基于深度学习影像组学的胃癌微卫星不稳定性虚拟活检研究
本研究回顾性纳入223例经术后免疫组化确认MSI状态的胃癌患者,基于术前腹部动态增强CT提取影像组学特征,用多层感知机优化特征并构建Rad-score,结合临床独立预测因子建立临床影像模型并绘制列线图;该模型在训练集和测试集的AUC分别为0.883和0.802,校准曲线和决策曲线显示良好一致性与临床适用性。
要点
- 基于术前增强CT的临床影像模型在训练集AUC为0.883、测试集AUC为0.802,可用于无创评估胃癌MSI状态。
- MSI组平均Rad-score显著高于MSS组,独立Rad-score模型训练集AUC为0.856、测试集为0.753。
- 列线图纳入Rad-score、年龄、性别和临床T分期四个独立预测因子,阈值概率20%–70%时净获益优于单独影像组学模型。
核心结论
- 基于术前影像和临床信息建立的深度学习影像组学模型可无创评估胃癌患者MSI状态,可能辅助临床治疗决策。
研究设计与样本
- 回顾性研究,纳入2020年1月至2022年3月本医疗中心223例经术后免疫组化确认MSI状态的胃癌患者,其中MSS 182例、MSI 41例。
- 按3:1随机分为训练集167例和测试集56例。
- 采用64层多排CT行腹部动态增强扫描,注射对比剂后60秒采集门静脉期图像,层厚5 mm重建。
- 从术前腹部动态增强CT提取982个高通量影像组学特征,经ICC、方差和相关性过滤后保留197个,再用LASSO回归筛选15个最优特征。
- 以多层感知机建立Rad-score,结合LASSO筛选的临床独立预测因子(年龄、性别、临床T分期、Rad-score)用逻辑回归构建临床影像模型并绘制列线图。
关键影像表现/征象
- 门静脉期扫描显示肿瘤区域不均匀强化。
- MSI组平均Rad-score显著高于MSS组,该差异在测试集中同样得到验证。
诊断标准与关键数值
- MSI状态以术后免疫组化为参考标准:MLH1、PMS2、MSH2、MSH6任一错配修复蛋白表达缺失定义为MSI/MSI-H组,全部表达定义为MSS/MSI-L组。
- 独立Rad-score影像组学模型AUC在训练集为0.856(95%CI 0.792–0.919),测试集为0.753(95%CI 0.606–0.901)。
- 临床模型AUC在训练集为0.725(95%CI 0.611–0.840),测试集为0.738(95%CI 0.586–0.889)。
- 临床影像模型AUC在训练集为0.883(95%CI 0.822–0.945),测试集为0.802(95%CI 0.666–0.937)。
- 列线图在阈值概率20%–70%时净获益大于全部治疗或不治疗,并优于单独影像组学模型;0%–20%和70%–100%区间净获益相近。
临床应用与阅片要点
- 列线图纳入Rad-score、年龄、性别和临床T分期四个独立预测因子,可个体化预测MSI概率。
- 采用3D Slicer半自动分割肿瘤边界,需排除胃内气体、周围脂肪组织、肿瘤坏死区和胃周淋巴结。
- 所有图像经z-score标准化并以1×1×1 mm像素间距重采样后提取特征。
局限性
- 本研究为回顾性研究,来自本医疗中心,可能存在选择偏倚。
- 肿瘤位置与MSI未见显著关系,作者认为可能与招募人群或地区患病率差异有关。
全文中译14 节 · 点击展开
引言
胃癌(GC)是一种由多种因素引起的高度异质性恶性肿瘤,是全球性的公共卫生问题。胃癌的发病率因地理位置而异,在亚洲尤其高(年龄标化[全球]发病率:男性32.5/10万;女性13.2/10万)[1, 2]。MSI阳性胃癌是癌症基因组图谱工作组所定义的胃癌主要分子亚型之一,占所有胃癌患者的10–22%[3]。任何错配基因修复蛋白(MLH1、PMS2、MSH2和MSH6)的缺失均可导致微卫星不稳定(MSI/MSI-H)[4, 5]。近年来,免疫检查点抑制剂在进展期胃癌的治疗中展现出巨大潜力[6]。MSI是评估胃癌患者抗程序性细胞死亡-1(PD-1)免疫治疗疗效的重要预测生物标志物。多项临床试验已证实,在晚期胃癌的抗PD-1免疫治疗中,MSI组的客观缓解率和生存期显著优于微卫星稳定(MSS)组[7–9]。然而,抗PD-1治疗的疗效存在较大的个体差异[10],因此筛选最可能获益的患者十分重要。目前,主要采用免疫组织化学染色(IHC)和PCR分子检测来检测MSI表达水平[5, 11, 12]。鉴于MSI表达的空间异质性,通过侵入性活检获取的小块组织可能不足以代表整个肿瘤区域[13],从而影响MMR蛋白表达的评估。尽管NCCN指南已推荐对胃癌患者进行MSI普检[14],但由于组织活检具有侵入性、耗时且费用高昂,许多患者并未接受检测。因此,越来越需要开发一种无创方法来全面评估胃癌中MSI的表达。
