文献速递腹部技术与安全MR

T2W与DWI MRI的影像组学特征可预测结直肠癌肝转移瘤的肿瘤缺氧

Radiomic signatures from T2W and DWI MRI are predictive of tumour hypoxia in colorectal liver metastases.
PubMed 文献 · Insights Imaging · 2023-07-21

这项回顾性概念验证研究纳入112例患者的116次肝切除、142个结直肠癌肝转移灶,以HIF-1α免疫组化染色指数为参考标准,从术前T2W和DWI序列提取影像组学特征并用机器学习预测肿瘤缺氧。DWI b200(AUC=0.79,95%CI 0.61-0.93,p=0.002)和ADC(AUC=0.72,95%CI 0.50-0.90,p=0.019)的影像组学特征对肿瘤缺氧有显著预测价值。作者认为T2W和DWI序列编码了预测肿瘤缺氧的信息,前瞻性多中心研究有助于开发和验证稳健的无创缺氧检测算法。

要点

  • DWI b200影像组学特征预测结直肠癌肝转移瘤缺氧的AUC为0.79(95%CI 0.61-0.93,p=0.002)。
  • ADC影像组学特征预测肿瘤缺氧的AUC为0.72(95%CI 0.50-0.90,p=0.019)。
  • T2W TE75、DWI b0和b800的预测能力接近但未达统计学显著(p分别为0.092、0.069、0.071)。

核心结论

  • T2W和DWI序列编码了预测结直肠癌肝转移瘤肿瘤缺氧的信息。
  • DWI b200和ADC的影像组学特征可显著预测HIF-1α染色指数所定义的肿瘤缺氧。
  • 作者认为前瞻性多中心研究有助于开发和验证稳健的无创缺氧检测算法。

研究设计与样本

  • 回顾性概念验证研究,单中心队列,来自112例患者的116次肝切除、142个结直肠癌肝转移灶,最终分析按116次肝切除划分训练集(75%)与独立测试集(25%)。
  • 术前MRI包括T2W TE75、T2W TE300及DWI b0、b10、b200、b800和ADC序列,扫描设备为3T Philips Achieva和3T Philips Ingenia。
  • 参考标准为HIF-1α免疫组化染色指数(范围0-9),以0-2为低表达、3-6为高表达,由两名病理医师共识判读。
  • 每例病灶用PyRadiomics提取4032个影像组学特征,采用7种监督特征选择方法的集成筛选(需≥4/7方法选中),并用进化树算法选择、训练和优化机器学习流程。

关键影像表现/征象

  • DWI b200影像组学特征中,模型依赖较高的形态异质性预测缺氧;ADC模型中较低的异质性程度与缺氧相关。
  • Coarse_wavelet-LLL_firstorder_Skewness在b200和ADC两种算法中均被选为有影响的特征。
  • HIF-1α染色显示肿瘤细胞核染色,弱染色时阳性细胞约10%,强染色时阳性细胞约30%(比例尺500 µm)。

诊断标准与关键数值

  • HIF-1α染色指数由染色强度评分(无=0、弱=1、中=2、强=3)乘以阳性细胞比例评分(<10%=1、10-50%=2、>50%=3)得出。
  • 染色指数0-2定义为缺氧低表达,3-6定义为缺氧高表达,与中位数一致。
  • DWI b200预测缺氧的AUC=0.79(95%CI 0.61-0.93,p=0.002)。
  • ADC预测缺氧的AUC=0.72(95%CI 0.50-0.90,p=0.019)。
  • T2W TE75的AUC=0.64(95%CI 0.42-0.82,p=0.092),DWI b0的AUC=0.66(95%CI 0.46-0.84,p=0.069),b800的AUC=0.64(95%CI 0.44-0.82,p=0.071),T2W TE300的AUC=0.57(95%CI 0.33-0.78,p=0.312),b10的AUC=0.53(95%CI 0.33-0.74,p=0.415)。

