文献速递胸部CT

基于影像组学列线图预测「驱动基因阴性」肺腺癌患者的生存

A radiomics nomogram prediction for survival of patients with "driver gene-negative" lung adenocarcinomas (LUAD).
PubMed 文献 · Radiol Med · 2023-05-23

回顾性纳入2007年6月至2015年6月中山大学附属第一医院180例I–III期「驱动基因阴性」肺腺癌患者,从CT提取影像组学特征并结合临床病理特征构建列线图预测总生存。影像组学列线图C-index为0.815(95%CI 0.756–0.874),优于临床病理列线图的0.765(95%CI 0.692–0.837),决策曲线显示其临床净收益更高;按风险评分65.28分为高风险(>65.28)与低风险(≤65.28)组,低风险组总生存更好。

要点

  • 影像组学列线图预测总生存的C-index为0.815(95%CI 0.756–0.874),高于临床病理列线图的0.765(95%CI 0.692–0.837)。
  • 风险评分以65.28为界分为高风险(>65.28)与低风险(≤65.28)组,低风险组总生存更好。
  • 验证集2年AUROC为0.71、4年为0.78,训练集2年AUROC为0.88、4年为0.85。

核心结论

  • 影像组学列线图有希望作为「驱动基因阴性」肺腺癌患者总生存风险分层的生物标志物。
  • 影像组学列线图较传统分期系统和其他临床病理危险因素对个体化总生存估计显示出增量价值。
  • 后续基因富集分析可为该遗传学独特亚组患者术后治疗方案提供辅助证据。

研究设计与样本

  • 回顾性收集2003年9月至2015年6月中山大学附属第一医院371例「驱动基因阴性」肺腺癌患者,排除无手术切除及CT图像质量差者191例后,最终队列为2007年6月至2015年6月的180例I–III期患者。
  • 180例患者中男102例、女78例,平均年龄58.39岁±7.75(范围35–81岁)。
  • 全部胸部CT图像以1 mm轴位重建间隔采集,采集时间在2周内(中位数6天)。
  • 训练集与验证集按7比3分配,验证集包含28例有可用基因数据的患者。
  • 采用LASSO-Cox回归筛选影像组学特征并计算Rad-score,结合独立临床病理危险因素构建影像组学列线图;以C-index、校准曲线、决策曲线、IDI和AIC评估。

关键影像表现/征象

  • 从CT图像提取1409个影像组学特征(包括14个形状特征、18个一阶强度统计特征、75个纹理特征、558个LoG特征和744个小波特征),分别来自平扫和增强CT图像。
  • 以ICC>0.8筛选出1706个稳定特征(28个形状特征、30个一阶强度统计特征、62个纹理特征、731个LoG特征和855个小波特征),经LASSO-Cox最终获得7个非零权重系数的影像组学特征并计算Rad-score。
  • Rad-score为预后的独立危险因素(HR=3.18),训练集与验证集间Rad-score无统计学差异(p=0.735)。
  • 影像组学列线图校准曲线显示诊断后2、3、4年生存概率的预测值与实际观察结果一致性良好。
  • 决策曲线分析显示在最合理的阈值概率范围内,影像组学列线图的总体净收益高于临床病理列线图;IDI显示影像组学列线图模型预测性能比临床病理列线图模型高6.5%。

诊断标准与关键数值

  • 影像组学列线图预测总生存的C-index为0.815(95%CI 0.756–0.874),临床病理列线图为0.765(95%CI 0.692–0.837)。
  • 以X-tile确定预后评分最佳截断值65.28,>65.28为高风险组、≤65.28为低风险组。
  • 训练集预后评分与总生存显著相关(p<0.001,HR=7.15(3.93–12.99)),验证集亦显著相关(p<0.001,HR=8.72(3.00–25.30))。
  • 训练集AUROC 2年为0.88、4年为0.85;验证集AUROC 2年为0.71、4年为0.78。
  • PD-L1表达以肿瘤比例评分(TPS)定义,TPS≥1%为阳性表达,TPS≥50%为高表达。

