利用治疗前MRI衍生影像组学预测前列腺肿瘤缺氧:初步发现
本研究基于195例高危前列腺癌患者治疗前T2加权全腺体MRI提取影像组学特征,构建机器学习模型预测活检32基因缺氧标签定义的肿瘤缺氧状态,最佳岭回归模型测试集AUC为0.69(95%CI 0.14),高于仅临床模型的0.57,但差异无统计学意义(p=0.35)。
要点
- 全腺体T2w MRI影像组学模型预测前列腺癌缺氧的测试集AUC为0.69(95%CI 0.14)。
- 最佳模型为岭回归,选用5个影像组学特征(含纹理及小波特征),未纳入临床变量。
- 仅临床变量模型测试集AUC为0.57(95%CI 0.14),与影像组学模型差异无统计学意义(p=0.35)。
核心结论
- 全前列腺MRI影像组学有潜力在放疗前无创预测肿瘤缺氧,可能有助于个体化治疗优化。
- 影像组学模型测试集AUC为0.69(95%CI 0.14),优于仅临床模型的0.57,但差异未达统计学显著(p=0.35)。
- 作者认为需进一步外部验证缺氧相关影像组学模型预测生化复发和临床结局的价值,以确定整合信息用于患者分层的获益。
研究设计与样本
- 回顾性研究,纳入2007年12月1日至2013年8月31日两家癌症中心连续收治的195例高危前列腺癌患者,均接受放疗。
- 以治疗前前列腺活检32基因缺氧标签(Ragnum标签)为参考标准,将肿瘤二分为缺氧或非缺氧。
- 全部患者于1.5 T MRI扫描仪行前列腺MRI,至少包含覆盖全前列腺的轴位T2w序列。
- 手动分割全前列腺腺体(及可见肿瘤),经直方图标准化后用PyRadiomics v3.0.1提取影像组学特征。
- 数据集按80:20分为训练集和测试集,训练六种机器学习分类器,采用五折交叉验证重复20次(正文另处写25次)。
诊断标准与关键数值
- 缺氧状态以活检标本32基因缺氧标签(基于哌莫硝唑染色,Ragnum签名)判定,按既往验证的阈值二分。
- 最佳影像组学模型测试集AUC为0.69(95%CI 0.14),训练集平均AUC为0.73(SD 0.02),训练验证平均AUC为0.71(SD 0.10)。
- 最佳影像组学模型整体准确率0.72、敏感度0.74、特异度0.70、阳性预测值0.70、阴性预测值0.74。
- 仅临床变量模型测试集AUC为0.57(95%CI 0.14),整体准确率0.56、敏感度0.67、特异度0.53、阳性预测值0.3、阴性预测值0.84。
- 两模型AUC比较采用DeLong检验,p=0.35,差异无统计学意义。
临床应用与阅片要点
- 本研究为初步探索,全腺体T2w影像组学模型对前列腺癌缺氧的预测价值尚需外部验证。
- 最佳模型选用的5个影像组学特征包括GLSZM大区域强调(LAE)及三维小波特征LLH GLCM聚类突出、HLL GLCM最大相关系数、HLH一阶中位数、HHH GLCM最大相关系数。
- 作者指出影像组学特征可能反映前列腺纹理更粗、异质性更高的表现与缺氧相关。
局限性
- 基因组分析和MRI跨数年完成,期间扫描仪技术和成像方案已发生变化。
- 影像数据均来自1.5 T扫描仪,且许多病例无功能成像序列可用,因初始采集时并非常规。
- 转录组数据来自小型、陈旧活检标本,故仅用T2w成像构建影像组学模型。
- 因并非所有病例在解剖成像上可见肿瘤,且无法匹配活检部位,采用全前列腺分割提取影像组学特征。
- 尽管为两家机构整理的数据集,仍需进一步前瞻性验证队列以在不同成像设备上测试可重复性。
全文中译13 节 · 点击展开
引言
前列腺癌是男性最常见的恶性肿瘤,也是癌症相关死亡的主要原因[1]。放射治疗(RT),包括外照射放射治疗(EBRT)和近距离放射治疗(BT),是局限性前列腺癌的有效治疗方法[2]。尽管诊断影像学和RT递送技术取得了进展,治疗失败仍然常见,高危患者10年时生化失败发生率近一半[3–5]。
