文献速递泌尿生殖妇产影像技术与安全CTMRUSPET

影像组学在卵巢肿物评估中的应用——系统综述

Radiomics in the evaluation of ovarian masses - a systematic review.
PubMed 文献 · Insights Imaging · 2023-10-02

该系统综述检索MEDLINE/PubMed、Web of Science、Scopus、EMBASE、Ovid与ClinicalTrials.gov,最终纳入33项研究,评估影像组学在卵巢病变分类、预后预测与治疗反应预测中的应用。纳入研究样本量28至501例,23项(70%)采用三维分割,仅6项(18%)有外部验证,5项(15%)总体偏倚风险低。作者认为影像组学有潜力改善病变分层与治疗选择,但临床转化前需方法标准化、更大更多样化队列及真实世界评估。

要点

  • 33项研究中23项(70%)采用三维分割,最常用建模方法为LASSO(10/33)。
  • 仅6项研究(18%)包含外部验证,5项(15%)总体偏倚风险低、19项(58%)高。
  • 5项研究(15%)将影像组学模型与放射科医生判读比较,均显示模型性能更优。

核心结论

  • 影像组学在卵巢肿物患者中具有作为临床诊断工具的潜力,可能允许更好的病变分层,未来可指导更个性化的患者管理。
  • 在临床转化前,需要特征提取方法的标准化、更大且更多样化的患者队列以及真实世界评估。

研究设计与样本

  • 系统综述,检索MEDLINE/PubMed、Web of Science、Scopus、EMBASE、Ovid与ClinicalTrials.gov,检索时间为2022年3月下旬,检索词为「radiomics」或「radiomic」与「ovary」或「ovarian」。
  • 遵循PRISMA标准,数据库检索共获得207篇文章,去除147篇重复后余60篇,另从参考文献中识别3篇,共63篇筛选,最终纳入33项研究。
  • 排除非英文文献、文献综述及评估活检靶点的文章。
  • 采用QUIPS工具评估有效性与偏倚,由2名研究者独立复核并以共识解决分歧;采用影像组学质量评分(RQS)评估影像组学方法学,RQS共16项标准、最高36分。
  • 偏倚风险分级标准:所有域均为低风险或至多一个中风险为低风险;一个或多个域为高风险为高风险;其余为中风险;患者队列规模在排除后大于100例视为参与充分。

关键影像表现/征象

  • Chiappa等开发超声支持向量机模型预测241个肿物的恶性风险,实性恶性 vs 良性准确率80.0%、AUC 0.87,囊性恶性 vs 良性准确率87.0%、AUC 0.88,混合性恶性 vs 良性准确率81.0%、AUC 0.89。
  • Song等基于MRI的LR模型在82例患者104个肿瘤中分类,任务A(良性 vs 交界性)AUC 0.899、任务B(良性 vs 恶性)AUC 0.865、任务C(交界性 vs 恶性)AUC 0.893。
  • Wang等基于545个卵巢肿物开发MRI深度学习分类模型,EfficientNet准确率最高(87.0%,AUC 0.81),初级放射科医生准确率64.0%、高级放射科医生74.0%,初级医生借助深度学习模型后达77.0%。
  • Zhang等开发多参数MRI分类模型(训练195个病变,测试85个病变),良恶性分类准确率90.3%(AUC 0.97),I型与II型卵巢上皮癌分类准确率92.7%(AUC 0.86),放射科医生准确率较低为83.5%。
  • Park等基于增强CT在427例卵巢病变患者中构建3种机器学习模型,支持向量机(径向核)敏感度92.0%、特异度61.0%(AUC 0.87),随机森林敏感度91.0%、特异度69.0%(AUC 0.88),逻辑回归敏感度92.0%、特异度61.0%(AUC 0.88)。

诊断标准与关键数值

  • Chiappa等超声支持向量机模型:实性恶性 vs 良性准确率80.0%、AUC 0.87;囊性恶性 vs 良性准确率87.0%、AUC 0.88;混合性恶性 vs 良性准确率81.0%、AUC 0.89。
  • Aramendía-Vidaurreta等基于79个影像组学特征与年龄的多层感知器超声分类模型(145例患者):准确率98.8%、敏感度98.5%、特异度98.9%(AUC 0.99)。
  • Li等基于增强CT的列线图(134个病变):外部验证AUC 0.95。
  • Zhu等基于平扫CT的模型(101例患者):影像组学模型敏感度94.0%、特异度47.0%(AUC 0.78);临床模型敏感度72.0%、特异度87.0%(AUC 0.81);联合模型敏感度98.0%、特异度67.0%(AUC 0.87)。
  • Hu等基于CT的模型(110例患者)鉴别原发性与继发性卵巢癌:联合模型在验证队列中敏感度78.8%、特异度90.7%(AUC 0.75),优于影像组学模型与临床模型。