临床应用与阅片要点

  • 原文指出影像组学列线图有希望作为「驱动基因阴性」肺腺癌患者总生存风险分层的生物标志物。
  • 原文指出影像组学列线图较传统分期系统和其他临床病理危险因素对个体化总生存估计显示出增量价值。
  • 原文指出低风险组与氨基酸代谢相关、高风险组与免疫和代谢通路相关,可能为该遗传学独特亚组患者提供新的治疗方向(作者认为)。
  • 原文结论提示影像组学列线图结果需在广泛临床实施前进一步独立外部验证。

局限性

  • 患者筛选存在不可避免的选择偏倚,且数据集样本量小,既影响影像组学模型的稳健性也限制模型的普适性。
  • 样本量需要扩大以使结果更有说服力,结果需在广泛临床实施前进一步独立外部验证。
  • 基因突变率和其他临床因素(如吸烟)可能受种族影响,结果不能推广到其他人群。
  • 研究主要关注肺腺癌患者,忽略了其他组织学亚型的肺癌患者。
  • 基因检测和部分CTC检测为回顾性进行,研究结果难免因研究样本保存时长而产生偏倚。
全文中译15 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Radiol Med. 2023 May 23;128(6):714–25. doi: 10.1007/s11547-023-01643-4

引言

肺癌是第二常见的恶性肿瘤,但却是全球范围内恶性肿瘤相关死亡最常见的原因[1]。超过80%的肺癌组织学类型为肺腺癌(LUAD)[2]。在过去十年中,靶向治疗极大地延长了驱动基因突变肺癌患者的总生存期[3, 4]。除EGFR突变和ALK融合外,驱动基因还包括KRAS、BRAF和HER2,以及涉及RET、ROS1和MET外显子14跳跃的基因重排[5, 6]。然而,14%–25%的LUAD患者仍为“驱动基因阴性”[5],即被鉴定为EGFR、KRAS、BRAF、HER2、MET、ALK、RET和ROS1均为阴性的LUAD患者[3]。并且随着大panel测序技术的发展,这一比例正在增加。尽管免疫检查点抑制剂(ICIs)如抗程序性死亡-1(PD-1)/PD-配体-1(PD-L1)在肺癌治疗中显示出巨大潜力[7],但大量无应答者以及ICIs的免疫相关毒性限制了免疫治疗在LUAD中的应用[8]。从目前的研究结果来看,对于既往未接受治疗且无EGFR/ALK异常的晚期非小细胞肺癌患者,一线帕博利珠单抗单药治疗显示出较化疗更优的OS获益[9],然而,对于“驱动基因阴性”LUAD患者,治疗选择有限[5],且ICIs的疗效仍需进一步探索[9, 10]。

医学影像技术在临床管理中发挥着重要作用。通过从常规计算机断层扫描(CT)图像中提取多种定量特征,影像组学可以无创地捕捉不同肿瘤表型之间的差异[11]。影像组学的最新进展表明,其在肿瘤检测、亚型分类、预后和治疗反应评估等肿瘤学实践中越来越多地提供潜在的个体化价值[12–14]。将影像组学与临床病理特征相结合获得的列线图似乎可以提高预后预测的准确性[15]。然而,与“驱动基因阴性”LUAD预后相关的影像组学列线图尚未见描述。

因此,本研究的目的是构建一个基于影像组学CT特征和临床特征的列线图,以预测“驱动基因阴性”LUAD患者的生存,并评估影像组学特征对传统分期系统和临床病理危险因素的增量价值。此外,我们拟利用影像组学列线图和基因表达数据探索潜在的分子生物学机制,以指导这些患者的个体化术后管理。