随着计算机辅助医学的发展,通过结合放射组学和深度学习来提取和分析定量影像学特征,已实现对肿瘤病理特征的准确评估,即所谓的“虚拟活检”,为常规活检提供了参考标准[15–17]。多项研究已证实基于深度学习的放射组学在预测胃癌淋巴结转移[18]或新辅助化疗反应[19, 20]中的潜在作用,因此本研究基于此类方法,利用术前计算机增强断层扫描(CECT)图像和临床数据,探索胃癌生物标志物的无创评估。并将其可视化为列线图,以评估其作为虚拟活检工具在临床辅助诊断中的潜在应用。
方法
患者选择与临床变量收集
本研究经我院医学中心伦理委员会批准,鉴于本研究的回顾性性质,豁免知情同意要求。通过检索我院2020年1月至2022年3月的医学数据库,共纳入223例经术后胃癌免疫组织化学(IHC)确认微卫星不稳定(MSI)状态的患者,包括182例微卫星稳定(MSS)患者和41例MSI患者。所有样本按3:1随机分配原则分为训练集(n = 167)和测试集(n = 56)。纳入标准如下:1)年龄18–80岁;2)首次胃癌手术;3)组织学类型为腺癌;4)术前2周内行上腹部动态对比增强CT;5)医学图像可识别肿瘤形态;6)术前未行新辅助放化疗。队列纳入的详细情况见图1。
本研究收集了术前1周内静脉采血测定的基线临床病理数据和实验室参数,详见附加文件1:表1。根据我院临床应用标准,肿瘤位置由专业放射科医师阅读术前对比增强CT(CECT)后报告。根据AJCC分期报告第八版确定肿瘤的临床T分期。
MSI状态定义与再评估
本研究通过免疫组织化学(IHC)获取MSI状态,免疫组织化学切片为福尔马林固定石蜡包埋,厚度2–3 µm,经标准链霉亲和素–生物素–过氧化物酶流程处理,并由自动免疫组织化学染色机(Leica Bond-Max,Leica Biosystems)染色。两位胃肠道肿瘤领域的病理学专家(分别具有8年和10年工作经验)重新分析IHC切片中四种错配修复(MMR)蛋白MLH1、PMS2、MSH2和MSH6的表达以表征MSI。他们事先不知晓样本的临床和病理信息,如结果不一致,则通过协商达成一致意见。任何MMR蛋白表达缺失定义为错配修复缺陷,归入MSI/MSI-H组;所有MMR蛋白均表达定义为MMR功能完整,归入MSS/MSI-L组。
CECT图像采集方案
所有患者均使用64层多层螺旋CT扫描仪进行CECT检查,扫描范围覆盖整个上腹部。扫描仪的具体参数详见附加文件1:表2。为确保胃排空,所有患者禁食8小时。检查前,患者饮用超过800 mL纯净水以充盈胃腔。检查时,患者取仰卧位并要求屏气。非离子型对比剂(碘海醇-350注射液;Starry Pharmaceutical)通过自动高压注射泵注射系统(Medrad Vistron Plus,Bayer Healthcare)经肘前静脉泵入,剂量为1.5 mL/kg,注射速度为3 mL/s,注射对比剂后60秒采集门静脉期CECT图像。所有CT图像以5 mm轴位层厚重建。随后,从图像归档与通信系统及医学影像工作站检索并导出DICOM格式图像文件,存储以备进一步的图像分割和分析。
肿瘤分割
所有CT图像由两名分别具有5年(阅片者1)和8年(阅片者2)胃肠道肿瘤影像学经验的放射科医师独立审阅,且对IHC结果不知情。若两者对诊断意见不一致,最终结果由一名具有20年以上腹部肿瘤诊断经验的主任放射科医师决定。使用3D Slicer软件(4.11,www.slicer.org)阅读CECT图像,设置为腹部窗(窗宽:350 HU;窗位:40 HU)。随后,阅片者1和阅片者2利用3D Slicer中的Segmentation Wizard插件,在所有轴位门静脉期CECT上实现肿瘤边界的半自动分割,以获得感兴趣区(ROI)。完成全层标注后,生成三维(3D)图像以直接反映ROI形状,如图2所示。在标注过程中,仔细排除了胃内气体、周围脂肪组织、肿瘤坏死区域及胃周淋巴结。在特征提取之前,所有图像分别进行z分数标准化,并以1*1*1 mm的像素间距重新采样。
