因此可以作为IPF中实质疾病的程度和严重程度的替代标志物。
PVV和ILD之间关系的另一种可能的解释与吸气时不顺应性纤维化肺需要产生的负胸内压增加有关。高负压通过胸膜腔传递到肺实质,进而作用于脉管系统,导致整个肺扩张,肺容量增加。第三种可能的机制与纤维性肺病患者的组织病理学描述的胸膜实质和/或支气管-肺动脉吻合有关[30.].虽然肺内分流的临床重要性尚未确定[31.],分流的发展可以从理论上增加PVV作为纤维化进展。
在我们之前的研究中,CALIPER的评估强调了使用自动化计算机系统评分的肺实质模式与肺功能指数之间的密切相关性[8.].结果表明,当单独使用CALIPER等工具时,可以作为pft预测IPF预后的可行选择。我们的死亡率分析也强调了整合结构和功能参数对IPF预测的重要性。当CPI与CALIPER变量结合时,产生了一个比CALIPER或功能指数单独预测死亡率更强的模型。
间隙评分是一种多维连续评分,旨在通过利用通常测量的临床和生理变量来预测IPF中的死亡率[17.].该GAP比分被证明是在我们的研究中死亡的强预测单变量,当与卡尺变量多变量模型结合增强。然而,该模型是不一样强大的与CPI卡尺变量的组合。该结果突出了GAP得分结果的在其相对粗糙的九个点灰度的相对弱点,而CPI的连续性质使得CPI更歧视。
间隙暂存系统表示间隙分数的分类版本[17.].根据间隙分期系统的分层的结果是,目前研究中只有50%的患者构成了间隙组1和3(分别患有轻度和严重疾病的患者)。然而,正是在IPF队列中需要识别的患者。可以使用观察和等待政策监测那些鉴定的可能性有有限的疾病,而具有更严重的疾病的人可能早先进行移植[2].当进行分层与卡钳-CPI类别,尽管病人的任意分割成均匀大小的组,预测和拟合优度相比,分类GAP分期系统时进行了改进。
在视觉上或卡钳的评分时,呼气肿块是在目前的研究中预测死亡率的评分。在肺气肿与纤维化共存时,文献中有关于存活的影响的报道有偏执行。虽然一些作者认为,肺气肿是IPF中的贫困决定因素[32.-35.]其他研究驳斥了这一观察[36.-40].虽然我们的发现与后一种观点一致,但对肺气肿亚型和肺内分布的更详细的评估,以及对IPF患者基线疾病严重程度的校正,可能有助于澄清肺气肿对IPF患者生存的主要影响。
我们的研究,就在于缺乏外部验证队列的限制,用以确认我们的研究结果。然而,IPF患者的良好表征的群体的稀缺性,即使是在三级医院,是公认的。一个潜在的解决办法在于国际多中心人群的汇集,类似于COPDGene研究群体41.],但这样的承诺将需要三级医院之间的紧密协作。
总之,我们已经证明,在IPF中,计算机定量CT变量比任何视觉评分CT参数都是更好的死亡率预测指标。使用CALIPER变量和CPI进行分层比使用GAP指数进行分层提供了更强的死亡率信号。但其中一个CALIPER变量PVV与死亡率的关系最为密切,可能成为评价IPF的新指标。
补充材料
补充材料
请注意:编辑部没有编辑补充材料,并随着作者提供的,上传。
补充材料ERJ-01011-2016_Supplementary_appendix
补充图1aERJ-01011-2016_SUPP_FIGURE_1A.
补充图1bERJ-01011-2016_SUPP_FIGURE_1B.
补充图1cERJ-01011-2016_SUPP_FIGURE_1C.
补充图1DERJ-01011-2016_SUPP_FIGURE_1D.
补充图1EERJ-01011-2016_SUPP_FIGURE_1E.
披露
补充材料
B.J. Bartholmai.ERJ-01011-2016_Bartholmai.
D.M. HansellERJ-01011-2016_HANSEL.
R. Karwoski.erj - 01011 - 2016 - _karwoski
美国RajagopalanERJ-01011-2016_RAJAGOPALAN.
S.L.F.沃尔什erj - 01011 - 2016 - _walsh
A.U.韦尔斯erj - 01011 - 2016 - _wells
脚注
本文提供了补充材料www.qdcxjkg.com.
利益冲突:可以在本文的在线版本旁找到披露www.qdcxjkg.com.
- 收到2016年5月20日。
- 接受2016年9月7日。
- 版权所有©2017