文献速递神经MR

利用磁共振成像影像组学预测多形性胶质母细胞瘤患者的事件发生时间总生存期

Time-to-event overall survival prediction in glioblastoma multiforme patients using magnetic resonance imaging radiomics.
PubMed 文献 · Radiol Med · 2023-09-26

研究纳入119例多形性胶质母细胞瘤患者,基于T1加权增强和T2-FLAIR MRI提取影像组学特征,联合临床变量,用7种特征选择方法和6种事件发生时间机器学习算法构建504个模型预测总生存期。最佳组合为互信息/ Cox Boost、互信息/广义线性模型提升和互信息/广义线性模型网络,均经LOG(Sigma=1 mm)预处理,C指数为0.77。作者认为影像组学联合临床变量可能有助于辅助临床医生预测GBM患者生存,但需进一步研究确立其在临床管理中的适用性。

要点

  • 基于T1w-CE和T2-FLAIR MRI提取的影像组学特征联合临床变量可预测GBM患者的事件发生时间总生存期,最佳模型C指数为0.77。
  • LOG(Sigma=1 mm)预处理、互信息特征选择和Cox Boost/GLMB/GLMN算法组合的预测性能显著优于其他方法(均P<0.05)。
  • 核心肿瘤(VOIT)的形状特征(如MinorAxis、最大2D直径切片)被特征选择算法反复选中,对生存预测影响较大。

核心结论

  • 机器学习算法能够利用基于MRI的影像组学特征和临床特征预测患者的事件发生时间总生存期。
  • 基于MRI的影像组学分析联合临床变量可能有助于辅助临床医生预测GBM患者的生存。
  • 需要进一步研究以确立影像组学在临床GBM管理中的适用性。

研究设计与样本

  • 本研究为回顾性研究,纳入119例GBM患者,数据来自癌症影像档案(TCIA),使用T1加权增强和T2-FLAIR MRI序列。
  • 图像经64 bin离散化、Laplacian of Gaussian(LOG)滤波(Sigma值1、1.5、2.5 mm)和8种小波变换共12种预处理方法处理。
  • 手动分割4个感兴趣体积(VOI):核心肿瘤(VOIT)、活动增强肿瘤(VOIA)和坏死肿瘤(VOIN)来自T1w-CE,水肿区(VOIE)来自T2-FLAIR。
  • 提取1212个影像组学特征,采用7种特征选择方法和6种事件发生时间机器学习算法,共评估504个模型,以C指数评价性能。
  • 数据按70%训练集和30%测试集拆分,测试集进行1000次bootstrap评估,超参数优化采用网格搜索和三折交叉验证。

关键影像表现/征象

  • VOIA的NGTDM_Coarseness低值表示更高的空间变化率和非均匀纹理,该模式为肿瘤增强区域,与GBM患者较低的总生存期相关。
  • VOIA的GLSZM_LAHGLE值越大提示总生存期越低,这些患者处于高风险。
  • VOIT和VOIA的形状特征Spearman相关系数超过0.90。

诊断标准与关键数值

  • 最佳预后特征选择/机器学习组合为互信息(MI)/Cox Boost、MI/广义线性模型提升(GLMB)和MI/广义线性模型网络(GLMN),均经LOG(Sigma=1 mm)预处理,C指数=0.77±0.05(均值±标准差),95%CI 0.77–0.77。

临床应用与阅片要点

  • LOG(Sigma=1 mm)预处理方法的平均C指数为0.65,显著高于其他预处理方法。
  • 互信息(MI)特征选择方法的平均C指数为0.70,优于其他特征选择方法。
  • GLMB和GLMN模型的平均C指数为0.64,显著高于其他模型;CoxPH为第二佳模型(平均C指数=0.64),除GLMB和GLMN外显著高于其他模型。
  • 作者认为基于MRI的影像组学分析联合临床变量可能有助于辅助临床医生预测GBM患者的生存。

局限性

  • 本研究为回顾性研究,本质上易受一些偏倚影响。
  • 本研究没有外部验证,样本量不足以扩展结果的普遍性。
  • 原文未完整报告最后一条局限性(原文以「Last, we did not include」结束,内容不完整)。
全文中译16 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 Sep 26;128(12):1521–34. doi: 10.1007/s11547-023-01725-3

