基于影像组学的可解释模型预测胰腺神经内分泌肿瘤病理分级
回顾性纳入2010年至2022年病理确诊的胰腺神经内分泌肿瘤患者222例,基于增强腹部CT提取影像组学特征构建5种机器学习模型,以时间独立测试集评估。随机森林模型在测试集AUC为0.779、准确率77.0%,可区分G1与G2/3,且SHAP识别出静脉期两个GLCM特征与Ki-67指数或核分裂计数亚组显著相关。
要点
- 随机森林模型在时间独立测试集中区分G1与G2/3的AUC为0.779、准确率为77.0%。
- SHAP识别静脉期两个GLCM特征贡献最大,且与Ki-67或核分裂计数亚组显著相关。
- 模型5例中准确率80%(4/5)对比穿刺活检40%(2/5),差异无统计学意义(p=0.125)。
核心结论
- 基于CT影像组学的可解释随机森林模型能有效区分胰腺神经内分泌肿瘤G1与G2/3,并具有较好的可解释性。
- 该模型有望作为传统组织活检的重要补充工具,但不应被视为活检的替代。
研究设计与样本
- 回顾性研究,纳入2010年12月至2022年8月病理确诊的胰腺神经内分泌肿瘤患者222例,训练集122例、时间独立测试集100例。
- 基于动脉期和静脉期增强腹部CT提取影像组学特征,采用LR、RF、SVM、XGBoost和GaussianNB五种机器学习算法建模。
- 以病理分级为参考标准,测试集采用1000次bootstrap计算AUC、敏感度、特异度、准确率及95%CI,并以Brier分数评估校准。
关键影像表现/征象
- 静脉期wavelet-LLL_glcm_DifferenceAverage和log-sigma-3-0-mm-3D_glcm_ClusterShade为对模型贡献最大的两个特征。
- 静脉期log-sigma-3-0-mm-3D_glcm_ClusterShade在Ki-67≤2%与Ki-67>2%组间差异有统计学意义(p<0.001),在核分裂计数<2/10 HPF与≥2/10 HPF组间无显著差异。
- 静脉期wavelet-LLL_glcm_DifferenceAverage在Ki-67≤2%与>2%组间及核分裂计数<2/10 HPF与≥2/10 HPF组间差异均有统计学意义(p<0.001)。
诊断标准与关键数值
- 测试集随机森林模型区分G1与G2/3的AUC为0.779(95%CI: 0.776, 0.782),准确率为77.0%(95%CI: 76.8%, 77.3%)。
- 测试集LR、SVM、XGBoost、GaussianNB的AUC分别为0.758、0.742、0.744、0.745,准确率分别为73.0%、70.0%、71.9%、72.9%。
- 训练集RF模型AUC为0.827(95%CI: 0.825, 0.829),LR为0.727、SVM为0.769、XGBoost为0.811、GaussianNB为0.705。
- 5例同时行穿刺活检与手术切除的患者中,最终模型准确率80%(4/5)对比活检40%(2/5),差异无统计学意义(p=0.125)。
- 测试集两种扫描仪间AUC无统计学差异(0.782 vs. 0.758,p=0.36,DeLong检验),模型预测效能跨扫描仪保持一致。
临床应用与阅片要点
- 模型可用于术前无创评估胰腺神经内分泌肿瘤病理分级,作为组织活检的补充而非替代。
- 阅片时关注静脉期纹理特征,GLCM类特征可能反映肿瘤增殖异质性。
- 肿瘤大小和CT报告肝转移为病理分级的独立预测因素,临床模型与影像组学模型联合未见显著增益。
局限性
- 比较影像组学模型与穿刺活检准确率的小样本对比未得出确定性结论。
- 既往研究样本量小降低了结果可信度,本研究亦需在更大样本中验证。
- 影像组学特征在不同研究间选择不一致,削弱了模型的可信度。
全文中译14 节 · 点击展开
引言