材料与方法

患者

本研究经中山大学附属第一医院伦理委员会批准,并豁免知情同意(编号:[2021]531;批准日期:2021年8月20日)。批量RNA-seq数据已由我们此前发表的文章[3]上传至基因表达综合(GEO)数据库。我们选取了2003年9月至2015年6月期间在中山大学附属第一医院就诊的371例“驱动基因阴性”LUAD患者。所有患者在活检取样前均未接受任何抗肿瘤治疗,“驱动基因阴性”状态在石蜡包埋(FFPE)组织中确定。从371例“驱动基因阴性”LUAD患者中随机选取60对新鲜肿瘤及癌旁正常组织,用于全基因组微阵列检测以筛选候选基因,随后进行Western blotting和qPCR。对每例符合条件的患者进行循环肿瘤细胞(CTC)计数和PD-L1表达检测。共有191例患者因未行手术切除和CT图像质量差而被排除本研究。

经过严格的纳入和排除标准筛选,最终患者队列为2007年6月至2015年6月期间的180例患者。仅有28例患者的新鲜肿瘤及癌旁正常组织测序结果可用,包括11例I期、5例II期和12例III期患者。所有胸部CT图像均以1 mm轴位重建间隔在2周内(中位值6天)采集。随后,训练集和验证集按7比3分配,后者包括28例有可用基因数据的患者。工作流程见补充图1。

本研究的终点为OS,定义为从病理诊断日期至死亡或末次随访的时间。所有患者均随访至少五年,除非患者死亡。基线临床-病理数据,如年龄、性别、吸烟状态、分期、组织学分级,均从病历中获取(表1)。

表1 训练数据集和验证数据集中“驱动基因阴性”LUAD患者的特征 查看原表 ↗

PD-L1蛋白表达检测和CTC计数

PD-L1表达的免疫组化分析采用抗人PD-L1兔单克隆抗体(SP263;1:2000;Roche Ventana,Tucson,AZ,USA)在脱蜡水化的肿瘤组织中进行检测。PD-L1表达取决于细胞膜染色强度。PD-L1阳性细胞的比例由两名病理学家独立评估为全切片中占总肿瘤细胞的百分比。若独立评估不一致,则由两名研究者共同审阅切片以达成共识。共识判断作为最终结果。PD-L1表达由肿瘤比例评分(TPS)定义。PD-L1 TPS ≥ 1%定义为阳性表达,PD-L1 TPS ≥ 50%定义为高表达。

CTC计数的方法学在我们之前的研究[16]中有详细描述。

图像采集和影像组学处理

关于本研究中CT图像的采集参数和检索流程,更多细节见补充材料E1。肿瘤由初级放射科医师(具有6年胸部CT研究解读临床经验)使用相同的活动轮廓半自动算法在CT图像上进行勾画,并由专家放射科医师(具有12年胸部CT研究解读临床经验)通过ITK-SNAP软件(版本3.8.0,https://www.itksnap.org)进行验证。使用在Python软件(版本3.8.3,https://www.python.org)中实现的PyRadiomics平台[17],从重采样为1×1×1 mm3各向同性体素的CT图像中提取影像组学特征。该平台及影像组学特征的详细信息见补充材料E2。从平扫和增强CT图像中分别提取了共1409个影像组学特征,包括14个形状特征、18个一阶强度统计特征和75个纹理特征(表S1),以及558个高斯拉普拉斯(LOG)特征、744个小波特征。

影像组学特征筛选及影像组学评分计算

采用双向随机、单次测量(绝对一致性)组内相关系数(ICC)评估所提取影像组学特征的稳健性。若在训练数据集中ICC值大于0.8,则可认为该特征的稳定性极好[18]。

纳入多因素分析的变量应遵循Harrell指南[19],即目标事件数应至少超过变量数的5倍。然而,纳入更多变量并不一定带来更高的准确性,反而会导致过拟合[20]。为进一步去除训练数据集中的冗余特征,采用最小绝对收缩和选择算子(LASSO)Cox回归模型[21, 22]——一种适用于高维数据降维的常用正则化机器学习算法——通过十折嵌套交叉验证筛选与预后相关的最有用影像组学特征。随后将所选影像组学特征按其各自系数加权并求和,得到每位患者的影像组学评分(Rad-score)[23]。