引言

多形性胶质母细胞瘤(GBM)是脑和脊髓中最主要的侵袭性肿瘤 [1]。不幸的是,这种侵袭性肿瘤的平均生存时间不足15个月。此外,其对当前治疗方案的反应不佳以及复杂的进展模式使医生的临床决策更加困难 [2, 3]。因此,总生存期(OS)预测作为预后评估的一个组成部分,是肿瘤学研究中的一个主要关注领域。从文献中可以明显看出,多项研究评估了人口学、临床或实验室数据在GBM患者生存分析中的预测能力。例如,Czipska等人 [4] 的一项里程碑式研究评估了GBM患者长期生存的预后因素。在另一篇系统综述 [5] 中,报告了所综述文章中定义的三种OS预测结局类型,包括连续型、二分类型和事件时间型。

尽管既往研究显示了临床相关特征具有相当的预测能力,但大多数研究旨在检验影像生物标志物的预后评估能力 [6]。磁共振成像(MRI)是用于GBM检测和评估中最常用的诊断方法。放射科医生综合使用多种常规定性和定量MRI评估方法 [7, 8]。然而,常规定性评估可能存在一些局限性,并忽视图像中隐藏的信息层。有鉴于此,可以提出“影像组学”这一术语,因为它从根本上描述了通过计算数据提取来分析医学图像,换句话说,将图像转化为可挖掘的生物标志物 [9–11]。影像组学可以帮助我们准备隐藏在不同疾病图像中、无法通过常规图像评估方法用肉眼看到的数据 [12–16]。无论是在诊断领域还是预后领域,癌症研究一直是影像组学研究人员关注的重点,GBM也不例外 [17, 18]。

越来越多的研究认识到放射组学分析对胶质母细胞瘤(GBM)肿瘤的效率[19, 20]。Artzi等[21]最近的一项研究探讨了放射组学在区分脑转移瘤与GBM方面的效率。Buchlak等[22]的研究也值得提及,因为他们系统回顾了既往聚焦于通过放射组学评估诊断GBM的研究。在Bae等[23]的一项研究中,作者发现将放射组学特征加入患者的遗传和临床特征可改善生存预测。其他研究得出了类似结论,因为基于MRI的放射组学和机器学习(ML)算法能够以较好的统计学指标预测患者的OS[24–27]。虽然多项研究报告了放射组学在神经退行性疾病或GBM中的应用,但大多数研究利用ML对GBM患者的OS进行二分类(高风险 vs. 低风险或短生存时间 vs. 长生存时间)或多分类(高风险、中等风险和低风险或短、中等和长生存时间)。因此,本研究的贡献在于使用预处理方法、特征选择器和ML,利用基于MRI的放射组学特征预测时间-事件生存。因此,临床医生需要通过进一步阐明患者预后,对GBM管理有更全面的认识。在本研究中,我们旨在评估ML算法应用于基于MRI的放射组学特征及临床变量以预测患者时间-事件OS的适用性。

材料与方法

图1展示了本研究方案中所遵循的各个步骤的流程图。

图1 本研究方案中所遵循的各个步骤的流程图。特征选择方法包括单变量C指数(UCI)、Boruta、变量狩猎变量重要性(VH.VIMP)、变量狩猎(VH)、最小深度(MD)、互信息(MI)和迭代贝叶斯模型平均(IBMA)。机器学习方法包括Cox比例风险回归(CoxPH)、Cox Boost(CB)、广义线性模型网络(GLMN)、随机生存森林(RSF)、GLM提升(GLMB)和梯度提升(GB) 查看原图 ↗

数据和图像获取

使用癌症影像档案(TCIA)下载入组患者的图像和临床信息[28, 29]。本研究方案的入组标准如下:(1)所有接受T1加权对比增强(T1w-CE)和T2-FLAIR MRI序列检查的GBM患者,且(2)图像在治疗前获取,且(3)所有患者具有临床数据,包括性别、年龄、卡氏功能状态评分(KPS)、放疗辅助治疗(RTA)、药物治疗辅助(PTA)以及带随访事件状态(死亡和存活)的生存时间。本研究的排除标准包括:(1)缺失任一MRI序列;(2)图像质量差或存在运动伪影;(3)图像在治疗后获取;以及(4)缺失临床数据。图2展示了纳入和排除标准的流程图。

应用纳入和排除标准后,119例具有T1w-CE和T2-FLAIR MRI序列、临床数据和生存时间的GBM患者被纳入本研究方案。MR图像序列规格汇总于表1。收集患者的临床和人口学信息,包括性别、年龄、MGMT状态、卡氏功能状态评分(KPS)、肿瘤组织学亚型、RTA和PTA,作为临床变量,并以事件发生时间OS作为目标。由于MGMT状态和肿瘤组织学亚型变量不可用,这些变量被从本研究中移除。KPS是反映癌症患者功能状态的指标,分为11个等级,从0(死亡)到100(正常)[30]。患者的临床和人口学数据见表2。

