多任务深度学习影像组学模型预测肝细胞癌巨梁状-块状亚型及肝动脉灌注化疗后预后
回顾性多机构研究纳入159例手术切除HCC患者(MTM相关队列)和752例接受FOLFOX-HAIC的HCC患者(预后队列),基于双期增强CT全肝区域提取深度学习影像组学特征,构建多任务深度学习影像组学模型(MDLR)同时预测MTM亚型和HAIC后总生存。DLR-Cli模型预测MTM的AUC在训练集为0.967、内部测试集0.912、外部测试集0.773;MDLR模型预测OS的AUC在训练集0.855、内部测试集0.805、外部测试集0.792,并可将患者分为低风险(5年OS 44.9%)和高风险(5年OS 4.9%)两层。
要点
- DLR-Cli模型预测MTM亚型AUC训练集0.967、内部测试集0.912、外部测试集0.773。
- MDLR模型预测HAIC后OS的AUC训练集0.855、内部测试集0.805、外部测试集0.792。
- MDLR模型划分低风险组5年OS 44.9%,高风险组5年OS 4.9%(训练集)。
核心结论
- 基于MDLR的工具考虑了MTM是HCC患者重要预后因素,对接受HAIC的HCC患者预后风险分层表现出色,可能帮助医生在临床实践中进行治疗决策和监测策略选择。
- 多变量分析确定PVTT(p=0.012)、HAIC反应(p<0.001)、HAIC次数(p<0.001)和MTM亚型(p<0.001)为不良预后指标。
研究设计与样本
- 回顾性多机构研究,方案获所有参与医院机构审查委员会批准,遵循1975年赫尔辛基宣言原则。
- MTM相关队列纳入2018年6月至2020年3月158例接受手术切除的HCC患者(原文另处写159例),HAIC相关队列同期纳入752例接受HAIC的HCC患者。
- 训练集来自一家三级高容量机构(n=459),内部测试集(n=122)来自同一机构,外部测试集来自4个医疗中心(n=141)。
- 从双期(动脉期和静脉期)增强CT全肝区域提取DLR特征,使用3D MobileNetV1结构提取高级图像特征,XGBoost构建影像组学评分。
- MTM亚型定义为苏木精-伊红染色后>50%巨梁状结构模式;HAIC方案为FOLFOX regimen(FOLFOX-HAIC)。
关键影像表现/征象
- MTM组DLR风险评分低于非MTM组(均值0.834±0.097 vs. 0.177±0.089;p<0.001)。
- 热图显示预测非MTM组整体强度低于预测MTM组,较好生存组热图强度高。
- 多数选定的预定义影像组学特征为GLCM特征,可能与HCC异质性相关。
诊断标准与关键数值
- DLR-Cli模型预测MTM亚型的AUC在训练集0.967、内部测试集0.912、外部测试集0.773;临床模型与DLR-Cli模型DeLong检验p<0.001(三个队列均如此)。
- MDLR模型预测OS的AUC在训练集0.855、内部测试集0.805、外部测试集0.792。
- 术前MDLRN预测OS的AUC在训练集0.80、内部测试集0.71、外部测试集0.74;术后MDLRN预测OS的AUC在训练集0.84、内部测试集0.78、外部测试集0.79。
- MDLRN风险分层截断值:术前MDLRN为-1.40,术后MDLRN为-0.26(训练集确定,在内部和外部测试集验证)。
- 术前MDLRN低风险组1、3、5年OS分别为89.0%、52.9%、34.3%,高风险组分别为37.2%、5.5%、5.5%(p<0.001);术后MDLRN低风险组1、3、5年OS分别为91.2%、55.4%、25.1%,高风险组分别为35.7%、3.8%、3.8%(p<0.001)。
临床应用与阅片要点
- 原文指出MDLR模型可能帮助医生在临床实践中进行治疗决策和监测策略选择。
- 原文指出风险水平的可视化可能帮助决定HCC患者的HAIC策略。