影像组学特征提取
使用PyRadiomics(http://www.radiomics.io/)从所有分割的CT图像中提取影像组学特征[21]。提取的特征类型包括:1)基于形状的特征(SB);2)一阶统计量(FOS);3)灰度共生矩阵(GLCM);4)灰度游程长度矩阵(GLRLM);5)灰度尺寸区域矩阵(GLSZM);6)灰度相关矩阵(GLDM),这与既往研究一致[22, 23]。为减少影像组学特征过拟合对预测模型性能的影响,我们应用组内相关系数(ICC)以确保影像组学特征的稳健性,并从原始阅片者1和阅片者2标注的CT图像中随机选取30张CT图像评估观察者间ICC。间隔4周后,阅片者1重新勾画所抽取随机样本的感兴趣区(ROI),以相同流程提取影像组学特征,并计算阅片者1两次重复的影像组学特征以评估观察者内ICC。通常ICC > 0.75定义为一致性良好,因此我们剔除组内和组间ICC < 0.75的特征以确保稳健性。
为去除冗余特征,我们采用方差和相关性滤波器。具体步骤如下:若某特征的归一化标准差小于0.1,则该特征因无效而被剔除;同时计算每对特征之间的Pearson相关系数。若两个特征之间的Pearson相关系数大于0.9,则两个特征高度相似,剔除其中一个特征。在两个队列中,所有特征均使用训练队列特征数据的最小值和最大值偏差进行最小-最大归一化标准化。为使筛选出的特征更具预测性,我们使用深度学习算法——多层感知机(MLP)对最优影像组学特征进行量化,并为每位患者建立影像组学特征评分(Rad-score)(见图3)。
预测模型及列线图的构建
为探讨临床信息对预测MSI状态是否存在额外增益,我们对临床数据进行单因素logistic回归分析。随后基于LASSO回归筛选临床风险预测因子,并利用Rad-score和临床风险预测因子在训练集中构建三个独立的MSI预测模型(临床模型、影像组学模型和临床影像模型),并在测试集中进行独立验证。模型预测性能通过受试者工作特征(ROC)曲线下面积(AUC)、特异度和灵敏度进行评估。此外,我们使用logistic回归将混合模型可视化为列线图,以提高临床应用价值。列线图性能通过校准曲线评估,列线图的临床实用性通过决策曲线分析(DCA)评估,以计算在阈值范围内净获益的最大化。
统计学分析
使用IBM SPSS Statistics(26.0;IBM Corp.)进行单因素logistic回归分析,分类变量采用卡方检验分析,服从正态分布的连续变量采用双侧独立样本t检验。不服从正态分布的连续变量采用Mann-Whitney U检验分析。双侧p值<0.05被认为具有统计学意义。MLP模型开发、预测模型、列线图构建和性能评估均通过R(版本3.6.1;http://www.R-project.org)软件包完成。
结果
临床和病理特征
对临床和病理特征进行单因素logistic回归分析,患者特征与MSI状态之间关系的详细信息见表1。结果表明,在两个数据集中,MSI与临床T分期(p值<0.05)和分化程度(p值<0.05)之间存在显著差异。在训练集中,不同年龄(p值=0.016)和不同性别(p值=0.015)患者的MSI状态存在显著差异。然而,肿瘤位置和癌胚抗原(CEA)水平在两个队列中均未显示与MSI状态存在显著相关性。
影像组学特征选择
从每个ROI中共提取982个影像组学特征,经过特征一致性检测后,排除365个ICC≤0.75的特征。之后,使用方差和相关性滤波器消除冗余特征,保留197个影像组学特征。最后,使用十折交叉验证的LASSO回归,筛选出15个最优影像组学特征(图4A、B),包括两个原始特征、一个三维偏度特征、四个一阶小波特征、两个GLDM特征、三个GLSZM特征、两个GLCM特征和一个GLRM特征(表2)。
影像组学标签的构建