图2 本研究的纳入和排除标准流程图。卡氏功能状态评分(KPS)、放射治疗辅助(RTA)、药物治疗辅助(PTA) 查看原图 ↗
表1 本研究所用MR图像序列的采集参数 查看原表 ↗
表2 本研究纳入的GBM患者特征 查看原表 ↗

图像预处理

在特征提取之前,使用64 bin离散化、高斯拉普拉斯(LOG)和小波变换对MR图像进行预处理,以获得多组图像特征。分别使用1、1.5和2.5 mm的Sigma值作为精细、中等和粗滤波器应用LOG滤波器[31]。小波变换通过八种不同的分解进行,包括LLL、LLH、LHL、LHH、HLL、HLH、HHL和HHH,其中L和H分别代表应用于三维区域的低通和高通滤波器。总体而言,我们使用了12种不同的预处理方法[31]。

分割

按照上述预处理方法并使用3D Slicer 4.9版本[32],我们为每位患者手动勾画并分割了四个感兴趣体积(VOI),包括来自T1w-CE的肿瘤核心(VOIT)、活动性强化肿瘤(VOIA)和坏死肿瘤(VOIN)区域,以及来自T2-FLAIR的水肿(VOIE)区域。VOI。手动分割由两名具有4-6年经验的资深医学物理师完成。此外,手动分割由一名具有8年经验的资深放射科医师进行视觉检查并在必要时手动校正。校正后的VOI随后用于后续分析。

特征提取

从四个VOI中各提取三种特征类型,包括形状特征(n = 13)、一阶(FO)特征(n = 18)和纹理特征(n = 74)(灰度大小区域矩阵(GLSZM)、灰度共生矩阵(GLCM)、邻域灰度差矩阵(NGTDM)、灰度游程长度矩阵(GLRM)和灰度依赖矩阵(GLDM))。对于每种预处理方法,提取92个特征,包括FO和纹理特征(形状特征在所有预处理方法中相同)。全肿瘤也用于计算三个形状特征,包括A/T、N/T和T/E体积比。总共从4个VOI和12种图像预处理方法中提取了4471个特征([92 × 12 × 4] + [13 × 4] + 3)。影像组学特征由Pyradiomics python库提取[33],该库符合IBSI指南[31, 34]。

特征选择

进行了仔细的选择过程,在各种特征选择(FS)算法的帮助下选择了一组提取的特征。本研究使用的七种FS方法包括单变量C指数(UCI)、Boruta、变量搜寻变量重要性(VH.VIMP)、变量搜寻(VH)、最小深度(MD)、互信息(MI)和迭代贝叶斯模型平均(IBMA)。关于这些FS方法的更多细节见补充部分。

机器学习模型

通过使用C指数的多变量分析评估了预处理程序和FS方法以及六种ML模型(Cox比例风险回归(CoxPH)、Cox提升(CB)、广义线性模型网络(GLMN)、随机生存森林(RSF)、GLM提升(GLMB)和梯度提升(GB))[35]。关于ML方法的更多细节见补充部分。

建模与统计分析

第一步,将数据分为训练集(70%)和测试集(30%)。随后,在训练数据集上实施FS方法,并将选定的特征输入ML模型。接下来,在训练数据集中对ML模型进行网格搜索和三折交叉验证(补充数据中为五折交叉验证)的超参数优化。超参数优化的详细信息见表3。在测试数据集上进行1000次自助法以评估模型,并报告每个模型的均值±标准差(SD)和95%置信区间(95% CI)。

我们还在不同的预处理、FS和ML算法之间进行了Wilcoxon秩和检验,并将结果以箱线图和p值瓦片图的形式报告。绘制了最佳模型在训练集和测试集中的Kaplan–Meier曲线及log-rank p值。p值0.05被视为统计学显著差异的截断值。建模和统计分析在R 4.0版本(R Foundation for Statistical Computing,维也纳,奥地利)中实现[36]。

表3 超参数优化详情 查看原表 ↗

结果

GBM患者的特征

在本研究中,我们使用了119例GBM患者的数据,平均年龄(± SD)为57.83(± 13.65)岁,其中73例(61.34%)为男性。92例患者(77.3%)死亡,平均生存时间(± SD)为13.42 ± 11.91个月;而27例患者(22.7%)存活,平均生存时间(± SD)(即随访时间)为17.60 ± 15.45,被视为删失数据。