- 原文提供了在线应用(https://prehaicnomogramforhcc.shinyapps.io/DynNomapp/)以增加临床便利性。
局限性
- 原文未报告局限性。
全文中译16 节 · 点击展开
引言
肝细胞癌(HCC)是全球第四大常见恶性肿瘤,也是全球癌症死亡的第二大原因[1]。不幸的是,>70%的HCC患者在初次诊断时往往具有较高的肿瘤负荷[2]。肝动脉灌注化疗(HAIC)是治疗大肝癌的一种有前景的选择,可在肿瘤内提供持续的高浓度局部化疗药物[3]。多周期HAIC更容易使大肝癌获得较高的客观缓解率(ORR),从而能够进一步进行转化治疗。石明等人在一项随机III期试验中表明,对于大肝癌(最大直径>7 cm),采用FOLFOX方案(奥沙利铂联合氟尿嘧啶和亚叶酸钙)的HAIC相比经动脉化疗栓塞(TACE)可获得更好的中位总生存期(OS,23.1个月)和ORR(48%)[4]。此外,免疫治疗以及包括索拉非尼和仑伐替尼在内的多靶点酪氨酸激酶抑制剂(TKI)在晚期HCC中已展现出突出的ORR和生存获益[5, 6]。
巨梁状-团块型(MTM)亚型作为一种具有血管生成的形态学HCC变异型,既往报道显示其预后不良[7, 8]。该亚型HCC患者应在手术前得到特异性诊断,但目前仍缺乏组织病理学检查。一系列研究已确定瘤内坏死或缺血是MTM亚型的独立预测因子。结合瘤内脂肪缺乏,这些特征可有效诊断MTM亚型。此外,与非MTM-HCC相比,多项研究发现MTM-HCC通常体积更大,更易发生瘤内坏死,且常表现出不规则的环状动脉期强化(IRE),具有更强的侵袭能力[9–11]。尽管上述MRI特征在既往研究中可实现较高的MTM亚型预测准确率,但观察者间变异导致的潜在选择偏倚难以避免。在过去十年中,肿瘤学实践中提出了越来越多的定量和定性图像分析方法用于预测MTM亚型。例如,影像组学以高通量方式将图像转化为定量数据,使其成为结局预测的一种可行且精确的方法。然而,这些分析需要制定预定义标准并对感兴趣区域(即肿瘤及边缘区域)进行手动或半自动分割[12, 13]。而深度学习(DL)作为一种数据驱动方法,基于特定特征的预测能力而非人类表现,已越来越多地应用于自动设计与组织[14, 15]。
因此,需要进一步研究来支持DL影像组学(DLR)方法预测MTM亚型和患者预后的稳健性和准确性。我们研究的目的是基于术前CT开发并验证一种多任务DLR模型,该模型基于整合临床变量、DLR评分和MTM亚型的多模态数据,用于预测接受HAIC的HCC患者的MTM亚型和预后。
材料与方法
这项回顾性、多机构研究方案获得了所有参与医院机构审查委员会的批准,并按照1975年《赫尔辛基宣言》的原则进行。由于本研究的回顾性性质,书面知情同意的要求被豁免。
患者入组
所有肝细胞癌(HCC)患者均根据欧洲肝病研究学会(EASL)和美国肝病研究学会(AASLD)指南进行诊断[16, 17]。2018年6月至2020年3月期间,共回顾性纳入159例连续接受手术切除(SR)的大肝癌患者,并在SR前2周内在某三级高容量医院接受了标准对比增强计算机断层扫描(CECT)检查。肿瘤标本的组织学检查由两名病理学家(读者1,L.L.,和读者2,P.W.,均有10年经验)通过连续检查多份病理标本进行。计算组内相关系数(ICC)作为可重复性评价指标。选择观察者内和观察者间ICC均高于0.9的病理特征。MTM亚型定义为苏木精-伊红染色后出现> 50%的大梁状结构模式。
另一队列由1367例在2014年1月至2022年5月期间接受初始HAIC作为一线治疗的HCC患者组成。图1A展示了接受HAIC的HCC患者的入组路径。纳入标准如下:(a)年龄18–75岁;(b)美国东部肿瘤协作组(ECOG)体能状态< 2;(c)Child-Pugh A级或B级肝功能;(d)采用FOLFOX方案行HAIC治疗(FOLFOX-HAIC)。排除标准如下:(a)HAIC前接受过任何治疗;(b)HCC合并其他恶性肿瘤;(c)最大肿瘤直径≤ 5 cm;(d)TACE联合HAIC同时治疗;(e)随访> 6个月后失访。使用HAIC而非手术或全身化疗的原因、HAIC操作流程及方案终止标准见补充信息E1.1–1.3。此外,术前CECT扫描方案见补充信息E1.4。