影像组学列线图构建

对训练数据集的临床病理数据进行单因素Cox回归分析,以评估各入选特征与OS之间的潜在关系。随后,通过多因素Cox分析筛选独立的临床-病理危险因素,并用于构建临床病理列线图。

将筛选出的独立临床病理危险因素和Rad-score整合入Cox回归模型,并通过训练集构建影像组学列线图。为量化预后风险,通过列线图计算验证数据集中患者的临床预后评分。采用校准曲线比较临床病理列线图和影像组学列线图的观察结果与OS相关性之间的一致性。

至于评估放射组学特征对临床病理因素模型的临床预后预测性能是否具有增益效果,计算了Harrell一致性指数(C-index)。放射组学特征带来的有用性改善使用综合判别改善指数(IDI)[24]进行定量计算,该指标在检测新模型相较于旧模型的预测概率变化方面非常敏感。使用赤池信息准则(AIC)评估过拟合风险[25]。然后,计算不同阈值概率下的净收益并绘制决策曲线。

使用X-tile [26](版本3.6.1,耶鲁大学医学院,康涅狄格州纽黑文)确定预后评分的截断值,并将患者分为高风险组和低风险组。高风险组与低风险组之间生存曲线的差异通过加权对数秩检验(G-rho秩检验,rho = 1)[27]进行评估。总生存期(OS)的时间依赖性受试者工作特征曲线下面积(AUROC)也可通过多变量模型生成。

放射组学列线图的遗传学研究

为了探究放射组学列线图所得的预后风险评分分组的生物学基础,有必要对潜在分子生物学通路进行相关评估。我们使用4 × 44 K全人类基因组表达微阵列(Agilent设计ID 026,652,GEO登录号GPL13497)获取了28对合格样本中27,958个基因的表达谱。我们使用GeneSpring GX v12.1软件包进行分位数归一化和后续数据处理,低表达或接近背景水平的基因被排除在分析之外。

我们按照先前发表的研究[28–30]进行了预排序基因集富集分析(GSEA)方法进行遗传分析。基因集富集分析(GSEA)的力量来源于聚焦基因集,即具有共同生物学功能、染色体位置或调控关系的基因组[31]。使用Spearman秩相关系数将基因表达值与预后风险评分进行相关性分析以对所有基因进行排序,并将该基因排序输入排序基因集富集分析(GSEA)软件4.2.0版本。我们测试了MSigDB [32]数据库cp.kegg.v72.symbols GMT数据集中C2 Reactome集合的专家 curated 通路。采用GSEA中的加权富集分析方法,通过1000次随机组合进行富集分析,并计算adj. p值以校正多重假设检验。使用GSEA软件的归一化富集分数(NES)量化基因与通路的相关性。

我们的流程概述见图1。

图1 放射组学流程图。A. 获取图像数据并分割整个肿瘤的感兴趣区域;B. 从CT图像中提取多个定量特征,量化肿瘤相关信息的形状、一阶、纹理、高斯拉普拉斯(LOG)纹理和小波纹理。D. 经过多次筛选后,放射组学特征与临床数据和基因表达数据进行综合分析 查看原图 ↗

统计分析

统计分析使用R软件(版本4.0.4,https://www.R-project.org)进行。本研究中使用的R软件包在补充材料E3中描述。

为了评估训练数据集和验证数据集之间临床信息的差异,连续变量(平均生存时间)采用Mann–Whitney U检验,分类变量(性别、年龄、分期、吸烟状态、分化程度、CTC计数、PD-L1表达)采用χ2检验(表1)。报告的统计学显著性水平为双侧,p值<0.05被认为具有显著性。

结果

患者临床特征

训练数据集和验证数据集的临床特征如表1所示。本研究共纳入180例患者(102例男性和78例女性患者;平均年龄58.39岁±7.75;范围35–81岁)(表1)。在性别、年龄、吸烟状态、分期、肿瘤分化、CTC计数、PD-L1表达、Rad-score和OS等临床特征方面,差异无统计学意义。