胰腺神经内分泌肿瘤(pNETs)约占所有胰腺肿瘤的5%,起源于胰腺神经内分泌细胞,表现出异质性特征[1]。近期研究表明,过去二十年中pNETs的发病率呈稳步上升趋势[2, 3]。2019年WHO分类根据分化程度和细胞增殖活性将pNETs分为两类:高分化神经内分泌肿瘤和低分化神经内分泌癌。高分化肿瘤可根据Ki-67指数和有丝分裂计数进一步分为G1、G2和G3级[4]。pNETs的病理分级与预后密切相关[5–8]。据报道,G1、G2和G3级肿瘤的5年总生存(OS)率分别为77.33%、63.06%和20.04%[3]。
组织病理学评估在确定pNETs患者预后和制定个体化治疗方面起着至关重要的作用。根据肿瘤播散程度,即局限性疾病、局部进展性疾病或远处转移,pNETs的病理分级对于选择适当的初始治疗策略尤为重要[9–12]。因此,治疗前通常需要对病理分级进行个体化评估。在所有目前可用的检查方法中,超声内镜引导下细针穿刺吸取(EUS-FNA)活检是获取肿瘤组织学分级的重要技术[13]。然而,这是一种有创操作,且需要至少500个细胞才能进行分级,这对该操作设定了技术门槛。因此,由于组织样本不足,仅约70%接受EUS-FNA活检的患者能够获得组织学分级[14]。此外,由于活检样本体积小及pNETs的异质性,活检结果常与术后病理不一致。近期一项荟萃分析显示,EUS-FNA/FNB分级与手术标本之间的一致率为53.8%至97.1%[15]。
影像组学是一项新兴技术,涉及以高通量、复杂的方式从医学图像中提取定量且可重复的特征,这些特征难以通过视觉识别或量化[16]。这些特征可能与特定疾病相关,通过统计或机器学习(ML)算法进行处理,以建立用于肿瘤诊断、分级、疗效评估和预后预测的预测模型[17–19]。影像组学的主要优势在于其无创性、客观性和可重复性。然而,样本量有限以及基于ML的模型缺乏可解释性,限制了基于影像组学的研究在临床实践中的应用。
本研究旨在开发一种基于影像组学的ML模型,利用CT图像以无创方式预测pNETs的分级。此外,本研究旨在通过建立影像组学特征与肿瘤生物学特征之间的关系,探索影像组学模型的可解释性。
材料与方法
患者筛选
本研究回顾性纳入2010年12月至2022年8月于中山大学附属第一医院经病理证实的pNETs患者。如图1所示,纳入标准包括:(1)手术标本组织病理学诊断为pNETs;(2)术前1个月内具备腹部增强CT检查资料。排除标准包括:(1)年龄小于18岁;(2)缺乏病理分级信息;(3)CT图像存在伪影;(4)CT图像未见可见病灶;(5)病灶长径小于1 cm;(6)仅行剖腹探查术的患者。患者是否接受手术治疗的决策参考最新版美国国家综合癌症网络(NCCN)指南[20–22]。本回顾性研究经机构审查委员会批准,并豁免知情同意。
患者被分为训练集和时间独立测试集。2019年1月至2022年8月期间的患者构成训练集,2010年12月至2018年12月期间的患者构成测试集。
肿瘤分割
由两名研究者使用3D Slicer软件(版本5.0.3;www.slicer.org)在动脉期和静脉期图像上逐层勾画感兴趣区(ROI)。肿瘤分割在动脉期和静脉期分别独立进行。每名研究者均不知晓另一名研究者的分割结果,并独立勾画病灶。研究者对临床信息设盲。本研究中定义的ROI为放射科医师可见的肿瘤边界内的整个肿瘤区域。尽可能将血管和胆管排除在ROI之外。对于多发病灶,选择直径最大的肿瘤作为代表[23]。
影像组学特征提取及可重复性分析
特征提取前对图像进行重采样和灰度离散化。采用样条插值将CT图像重采样为3 × 3 × 3 mm3的各向同性体素。将亨斯菲尔德单位二值化为25 HU的离散值。使用Python(版本3.7.3)的Pyradiomics软件包[24](版本3.0)提取基于CT的影像组学特征。整个流程符合影像生物标志物标准化倡议指南[25]。随机抽取30例CT图像用于检验影像组学特征的观察者间可重复性。采用组内相关系数(ICC)评估两名研究者之间ROI勾画的一致性。一致性良好定义为ICC大于0.75。ICC < 0.75的影像组学特征被排除。