临床应用与阅片要点

  • 作者认为影像组学在改善病变分层、治疗选择与结局预测方面显示出有希望的结果。
  • 作者指出在临床转化前需要更大队列建模与真实世界评估。
  • 作者指出需要特征提取方法标准化、更大且更多样化的患者队列以及真实世界评估。
  • 作者指出部分研究报道机器学习模型优于放射科医生,但这些发现的更广泛适用性需要额外验证。

局限性

  • 仅6项研究(18%)包含外部验证。
  • 5项研究(15%)将影像组学模型与放射科医生判读比较。
  • 5项研究(15%)总体偏倚风险低,9项(27%)中等,19项(58%)高。
  • 部分研究缺乏方法学细节。
  • 部分研究样本量小,且某些研究未对多重检验进行校正。
全文中译34 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 Oct 2;14:165. doi: 10.1186/s13244-023-01500-y

引言

卵巢癌(OC)是妇科癌症死亡的主要原因,也是第七大常见恶性肿瘤,占女性所有癌症死亡的5%,占所有癌症死亡的3% [1–3]。卵巢肿瘤包括一组形态各异的良性、交界性和恶性病变 [4]。OC的高发病率和死亡率源于缺乏经过验证的筛查方法以及非特异性症状的晚期表现 [5–8]。

组织病理学评估是诊断的金标准。组织样本主要在手术分期过程中获取,而在其他恶性肿瘤中,活检诊断先于进一步的患者管理。影像学旨在区分良性附件病变与恶性肿瘤。

临床疑似卵巢肿块的一线影像学检查通常包括经腹部和经阴道超声评估以寻找可疑特征。恶性风险指数(RMI)[9]、卵巢-附件报告和数据系统(O-RADS)[10]或国际卵巢肿瘤分析(IOTA)[11]临床支持工具常与超声评估联合使用。RMI是一种预测模型,结合超声特征、绝经状态和血清癌抗原(CA-125)水平来估计恶性风险。另一方面,O-RADS和IOTA是分类系统,利用超声特征将卵巢肿块分层为不同的风险类别。

分期通过腹部和盆腔对比增强计算机断层扫描(CT)进行。磁共振成像(MRI)用于表征不确定性卵巢病变或确认超声扫描中发现的皮样囊肿/子宫内膜异位囊肿。氟-18氟脱氧葡萄糖正电子发射断层扫描-计算机断层扫描(FDG PET-CT)在OC中的作用尚不明确。当无创检查无法得出结论时,患者可能接受不必要或不适当的手术;不良后果包括疾病进展、生育力下降和早绝经。

影像组学涉及从医学影像中提取高维数据,允许对像素水平的分布和关系进行定量分析 [12]。该技术在肿瘤学中已被广泛研究用于结局预测建模 [13–21]。本研究旨在评估已发表的关于影像组学应用于疑似OC不同影像学模式的文献,概述该领域的进展和剩余挑战,并概述未来建议。

方法

检索策略和选择标准

于2022年3月下旬对MEDLINE/PubMed、Web of Science、Scopus、Embase、Ovid和ClinicalTrials.gov数据库进行了检索。检索标准由“radiomics”或“radiomic”以及“ovary”或“ovarian”组成。根据标题、摘要和随后的全文审查评估资格。非英文发表的文章、文献综述以及评估活检靶点的文章被排除。审查了文章引用的参考文献以识别更多出版物。遵循了系统评价和荟萃分析首选报告项目(PRISMA)标准(补充文件)[22]。

评估活检靶点的研究被排除在本综述之外,转而聚焦于描述人工智能和影像组学在卵巢癌诊断、预后和治疗反应预测中临床效用的文章,这些内容与多学科团队(MDT)会议中做出的关键决策相一致。这种对无创评估方法的强调尤为 relevant,因为在实际临床实践中,由于肿瘤种植风险,活检通常被避免。

质量评估

采用预后研究质量(QUIPS)工具[23]和影像组学质量评分(RQS)[12]评估有效性和偏倚。两位作者(P.A.、A.S.)独立审阅了所有研究,任何分歧均通过共识解决。

QUIPS评估有效性和偏倚,涵盖六个领域(补充表S1)。每项研究的总体偏倚风险根据以下标准进一步分类:如果所有领域均被归类为低风险,或最多有一个中等风险,则该研究被归类为低偏倚风险。如果一个或多个领域被归类为高风险,则该文章被归类为高偏倚风险。介于两者之间的所有研究被归类为中等偏倚风险[24]。排除后患者队列规模>100的研究被认为具有充分的参与度。

