基于DCE-MRI的影像组学预测肝细胞癌中血管生成素-2的表达
回顾性分析52例肝细胞癌患者术前上腹部DCE-MRI及IVIM-DWI数据,基于早期和晚期动脉期及门静脉期提取影像组学特征建模。影像组学模型、临床-影像模型及联合模型预测Ang-2表达的AUC分别为0.800、0.874和0.933,联合模型预测效能最高且净获益最大。
要点
- D*和f是预测肝细胞癌Ang-2表达的独立影像学预测因子。
- 联合模型(影像组学评分+临床-影像因素)AUC为0.933,高于影像组学模型0.800和临床-影像模型0.874。
- 联合模型AUC显著大于其他两个模型(p<0.05),DCA显示其净获益最高。
核心结论
- 基于DCE-MRI的影像组学模型有潜力预测肝细胞癌患者的Ang-2表达。
- 将影像组学评分与临床-影像因素整合的联合模型可进一步提高预测性能。
研究设计与样本
- 回顾性分析52例经手术切除的肝细胞癌患者,术前均行上腹部DCE-MRI和IVIM-DWI扫描。
- 采用Discovery 750 3.0-T超导MRI扫描仪(GE,美国)及32通道相控阵接收线圈。
- 以免疫组化为参考标准,Ang-2表达强度评分0和1为低表达,2和3为高表达。
- 从轴位DCE-MRI早期动脉期、晚期动脉期和门静脉期提取352个影像组学特征,经一致性检验、单因素分析和LASSO降维筛选特征。
- 建立影像组学模型、临床-影像模型和联合模型,采用10折交叉验证评估模型稳定性。
关键影像表现/征象
- D*和f是预测Ang-2表达的独立影像学预测因子。
- 52例患者中高表达Ang-2者30例(57.7%),低表达者22例。
- 最终筛选出4个影像组学特征用于建模。
诊断标准与关键数值
- 影像组学模型预测Ang-2表达的AUC为0.800(95%CI 0.662–0.938)。
- 临床-影像模型预测Ang-2表达的AUC为0.874(95%CI 0.781–0.968)。
- 联合模型预测Ang-2表达的AUC为0.933(95%CI 0.868–0.998)。
- DeLong检验显示影像组学模型与临床-影像模型AUC无显著差异(p>0.05),联合模型AUC显著大于其他两个模型(p<0.05)。
临床应用与阅片要点
- 术前DCE-MRI影像组学联合临床-影像因素可用于无创预测肝细胞癌Ang-2表达,辅助预后判断与靶向治疗策略制定。
局限性
- 手动分割ROI时,部分图像边界不清仍可能导致分割不准确。
- 本研究为回顾性研究,可能存在选择偏倚。
- 样本量小且为单中心研究,缺乏有效的外部验证。
全文中译9 节 · 点击展开
引言
肝细胞癌(HCC)是全球第六大常见癌症,也是全球癌症死亡的第三大原因[1]。肿瘤生物学行为日益被认为是对预后有重要影响的因素。肿瘤血管生成是多种促血管生成介质与效应细胞之间复杂相互作用的结果[2]。对血管生成分子机制认识的迅速深入,促使抗血管生成药物问世用于治疗癌症,数以千计的患者从血管内皮生长因子(VEGF)和血管生成素抑制剂中获益[3, 4]。血管生成素是内皮细胞受体Tie-2的配体,在肿瘤血管生成中发挥重要作用。研究表明,肿瘤中血管生成素-2(Ang-2)表达相对于Ang-1表达升高与不良预后相关[5]。仑伐替尼治疗后肿瘤细胞中Ang-2表达降低,因为抗VEGF治疗被认为可通过使肿瘤血管正常化和减少肿瘤微环境中的缺氧来降低肿瘤细胞中Ang-2的表达[6, 7]。Ang-2水平的早期变化可能有助于预测接受仑伐替尼治疗的HCC患者的临床疗效和无进展生存期(PFS)[8]。因此,检测HCC组织中Ang-2的表达可能有助于预测预后和制定靶向治疗策略。