特征选择与影像组学模型构建
在特征选择之前进行归一化步骤,以消除数据值的量纲差异。训练集中的每个特征减去均值并除以标准差。测试集中的特征使用从训练集计算出的均值和标准差进行归一化。可重复性分析后剩余的显著特征使用最大相关最小冗余(mRMR)算法进行排序[26]。最大相关最小冗余(mRMR)算法是一种滤波型特征选择方法,广泛应用于复杂的生物学问题,特别是影像组学分析中的特征选择。该算法选择的特征子集与类别具有最高相关性(相关性),且特征彼此之间具有最低相关性(冗余性)。
所选特征用于开发基于影像组学的机器学习模型,使用生物医学领域常用的五种机器学习算法,包括逻辑回归(LR)、高斯朴素贝叶斯(GaussianNB)、随机森林(RF)、支持向量机(SVM)和XGBoost。超参数使用网格搜索结合五折交叉验证进行优化。本研究采用0.5的阈值概率。训练好的基于影像组学的机器学习模型部署到时间独立性测试集。平均AUC、灵敏度、特异度、准确度和95%CI通过训练集和测试集的1000次bootstrap采样计算得出。使用带有Brier分数损失的校准曲线评估模型在测试集中的校准度。最终,选择表现最佳的模型作为最终模型。我们比较了穿刺活检与最终模型在评估5例同时接受穿刺活检和手术切除的pNETs患者病理分级方面的准确性。
模型可解释性探索
SHAP技术使临床医生能够以可解释的方式理解机器学习模型的结果[27],通过提供全局和局部可解释性增强模型透明度。特征按重要性顺序排列,排名较高的特征对模型的贡献更大。此外,SHAP值图可以展示特征对模型的正向和负向贡献。我们使用SHAP摘要图展示最终模型中最突出的特征。
为探究生物标志物与影像组学特征之间的相关性,我们比较了不同Ki-67指数和有丝分裂计数组之间由SHAP选择的影像组学特征的差异。
统计分析
采用均数和标准差(SD)描述正态分布的连续数据,非正态分布的连续数据以中位数(上下四分位数)表示。分类数据以频数和百分比表示,采用卡方检验进行比较。非正态分布的连续变量采用Mann–Whitney U检验进行比较,正态分布的连续变量采用独立样本t检验进行比较。本研究采用KNNimputer算法处理缺失值[28]。采用McNemar检验分析准确性,显著性水平为0.05。以上所有分析均通过R软件(版本4.1.1;www.r-project.org)和Python软件(版本3.7.3)完成。本影像组学研究通过计算影像组学质量评分进行评估[29]。p值小于0.05表示差异有统计学意义。
结果
患者特征
本研究纳入222例pNETs患者。训练集由122例患者组成(平均年龄:50 ± 14岁;男性53例),测试集由100例患者组成(平均年龄:48 ± 13岁;男性50例)。两组间在糖类抗原-199、糖类抗原-125和癌胚抗原插补前后均未观察到显著差异(附录表1)。
在训练集中,60例患者诊断为G1肿瘤,62例患者诊断为G2/G3肿瘤。在测试集中,64例患者诊断为G1肿瘤,36例患者诊断为G2/G3肿瘤。训练集患者中,35例为功能性肿瘤,测试集中46例患者为功能性肿瘤。训练集和测试集中分别有23例和16例患者发现多发性肿瘤(表1)。
特征选择
从动脉期和静脉期图像中各提取了1316个特征;其中动脉期有747个特征的组内相关系数(ICC)大于0.75,静脉期有401个特征的ICC大于0.75(附录图1)。在提取的特征中,1148个特征被输入最大相关最小冗余(mRMR)算法进行特征选择。该算法筛选出的10个最相关特征列于附录E2。采用热图展示了这些影像组学特征在G1与G2/3肿瘤之间的差异(附录图2)。
基于影像组学的机器学习模型的开发与测试