特征选择分析

特征选择器在筛选与研究目的最相关的最重要特征方面具有较好的能力。每种特征选择(FS)方法所选特征的热度可见图3。我们的结果显示,七种FS方法,包括Boruta、UCI、IBMA、MD、MI、VH和VH.VIMP,分别选择并排序了38、120、120、120、120、120和59个特征。在被选择的特征中,在697个特征(151个唯一特征)中被选择超过10次的有:VOIT形状特征中的MinorAxis(n = 51)、Maximum 2D diameter slice(M2DDS)(n = 39)、Sphericity(n = 26)、SurfaceArea(n = 20)、Maximum 2D diameter column(M2DDC)(n = 15)和Elongation(n = 13),临床特征中的KPS(n = 38)、age(n = 24)、RTA(n = 20)、PTA(n = 18)和gender(n = 13),VOIA形状特征中的M2DDS(n = 21)、M2DDC(n = 18)、MinorAxis(n = 17)、SurfaceArea(n = 13)和A/T ratio(n = 16),以及VOIA纹理特征中的NGTDM_Coarseness(n = 12)和GLSZM_LAHGLE(n = 12),这些特征被七种FS算法中的大多数反复选择。图4显示了形状特征的Spearman相关系数。

图3 由Boruta、单变量C指数(UCI)、迭代贝叶斯模型平均(IBMA)、最小深度(MD)、互信息(MI)、变量狩猎变量重要性(VH.VIMP)和变量狩猎(VH)所选特征的列表 查看原图 ↗
图4 影像组学形状特征的Spearman相关系数 查看原图 ↗

模型分析

每个模型1000次自助法均值C指数的热图见图5。我们还分别在补充图1S和2S中生成了95% CI和均值 ± 标准差的热图。我们还在图3S中生成了这些模型在五折交叉验证进行超参数优化时的均值C指数热图。图4S描绘了每个模型三折交叉验证相对于五折交叉验证C指数的差值热图。可以看出,C指数差值的范围为0至0.25(大多数算法中小于0.1),且三折交叉验证进行超参数优化在大多数模型上略优。因此,本研究其余分析基于三折交叉验证方案。我们的多变量模型分析显示,最佳预后FS/ML组合是MI/CB应用于LOG(Sigma = 1 mm)预处理方法(C指数 = 0.77 ± 0.05)(均值 ± 标准差),0.77–0.77(95% CI)。第二佳表现的组合是MI/GLMB和MI/GLMN应用于LOG(Sigma = 1 mm)预处理方法(C指数 = 0.77 ± 0.05,0.76–0.77)。图6显示了八个最佳模型的Kaplan–Meier曲线。所有这些模型在训练和测试数据集中均有显著的log-rank p值。

图5 每个模型结合预处理方法、特征选择和机器学习算法的C指数热图(共504个模型) 查看原图 ↗
图6 八个最佳模型对应的Kaplan–Meier曲线及其在训练和测试数据集中的相应log-rank p值 查看原图 ↗

统计分析

不同预处理、FS 和 ML 方法的比较在图 7 中以箱线图(左)和 Wilcoxon p 值瓦片图(右)显示。对于预处理方法(图 7a),Sigma 为 1.0 mm 的 LOG 滤波器具有比其他方法更高的显著 p 值(平均 C-index = 0.65)。小波变换(HLH 形式)和 Sigma 为 2.5 的 LOG 滤波器平均 C-index 为 0.64,具有比其他预处理方法(除 Sigma = 1.0 mm 的 LOG 滤波器外)更高的显著 p 值。图 7b 表明 MI 表现更好(平均 C-index = 0.70)于其他 FS 方法。排在第二位的是 IBMA 方法,平均 C-index 为 0.65,表现优于除 MI 方法外的其他 FS 方法。图 7c 表明 GLMB 和 GLMN 模型平均 C-index 为 0.64,具有比其他模型更高的显著 p 值。CoxPH 是第二好的模型(平均 C-index = 0.64),其 p 值显著高于其他模型,但 GLMB 和 GLMN 模型除外。