肿瘤缺氧,即低氧环境,与前列腺癌的RT抵抗和转移性疾病相关[6–9]。识别肿瘤缺氧可能有助于选择适合放疗加量的患者。目前评估缺氧的方法,如利用前列腺活检样本识别基于基因的缺氧生物标志物,或氧电极,具有侵入性,且因多灶性肿瘤和瘤内异质性而受到采样误差的限制[10]。磁共振成像(MRI)提供了一种潜在的无创评估缺氧的方法,可对整个前列腺进行测量并随时间评估,即在治疗前、治疗中和治疗后监测反应。
影像组学是一种定量影像分析方法,利用数据表征算法推导影像生物标志物[11]。基于影像的影像基因组学有望弥合医学影像与组织病理学或分子/基因特征之间的差距,通过整合来自互补数据源的数据来提高预测模型的准确性[12]。基于从前列腺T2加权(T2w)MRI提取的影像组学特征(RF)的机器学习(ML)模型在检测临床显著性癌症方面表现出良好性能[13]。影像组学特征 signature 也已被证明能够准确预测与更具侵袭性表型相关的癌症分子亚型[14]。将ML应用于影像基因组学研究为肿瘤生物学提供了新的见解,并已在多种肿瘤类型中进行了评估[15–17]。鉴于MRI引导RT的作用——其已将T2w序列纳入标准工作流程——在T2w前列腺MRI上识别缺氧也具有治疗意义,因此基于影像基因组学方法进行剂量递增具有潜力。
本研究旨在开发一种基于从全腺体前列腺MRI提取的RF的ML模型,用于预测放疗前肿瘤缺氧。
材料与方法
数据集和研究人群
本回顾性研究经英国西北研究伦理委员会批准(前列腺癌放疗个体化多重缺氧生物标志物的验证和确认研究(IRAS 15/NW/0559))。所有患者均获得知情同意。
研究队列由195例连续的组织学确诊的高危前列腺癌患者组成,于2007年12月1日至2013年8月31日期间在<机构A>接受EBRT(74戈瑞(Gy),37次分割)(N=100)或在<机构B>接受EBRT(57 Gy,19次分割)或EBRT(37.5 Gy,15次分割)联合高剂量率(HDR)近距离放射治疗(BT)加量(单次分割15 Gy)(N=95)治疗。
纳入标准为:(a)年龄至少18岁的男性前列腺癌患者;(b)接受原发性放疗以治疗其前列腺癌(近距离放疗(BT)或外照射放疗(EBRT));(c)具备治疗前MRI和缺氧基因特征数据;(d)具备可用的临床特征(患者年龄、国际泌尿病理学会(ISUP)分级、前列腺特异性抗原(PSA)和T分期)。
MRI采集
所有患者均在1.5 T MRI扫描仪上接受前列腺MRI检查,扫描方案至少包括覆盖整个前列腺的轴位T2w序列。影像检查使用了多台不同的MRI扫描仪。具体扫描仪采集参数见补充材料表1。
缺氧基因特征
所有患者根据其治疗前前列腺活检结果分为常氧组和缺氧组,该活检结果被用作缺氧状态的金标准。从福尔马林固定、石蜡包埋的前列腺活检标本中提取核糖核酸(RNA),并使用Affymetrix GeneChip(Clariom S Array)处理样本,以基于哌莫硝唑染色(Ragnum特征)计算32基因前列腺缺氧特征的表达[9]。基因富集分析和基因特征的构建由Ragnum等[9]描述。常氧与缺氧的划分基于先前验证的阈值[18]。
研究流程
本研究遵循医学影像人工智能清单(CLAIM)(补充材料),该工具用于评估涉及机器学习技术的多变量预测模型的质量[19]。
图像分割
所有影像数据均使用数据脱敏方法进行去标识化处理。整个前列腺腺体及前列腺肿瘤(若可见)由一名经验丰富的放射科医师手动分割,并由一名泌尿放射学专家确认。分割使用RayStation(v9.1)完成。导出的DICOM图像转换为神经影像信息技术倡议(NIfTI)文件,并导入PyRadiomics(v3.0.1)进行分析[20]。在放射组学特征提取之前,对MRI数据应用Nyúl方法(一种基于直方图强度的归一化技术),以使动态信号强度范围具有可比性[21, 22]。
图1展示了从分割到机器学习模型构建的放射组学特征衍生缺氧预测方法学流程图。
特征提取