影像特征可作为分子替代标志物,用于多种人类癌症的诊断和预后评估以及可能的基因表达相关治疗反应的评价[9]。Le Bihan等[10, 11]提出了体素内不相干运动扩散加权成像(IVIM-DWI),该技术可通过双指数模型区分水分子扩散与微血管灌注,从而无创地观察人体组织的微观结构。近年来,荷兰学者Lambin等[12]提出了影像组学的概念,即基于图像分析自动高通量提取大量图像特征。实体瘤在不同水平上具有不同的空间和时间异质性,限制了基于活检的分子检测的应用,但为非侵入性影像组学提供了巨大机遇[13]。
迄今为止,尚无关于基于动态对比增强磁共振成像(DCE-MRI)的模型预测HCC组织中Ang-2表达的报道。因此,本研究探讨了术前基于DCE-MRI的影像组学预测HCC中Ang-2表达的功效。
材料与方法
患者
纳入52例接受手术切除的HCC患者。所有患者均接受术前上腹部DCE-MRI扫描和IVIM-DWI扫描。纳入标准如下:经病理检查确诊为HCC;未接受抗肿瘤治疗;肝脏病灶> 1 cm;术前一周内完成MRI扫描。排除标准如下:MRI禁忌证及影响图像分割的图像质量不佳。收集可能与Ang-2表达相关的临床特征。实验室指标根据阈值分类为分类变量。
免疫组化检测
Ang-2抗体购自英国Abcam公司,稀释比例为1:250。标本取自经组织病理学确诊、在我院接受MRI检查和手术切除的HCC患者。采用S-P免疫组化染色法对免疫组化染色结果进行评分。由2名医师对同一张切片进行诊断评估。当存在分歧时,经讨论后得出结论。每张切片记录6个高倍视野下的染色程度。Ang-2蛋白表达强度评分如下:0(无染色)、1(弱染色,淡黄色)、2(中度染色,棕色)、3(强染色,黄褐色)。评分为0和1视为低表达,评分为2和3视为高表达[14]。
MRI扫描
采用Discovery 750 3.0-T超导MRI扫描仪(GE,美国),配备32通道相控阵接收线圈。序列如下:屏气横轴位脂肪抑制T1加权成像(T1WI)扫描,以及呼吸触发横轴位脂肪抑制T2WI和IVIM-DWI扫描。T1WI序列参数如下:重复时间(TR)/回波时间(TE),4 ms/2 ms;各向异性分数(FA),12;矩阵,260 × 192;视野(FOV),36 cm × 36 cm–40 cm × 40 cm;层厚/层间距,5 mm/0 mm。T2WI序列参数如下:TR/TE,2609 ms/97 ms;FA,110.0;矩阵,384 × 384;FOV,36 cm × 36 cm–40 cm × 40 cm;层厚/层间距,5 mm/1 mm。IVIM-DWI序列参数如下:9个b值(b = 0、20、50、100、150、200、400、800和1000);TR/TE,3529 ms/60.8 ms;矩阵,128 × 160;FOV,36 cm × 36 cm–40 cm × 40 cm;层厚/层间距5 mm/1 mm。多期DCE-MRI扫描时,使用高压注射器将对比剂Gd-DTPA(15–20 ml)注入手背静脉;注射速率为2–2.5 ml/s。然后采集动脉早期、动脉晚期及门脉期图像。使用GE AW 4.4工作站Function-MADC模型对所测图像数据进行处理,选取IVIM-DWI序列的最佳肿瘤层面,手动勾画感兴趣区(ROI),生成IVIM-DWI参数伪彩图,包括表观扩散系数(ADC)、慢速表观扩散系数(D)、快速表观扩散系数(D*)及快速表观扩散系数分数(f)(图1),从而获得ADC值、D值、D*值和f值。勾画ROI时尽可能避开出血、坏死、囊变和脂肪区域。每个参数测量3次,取平均值。采用单因素分析评估可能区分队列中Ang-2高表达与低表达的临床-影像(CR)因素。将单因素分析中的重要变量纳入多因素logistic回归分析,筛选出Ang-2高表达的潜在预测因素。
病灶分割与特征提取
