文献速递腹部泌尿生殖CT

基于3D-CT多尺度特征的自动分析框架准确预测实质性肾细胞癌Ki67表达水平

Automatic analysis framework based on 3D-CT multi-scale features for accurate prediction of Ki67 expression levels in substantial renal cell carcinoma.
PubMed 文献 · Insights Imaging · 2023-07-19

本研究为回顾性多中心队列,纳入588例经病理确诊的实质性肾细胞癌患者,构建基于3D UNet分割、多尺度特征提取和XGBoost分类的自动分析框架预测Ki67高低表达。内部验证最优模型AUROC为0.87±0.1,外部测试集为0.82±0.1。

要点

  • 联合肾脏与肿瘤特征预测Ki67的AUROC为0.87±0.1,优于单肾脏特征0.79±0.1和单肿瘤特征0.84±0.1。
  • 外部测试集最优模型预测低vs高Ki67的AUROC为0.82±0.1,提示框架有一定泛化能力。
  • SHAP分析显示肿瘤一阶10P是模型决策中影响最大的特征。

核心结论

  • 作者认为基于3D-CT多尺度特征的自动分析框架在准确预测实质性肾细胞癌Ki67表达水平方面具有较大潜力。

研究设计与样本

  • 回顾性多中心研究,纳入2017至2022年五个医疗中心588例接受肾切除术的实质性肾细胞癌患者。
  • 数据集分为内部集485例(训练集388例占80%、内部验证集97例占20%)和外部测试集103例(来自一家地方医院)。
  • 采用3D UNet分割肾脏与肿瘤,基于肾-肿瘤特征提取多尺度特征,使用XGBoost构建Ki67高低表达预测分类器,并采用五折交叉验证。

关键影像表现/征象

  • 原文未报告影像征象类表现,仅描述自动分割模型在测试病例中表现优秀,红色ROI代表肾脏、绿色ROI代表肿瘤。

诊断标准与关键数值

  • Ki67表达水平大于或等于5%分类为高风险,小于5%分类为低风险。
  • 单肾脏特征、单肿瘤特征、肾-肿瘤联合特征预测Ki67的AUROC分别为0.79±0.1、0.84±0.1、0.87±0.1,准确率分别为0.71、0.78、0.81(95%置信水平)。
  • 内部验证五折交叉验证AUROC分别为0.75±0.1、0.75±0.1、0.83±0.1、0.77±0.1、0.87±0.1,准确率分别为0.67、0.70、0.71、0.70、0.82。
  • 最优模型在内部验证集和外部测试集预测低vs高Ki67的AUROC分别为0.87±0.1和0.82±0.1。

临床应用与阅片要点

  • 作者认为该框架可自动、无创、动态地预测实质性肾细胞癌Ki67表达水平,可作为临床治疗决策的有价值参考。
  • SHAP分析显示肿瘤一阶10P和pca 130在低vs高Ki67预测中起关键作用,肿瘤一阶10P是最有影响力的特征。
  • 去除SHAP值为零的特征后重新训练,模型AUROC仍达0.87(95%置信区间),提示特征数量对XGBoost过拟合影响较小。

局限性

  • 回顾性和多中心性质可能导致数据异质性和过拟合,影响模型性能。
  • 模型虽能预测Ki67高低表达,但该预测对患者结局的影响尚不清楚,需长期随访研究和前瞻性研究评估其临床意义。
  • 需进一步研究优化和提高模型准确性,可能通过纳入额外影像特征或使用深度学习算法实现。
全文中译10 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:Insights Imaging. 2023 Jul 19;14:130. doi: 10.1186/s13244-023-01465-y

引言

肾细胞癌(RCC)是成人中最常见的肾脏肿瘤,也是第二常见的泌尿系统肿瘤,占所有癌症的3%[1]。在过去二十年中,全球RCC发病率每年持续上升2%[2]。在初诊时,很大一部分(约20–30%)RCC患者已有远处转移,并且相当数量(约20–30%)的局限性RCC患者在根治性肾切除术后仍会发生转移,其中10–15%的病例最终导致死亡[3]。因此,早期准确识别预后不良的RCC患者至关重要,具有重要的临床意义。