训练数据集中的单因素Cox比例风险回归分析(表2)显示,年龄、分期、CTC计数和Rad-score的差异具有统计学意义,p<0.001。

表2 “驱动基因阴性”LUAD患者的单因素Cox比例风险回归分析 查看原表 ↗

影像组学特征筛选和影像组学评分计算

在180例患者中选择所有高稳定性特征(ICC>0.8),共获得1706个影像组学特征(28个形状特征、30个一阶强度统计特征、62个纹理特征、731个LoG特征和855个小波特征)(补充图2)。然后,使用LASSO-Cox方法对保留的特征进一步筛选(补充图3)。最终,获得7个具有非零权重系数的影像组学特征(补充图4),并分别计算相应的rad-score(补充图5)。计算公式见补充材料E4。

训练集和验证集中的rad-score之间无统计学差异(p=0.735)(表1),且其为预后的独立危险因素(风险比(HR)=3.18)(表2)。

影像组学列线图构建

临床病理列线图模型显示出良好的临床预后预测性能(C-index:0.765;95%CI:0.692–0.837)。将最优rad-score与独立临床预后特征相结合后,影像组学列线图的预测性能显著提高(C-index:0.815;95%CI:0.756–0.874)(补充图6)。影像组学列线图见图2A。诊断后2年、3年和4年生存概率的列线图校准曲线见图2B,其表明列线图预测值与实际观察结果之间的一致程度。

图2C中的决策曲线分析表明,在大多数合理的阈值概率范围内,影像组学列线图的总体净获益高于临床病理列线图。图2D中的IDI显示,影像组学列线图模型的预测性能比临床病理列线图模型高6.5%。图2E显示了模型的估计C-index和AIC。

根据影像组学列线图计算每位患者的临床预后风险评分。使用X-tile软件(补充图7)找出最佳截断风险点65.28,并将患者分为高风险组(> 65.28)和低风险组(≤ 65.28)。在训练数据集中,预后评分与OS显著相关(p < 0.001,HR = 7.15(3.93–12.99)),并在验证数据集中得到验证(p < 0.001,HR = 8.72(3.00–25.30))(图3)。风险评分较低的患者OS较好。训练集2年AUROC为0.88,4年AUROC为0.85。在验证集中,2年AUROC为0.71,4年AUROC为0.78(图3)。

图2 影像组学列线图与临床病理列线图预后预测性能的比较。A. 使用训练数据集构建的影像组学列线图用于预测“驱动基因阴性”LUAD患者的预后风险。B. 校准曲线表明,影像组学列线图对诊断后2年、3年和4年生存概率具有良好的预测性能。C. 决策曲线显示,在大多数给定阈值下,影像组学列线图(棕色实线)是净收益高于临床病理列线图(橙色实线)的模型。D. 综合判别指数(IDI)表明,影像组学列线图模型的预测性能比临床病理列线图模型高6.5%。E. 影像组学列线图和临床病理列线图的估计一致性指数(C-index)和赤池信息准则(AIC) 查看原图 ↗
图3 该图显示了根据截断值将临床预后评分分为高风险组和低风险组后,训练数据集(A)和验证数据集(B)中Kaplan–Meier生存分析的OS曲线结果和时间依赖性AUC图。虚线表示相应的中位生存时间 查看原图 ↗

影像组学列线图的遗传学研究

我们通过基于27例LUAD患者RNA表达数据的GSEA分析,探讨了影像组学模型的生物学基础。从GSEA结果可见,低风险评分组有3条显著富集通路,高风险评分组有6条显著富集通路(p < 0.05)(补充图8)。高风险评分组的八条通路(原发性免疫缺陷、移植物抗宿主病、抗原加工与呈递、N-聚糖生物合成、核糖体和造血细胞谱系)以及低风险组的前三条通路(戊糖和葡萄糖醛酸相互转化、O-聚糖生物合成和其他酶类药物代谢)如图4所示。这些通路提示,影像组学模型作用的生物学基础可能归因于免疫和代谢相关通路的变化。