在基于深度学习算法开发的MLP模型中,Rad-score代表量化的影像组学特征。我们随后研究了两个集合中每个Rad-score的分布。MSI组的平均Rad-score显著高于MSS组(图4C、D),这在测试集中得到了证实。基于独立Rad-score的影像组学模型在训练集中的AUC为0.856[95%置信区间(CI):0.792-0.919],在测试集中的AUC为0.753[95%CI:0.606-0.901](图5A、B)。
模型及列线图的评价
在单因素分析中,发现年龄、性别、临床T分期和分化程度与MSI状态密切相关,随后的LASSO回归分析确定年龄、性别、临床T分期和Rad-score为MSI的独立预测因子(图5C、D)。最终,我们基于上述独立预测因子构建了三种预测模型(临床模型、影像组学模型和临床影像模型),并将临床影像模型可视化为列线图(图6)。
为了评估三种模型的预测性能,我们绘制了ROC曲线并计算AUC进行比较(图7A、B)。临床模型在训练集和测试集中的AUC分别为0.725 [95% CI:0.611–0.840]和0.738 [95% CI:0.586–0.889]。如图7C所示,列线图的校准曲线显示观察结果与预测结果之间具有良好的一致性。为了评估列线图的临床适用性,我们对列线图进行了临床决策曲线分析(图7D)。在20%–70%的阈值概率下,列线图模型显示的净获益大于治疗所有患者或不治疗;与单独的影像组学模型相比,在0%–20%和70%–100%范围内净获益相似。
与单独的临床模型和影像组学模型相比,结合术前临床特征和Rad-score的临床影像模型在区分MSI和MSS状态方面表现出更好的预测性能;训练集AUC为0.883 [95% CI:0.822–0.945],测试集AUC为0.802 [95% CI:0.666–0.937]。三种预测模型的预测性能详情见表3。
讨论
我们使用本医学中心223例GC患者的临床信息和治疗前CECT图像,开发了一种由深度学习算法支持的虚拟活检模型。据我们所知,我们首次将深度学习算法应用于GC MSI影像组学中影像组学特征构建的优化。由MLP支持的临床影像模型有效提高了识别GC患者MSI/MSI-H的能力(AUC:训练集0.883,测试集0.802)。准确的MSI识别对于GC患者的个体化全身治疗至关重要,可使接受抗PD-1免疫治疗的患者获益并改善GC患者生存[9, 24, 25]。
本研究覆盖了一个单位周期内的所有有效样本,尽可能避免了选择偏倚。研究中胃癌(GC)患者MSI的发生率为18.4%,这与当前关于GC相关MSI的全球流行病学数据(10–22%)一致[3, 5, 26]。对临床基线数据进行LASSO回归分析发现,年龄、性别和临床T分期是与GC患者MSI表达密切相关的独立临床危险因素。考虑到高龄[27–30]和女性[28, 30]之间的关系,GC患者与MSI的相关性与既往相关研究一致。当前证据表明,散发性GC患者的MSI-H表型与启动子CpG岛高甲基化导致hMLH1基因沉默密切相关,进而导致MLH1蛋白表达进行性缺失[31–33]。在我们招募的患者中也发现了类似结果,超过83%(n = 35)的MSI表达患者存在错配修复蛋白MLH1表达缺失。有趣的是,Nakajima等[34]和Kim等[35]研究者发现错配修复基因hMLH1的甲基化具有年龄依赖性,其发生率与年龄呈正相关。hMLH1甲基化在老年胃癌患者中更为常见,这似乎可以解释为何本研究中MSI/MSI-H在较年长GC患者中更为常见。与MSS/MSI-L相比,具有MSI/MSI-H表型的GC侵袭性较低,在GC早期代表更好的预后[27, 36]。在分子水平上,近期研究发现GC基因组的遗传和表观遗传特征变化常发生于肿瘤早期[37, 38],这支持hMLH1启动子甲基化诱导的MSI-H更常见于GC患者推测的早期阶段(TNM I–II期),从而将MSI定义为GC的早期分子事件。这在Polom等[30]和Jahng等[39]的报告中亦得到证实。然而,我们未观察到先前证实的肿瘤位置[29, 30, 36]与MSI之间的显著关系,这可能与我们招募的患者人群差异或区域流行情况有关。综上所述,这些潜在特征性临床因素反映了MSI肿瘤更高的组织学异质性。