临床应用与阅片要点

  • 作者认为利用医学图像分析技术和常用成像方式可无创获得结直肠癌缺氧信息。
  • 作者指出,在常规临床流程的MRI序列中,T2加权成像和DWI与缺氧的生物学联系最为密切。
  • 作者观察到较低回波时间的T2图像和较高b值图像能编码更多缺氧状态信息。
  • 作者提到本队列中肝转移灶在TE300上显示不佳,可能导致影像组学特征质量较低、预测能力较弱。

局限性

  • 本文为回顾性、单中心的概念验证研究。
  • 作者指出,T2W TE75、DWI b0和b800的p值未达常规统计学显著阈值,但接近该阈值,提示这些序列可能有一定预测能力,尤其在本研究数据集规模有限的情况下。
  • 作者认为前瞻性多中心研究有助于开发和验证稳健的无创缺氧检测算法。
全文中译12 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 21;14:133. doi: 10.1186/s13244-023-01474-x

引言

肿瘤缺氧是结直肠癌(CRC)中有价值的预后和预测生物标志物 [1–4]。全基因组和微小RNA分析显示,具有缺氧微环境的CRC肿瘤表现出显著恶化的临床结局,尤其是无病生存期 [5, 6]。在其他实体瘤中,对化疗、放疗和免疫治疗的耐药性已被证明与肿瘤缺氧相关 [7–13]。此外,在评估缺氧对局部治疗(如经皮消融、经动脉化疗和放射性栓塞)的作用时,多项研究发现缺氧也会对治疗耐药性产生负面影响和/或诱导更具侵袭性的克隆细胞选择 [14–17]。缺氧驱动的促血管生成因子升高是结直肠癌及其肝转移的标志 [18]。具体而言,在结直肠肝转移的治疗中,缺氧状态也被证明影响对抗血管生成药物的耐药性 [19]或其对照射治疗的易感性,从而影响Y-90放射性栓塞的剂量学规划 [20]。此外,在免疫治疗时代,缺氧也被揭示在目前对结直肠肝转移免疫微环境的理解中发挥重要作用 [21]。

直接插入肿瘤的极谱氧电极被认为是测量肿瘤缺氧的金标准。然而,在常规临床工作流程中,更常进行组织病理学分析,其中组织缺氧标志物,如缺氧诱导因子-1(HIF-1)α,最为相关 [22]。两种方法都有相似的缺点:侵入性、仅限于可触及的肿瘤,以及无法考虑肿瘤异质性 [23]。此外,这些方法无法提供微环境氧合变化的纵向信息。开发一种非侵入性的、稳健的基于影像的技术来评估肿瘤缺氧,将改善患者选择、治疗监测和治疗调整。

随着医学图像分析研究在临床领域获得认可,影像组学结合机器学习的应用日益受到关注。影像组学特征和标签已与长期预后以及对局部和全身治疗的反应相关联 [24–28]。影像组学的突出应用领域之一是影像基因组学,其中形态学表型与潜在的肿瘤基因型相关联 [29, 30]。随着从肿瘤中收集的信息越来越多,影像基因组学的范围已超越严格的体细胞突变分析,现在涵盖更广泛的生物学参数,特别是来自肿瘤微环境的参数 [30, 31]。

既往文献已尝试使用影像组学进行组织学/放射学相关性研究。更具体地说,CT衍生的影像组学特征已与缺氧的PET成像相关联 [32]。其他研究已显示基于影像组学的患者分层(例如关于反应或生存)与缺氧通路相关基因标签之间的联系 [33–35]。

在这个原理验证项目中,我们旨在利用MRI衍生的影像组学特征和新型机器学习方法,无创预测结直肠癌肝转移患者组织病理学肿瘤缺氧的程度。我们假设,通过利用医学图像分析技术和广泛可用的成像模态,可以获得对结直肠癌缺氧的无创洞察。