图 7 不同预处理(a)、特征选择(b)和机器学习(c)方法在箱线图(左)和 Wilcoxon p 值瓦片图(右)中的比较 查看原图 ↗

讨论

我们的研究表明,ML 算法能够通过使用基于 MRI 的影像组学特征来预测患者的至事件发生 OS 时间。在一项广泛的系统综述中,考虑到大量文章,对患者的 2 年 OS 进行了全面回顾和分析 [37]。已有报道称,GBM 患者的 2 年和 3 年 OS 分别为 18% 和 11%。其他临床试验表明 2 年生存率为 26–33%,中位 OS 约为 15 个月 [37, 38]。另一项研究报告称,确诊 GBM 的患者 5 年生存率为 5.6% [1]。在我们的研究中,77% 的患者在 13.42 ± 11.91(均值 ± 标准差)个月后死亡,而 23% 的患者在 17.60 ± 15.45 个月后仍处于生存组。我们使用了七种不同的特征选择器和六种 ML 方法,应用于由十二种不同方法预处理后的 MR 图像衍生的影像组学特征。这产生了 504 个模型,其性能使用 C-index 进行评估。许多研究和开发工作集中于评估 GBM 患者的 OS。最佳模型是应用于 LOG(Sigma = 1 mm)预处理方法的 MI/CB(C-index = 0.77 ± 0.05)(均值 ± 标准差),0.77–0.77(95% CI))。Sigma = 1 mm 的 LOG,也称为精细滤波器,具有更好的性能,显著高于其他方法。在 FS 方法中,MI 表现最佳。相反,GLMB 和 GLMN 模型的表现显著优于其他 ML 算法。

关于使用放射组学进行OS预测,根据最新研究,模型表现相当且令人满意。Bakas等人[26]使用基于MRI的放射组学特征预测生存状态,准确率为74.26%。在另一项研究中,声称基于PET的放射组学特征有助于预后判断,并可指示患者是否从再程放疗中获益(OS预测的p值<0.05)[44]。Jajroudi等人[39]检验了MRI提取的放射组学特征确定GBM生存的能力。四种实施的ML分类器的平均敏感度、准确率、AUC和特异度百分比分别为82.54、80.47、85和79.78。在一项回顾性ML/放射组学研究中,Cepeda等人[40]报告RSF在六个月随访中达到0.76的综合AUC(iAUC)和0.61的C指数。此外,Chaddad等人[41]发现放射组学特征对确定患者生存时间具有相当的预测价值,AUC为78.56%。此外,放射组学特征被证明在不同中心和数据集间是可靠且可重复的[45]。为估计GBM患者的生存时间,Hedyehzadeh等人[42]研究了一个118例GBM患者的数据集。他们使用八种传统回归技术和三种基于卷积神经网络(CNN)的回归技术计算C指数以预测生存期。GoogleNet以0.89的C指数达到最高性能。

如前所述,我们仅使用放射组学特征和临床变量进行OS预测。与我们的方法类似,Ammari等人[24]利用放射组学和临床数据根据生存对患者进行分层。使用ML回归算法,他们预测OS达到0.64的C指数。尽管这些相当的结果源于相对全面的模型(放射组学+临床和/或基因组数据),我们的研究使用放射组学+临床数据可达到尚可的预测准确率。Chen等人[43]显示仅放射组学模型的表现优于仅临床模型。在我们的研究中,预处理/FS/ML算法组合的平均C指数在测试数据集中范围为0.50–0.77。

然而,若干先前研究将放射组学与临床以外的特征结合用于模型构建。例如,Bae等人[23]的一项研究提取放射组学特征并使用临床、遗传和放射组学特征构建模型。他们将模型性能与另一个由临床和遗传数据组成的模型进行比较,并报告了有希望的结果,证明加入放射组学特征可显著提高ML模型对OS和无进展生存期(PFS)的预测能力,p值分别为0.04和0.03。此外,其模型加RSF算法用于OS预测的iAUC为0.65(仅放射组学)和0.76(放射组学+临床)。

我们在表4中将最新研究与我们的研究进行了比较。这些研究使用随机拆分和交叉验证验证其模型。这些研究均未使用外部验证数据集。这些研究使用两类模型,包括分类和事件时间OS预测。在我们的研究中,我们使用随机拆分进行模型验证。我们还使用交叉验证进行超参数优化,并在测试数据集上使用自助法。虽然我们使用事件时间OS预测,我们最佳模型的结果与这些研究相当。