随访方案和终点
在本研究中,入组患者在末次随访(2022年10月30日)时进行删失。完成完整HAIC方案后,每3–6个月复查血清甲胎蛋白(AFP)水平及增强CT或MRI,第一年约每3个月一次,此后每6个月一次。HAIC的疗效通过HAIC前后获得的动态增强图像进行评估。评估由两名放射科医师(读者1,L.Z.L.;读者2,J.Z.,具有10年经验)在初次HAIC后每4–6周独立进行,数据收集时对HAIC操作设盲。根据改良实体瘤疗效评价标准(mRECIST),疗效分为完全缓解(CR)、部分缓解(PR)、疾病稳定(SD)和疾病进展(PD)[18]。主要终点为OS,其计算从初次治疗日期至任何原因死亡日期或末次随访日期。共收集34项临床变量作为HAIC预后预测因子进行分析,列于补充信息E 1.5中。
研究设计
在本研究中,我们使用双期(动脉期和静脉期)CECT数据,来自MTM相关队列(包括159例接受SR的患者)和HAIC相关队列(包括752例接受HAIC的患者),以开发和验证多任务深度学习影像组学列线图(MDLRN)。图1B–E展示了MDLRM流程,包括感兴趣区(ROI)的图像分割、特征提取与选择、签名构建和模型构建。详细的自动勾画列于补充信息E 1.6中。我们使用来自一家三级高容量机构的临床和CECT数据作为训练队列(TC,n = 459)和内部测试队列(ITC,n = 122),并使用来自4个医疗中心的临床数据作为外部测试队列(ETC,n = 141)。
MTM相关评分
第一步是用于预测MTM状态的组织学相关机器学习评分模型。构建了用于预测MTM状态的3D MobileNetV1结构(见sTable 1和sFigure 1)深度学习模型,以提取高层图像特征。然后选取22个影像组学特征,并通过XGBoost以CART基分类构建模型[19]。还选取了6个临床因素构建临床模型。最后,将三个模型(临床、深度学习和影像组学,DLR-Cli)的评分加权相加,构建MTM相关评分模型。多任务深度学习(MDL)模型构建、MTM影像组学模型构建及DLR-Cli模型构建过程的详细信息见补充方法E1.8–1.9。
HAIC后生存的预后评分
在下一步中,我们构建并验证了一个MDLRN,其整合了MTM相关生物标志物、从肿瘤提取的DL评分及其他临床信息,用于预测OS队列中752例患者的OS。使用相同的3D MobileNetV1多任务模型进行多任务OS预测,详见补充信息E1.6。然后将预测的MTM评分、DL评分、术前和术后临床变量整合到新的Cox-PH模型中,以获得接受HAIC的个体患者生存时间的精确估计。
统计分析
统计分析使用R软件3.6.3版(http://www.r-project.org/)的survival和rms包进行。连续变量以均值±标准差(SD)或中位数伴四分位距(IQR)表示,采用Kruskal–Wallis检验进行比较;分类变量以频数及百分比表示,采用卡方检验进行比较。应用单变量和多变量logistic回归分析计算变量的风险比(HR)及相应的95%置信区间(CI),并识别独立的显著危险因素。不同亚组的OS曲线采用Kaplan–Meier法结合log-rank检验进行比较,不同模型的AUC通过DeLong检验进行比较。同时计算预测参数,包括准确率、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV),以评估模型性能。
所有显著性检验均为双侧检验,p值<0.05被认为具有统计学意义。
结果
基线特征