使用PyRadiomics(v3.0.1)(https://pyradiomics.readthedocs.io/en/latest/index.html,访问日期2023年9月2日)从每个分割的兴趣区(ROI)中提取了八类放射组学特征(RF)[20]。所提取的全部RF及所用滤波器详见补充材料表2。测试了不同数量的分箱(8、16、32、64、128、256)和各向同性体素大小(1、2、3),以评估最稳健的量化/重分箱设置,并确认具有最大稳健特征集的分箱数量。为确定对分箱数量和体素大小最稳健的特征,还对总队列中约10%的病例进行了重新分割(n = 21)。由此产生独立的ROI,从中提取RF并使用组内相关系数(ICC)进行比较。
遵循了影像生物标志物标准化倡议(IBSI),该倡议对放射组学分析中涉及的每个步骤提供了全面审查,包括RF的命名法和所需的校准数据集[23]。鉴于MRI强度单位的任意性,分箱数量优于分箱宽度。对提取的RF应用了ComBat协调方法(https://github.com/Jfortin1/ComBatHarmonization,访问日期2023年9月2日)(v0.2.10),以校正RF所受扫描仪型号、采集方案和重建设置变化的影响[30, 31]。
特征选择
首先,应用一种无监督特征选择方法,使用Pearson相关系数缩减数据集。对每个特征对评估相关性,使用0.8的阈值标记高度相关的特征对,并移除该特征对中与所有其他特征平均相关性最大的特征。使用三种不同方法进行额外的特征选择步骤:前向包装方法(mlxtend 0.18.0);单变量分析方法(scikit-learn v0.24.2);以及递归特征提取方法(在适用情况下)(scikit-learn v0.24.2)。最多选择5个特征。
机器学习(ML)模型构建与统计分析
数据集按MRI扫描仪厂商和ISUP分层分为训练集和测试集,使用scikit-learn(v0.24.2)(https://scikit-learn.org/stable/whats_new/v0.24.html,访问日期2023年9月2日)以80:20的比例分割。使用Python库scikit-learn(v23.0)实现了六种预测性ML方法(如图1中ML模型构建下列所示),以将所选RF纳入二分类器,用于区分缺氧组或常氧组患者[24]。所用方法包括岭回归、随机森林(RFo)、弹性网络、k近邻(KNN)、支持向量机(SVM)和最小绝对收缩和选择算子(LASSO)回归。这些模型分别基于全前列腺T2w RF进行训练以构建分类模型。
使用贝叶斯搜索交叉验证(scikit-optimize v0.8.1)进行机器学习模型训练和超参数调优,采用五折交叉验证,按缺氧状态(常氧或缺氧)分层,重复25次。计算受试者工作特征(ROC)曲线下面积(AUC)及其置信区间,并使用DeLong方法比较AUC,以评估放射组学模型和仅临床模型对肿瘤缺氧状态的分类准确性[25]。选择平均验证AUC最高且与平均训练AUC差异在0.05以内的随机森林(RF)和超参数。选择0.05的截断值旨在尽量减少过拟合模型的选择。整体平均验证AUC最高的模型在未见过的测试集上进行一次测试。使用独立t检验(连续变量)和卡方检验(分类变量)比较训练组和测试组之间临床变量的总体评估以确保组间均衡。统计学显著性水平设定为0.05。
结果
最终研究队列中前列腺肿瘤的人口学特征、病理信息和缺氧状态按训练队列和测试队列分组描述于表1。
机器学习模型构建
仅使用临床变量的最佳性能模型为岭回归模型(图2),纳入年龄和肿瘤分期变量。平均训练AUC为0.61(标准差(SD)0.02),平均训练验证AUC为0.60(SD 0.08)。平均测试AUC为0.57(95%置信区间(CI)0.14)。加入放射组学特征的机器学习模型优于仅临床模型。最佳性能放射组学机器学习模型的平均训练和验证AUC以及超参数和所选放射组学特征见表2。