放射组学技术的发展使得在临床图像中捕捉肿瘤分子的异质性成为可能,这可为癌症分子生物学检测和个体化治疗提供客观、定量的支持[40]。我们最终从滤波和非滤波图像中选择了15个放射组学特征(包括1个一阶特征、1个基于形状的特征和13个滤波特征)来构建模型。一阶特征描述CT图像中体素强度的分布,基于形状的特征是对二维肿瘤区域大小和形状的描述。滤波特征是从滤波图像中提取并经高斯空间带通滤波器的拉普拉斯变换或小波滤波器重建后得到的一阶统计特征和纹理特征,其中纹理特征包括灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)和灰度依赖矩阵(GLDM)。通过这两种不同的滤波策略,原始图像的具体结构得到增强。这些特征反映了肿瘤区域在空间形态、像素强度和纹理方面的差异,可能代表肿瘤组织中的空间和时间异质性以及特征性生物学表型[23, 41]。这可能解释了本研究中建立的Rad-score在两个队列中均能区分GC MSI的能力。此外,准确高效的肿瘤区域分割方法对于确保定量图像特征的质量至关重要。已证实3D Slicer相比其他图像分割软件具有更好的分割算法和更高的分割准确性,同时作为免费开源软件更易获取[42]。此外,使用3D Slicer进行图像分割后提取的放射组学特征具有更高的稳健性,因此推荐用于医学肿瘤成像的高通量数据挖掘工作[43]。
放射组学在胃癌(GC)生物标志物领域的探索已经起步。Li等[44]利用放射组学构建了检测胃癌HER-2表达的预测模型,曲线下面积(AUC)为0.799 [95% CI:0.704 − 0.894]。基于189例患者的信息,Liang等[45]首次构建了基于逻辑回归分析的预测模型,以探索预测胃癌相关微卫星不稳定(MSI)状态的可行性,AUC为0.8228 [95% CI:0.7355–0.9101]。然而,传统放射组学方法在图像分割、标准化、采集和重建方面带来挑战。作为定量图像分析的新兴手段,深度学习可以优化这些局限性并提高预测模型的准确性和可靠性[16, 46, 47]。深度学习与放射组学的结合已显示出令人鼓舞的结果[18–20, 48]。在本研究中,我们首次尝试将深度学习算法应用于胃癌相关MSI放射组学特征的计算和重建。与既往研究[45]相比,我们的结果令人鼓舞,并获得了更高的AUC(0.883和0.802)。这可能归因于深度学习算法对放射组学特征的优化、样本量的增加以及本研究中的图像分割水平。此外,我们尝试在联合模型中添加病理特征,但最终结果并未显著提高模型的预测性能,反映了治疗前放射组学在预测胃癌患者MSI状态方面的独立价值。为提高临床实用性,我们将临床影像模型可视化为基于逻辑回归的列线图,以生成MSI的预测概率,使其可作为虚拟活检工具支持临床医疗决策。
需要注意的是,我们的研究也存在局限性。首先,这是一项单中心回顾性研究,不可避免地存在患者选择偏倚。尽管我们尝试纳入相对较多的病例(n = 223),但考虑到亚洲胃癌的高发病率,研究样本仍然较小,这可能影响模型的泛化能力。其次,由于机器学习固有的黑箱特性,模型数据输入与输出之间的过程难以解释,这种缺乏透明性对临床实践有影响,因此我们计划在未来应用更透明、可解释的医学算法[49, 50]。最后,我们也注意到了双能CT(DECT)在放射组学中的地位,未来我们计划在DECT中心收集病例,以研究DECT在胃癌MSI虚拟活检研究中的获益。
补充信息
附加文件1。临床基线数据指标和CT扫描仪参数。
引用
- Jiang Z, Xie W, Zhou X, et al. A virtual biopsy study of microsatellite instability in gastric cancer based on deep learning radiomics. Insights Imaging. 2023. PMID: 37286810. doi:10.1186/s13244-023-01438-1
- 全文:PMC10247640(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10247640/
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。