方法

患者队列和数据收集

我们回顾性收集了2015年4月至2020年1月期间在我们机构(荷兰癌症研究所,阿姆斯特丹)接受肝切除术的所有已知肝转移的结直肠癌患者的临床患者数据。我们的初始队列包括370名患者,其中248名受试者因既往全身治疗(n = 143)、MRI缺失或过旧(> 2个月,n = 29)、非癌性肝脏病变(n = 15)和黏液亚型(n = 14)而被排除。接受过既往全身治疗的患者被排除,因为不同治疗预期会对微环境产生影响,引入噪声和变异性。无法在影像和病理之间进行准确匹配的病例被立即排除(n = 9)。匹配失败的原因包括同一肝段内存在多个病变,或病理报告与MRI报告之间所报告的肝段存在差异。图1描绘了突出显示被排除病例的详细流程图。本分析中使用的最终队列为112名患者,包括116次手术和142个转移灶,这些患者的MRI数据和组织病理学肿瘤缺氧信息均已收集。所有已进行的研究均已获得荷兰癌症研究所机构审查委员会(IRB)的生物伦理批准,阿姆斯特丹(IRBdm20-066)。

图1 研究排除标准。CRC-结直肠癌,CLM-结直肠癌肝转移,PA-病理学 查看原图 ↗

MRI和肿瘤分割

回顾性查询图像归档与通信系统(PACS)以检索我们队列中患者的术前MRI扫描。对于每次肝切除术,我们选择最接近手术日期之前的MRI扫描。除回波时间外,使用两个T2加权序列(TE75、TE300),视野为400 × 400 × 233(前后 × 左右 × 头足)mm,重建平面内体素为1 × 1(前后 × 左右)mm,层厚5 mm(头足方向),回波时间分别为75和300 ms,重复时间为2725 ms,无脂肪抑制。从弥散加权扫描中采集五个常规可用序列(b0、b10、b200、b800和ADC),视野为450 × 400 × 251(前后 × 左右 × 头足)mm,重建平面内体素大小为1.75 × 1.75(前后 × 左右)mm,回波时间86 ms,重复时间1447 ms,并使用SPAIR脂肪抑制脉冲——每次肝切除术最多可有七个序列可用。所选回波时间和b值基于我们中心用于评估结直肠肝转移的标准MRI方案,该方案依据临床实践指南并结合平衡图像质量与采集时间的需要而制定,符合我们机构放射科的偏好。采集全部四个b值序列加ADC,以探索弥散加权成像与缺氧之间所有可能的关联。扫描在3 T Philips Achieva和3 T Philips Ingenia(Philips Healthcare,Best,荷兰)上进行,使用前部和内置后部线圈作为接收线圈。我们肝脏检查中使用的含钆对比剂在采集所纳入的T2W和DWI序列之后给药。使用3DSlicer(v.4.10.2)查看放射学图像并进行手动分割(N.B.,委员会认证放射科医师,具有四年肝脏成像专业经验)。由于所有分割均由单一放射科医师完成,我们得以降低阅者间变异性的风险。每个序列均独立分割。未就序列间分割可推广性作出任何假设。附加文件1:S1显示了各序列分割之间在三维直径和体积方面的成对相关性。

类似于(存在时)切除两个最大病灶并随后选择进行染色的方式,一位专家放射科医师将相同的标准应用于MRI图像上的CLM勾画。肝转移瘤根据病灶位置在MRI与病理之间进行匹配。对两个最大的肝转移瘤进行分割以考虑肿瘤间异质性。进行成对分析以评估不同序列分割之间的相关程度(以体积和直径计,附加文件1:S1)。所有图像和注释文件均按NRRD格式保存。

影像组学特征提取与选择

使用PyRadiomics(v3.0)从每个勾画的病灶中提取了4032个影像组学特征。提取的特征包括一阶统计量、二维和三维形状特征、灰度依赖矩阵(GLDM)特征、灰度游程长度矩阵(GLRLM)特征、灰度共生矩阵(GLCM)特征、灰度大小区域矩阵(GLSZM)特征以及邻域灰度差矩阵(NGTDM)特征,每类特征均应用了一组滤波器(平方、平方根、对数、指数、梯度、小波、高斯拉普拉斯以及三维局部二值模式)。通过将数据中心化至均值并除以标准差对数据集进行归一化,以消除潜在的扫描仪层面差异。每个影像组学特征向量代表所分割感兴趣区域的形态学表型。PyRadiomics生成的影像组学特征的完整描述可见van Griethuysen等[36]。