平均验证AUC最高的模型是使用放射组学特征和临床特征构建的岭回归模型。最佳性能机器学习模型见图3,平均训练AUC为0.73(SD 0.02),平均训练验证AUC为0.71(SD 0.10),平均测试AUC为0.69(95% CI 0.14)。选出的5个放射组学特征为对数灰度级大小区域矩阵(GLSZM)大面积强调(LAE)以及以下3维小波特征:LLH灰度级共生矩阵(GLCM)聚类突出、HLL GLCM最大相关系数(MCC)、HLH一阶中位数、HHH GLCM MCC。尽管将所有临床变量纳入模型,但未选择任何临床特征。
对于AUC最高的联合模型,性能指标为:总体模型准确率0.72,灵敏度0.74,特异度0.70,阳性预测值(PPV)0.70,阴性预测值(NPV)0.74。最佳性能临床模型的总体准确率为0.56,灵敏度为0.67,特异度为0.53,PPV为0.3,NPV为0.84。混淆矩阵分别呈现于表3和表4。根据DeLong检验,放射组学模型和仅临床模型之间无显著差异(p = 0.35)(图4)。
讨论
本研究的目的是开发一个机器学习(ML)模型,基于从全前列腺腺体T2w MRI提取的放射组学特征(RFs),用于无创预测活检中通过32基因特征[9]识别的肿瘤缺氧。结果表明,整合MRI的RFs有助于改善前列腺癌患者缺氧的预测,最佳ML模型(岭回归)在未见过的内部测试队列中AUC为0.69,而仅基于临床变量的模型为0.57。尽管这一变化未达到统计学显著性,但仍突显了MRI在前列腺癌中无创评估缺氧状态的潜在用途。
本研究中肿瘤缺氧判定的基准是缺氧相关基因表达(Ragnum)特征。这一内在分子生物标志物反映了与哌莫硝唑染色相关的转录谱,哌莫硝唑染色是缺氧的外在标志物,并已在独立数据集中验证了其预后意义[9]。当前队列中无全 mount 前列腺标本,所有患者仅接受放疗(RT)。通过使用基因特征作为金标准,我们能够为ML模型选择的观察到的缺氧相关RFs提供生物学基础。
MRI引导的EBRT对前列腺内病灶的局部加量已被证明是安全的,且1级证据显示与全前列腺EBRT相比,它能改善生化控制[26]。将影像放射基因组学纳入MRI引导的缺氧肿瘤局部加量中,可能进一步改善临床结局,因为缺氧细胞的放射抵抗性是常氧细胞的三倍[8, 27]。大多数前列腺癌患者在诊断检查中常规接受MRI,而T2w成像是使用最广泛的序列,从而可能促进基于T2w MRI缺氧放射组学方法在临床中的应用。尽管适应性RT发挥作用,但目前尚无任何影像方法在临床常规用于识别缺氧区域。然而,在使用MRI直线加速器的MRI引导RT时代,有机会开发基于放射组学的缺氧靶向放疗方法学框架。这种方法还需要稳健的协调算法,以考虑MR直线加速器上场强和MRI参数的差异。
前列腺放疗后,唯一经过验证的疾病复发生物标志物是前列腺特异性抗原(PSA)[28, 29]。这项初步研究的结果表明,影像生物标志物和放射组学特征(RFs)可以提供进一步可测量的纵向指标,可能用于帮助指导治疗后监测和生存预测。这与胶质母细胞瘤和肾细胞癌等其他肿瘤的证据一致,这些证据为RFs提供了生物学基础[30, 31]。Beig等人报道,从180例胶质母细胞瘤患者的不同感兴趣区域(如强化肿瘤、坏死肿瘤和瘤周区域)提取的RFs能够预测基于21个参与胶质母细胞瘤缺氧通路的基因的缺氧富集评分[32]。与缺氧富集评分最相关的前八项特征包括量化结构异质性的RFs,其基于影像的放射基因组缺氧特征与生存相关[32]。Gao等人利用从增强CT提取的RFs构建了缺氧基因相关放射基因组特征,发现该特征与肾细胞癌患者的预后显著相关,并在独立队列中进行了验证[31]。这种验证以及对肿瘤生物学特征的深入理解至关重要,需要在前列腺癌通路中加以重复,本研究试图对此进行探讨。