Ki-67是一种反映细胞增殖状态的核抗原,在增殖细胞整个细胞周期中均有表达(G0期除外),与肿瘤增殖和侵袭密切相关。许多研究表明Ki-67是RCC中有用的预后标志物,高表达水平与不良预后及晚期临床病理特征相关[4–6]。Ki67检测需要病理穿刺,这是一种有创操作,存在肿瘤针道转移或感染等风险。此外,由于RCC患者可能经历复发或多次重复手术,开发一种无创、动态的Ki67预测模型具有重要临床价值。

CT是RCC患者术前评估和术后监测的主要影像学方法,是标准患者诊疗的关键组成部分[7]。近年来,机器学习算法在医学图像分析领域展现出前景,并已在多种癌症中证明其能够准确预测Ki67[8–11]。尽管这些模型具有有前景的预测性能,但其中许多模型在临床实际应用方面存在局限性。两个具体局限包括:依赖放射科医师对模型所学习的目标区域进行手动标注,这在临床实践中不切实际。此外,大多数模型仅提供分类结果,而未提供这些结果背后决策逻辑的洞察,导致临床医生在实施时产生不信任和犹豫[12]。

据我们所知,目前尚无文献报道基于机器学习的CT特征在大量RCC患者中对Ki67的预测价值。鉴于分析的复杂性和多样性,提取更全面的图像特征以实现准确预测至关重要。在本研究中,我们提出了一种自动分析框架,包括三个关键模块:使用3D UNet构建的3D肾脏和肿瘤分割模型、基于肾脏–肿瘤的3D-CT多尺度特征提取器,以及使用XGBoost的低或高Ki67预测分类器。为确保框架的稳健性,我们采用了五折交叉验证策略。此外,我们使用了一种名为SHAP的定量模型解释方法来探索每个特征的贡献。

材料和方法

研究人群

本研究是对多中心数据集的回顾性分析,涵盖2017年至2022年间在五家医疗中心因大体积肾细胞癌接受肾切除术的588名参与者。数据集分为485名参与者的内部组和103名参与者的外部测试组,内部组进一步分为388名参与者(80%)的训练组和97名参与者(20%)的内部验证组。数据收集方案经当地机构审查委员会批准(KY2022-036-01),并豁免知情同意,因为本研究依赖于匿名临床数据和图像。

按照图1a中概述的纳入标准和处理方案,我们排除了临床和病理信息不完整的病例,并将分析限制在皮髓质期图像。纳入标准:1. 接受部分或根治性肾切除术,并经病理证实为大体积肾细胞癌;2. 连续成人患者;3. 术前未接受化疗或放疗。排除标准:1. 肾脏和肿瘤区域语义分割不完整;2. 囊性肾癌患者;3. 非皮髓质期图像;4. 临床病理诊断报告不完整;5. 图像质量低的患者(低分辨率、紊乱和模糊图像)。

图1 基于3D-CT多尺度特征准确预测大体积肾细胞癌Ki67表达水平的分析框架。a 研究流程流程图。b 自动分析框架:利用3D UNet模型分割病灶,并从多尺度提取的特征用于预测 查看原图 ↗

图像准备与分割

经过严格筛选过程,图像由两名经验丰富的放射科医师和两名熟练的医学生组成的团队精心标注并分为肾脏和肾癌分割区域。基于3D UNet网络[13],我们构建了自动肾脏和肾癌分割模型。其原理是确定一个由一组启发式规则组成的函数“g”,用于调整归一化和重采样技术。包括池化操作、批量大小和图像块大小在内的超参数根据数据集特征选择。为保证精确性,分割结果由一名拥有20年以上经验的专家和多名观察者审查和修正。该过程重复进行以确保勾画的准确性,并为进一步的模型训练做准备。

多尺度特征提取器

3D-CT多尺度特征提取器包括影像组学特征提取器、PCA(主成分分析)矩阵降维特征提取器和SVD(奇异值分解)矩阵分解特征提取器。使用PyPi pyradiomics [14]模块提取CT图像的纹理、形态和统计特征,每个ROI产生100个特征。随后,对CT图像分割后的体素进行降维,调整图像分辨率,使用均值和标准差进行归一化,裁剪以仅包含肾脏或肿瘤区域,并用最小像素填充空区域(详见补充文件和附加文件1:图S1)。通过PCA(每个ROI 256个特征)和SVD(每个ROI 64个特征)进行降维产生三百二十个代表原始体素信息的特征。