所得特征空间面临维数灾难问题,即特征数量大于样本数量。这种情况通常导致数据中噪声增加,使机器学习模型更容易对训练数据过拟合,而较不可能泛化到未见信息。我们进行了集成特征选择,以在庞大的影像组学特征空间中识别最具代表性/相关性的特征。在该方法中,七种监督式特征选择方法(卡方检验、与结局的相关性、随机森林、线性回归、逻辑回归、递归特征选择以及轻量梯度提升机)将针对特定结局(例如缺氧染色指数高 vs. 低)独立选择前100个最相关特征。随后,仅由多数方法(>= 4/7种方法)选出的特征被纳入分析。集成特征选择方法通过利用特定选择方法的优势来克服其他方法的弱点,有助于确保研究中仅使用具有最大相关性的特征[37, 38]。特征选择仅在训练集上进行以防止数据泄漏。所选特征随后被推广至独立测试集。每个序列所选的特征可见附加文件1:S2。

肿瘤缺氧的组织病理学评估

我们查询了本机构生物样本库,以获取最终队列中患者的存档切除标本。作为细胞对缺氧反应的关键调节因子,HIF-1 alpha是结直肠癌肿瘤缺氧可靠且永久的组织病理学标志物,可在组织切除和储存后被准确检测[39]。肿瘤缺氧由两名委员会认证的病理学家基于每位患者切除样本的HIF-1 alpha免疫组织化学染色进行共识判读来评估(附加文件1:S3)。当切除多个肝脏病灶时,对两个最大的肝转移灶标本进行染色。病理学家为每个肿瘤选择两张代表性的结直肠肝转移切片(中央和周边)。HIF-1 alpha表达基于已建立的半定量(且主观的)染色指数进行分类[40, 41]。染色指数(范围:0–9)通过将染色强度评分(无=0,弱=1,中等=2,强=3)与阳性HIF-1 alpha细胞比例评分(< 10% = 1,10–50% = 2,> 50% = 3)相乘确定,两者均在两位病理学家的共识判读中进行定性评估。在我们的队列中,指数范围为0至6,没有病例评分为3,且由于乘法过程,评分5不可能出现。染色指数截断值设定为0–2为HIF-1 alpha阴性/低表达,3–6为高表达,与中位数一致[40]。由于我们的病理学家认为该方法更具临床相关性,因此使用阳性细胞百分比更高且染色强度更强的切片来计算染色指数。

建模与机器学习

分析基于116例切除的数据进行,该数据由病理学参考标准(HIF-1染色指数,高 vs. 低)与切除前MRI扫描(具有可用序列)配对组成。该数据被分为训练集(75%)用于训练和优化机器学习算法,以及独立测试集(25%)用于评估模型对未见数据的泛化能力。为发现建模数据的最佳机器学习流水线(由分类器、超参数和处理步骤组成),使用了基于树的进化算法(通过Python库TPOT)[42]。在此设置中,我们将训练数据提供给遗传算法,并使用遗传选择方法自动探索机器学习空间。在每一代中,候选流水线使用五折交叉验证方案进行评估。表现最佳的模型随后被自动“变异”,即被修改以提高下一轮的性能。该模型创建和评估过程持续进行,直到出现最终的候选机器学习算法。所选模型和超参数在未见的独立测试集上进行测试(附加文件1:S4)。

统计分析

为了评估预测性能,我们测量了受试者工作特征曲线下面积(AUC)。此外,我们计算了精确率-召回率AUC(PR AUC)、准确率、敏感度、特异度、F1分数、阴性预测值(NPV)和阳性预测值(PPV)。采用1000次抽样的自举法计算所有评价指标的95%置信区间。使用Mann–Whitney U检验比较各类别之间的预测值并检验显著性[27]。高于常规阈值(0.05)的p值被认为具有统计学显著性。