从图像存档与通信系统(PACS)中导出以医学数字成像和通信(DICOM)格式获取的DCE-MRI扫描图像。图像分割由两名放射科医师(观察者1,T.Y.Y.和观察者2,Z.J.,分别具有4年和6年腹部MRI图像判读经验)手动完成[15](图2)。每个ROI覆盖整个肿瘤,包括肿瘤内所有出血或坏死区域,并避开瘤周水肿区域和明显的大血管侵犯区域[16]。在三期DCE-MRI图像上逐层勾画ROI,以获得用于放射组学特征提取的感兴趣体积(VOI)。本研究提取了4类特征:形状特征、强度直方图特征、灰度共生矩阵(GLCM)特征和灰度游程矩阵(GLRLM)特征。
本研究的一致性分析包括观察者内一致性和观察者间一致性检验。观察者1在1周后按照上述勾画方法逐层勾画所有图像的ROI并提取特征。将提取的特征与第一次勾画的结果进行比较,获得观察者内一致性的组内相关系数(ICC)。观察者2按照上述相同方法独立勾画ROI,并将特征与观察者1提取的特征进行比较,获得观察者间一致性的组间ICC。组内ICC/组间ICC值≥ 0.75表示一致性良好。
模型建立与评价
一致性检验后,对于ICC值≥ 0.75的放射组学特征,对缺失值进行填充,为确保结果的可重复性,作为预处理步骤对所有数据进行z分数标准化。在特征降维方面,采用单因素分析筛选Ang-2表达差异有统计学意义的特征。采用最小绝对收缩和选择算子(LASSO)回归分析对特征进行降维。采用二元logistic回归分析,利用筛选出的放射组学特征和CR参数建立DCE-MRI放射组学模型、CR模型和联合模型。通过10折交叉验证验证模型的稳定性,并使用校准曲线评价3个模型。采用受试者工作特征(ROC)曲线评价3个模型的预测性能。评价指标包括曲线下面积(AUC)、准确度、灵敏度和特异度,并使用校准曲线分析和决策曲线分析(DCA)对模型进行评价。
统计学分析
本研究使用统计软件R(版本4.0.3)进行统计学分析。连续变量采用独立样本t检验或Kruskal-Wallis非参数秩和检验分析;分类变量采用卡方检验或Fisher精确检验分析。
3. 结果
本研究中的52例患者包括46例男性和6例女性,年龄29~70岁;平均年龄为50.8 ± 10.9岁。在52例HCC患者中,30例患者呈高Ang-2表达,22例患者呈低Ang-2表达。对每例患者,从早期动脉期、晚期动脉期和门静脉期提取352个图像特征,经过组间一致性检验(图3)、单因素分析和LASSO降维(图4)后筛选出4个特征(表1)。单因素和多因素分析表明,D*和f(表2)是Ang-2表达的独立影像学预测因子。利用筛选出的特征建立逻辑回归模型。采用十折交叉验证进行验证(图5)。采用校准曲线评估模型拟合度(图6)。影像组学模型、CR模型和联合模型识别Ang-2表达的AUC分别为0.800(95%置信区间(CI)0.662~0.938)、0.874(95% CI 0.781~0.968)和0.933(95% CI 0.868~0.998)。DeLong检验结果表明,影像组学模型与CR模型之间的AUC无显著差异(p > 0.05),联合模型的AUC显著大于其他2个模型(p < 0.05)。DCA结果表明,联合模型优于其他2个模型,具有最高的净获益(图7)。
讨论
本研究探讨了基于术前DCE-MRI的影像组学预测HCC中Ang-2表达的有效性。在整个队列中,30例(57.7%)患者呈高Ang-2表达,这与Chen等[14]的结果(68.7%)一致。D*和f是Ang-2表达的独立影像学预测因子。影像组学模型、CR模型和联合模型识别Ang-2表达的AUC分别为0.800、0.874和0.933。联合模型优于其他2个模型,具有最高的净获益。
血管生成是影响肿瘤性疾病进展的关键机制。Ang-2是一种能够在病理条件下支持血管生成的重要蛋白[17, 18]。研究显示[19],Ang-2可能是肿瘤簇包裹血管(VETC)阳性HCC血管巢式转移的潜在蛋白靶点。Choi等[20]探讨了血浆中Ang-1、Ang-2和VEGF水平作为HCC早期至晚期预后生物标志物的潜力。结果表明,Ang-2水平对HCC患者总生存期(OS)的预测能力最高,Ang-2和甲胎蛋白(AFP)水平是PFS的独立因素,且Ang-2作为HCC预后生物标志物优于Ang-1或VEGF,尤其是在局部治疗后。这些发现提示,检测HCC组织中Ang-2表达有助于为HCC患者提供个体化治疗。