在MTM相关队列中,74.2%(118/159)的患者经病理诊断为MTM亚型。按MTM状态分层的基线特征见表1。在所有变量中,年龄<65岁和Edmondson-Steiner分级III–IV级在MTM组中较非MTM组更为常见(p = 0.032,< 0.001)。其他变量在两组间分布相似。在HAIC相关队列中,共有752例初治HCC患者(80例女性,672例男性;平均年龄54.2 ± 11.8岁)符合纳入标准。三个队列中接受HAIC治疗的HCC患者的临床病理特征见表2。末次随访时,TC、VC和EVC的死亡率分别为61.1%(299/489)、71.3%(87/122)和35.5%(50/141)。上述两个队列的基线特征见sTable 2。
手工放射组学与DL特征分析
基于分割的肝脏图像,从CECT每个期相共提取5610个预定义放射组学特征和4132个DL特征。经过特征选择后,AP期选出10个、PP期选出12个作为显著的预定义放射组学特征。在所有ML分类器中,XGBoost优于其他3个分类器,被选用于构建放射组学评分。大多数选定的预定义放射组学特征为GLCM特征,这可能与HCC的异质性有关。此外,AP和PP期的所有DL特征均被选用以构建DL评分用于进一步分析。各种模型与分期系统之间的预后性能比较见表3。
MTM相关评分
MTM亚型患者的基线特征列于sTable 3。在TC中,深度学习影像组学(DLR)风险评分在MTM组中低于非MTM组(均值,0.834 ± 0.097 vs. 0.177 ± 0.089;p < 0.001)。多因素分析显示,AFP水平 > 400 ng/ml和DLR风险评分是MTM亚型的独立指标。四种不同模型(临床、影像组学、DLR和DLR-Cli)在三个队列中的预测性能比较以及各模型的AUC、SENS、SPEC、PPV和NPV数据见sTable 4。在所有模型中,DLR-Cli模型显示出最佳区分度,在TC、IVC和EVC中分别达到AUC 0.967、0.912和0.773。DeLong检验结果表明,临床模型与DLR-Cli模型之间的性能差异显著(TC中p < 0.001,IVC中p < 0.001,EVC中p < 0.001)。
MDLRN的建立与验证
多因素分析显示,术前参数包括PVTT(HR,1.42)和DLR风险评分(HR,0.11),以及术后参数包括OR、HAIC次数和MTM评分,是不良OS的独立危险因素(sTable 5)。MDL对OS的详细性能列于sTable 6。这些独立相关危险因素被用于建立MDLRN(图2A、B),其公式描述为:HR = 1.38 × PVTT + 0.54 × OR + 0.74 × HAIC次数 + 2.44 × MTM + 0.10 × DLR评分。对于每个肿瘤分级,总分值越高表明OS越差。在三个队列中,MDLRN的1年、3年和5年OS Bootstrap校准曲线与理想45°线吻合良好(图2C–H)。为增加临床便利性,开发了一个用户友好的在线应用(https://prehaicnomogramforhcc.shinyapps.io/DynNomapp/)。
术前MDLRN在TC、IVC和EVC中预测接受HAIC治疗的HCC患者OS的AUC分别为0.80、0.71和0.74。此外,术后MDLRN在TC、IVC和EVC中预测OS的AUC分别为0.84、0.78和0.79。在本研究中,我们发现,与竞争模型和分期系统(AJCC[美国癌症联合委员会]、BCLC[巴塞罗那临床肝癌]分期、CLIP[意大利肝癌项目]分类、HKLC[香港肝癌]分期)相比,MDLRN在三个队列中改善了接受HAIC治疗的HCC患者的预后预测(图3)。
可视化可解释性
MobileNetV1学习到的特征图如图4所示,详细患者信息见补充表7。为进一步探索网络学习到的隐藏模式,将热图按1/2/3/>3年死亡/生存分为预测组。根据其影像学特征,样本被分为MTM和非MTM亚型。总体而言,预测非MTM组的特征图整体强度低于预测MTM组,这似乎提示了HCC的自然病理特征。此外,热图显示预后较好组具有较高强度,表明MTM亚型是预后分析的重要因素。