计算机器学习模型所使用特征的Shapley值,以深入了解AI在未见测试集上的预测。针对每个MRI序列,绘制对预测影响最大的特征。图2给出了研究设计和分析工作流程的总体概览。所有分析均使用Python 3.6(scikit 0.22.1、pandas 1.0.1、numpy 1.18.1、matplotlib 3.1.3、tpot 0.11.2、shap 0.37.0)完成。

图2 突出显示(a)研究设计以及(b)影像组学/机器学习工作流程的示意图。专家读者勾画了切除前MRI图像,并从这些感兴趣区域中提取手工影像组学特征。机器学习分类器的选择、训练和超参数优化采用进化遗传学方法进行。然后,在未见验证队列中评估候选模型的预测性能。 查看原图 ↗

结果

临床和影像学特征

最终纳入分析的队列包括112例患者、116次肝切除和142个结直肠肝转移灶(图1)。4例患者在其治疗史的不同时间点接受了两次切除,因此共有116次切除并具备影像学和生物学数据。患者平均年龄为64.1岁(± 10),男性略多(n = 68,59%)。我们数据集中的所有患者均接受了肝切除。在仅切除单个病灶的病例中(n = 86例患者,77%),该病灶被直接纳入研究。在切除> 1个病灶的患者中(n = 26例患者,23%),纳入两个> 1 cm的最大病灶。切除前MRI采集与肝切除之间的中位时间间隔为25.5天(IQR = 16.5–35天)。HIF-1 alpha染色在NKI核心设施—分子病理学与生物样本库的存档标本上进行(染色方案见附加文件1:S3)。根据缺氧染色强度指数评分,患者被标记为“缺氧低”(n = 67,47%)或“缺氧高”(n = 75,53%)(图3)。由于两个类别(缺氧高/低)均衡,未使用上采样/下采样技术。

随后由一名放射科医师对切除前MRI扫描进行勾画,重点关注T2W TE75(可获得n = 92/116,79%)、T2W TE300(n = 85/116,73%)、DWI b0(n = 100/116,86%)、DWI b10(n = 113/116,97%)、DWI b200(n = 99/116,85%)、DWI b800(n = 116/116,100%)和ADC(n = 110/116,95%)(在可获得时)。我们患者队列的详细特征见表1。每个序列均单独分割,各序列分割之间的相关性> 0.95(对于直径)和> 0.97(对于体积)。各序列分割之间的详细两两相关性见附加文件1:S1。

图3 HIF-1α染色。结直肠癌肝转移中的HIF-1α染色。上排:少数肿瘤细胞(10%)中HIF-1α核染色弱。下排:部分肿瘤细胞(30%)中HIF-1α核染色强。比例尺500 µm 查看原图 ↗
表1 患者特征 查看原表 ↗

影像组学分析

从七个MRI序列中分别提取特征,共获得4032个影像组学特征,编码每个分割肝转移灶的完整形态学表型。监督式集成特征选择确定了每个MRI序列中与预测肿瘤缺氧最相关的影像组学特征标签。这些标签根据MR序列不同,包含7至24个影像组学特征(见附加文件1:S2)。对于每个影像组学MRI特征标签,我们采用基于进化树的算法方法来选择、训练和优化机器学习算法的超参数以预测缺氧(附加文件1:S4)。

来自DWI b200(AUC = 0.79,95% CI = 0.61–0.93,p = 0.002)和ADC(AUC = 0.72,95% CI = 0.50–0.90,p = 0.019)的影像组学特征标签对肿瘤缺氧具有显著预测作用。解剖成像方面,T2W TE75(AUC = 0.64,95% CI 0.42–0.82,p = 0.092)以及功能成像b0(AUC = 0.66,95% CI 0.46–0.84,p = 0.069)和b800(AUC = 0.64,95% CI 0.44–0.82,p = 0.071)图像显示出预测能力的趋势。尽管p值未达到统计学显著性的常规阈值,但已接近该阈值,提示这些成像序列可能存在一定的预测能力,尤其是在我们数据集规模有限的情况下。