图4 预测模型的GSEA分析中富集最显著的通路及其富集评分以不同颜色显示。横坐标上方为低风险评分组富集的通路,横坐标下方为高风险评分组富集的通路 查看原图 ↗

讨论

在本研究中,基于影像组学特征、年龄、分期和CTC计数的个体化列线图在I–III期“驱动基因阴性”LUAD患者的生存预测中显示出良好的预测效能,C指数为0.815(95% CI:0.756–0.874)。GSEA结果显示,低风险组与氨基酸代谢直接相关,高风险评分组与免疫和自噬通路相关。

既往研究表明,CTC计数是NSCLC的独立预后因素[33],尤其是在晚期NSCLC中[34, 35]。然而,关于“驱动基因阴性”LUAD术后预后与CTC计数相关性的研究较少。我们的研究证实,CTC是该遗传学独特患者亚群中OS的独立因素。它不仅可以在治疗前预测预后,还有助于监测患者在治疗过程中的动态反应[36]和生存概率的变化[37]。

在本研究中,我们使用治疗前影像特征和临床数据的预后列线图对“驱动基因阴性”LUAD术后患者进行风险分层。作为首个将影像组学特征用于该遗传学独特患者亚群生存评估的研究,我们发现影像组学与临床特征联合的预测能力优于单一影像组学特征或临床特征列线图,具有更高的C指数和更好的校准度。决策曲线分析显示,在最合理的阈值概率范围内,影像组学模型的性能优于临床病理模型。在本研究中,我们聚焦于“驱动基因阴性”LUAD患者,这是NSCLC中相对罕见的亚型,且突变阴性患者治疗选择有限、预后较差。我们开发了影像–临床综合预后模型,并对相关通路进行了初步探索,以指导这些患者尤其是高风险患者的个体化术后管理。

GSEA结果显示,低风险组与代谢相关通路直接相关,高风险组与免疫相关通路相关。既往研究也表明,氨基酸代谢相关通路[38]在LUAD的发生发展中发挥重要作用。此外,在本研究中我们发现高风险组与免疫和自噬通路相关,这可能提示免疫治疗在该人群中可能发挥治疗作用。因此,这些发现为无法接受靶向治疗的“驱动基因阴性”术后患者提供了新的治疗方向。

我们的研究也存在一些局限性。首先,患者筛选过程中不可避免的选择偏倚以及本研究较小的数据集不仅对影像组学模型的稳健性产生很大影响,也限制了模型的泛化能力。需要扩大样本量以使结果更具说服力,且在广泛应用于临床实践之前,结果需要进一步独立的外部验证。其次,尽管本研究发现了有前景的结果,但由于基因突变率和吸烟等其他临床因素可能受种族影响,结果不能推广到其他人群。第三,我们的研究主要集中于LUAD患者,忽略了肺癌患者的其他组织学亚型。最后,基因检测和部分CTC检测是回顾性进行的;因此,由于研究样本的保存时间,研究结果不可避免地存在偏倚。

结论

影像组学列线图有望作为“驱动基因阴性”LUAD患者OS风险分层的生物标志物。影像组学列线图很好地证明了其相对于传统分期系统和其他临床-病理危险因素在个体化OS评估中的增量价值。此外,后续的基因富集分析不仅能解释预后差异的机制,更重要的是为该基因独特亚型患者的术后治疗方案提供辅助证据。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 21 KB)

补充文件2(TIF 1653 KB)

补充文件3(TIF 478 KB)

补充文件4(TIF 1017 KB)

补充文件5(TIF 628 KB)

补充文件6(TIF 10800 KB)

补充文件7(TIF 2063 KB)

补充文件8(TIF 3016 KB)

补充文件9(TIF 5755 KB)

补充文件10(DOCX 50 KB)

引用

  1. Guo QK, Yang HS, Shan SC, et al. A radiomics nomogram prediction for survival of patients with "driver gene-negative" lung adenocarcinomas (LUAD). Radiol Med. 2023. PMID: 37219740. doi:10.1007/s11547-023-01643-4
  2. 全文:PMC10264479(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10264479/

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。