本研究中所用各模型的超参数见附录E3。在训练集中,各模型的平均AUC值为:逻辑回归(LR)0.727(95%CI:0.725,0.730),随机森林(RF)0.827(95%CI:0.825,0.829),支持向量机(SVM)0.769(95%CI:0.767,0.772),XGBoost 0.811(95%CI:0.809,0.813),高斯朴素贝叶斯(GaussianNB)0.705(95%CI:0.703,0.708)。平均灵敏度、特异度和准确度值见表2。在测试集中,AUC值为:LR 0.758(95%CI:0.756,0.761),SVM 0.742(95%CI:0.740,0.745),RF 0.779(95%CI:0.776,0.782),XGBoost 0.744(95%CI:0.742,0.747),GaussianNB 0.745(95%CI:0.742,0.748)。准确度为:LR 73.0%(95%CI:72.7%,73.3%),SVM 70.0%(95%CI:69.8%,70.3%),RF 77.0%(95%CI,76.8%,77.3%),XGBoost 71.9%(95%CI:71.7%,72.2%),GaussianNB 72.9%(95%CI:72.6%,73.1%)(表3)。五种模型的校准曲线见图3。Brier分数损失为:LR 0.196,SVM 0.202,RF 0.196,XGBoost 0.205,GaussianNB 0.217。由于RF模型具有较高的AUC和准确度以及较低的Brier分数损失,因此被选为最终模型。然而,与活检结果(准确度:40%,5例患者中2例)相比,最终模型在评估pNETs病理分级方面达到了80%的准确度(5例患者中4例);然而,该差异无统计学意义(p = 0.125,附录表2)。本研究的影像组学质量评分为15分,提示质量良好(附录E4)。
为探究不同扫描仪是否对模型的预测能力产生影响,我们对测试集中使用不同扫描仪检查的患者的pNETs病理分级进行了预测。结果显示,两种扫描仪之间的AUC无统计学差异(0.782 vs. 0.758,p = 0.36,DeLong检验)。这表明模型的预测能力在不同扫描仪之间保持一致,提示扫描仪间变异性未对结果产生显著影响。
我们基于临床特征,采用单变量和多变量逻辑回归探讨了pNETs病理分级的独立预测因素。结果提示,肿瘤大小和CT报告的肝转移是病理分级的独立预测因素(附录表3)。据此,利用多变量逻辑回归开发了一个临床模型,将肿瘤大小和CT报告的肝转移作为关键因素纳入。此外,我们从影像组学模型生成了预测概率,称为Radscore,并将其与临床模型整合以建立联合模型。附录表4呈现了影像组学模型、临床模型和联合模型在测试集中的AUC值。结果显示,临床模型与影像组学模型之间的AUC值差异具有统计学意义(AUC:0.791 vs. 0.711,p = 0.03)。然而,联合模型与影像组学模型之间的差异无统计学意义(AUC:0.791 vs. 0.788,p = 0.81)。
模型可解释性的探索
如图4所示,wavelet-LLL_glcm_DifferenceAverage(静脉期)和log-sigma-3–0-mm-3D_glcm_ClusterShade(静脉期)是对模型贡献最大的特征。log-sigma-3–0-mm-3D_glcm_ClusterShade(静脉期)特征在Ki-67 ≤ 2%和Ki-67 > 2%两组之间差异有统计学意义(p < 0.001),但在核分裂计数 < 2/10高倍视野(HPF)和核分裂计数 ≥ 2/10 HPF两组之间差异无统计学意义。wavelet-LLL_glcm_DifferenceAverage(静脉期)特征在Ki-67 ≤ 2%和Ki-67 > 2%两组之间(p < 0.001),以及在核分裂计数 < 2/10 HPF和核分裂计数 ≥ 2/10 HPF两组之间(p < 0.001;图5)均观察到显著差异。
讨论
在本研究中,构建并测试了一个可解释的机器学习(ML)模型,用于区分胰腺神经内分泌肿瘤(pNETs)的G1级与G2/3级。该模型通过分析从动脉期和静脉期获得的对比增强CT图像中提取的影像组学特征而开发。在测试集中,基于影像组学的ML模型表现出良好的区分能力(AUC,0.779;准确率,77.0%)和校准度。该模型还展现出良好的可解释性,有助于更好地理解影响其预测的因素。