在我们的队列中,来自T2W TE300(AUC = 0.57,95% CI 0.33–0.78,p = 0.312)和b10(AUC = 0.53,95% CI 0.33–0.74,p = 0.415)图像的影像组学特征对肿瘤缺氧的预测能力较差(图4)。每个算法在其各自MRI序列上的完整性能指标见表2。

对每个机器学习算法计算Shapley值,以确定每个特征对预测的影响及其相对重要性(图5)。在两个AI模型做出统计学显著预测的序列(DWI b200和ADC)中,缺氧影像组学特征标签内的特征反映了形态学异质性。在b200图像上,AI模型依赖较高的形态学异质性值来预测缺氧。相反,在ADC上,较低程度的异质性与缺氧相关。

图4 为每个MRI序列所选机器学习算法的性能指标。NPV,阴性预测值;PPV,阳性预测值;PR AUC,精确率-召回率AUC 查看原图 ↗
表2 机器学习算法的性能指标 查看原表 ↗
图5 b200和ADC中预测肿瘤缺氧最相关特征的Shapley汇总图。SHAP值反映单个特征对预测的影响,而点的颜色代表该特定特征的值 查看原图 ↗

讨论

在这项概念验证研究中,我们旨在探索MRI衍生的影像组学特征在无创预测肿瘤缺氧方面的潜力。在临床工作流程中常规进行的磁共振成像(MRI)扫描中,T2加权成像和DWI与缺氧具有最深刻的生物学联系[43–45]。临床前研究也表明,ADC和T2 mapping有助于在小鼠模型中成像肿瘤缺氧[46, 47]。基于此,我们决定将影像研究的范围聚焦于T2W和DWI序列及其衍生的参数图。

在我们的基线结直肠肝转移队列中,源自ADC图和DWI b200图像的影像组学特征与组织病理学肿瘤缺氧显著相关。源自T2W TE75、DWI b0和DWI b800的影像标志物也能预测HIF-1 alpha染色指数,尽管略微未达到统计学显著性。总体而言,较低的spin echo时间和较高b值图像能够编码更多关于缺氧状态的信息。这些发现与我们目前对MRI下缺氧的理解一致。

肿瘤缺氧通常受灌注和扩散的影响,前者与急性缺氧相关,后者与慢性缺氧相关[48, 49]。随着组织快速生长,细胞密度增加,这可能是水扩散受限的一种机制。然而,当肿瘤生长超过其血管化速度时,缺氧随之发生,通常导致细胞密度较低的坏死区域[50]。细胞生长/密度与血管化/缺氧之间的消长变化可能是功能DWI(和ADC)检测缺氧变化的机制。扩散主要在高b值序列中可视化,位于灌注分数范围之外,以及在ADC图中。在慢性肿瘤缺氧中,此类图像(即b200、b800和ADC)应能提供更多信息。

除了扩散加权功能序列外,T2W成像也可与缺氧相关联。在采集过程中,氧相关顺磁性分子之间的平衡影响邻近组织的T2时间常数。电子的存在定义了此类分子。突出的例子包括分子氧、脱氧血红蛋白、高铁血红蛋白以及氧相关的抗磁性分子如氧合血红蛋白。顺磁性分子浓度越高,T2时间常数越短[51, 52]。在较低回波时间下采集的T2图像为模型预测缺氧提供了更有用的信息。在我们的队列中,我们观察到肝转移瘤在TE300上显示不佳,可能导致影像组学特征质量较低、预测能力较差。较高回波时间下不同组织之间对比噪声比的降低(由于T2弛豫)可以解释这一现象。在这种情况下,各种组织的信号强度在衰减进入噪声的同时会趋于接近。

我们观察到,每个序列所选出的影像组学特征共同编码了形态学异质性(补充文件1:S2)。DWI b200和ADC模型的影像组学标签由在粗分辨率和中等分辨率下提取的影像组学特征组成。尤其是ADC模型的影像组学标签,选出了多个代表偏度的特征(具有不同的分辨率/滤波器)。对使用DWI b200数据训练的模型进行SHAP分析显示,较高水平的形态学异质性通常促使模型预测缺氧(Coarse_wavelet-LLL_firstorder_Skewness除外)。ADC图的情况则相反,较低的形态学异质性值与肿瘤缺氧预测相关。Coarse_wavelet-LLL_firstorder_Skewness在b200和ADC算法中均被选为有影响力的特征,进一步突显了偏度作为缺氧的MR成像标志物的潜力。