模型构建与解释

使用梯度提升决策树(XGBoost,v1.3.3)[15]预测Ki67表达水平。Ki67水平大于或等于5%归类为高风险,Ki67水平小于5%归类为低风险。为评估单肾脏特征、单肿瘤特征和肾脏-肿瘤联合特征的性能,构建了三个Ki67(高风险 vs. 低风险)分类器。

借助SHapley Additive exPlanations(SHAP)[16]将模型决策分解为个体特征影响来探索决策过程。SHAP值越高表明对模型决策的影响越显著。准确率和受试者工作特征曲线下面积(AUROC)以95%置信区间量化,p值小于0.05认为具有统计学意义。统计分析在Python(v3.8)和R(v3.6.3)中进行。

结果

参与者信息

共588例确诊为实质性肾细胞癌的个体参与本研究,包括298例(236,62)男性和290例(149,41)女性。其基本和临床信息汇总见表1。内部集485名参与者随机分为训练集388例(80%)和验证集97例(20%)。其余103名参与者分配至外部测试集(图1a)。自动分析框架如图1b所示。

表1 本研究纳入患者的基本、临床和病理特征 查看原表 ↗

多尺度特征框架提供稳健的分析能力

通过基于结构的3D UNet从CT图像中专业分割肾脏和肿瘤的3D区域。在图2中,分割模型在测试病例中表现出色,红色ROI代表肾脏,绿色ROI代表肿瘤。

如图3a、b所示,单一肾脏特征、单一肿瘤特征以及肾脏-肿瘤特征的AUROC在Ki67分类中分别为0.79 ± 0.1、0.84 ± 0.1和0.87 ± 0.1,在95%置信水平下的准确率分别为0.71、0.78和0.81。在内部验证中,五折交叉验证对低Ki67与高Ki67预测的AUROC分别为0.75 ± 0.1、0.75 ± 0.1、0.83 ± 0.1、0.77 ± 0.1和0.87 ± 0.1,准确率分别为0.67、0.70、0.71、0.70和0.82(图3c、d)。最优模型在内部验证集(图3e)和外部测试集(图3f)中对低Ki67与高Ki67预测的AUROC分别为0.87 ± 0.1和0.82 ± 0.1。

图2 外部数据集中经3D UNET自动分割后的CT图像。a–d 男性,77岁,透明细胞肾细胞癌,行根治性肾切除术,高Ki67(10%)。e–i 男性,60岁,嫌色细胞肾细胞癌,行根治性肾切除术,低Ki67(3%) 查看原图 ↗
图3 多尺度特征提取的分析与结果及所提出框架的性能。a、b 不同区域特征提取的AUROC和准确率。c、d 内部验证集中通过五折交叉验证的Ki67表达水平预测模型的AUROC和准确率。e、f Ki67表达水平预测模型在内部数据集和外部数据集中的AUROC 查看原图 ↗

基于SHAP值的特征贡献评估

通过计算SHAP值评估影像特征对模型预测的贡献,SHAP值将模型的决策分解为每个样本中各单个特征的影响。针对低Ki67与高Ki67预测,前20位驱动特征在蜂群图(图4a)和条形图(图4b)中可视化。蜂群图描绘了原始数据集中各样本的SHAP值和特征值,红色较深的点表示特征值较大,蓝色较深的点表示特征值较低,正的SHAP值表示对应预测的可能性更高。

在图4a、b中,发现肿瘤一阶10P和pca 130在低Ki67与高Ki67预测中起关键作用。为检验模型的降噪能力,我们进行了特征消除实验,即去除SHAP值等于零的特征并重新训练原始模型。结果表明模型性能保持可比,AUROC在95%置信区间下达到0.87。

图4 用于解释Ki67表达水平预测模型的SHAP值排序。a、b 条形图和蜂群图展示了Ki67表达水平预测模型训练集的SHapley Additive exPlanations(SHAP)值 查看原图 ↗