既往研究强调了纹理分析和影像组学在预测pNETs病理分级方面的巨大潜力[30, 31]。一项纳入137例pNETs患者的研究开发了一种列线图模型,结合来自动脉期图像的影像组学特征和临床特征对G1与G2/3肿瘤进行分类[32]。训练集和验证集的AUC分别为0.907和0.891,表明该模型具有良好的判别能力,并具有良好的校准度和临床实用性。Bian等还开发了一种CT影像组学评分,其与非功能性pNETs(NF-pNETs)的分级显著相关,并为区分不同级别的NF-pNETs提供了一种可能有价值的无创工具,尤其是在肿瘤直径≤2 cm的患者中[33]。随着人工智能的进步,影像组学分析与机器学习(ML)算法的结合进一步增强了基于ML的模型的预测能力。ML算法可应用于特征选择、模型构建或两者兼有。在既往一项纳入138例pNETs患者的研究中,采用mRMR和RF算法进行影像组学特征选择和模型开发,以预测G1和G2/3肿瘤[18],最终形成了一种整合肿瘤边缘和影像组学标签的列线图。该列线图显示出较强的判别能力,训练集AUC为0.974,验证集AUC为0.902。Zhang等[17]通过整合五种特征选择方法和九种分类方法,构建了用于对pNETs病理分级进行分类的诊断模型。同样,本研究中呈现的所有基于影像组学的ML模型AUC均大于0.74,准确率均大于0.7,证实了影像组学分析结合ML在预测pNETs病理分级方面的巨大前景。尽管本研究所开发模型的准确率未超过某些现有研究,但其值得注意的贡献在于其可解释性以及影像组学模型与穿刺活检之间准确率的直接比较。
值得注意的是,本研究在小样本中比较了影像组学模型与针刺活检结果在评估pNETs病理分级中的准确性。尽管比较结果并未得出明确结论,但它们起到了重要的提醒作用。pNETs在患者之间及肿瘤组织内部可表现出显著异质性,即空间瘤内异质性[34, 35]。增殖异质性是这种瘤内异质性的重要表现。Tang等评估了31例具有高级别肿瘤成分指征的高分化NETs[36]。在NETs的原发肿瘤和肝转移灶中均观察到Ki-67指数的异质性[37]。因此,pNETs肿瘤组织可能包含多种增殖速率不同的成分。由于活检部位随机选择且所获组织体积有限,针刺活检结果可能无法准确反映整个肿瘤的增殖状态(图6)。尽管既往研究报道,EUS-FNA所获标本中采用平均和最高Ki-67指数评估的病理分级与切除标本的一致率分别为74.0%和77.8%[38],但针刺活检的侵入性及穿刺失败的风险不容忽视。相比之下,基于无创成像的影像组学分析可提供关于肿瘤的高通量和更全面的信息。通过将肿瘤作为整体进行分析,影像组学分析可能有助于解决异质性肿瘤小样本或随机活检标本病理检查相关的一些挑战,作为一种全面的“虚拟活检”[39],其在成像技术进步时代正获得认可,并被认为是传统肿瘤活检的可靠补充[40]。
尽管既往研究报道了基于影像组学的机器学习(ML)模型在pNETs病理分级术前预测中的优异性能,但很少有模型应用于临床实践,造成这一局限的因素有几个。首先,样本量小降低了结果的可信度,没有研究超过200例。其次,缺乏对模型可解释性的探索导致了“黑箱”效应,妨碍了临床应用[41]。第三,当前研究尚未建立pNETs中影像组学特征与生物标志物之间的相关性。此外,不同研究在影像组学特征选择上的不一致削弱了对这些模型的信任。因此,建立影像组学特征与生物标志物之间的联系对于推广这些模型至关重要。