生存风险分层
为便于MDLRN的临床应用,我们根据MDLRN风险评分将接受HAIC的HCC患者分为两个风险组,包括高风险组和低风险组。我们在TC中确定了MDLRN前和MDLRN后的HR截断值(−1.40和−0.26),并分别在ITC和ETC中进行了验证。这种风险水平的实用性可视化有助于决定HCC患者的HAIC策略。根据MDLRN前的截断风险评分,在TC中,低风险组的1年、3年和5年OS分别为89.0%、52.9%和34.3%,优于高风险组的相应率(37.2%、5.5%和5.5%)(p < 0.001)(图5A)。同样,在另外两个测试队列中,高风险组和低风险组的累积1年、3年和5年OS率也存在显著差异(均p < 0.001)(图5B、C)。根据MDLRN后的截断风险评分,在TC中,低风险组的1年、3年和5年OS分别为91.2%、55.4%和25.1%,优于高风险组的率(分别为35.7%、3.8%和3.8%)(p < 0.001)(图5D)。同样,在另外两个测试队列中,高风险组和低风险组的累积1年、3年和5年OS率也存在显著差异(均p < 0.001)(图5E、F)。简言之,随访期间高风险患者的死亡人数多于低风险患者;低风险患者中接受潜在治愈性治疗(肝移植、重复肝切除或消融)的比例高于高风险患者。
讨论
根据现行指南,晚期HCC的标准治疗是索拉非尼。HAIC目前正在应用,主要在亚洲。然而,仍缺乏大型随机试验。在EACH和其他既往研究中,FOLFOX方案全身化疗治疗晚期HCC的价值已得到证实[20–22]。通过肝动脉内治疗持续输注化疗药物有助于为靶肿瘤提供足够的局部药物浓度。既往研究报告了使用FOLFOX–HAIC治疗局部晚期HCC时令人鼓舞的安全性特征和抗肿瘤活性[23, 24]。然而,组织学、基因组和分子水平上的高度肿瘤异质性导致接受HAIC的HCC患者预后存在一定范围的个体化差异。因此,我们开发并验证了一个整合临床变量、DLR评分和组织学特征的MDLRN,为大型HCC中选择HAIC和治疗策略提供指标。
MDLRN 是通过多任务深度学习模型、临床因素和影像组学特征构建的。多任务深度学习模型通过 MobileNetV1 特征提取和 5 个分类任务(MTM 预测、1 年、2 年、3 年和大于 3 年 OS)构建。多任务深度学习已将 MTM 亚型的病理特征纳入考虑。因此,在 MTM 评分任务和 OS 评分任务中使用了相同的提取模块,进一步证明了 MTM 与 OS 之间的关系。此外,术前模型可以预测术后病理特征,这可以提高术前模型的性能。
在本研究中,我们旨在识别 HCC 的某种特定组织学亚型,其被定义为 MTM 亚型。值得注意的是,在既往研究中,该组织学亚型的发生率随着肿瘤直径的增加而增加。在包含 159 例接受 SR 患者的 MTM 相关队列中,74.2%(118/159)的患者经病理诊断为 MTM 亚型。我们开发了一种基于 DLR 的模型用于预测 MTM 亚型,其表现出色(AUC,TC 中为 0.98,IVC 中为 0.84,EVC 中为 0.72)。此外,我们的结果显示,高血清 AFP 水平是 MTM 亚型的独立预测因素 [11],这与既往报道一致。然而,在加入 DLR 模型预测 MTM 亚型后,未观察到价值上的增量提升。我们还显示,在接受 HAIC 的大肝癌患者中,MTM 状态的基线 DLR 评分较低与 OS 相关(HR,0.85;p < 0.001),表明其潜在的临床应用价值。
本研究基于 OS 队列中 752 例患者的 CECT 数据,开发并验证了一种 MDLRN,用于预测接受初始 HAIC 的大肝癌患者的 OS,该模型能够准确地将大肝癌患者分层为两个预后亚组,其 OS 具有显著差异。在本研究中,进行了以下三项尝试:第一,我们构建了包含术前和术后临床变量、DLR 特征和 MTM 亚型的 MDLRN,用于预测 OS;第二,使用 ResU-Net 算法将整个肝实质自动分割为 ROI 以进行特征提取;第三,我们提供了一个基于 MDLRN 的系统作为可视化网络工具,用于推荐适合接受 HAIC 治疗的大肝癌患者,取得了良好的预测性能(AUC,IVC 中为 0.87;EVC 中为 0.83)。