讨论

尽管在肾细胞癌(RCC)的诊断和治疗方面取得了显著进展,但总体预后仍然不佳[3, 17]。细胞过度增殖是癌症的标志。Ki-67是一种核蛋白,是评估肿瘤增殖状态的关键标志物,其表达水平对肿瘤生物学、治疗反应和患者预后具有重要意义。目前,病理学是确定肿瘤Ki-67表达的金标准[4–6]。然而,活检操作具有侵入性并存在播散风险,通常不被推荐。在临床实践中,RCC的无创诊断标准包括CT或MRI扫描上皮质髓质期强化的影像学征象以及肾图期的轮廓描记。如果能够使用影像学方法评估RCC中Ki-67的表达,将为临床医生做出个体化治疗决策提供有价值的信息,这对患者预后至关重要。

医学影像通常被认为是遗传和分子水平过程的产物[18, 19]。因此,采用人工智能技术从医学图像中提取特征,可以在一定程度上揭示组织的分子和基因型基础[20–22]。许多研究者致力于研究癌症中CT特征与Ki-67表达水平之间的关系。Wu等人的研究表明,基于机器学习的CT纹理分析可能是预测肝细胞癌Ki67表达水平的可靠定量策略[9]。Gu等人发现,基于CT的影像组学模型可以预测非小细胞肺癌的高Ki67表达水平[11]。在胶质瘤中,已发现CT特征与Ki-67指数呈显著相关性[8]。然而,基于机器学习的CT图像特征在预测RCC的Ki67表达水平方面的价值仍不确定。

在本研究中,我们构建了一个基于机器学习的综合方法,包括图像处理、语义分割、多尺度特征提取和Ki-67表达水平预测,以提供全自动分析框架。此外,为增强可视化模型的决策能力,我们使用SHAP值量化了每个多尺度特征对模型决策的影响。

众所周知,过多的特征可能导致机器学习中的过拟合。我们发现只有部分特征对XGBoost模型的决策过程产生了决定性影响。如图4a、b所示,肿瘤一阶10P被发现在RCC低vs.高Ki67预测中具有关键作用,可能反映了两者在生长和物理特性上的显著差异。据我们所知,XGBoost算法会为每个特征分配不同的权重并自动执行特征选择。然而,我们仍然担心缺乏特征选择可能导致过拟合问题。为验证这一点,我们进行了特征消除实验,去除SHAP值等于零的特征并重新训练原始模型。从该结果来看,AUROC仍达到0.87,表明在使用XGBoost算法进行模型训练时,特征数量对过拟合的影响较小。

事实上,一个可靠的模型不仅必须能够适应现实场景中的任何给定数据集,还必须产生一致且稳定的结果[23]。在我们的研究中,我们采用了基于自动分割的方法来勾画肾脏和肿瘤区域。这不仅显著减少了所需的时间和成本,还确保了研究结果的可重复性,同时具有一定的泛化能力。

此外,我们的多尺度特征提取策略可以无缝应用于新数据集以完成多样化任务。而且,我们采用了五折交叉验证和异构数据集进行模型验证。尽管存在过拟合的潜在风险,我们模型的外部测试AUROC仍达到了令人印象深刻的0.84。

尽管本研究在预测大量肾细胞癌(RCC)患者的Ki67表达水平方面展示了有前景的结果,但仍有若干局限性应在未来研究中加以解决。首先,本研究的回顾性和多中心性质可能导致数据异质性和过拟合,从而影响模型性能。其次,虽然模型可以预测Ki67低表达和高表达水平,但该预测对患者结局的影响仍未知。需要长期随访研究和前瞻性研究来评估模型预测的Ki67表达水平的临床意义。最后,需要进一步研究来优化和提高模型的准确性,可能通过纳入额外的影像特征或使用深度学习算法来实现。

总之,我们的研究表明,所提出的自动分析框架能够自动、无创且动态地预测大量RCC患者的Ki67表达水平。该预测可作为临床治疗决策的有价值参考。

补充信息

附加文件1. 补充方法。图S1。多尺度特征提取器。200个影像组学特征与512个PCA特征和128个SVD特征整合为840个组合特征输入分类器。

引用

  1. Yang H, Lin J, Liu H, et al. Automatic analysis framework based on 3D-CT multi-scale features for accurate prediction of Ki67 expression levels in substantial renal cell carcinoma. Insights Imaging. 2023. PMID: 37466878. doi:10.1186/s13244-023-01465-y
  2. 全文:PMC10356689(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10356689/

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。