我们在GBM患者的总体生存预测中使用了四种特征类型。由特征选择器选出的临床、形状、一阶(FO)和纹理特征的数量(百分比)分别为113(16%)、366(53%)、43(6%)和175(25%),其中超过一半属于形状类别。我们还有四个用于特征提取的感兴趣体积(VOI)。在VOIT、VOIA、VOIN和VOIE中,由特征选择器选出的特征数量(百分比)分别为207(37%)、156(28%)、54(10%)和141(25%)。结果表明,GBM患者的核心肿瘤(VOIT)对生存预测有很大影响。来自VOIT的MinorAxis是入选特征中重复出现最多的特征。根据影像生物标志物标准化倡议(IBSI)指南[34, 46],MajorAxis、MinorAxis、LeastAxis、Flatness和Elongation通过VOI的主成分分析(PCA)计算。MajorAxis、MinorAxis和LeastAxis分别是通过PCA计算的最大、第二大和最小的特征值[34, 46]。Flatness是LeastAxis与MajorAxis的比值,而Elongation是MinorAxis与MajorAxis的比值。在几项研究中[47, 48],MajorAxis具有显著的log-rank p值。在我们的研究中,该特征被UCI和IBMA特征选择技术选中。虽然MinorAxis在先前的一项研究中没有显著的log-rank p值[48],但我们的研究在所有特征选择器中均选中了该特征,跨越多个预处理集。VOIT的M2DDS是轴位平面上的最大直径[34, 46],相当于实体瘤疗效评价标准(RECIST)[49]。Galanis等人[50]表明该特征可以预测OS,而我们的研究有6个特征选择器(FS)选中了该特征。VOIT的球形度是另一个入选频率最高的特征。该特征衡量VOI接近球体的程度[34, 46]。在Sanghani等人[51]的研究中,球形度可预测OS预后。在另一项研究中[52],球形度或表面规则性和年龄是总体生存的预测因子,但表面积没有显著的p值。图4表明VOIT和VOIA的形状特征的Spearman系数超过0.90。来自VOIA的MinorAxis、M2DDS、M2DDC和SurfaceArea与VOIT特征具有相同的解释。来自VOIA的NGTDM的Coarseness特征意味着在空间变化率上,较低的值表示较高的空间变化率和不均匀的纹理[34, 46]。这种模式是肿瘤的强化区域,与GBM患者较低的OS相关。来自VOIA的GLSZM的大面积高灰度强调(LAHGLE)被5个FS选中。该特征强调大面积区域的高灰度[34, 46]。较大的值表示较低的OS,这些患者处于高风险。A/T体积比是对比增强肿瘤的比例。该特征被4个FS选中,并在多项研究中与OS相关[47, 48, 53]。在临床特征中,KPS和年龄分别被5个和4个FS选中。性别被MI和IBMA FS方法选中。多项研究报告年龄和KPS是OS的预测因子,但性别不是OS预测因子[54–56]。PTA和RTA是证明患者如何接受治疗的两个重要变量。RTA被四种FS方法选中,而PTA被MI和IBMA FS技术选中。这两个变量在全部12个特征集中均被MI方法选中,且该FS方法优于所有其他策略。多项研究报告,使用PTA和RTA联合全切除可改善GBM患者的生存[57–59]。如表2所示,93例(78%)GBM患者接受了两种治疗,而22例(18%)接受了至少一种治疗。只有四例患者未接受治疗。

我们的研究并非没有局限性。首先,我们的研究性质是回顾性的,因此本质上容易产生一些偏倚。其次,我们没有外部验证,样本量不足以扩展结果的普适性。为克服这一局限性,我们在测试数据集上使用了三折交叉验证进行超参数优化以及1000次自助法重采样。最后,我们在建模中未纳入遗传变量和肿瘤组织学亚型来与影像组学特征预测进行比较。

表4 近期类似研究与本研究比较 查看原表 ↗

结论

本研究表明,影像组学框架结合临床数据可用于胶质母细胞瘤(GBM)患者的管理。通过应用特征选择方法和机器学习(ML)算法,MRI提取的影像组学特征和临床特征可预测患者的事件发生时间总生存期(OS)。基于MRI的影像组学结合临床变量在协助临床医生预测GBM患者生存方面可能具有前景。

补充信息

以下是电子补充材料的链接。补充文件1

引用

  1. Hajianfar G, Haddadi Avval A, Hosseini SA, et al. Time-to-event overall survival prediction in glioblastoma multiforme patients using magnetic resonance imaging radiomics. Radiol Med. 2023. PMID: 37751102. doi:10.1007/s11547-023-01725-3
  2. 全文:PMC10700216(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10700216/

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。