IVIM-DWI的临床应用使得能够在微观水平上评估HCC肿瘤。Lee等[21]研究了小鼠结直肠癌组织中IVIM-DWI参数与微血管密度(MVD)之间的关系,结果显示D*和f值与MVD显著相关。Ang-2能够促进HCC组织中的血管生成,并与MVD呈正相关[22]。Zheng等[23]研究了HCC中IVIM-DWI参数与Ang-2之间的相关性,显示D*和f与Ang-2表达显著相关。在本研究中,单因素和多因素logistic回归分析表明,D*和f是预测Ang-2表达的独立影像学因素。
放射基因组学是放射学和精准医学领域的一个高级研究课题。放射基因组学是研究放射组学数据与基因特征和基因表达谱相关性的学科[24]。近期研究表明,放射组学特征可以反映发生在遗传和分子水平的生物学过程[25]。由于同一疾病分期的HCC患者之间可能存在异质性,每位HCC患者的治疗选择需要个体化[26]。HCC患者可能从放射组学对治疗反应的预测中获益更多。结合传统定性成像和临床数据,定量成像可用于帮助识别多种生物标志物以构建预测模型,从而优化HCC的诊断、治疗选择和治療反应监测[27]。Stefanie等[28]表明,放射组学特征与免疫治疗靶点程序性细胞死亡配体1(PD-L1)的蛋白表达(r = 0.41–0.47,p < 0.029)以及程序性细胞死亡-1(PD-1)和细胞毒性T淋巴细胞相关蛋白4(CTLA4)的信使RNA(mRNA)表达水平(r = − 0.48–0.47,p < 0.037)相关,提示MRI放射组学特征可作为HCC免疫肿瘤学特征的无创预测因子,有助于HCC患者的治疗分层。Jia[29]等探讨了结合IVIM-DWI与直肠腺癌原发灶放射组学特征的列线图模型在术前评估非肿大淋巴结转移(N-LNM)中的价值,结果显示,结合IVIM-DWI参数(D*和f)与放射组学特征的列线图模型在训练队列中具有优于任何其他模型的评估性能(AUC = 0.864)。此外,Zhang[30]表明,基于临床、IVIM-DWI和影像学参数的列线图在预测局部晚期宫颈癌(LACC)患者同步放化疗(CCRT)后复发和无病生存期(DFS)方面具有较高的临床价值,为宫颈癌患者的预后评估和个体化治疗提供了参考。本研究使用基于增强MRI序列的放射组学模型无创预测HCC组织中Ang-2表达,结合放射组学特征和CR因素建立的模型获得了更高的预测价值和临床净获益。
本研究的局限性如下。第一,尽管本研究使用了ROI手动分割,但某些图像中边界不清仍可能导致分割不准确。第二,这是一项回顾性研究,因此可能存在选择偏倚。最后,本研究的样本量较小,且为单中心研究,因此缺乏有效的外部验证。
总之,DCE-MRI放射组学特征可用于构建模型预测HCC患者中Ang-2的表达,结合放射组学与CR特征的模型具有更好的预测性能。
引用
- Zheng J, Du PZ, Yang C, et al. DCE-MRI-based radiomics in predicting angiopoietin-2 expression in hepatocellular carcinoma. Abdom Radiol (NY). 2023. PMID: 37495746. doi:10.1007/s00261-023-04007-8
- 全文:PMC10556176(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10556176/
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。