为应对这些挑战,本研究尝试回答有关模型可解释性和可说明性的问题。根据既往研究[42],可解释性是指人类能够理解或直觉感知模型如何得出特定结果的程度,而可说明性则指机器学习系统的内部机制和逻辑。作为第一步,我们使用SHAP工具识别了静脉期中两个最具影响力的灰度共生矩阵(GLCM)特征,这证明了模型的可说明性。GLCM特征基于像素强度的空间对齐统计来评估图像纹理,已知是常见且敏感的纹理描述符[43]。既往研究报告称,GLCM特征可提供关于肿瘤异质性的信息,并反映胃肠道间质瘤的预后变化[44]。GLCM特征中的“聚类阴影”可被解释为偏度的度量,反映存在较大变异和高灰度水平。此外,GLCM特征可表征局部强度模式的对比度、复杂性和异质性,可能提示pNETs的增殖异质性。此外,我们认为,通过建立影像组学特征与特定疾病中已知生物学特征之间的关系来注释影像组学特征,是探索影像组学特征生物学意义的一种可行选择。因此,在本研究中,我们发现这两个特征在基于Ki-67指数或有丝分裂计数的不同组别之间显示出显著差异,证明了模型的可解释性。在一项肺癌的影像组学-基因组学研究中,研究人员发现不同的影像组学特征与多样的生物学过程相关。研究表明,纹理熵和聚类特征以及体素强度差异与免疫功能、P53通路状态以及其他参与细胞周期调控的通路相关[45]。这些发现表明影像组学特征可以表征潜在的生物学过程。建立影像组学特征与生物标志物之间的关联可以增强基于影像组学的模型对临床医生的可及性,因为因果推断在生物医学领域发挥着至关重要的作用。
需要强调的是,本研究纳入了两种滤波器,从而生成了大量经滤波器变换的特征。处理如此大量的高阶特征带来了在保留最具信息量的特征的同时消除冗余特征的挑战。为解决这一问题,Benedetti等[46]采用了基于相关性的滤波器,并基于AUC值识别出独立且有信息量的影像组学特征,从而使进一步分析得以进行。
在本研究中,为有效降低特征维度,我们首先使用组内相关系数筛选具有良好可重复性的特征。随后,应用mRMR算法进行特征选择。mRMR算法在选择过程中综合考虑特征相关性,确保排除高度相关特征以保持模型简洁性。另一个需要关注的重要问题是特征大幅增加所带来的统计学挑战。具体而言,高阶特征的显著增多可使得过滤变换后的特征更容易受到随机选择的影响。因此,在特征选择过程中审慎使用统计学严谨的方法对于减轻影像组学中的这种选择偏倚至关重要。然而,值得注意的是,目前尚无标准化的特征选择流程。因此,在这种情况下探索所选特征的可解释性变得尤为关键。在本研究中,我们建立了高阶特征与重要临床病理特征之间的相关性,提供了实质性证据表明模型中纳入的特征并非偶然选择。
本研究存在若干应予承认的局限性。首先,本研究使用的数据仅来自单一医学中心两台Canon CT扫描仪中的一台。因此,有必要通过涵盖多中心的前瞻性队列研究来证实本研究的结果,以确保结果的普适性。此外,由于同时接受术前活检和手术切除的患者样本量有限,本研究仅比较了影像组学模型与活检的准确性。未来可开展更大样本量的研究以比较这两种方法的AUC、敏感性和特异性。最后,本研究仅初步探讨了影像组学特征与生物标志物在预测pNETs病理分级中的关系。可进一步开展结合影像组学-基因组学和病理组学的分析,以深入探究影像组学特征的生物学意义。
总之,基于影像组学的可解释机器学习模型有望预测pNETs的病理分级,并建立影像组学特征与生物标志物之间的联系。作为pNETs病理分级的术前评估工具,影像组学模型可为术前穿刺活检提供重要的补充方法。
补充信息
以下是电子补充材料的链接。补充文件1(PDF 392 KB)
引用
- Ye JY, Fang P, Peng ZP, et al. A radiomics-based interpretable model to predict the pathological grade of pancreatic neuroendocrine tumors. Eur Radiol. 2023. PMID: 37658884. doi:10.1007/s00330-023-10186-1
- 全文:PMC10873440(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10873440/
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。