大多数利用成像解锁缺氧信息的尝试都集中在使用PET上。靶向HX4、硝基咪唑类似物和ATSM的示踪剂均已被证明可显示缺氧[53–56]。PET缺氧成像的挑战在于,氧合低的肿瘤往往灌注不足。有限的血管化和灌注限制了PET示踪剂向肿瘤(微环境)的递送[57]。从非靶向(解剖和功能)成像中提取的影像组学特征有助于弥补这一不足。总体而言,关于影像组学与肿瘤缺氧之间关联的文献很少,更不用说专门针对结直肠癌的了。Sanduleanu等人开发并验证了从FDG-PET和CT图像中提取的疾病无关影像组学标签[32]。PET/CT标签的预测性能与我们在DWI/T2W成像中识别的标签相似(AUC范围=0.7–8)。在一小队列胆管癌患者中,Sadot等人发现了CT纹理分析与VEGF之间的关联[58]。CT影像组学特征也被用于与哌莫硝唑(一种硝基咪唑类似物缺氧标志物)的组织病理学相关性研究[59]。对17例原发性肝癌患者的DCE MR成像也显示抗血管生成治疗诱导的变化与缺氧相关[60]。

据我们所知,本研究首次探讨肿瘤缺氧与常规MR序列提取的影像组学特征之间的关联。我们的数据集本质上是回顾性的,且由于HIF-1α缺氧染色并非常规临床工作流程的一部分,队列规模较为有限。因此,我们的参考标准不得不与病理科合作,利用存档标本主动生成。所有缺氧评分均来自专门为本项目进行的患者存档组织缺氧染色。鉴于合适人体组织的稀缺性及相关成本,本研究的样本量相对有限。由于我们的金标准并非常规生成,创建大型训练集或外部数据集具有挑战性。此外,由于数据集为回顾性获取,并非所有患者在PACS中均具备所有序列,这与真实世界临床数据的复杂性有关(例如转诊医生的偏好、时间安排及患者个体因素)。由于这一规模有限的回顾性队列的异质性,也无法探索与生存的关联。基线组织和MR扫描纳入本研究的患者随后会接受不同的治疗,使得比较具有挑战性,特别是因为缺氧状态来源于某一病灶,而生存可能受到其他患者层面差异的混杂影响(例如分期、合并症等)。具有详细患者纳入和匹配的前瞻性研究可探索缺氧AI模型预测生存的潜力。

尽管存在这些局限性,我们能够在T2W和DWI上,尤其是在b200和ADC上,识别出有前景的肿瘤缺氧影像组学特征。在临床实践中,本研究结果可为旨在改善各种肝脏导向治疗患者选择以及通过更积极的肿瘤靶向治疗或使用缺氧修饰药物来促使治疗调整的进一步研究打开大门。

结论

通过影像组学特征量化的形态学表型被发现可预测肿瘤缺氧。这些发现表明,解剖T2W和功能DWI MRI序列所包含的信息可用于肿瘤缺氧的无创预测。对缺氧等微环境特征的放射基因组学预测可为肿瘤生物学提供重要见解,尤其是在纵向研究环境中。然而,由于本研究为概念验证性研究,需要大规模前瞻性多中心研究来开发和验证稳健的缺氧预测算法。

补充信息

附加文件1。补充材料,包含序列之间的相关性、影像组学特征、染色方案以及所选模型/超参数。

引用

  1. Bodalal Z, Bogveradze N, Ter Beek LC, et al. Radiomic signatures from T2W and DWI MRI are predictive of tumour hypoxia in colorectal liver metastases. Insights Imaging. 2023. PMID: 37477715. doi:10.1186/s13244-023-01474-x
  2. 全文:PMC10361926(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10361926/

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。