DLR分析强调了肿瘤负荷及全肝实质内的分布以及肿瘤微环境(TME)在预后预测中的潜在重要作用。靶向肿瘤在多个周期中暴露于化疗药物与治疗反应密切相关[25]。既往研究表明,较大的肿瘤负荷和更分散的分布均会削弱化疗效果[4]。同样,我们的DLR可视化结果与上述假设一致。预测死亡组的热图强度高于预测生存组,提示肿瘤负荷和分布的重要性。此外,既往探索传统化疗耐药机制的研究已揭示TME组分的参与,似乎解释了TME状态与化疗反应之间的关系[26, 27]。在我们的热图中,较高的强度分布可能与TME组分组装相一致,包括细胞外基质(ECM)、蛋白聚糖、免疫细胞和缺氧环境。这一假设需要进一步的实验研究来探讨其潜在机制。
基于术前DLR评分和临床参数的MDLRN应有助于HAIC前的患者分层,使临床医生能够优化治疗,例如转换为SR和LT。一旦患者接受HAIC,采用术后临床参数(包括HAIC周期数、HAIC反应和预测的MTM亚型)构建的post-MDLRN具有显著更高的预测性能,可用于设计个体化监测和治疗策略。通过MDLRN进行患者分层,可考虑采用强化监测方案,甚至一些积极或昂贵的预防和辅助治疗,包括预防性多靶点酪氨酸激酶抑制剂(TKI)和程序性细胞死亡蛋白(PD)-1疗法,以延长高危患者的OS[28, 29]。另一方面,低风险患者在HAIC后可能接受较低强度的监测方案,并更审慎地考虑积极或昂贵的预防性治疗,以降低这些检查和治疗的不良影响概率及高额费用。
我们的研究存在一些局限性。首先,观察性研究中选择偏倚不可避免,可能影响真实结局。其次,我们未对肿瘤区域进行手动勾画以提取特征。MDLRN模型的预测能力是否较基于整个肿瘤ROI的模型显著提高,尚需在外部队列中进一步检验。第三,随着时间推移,HCC的治疗技术不断更新和改进,例如HAIC化疗药物方案的调整以及HAIC联合分子靶向药物的改进。这将对结局预测产生一定程度的影响,且不可避免。第四,关于HAIC期间及之后并发症和TKI治疗的临床信息未进行分析,值得进一步研究。鉴于这些局限性,MDLRN模型作为HCC患者HAIC的OS分层工具,在应用于其他研究环境之前需要进一步验证。
总之,MTM是HCC患者的一个重要预后因素,在构建多任务DLR方法时已将其纳入考虑。该模型能够预测接受HAIC治疗的HCC患者的预后,并在两个测试队列中表现出优异的性能,证明了其稳健性和有效性。因此,该工具可能有助于医生在临床实践中进行治疗决策和监测策略选择。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 132 KB)
引用
- He X, Li K, Wei R, et al. A multitask deep learning radiomics model for predicting the macrotrabecular-massive subtype and prognosis of hepatocellular carcinoma after hepatic arterial infusion chemotherapy. Radiol Med. 2023. PMID: 37801197. doi:10.1007/s11547-023-01719-1
- 全文:PMC10700409(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10700409/
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。