既往研究探讨前列腺癌MRI与转录组谱之间关联时,患者数量较少,限制了结果的可推广性[33, 34]。为开发前列腺缺氧的影像生物标志物,病理学或基因组分析等“金标准”数据的可获得性对于确保跨越转化鸿沟并整合到常规诊疗中至关重要[35]。Leech等人发现,从88例T2加权前列腺MRI(使用单层轴位切片而非容积)提取的放射组学模型可以预测使用哌莫硝唑染色的前列腺切除标本所测量的肿瘤缺氧[36]。其机器学习模型使用弹性网正则化和重复交叉验证,在没有验证数据集的情况下得出AUC为0.60(SD 0.2),但进一步证明了使用T2加权MRI构建放射组学缺氧模型的可行性。其机器学习模型选择的RFs主要为基于形状的特征,但也包括纹理特征灰度级大小区域矩阵(GLSZM),该特征也是本研究中表现最佳的机器学习模型所选择的特征之一。GLSZM量化图像中的灰度级区域,而GLSZM大面积强调(LAE)——本研究中最佳机器学习模型所选择的RFs之一——测量“大面积大小区域”的分布,值越大表示区域越大、纹理越粗糙。另一个被选择的RF是灰度级共生矩阵(GLCM),它反映像素之间的空间关系,定义像素组合出现的频率。这可能提示表现异质性、纹理更粗糙的前列腺与缺氧相关。
本研究存在若干局限性:基因组分析和MRI是在数年内完成的,在此期间扫描仪技术和成像方案已有发展;所用影像数据均采集自1.5 T扫描仪,且许多病例没有可用的功能成像序列,因为在最初采集影像时并非常规开展。同样,转录组数据来源于小型、陈旧的活检标本。因此,仅使用T2w成像来开发影像组学模型;使用整个前列腺分割来提取放射组学特征(RFs),因为并非所有病例在解剖成像上都有可见肿瘤,且无法匹配活检取材部位。既往研究已将正常背景前列腺组织与高风险基因表达谱相关联,凸显了评估整个腺体的价值[37]。尽管本研究是一个两家机构整理的数据集,但进一步的前瞻性验证队列将允许在不同成像设备上进一步检验可重复性。获取这些具有匹配临床、影像、病理和基因组数据的放射基因组数据集仍然具有挑战性,需要进一步的合作并组建采用标准化RFs提取方法的联盟。建立更多多机构合作并利用新型迁移学习技术的潜力,将有助于扩展我们对前列腺癌基因组学和影像表型的认识[38]。回顾性影像研究的一个普遍缺点是缺乏成像方案标准化,不同机构之间差异显著。本研究中使用了ComBat协调化来尽量减少与多台扫描仪采集的MRI数据相关的问题[39, 40]。探索功能MRI序列在成像缺氧中的附加作用对于开发更敏感的诊断路径至关重要。Hompland等研究了一种名为体素内不相干运动(IVIM)的新型MRI技术,作为肿瘤缺氧的间接测量指标,并以外源性缺氧标志物哌莫硝唑对其进行了验证[41]。同样,来自血氧水平依赖(BOLD)MRI序列的R2*图已被发现对界定前列腺内肿瘤缺氧具有高敏感性[10]。这些先进成像技术临床转化的一个主要障碍是充分采样肿瘤微环境所需的空间分辨率较差[42]。利用常规采集的T2w MR数据可获得更高分辨率的前列腺图像,从而更好地识别结构差异。与其他功能序列如弥散加权成像相比,它也更不易受伪影影响。使用基因表达特征验证影像生物标志物和RFs提供了生物学基础,但任何放射基因组特征的外部验证以及随后在前瞻性随机试验环境中的进一步测试,对于证明其临床转化价值至关重要[43]。
总之,本研究提示全前列腺MRI影像组学有潜力在放疗前无创预测肿瘤缺氧。仍需对缺氧相关影像组学模型预测生化复发和临床结局进行进一步外部验证,以确定使用整合信息进行患者分层的获益。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 17 kb)
引用
- Zhong J, Frood R, McWilliam A, et al. Prediction of prostate tumour hypoxia using pre-treatment MRI-derived radiomics: preliminary findings. Radiol Med. 2023. PMID: 37198374. doi:10.1007/s11547-023-01644-3
- 全文:PMC10264289(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10264289/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。