RQS是一种用于评估影像组学研究质量和报告的工具,包含十六项标准,最高分为三十六分(补充表S2)。RQS对研究的方法学、分析和报告进行奖励或惩罚。

结果

文献检索

数据库检索共获得207篇文章。剔除147篇重复文献后,剩余60篇。此外,从这些文章的参考文献中识别出3篇文章。所有63篇均进行了资格筛选,最终保留33项研究(图1)。

图1 PRISMA流程图 查看原图 ↗

质量评估

一项研究在所有六个QUIPS领域均显示低偏倚风险[25],5/33项研究显示低总体偏倚风险。33项研究中有19项具有高总体偏倚风险,9/33项具有中等总体偏倚风险。在高风险研究中,六项在参与度方面具有高偏倚风险,16项在失访方面,一项在预后测量方面,两项在结局测量方面,15项在混杂因素方面,五项在分析和报告类别方面(图2和补充表S3)。

最高RQS为22/36(61.1%),最低评分为−6/36(−16.7%)。仅一项研究提供了开源代码。没有研究在存储库中提供源影像数据或分割数据。一项研究纳入了体模研究性能。没有研究是注册于数据库的前瞻性试验(图3和补充表S4)。

图2 预后研究质量(QUIPS)分层 查看原图 ↗
图3 影像组学质量评分(RQS)钟形曲线 查看原图 ↗

结局

这些研究分析的结果大致分为五个主要类别:诊断/病理分类(15篇文章)、预后/结局预测(5篇报告)、治疗计划/监测(10篇文章)、转移预测(2项研究),以及一项同时评估诊断/病理分类和预后预测的单一研究。表1总结了相关发现,以下各节按分类和成像方式对各项研究进行详细讨论。补充表S5提供了不同影像组学特征类别的概述以供参考,补充表S6列出了每项研究中进行的特定影像组学特征分析的详细信息。

表1 纳入研究的关键特征总结 [12, 23–54] 查看原表 ↗

诊断/病理分类

超声

Chiappa等[26]开发了一种支持向量机(SVM)超声模型,用于预测241个肿块的恶性风险。该模型在实性恶性 vs 良性(准确率80.0%,AUC 0.87)、囊性恶性 vs 良性(准确率87.0%,AUC 0.88)和混杂型(实性与液体混合)恶性 vs 良性(准确率81.0%,AUC 0.89)方面的性能良好。随后的一项研究[27]纳入了声影数据和血清癌抗原(CA-125)水平,在35例患者的测试集上进行前瞻性验证,获得了更好的平均准确率(91%)。

Aramendía-Vidaurreta等[28]利用79个影像组学特征和年龄,在145例患者中开发了一种多层感知器超声分类模型,显示出98.8%的准确率、98.5%的灵敏度和98.9%的特异度(AUC 0.99)。

计算机断层扫描

Li及其同事[29]基于增强CT在134个病灶中开发了一个分类模型。影像组学特征(RS)通过选定影像组学特征的线性组合计算,各特征由相应系数加权。多变量逻辑回归(LR)将临床因素与RS相结合生成列线图,外部验证AUC为0.95。

Park及其同事[30]在427例卵巢病变患者中开发了一个增强CT分类模型。影像组学特征和患者年龄被用于创建3个机器学习(ML)模型:径向核SVM、随机森林和LR。各自的灵敏度和特异度分别为92.0%和61.0%(AUC 0.87)、91.0%和69.0%(AUC 0.88)以及92.0%和61.0%(AUC 0.88)。

Yu等[31]使用多参数CT开发了一个SVM分类模型,用于在182例患者中区分浆液性交界性肿瘤和浆液性恶性肿瘤。动脉期、静脉期和平衡期模型的AUC分别为0.80、0.86和0.73。

Zhu及其同事[32]基于平扫CT创建了一个模型,用于在101例患者中区分卵巢上皮性癌(OEC)和非上皮性卵巢癌(OC)。RS为选定影像组学特征乘以各自计算权重的线性组合。RS和临床因素通过多变量LR相结合得出列线图。影像组学模型、临床模型和联合模型的灵敏度和特异度分别为94.0%、47.0%(AUC 0.78);72.0%、87.0%(AUC 0.81);以及98.0%、67.0%(AUC 0.87)。

Hu等人[33]在一项纳入110例患者的研究中开发了一个基于CT的模型,用于区分原发性卵巢癌(POC)和继发性卵巢癌(SOC)。放射组学评分(RS)是由各自系数加权的所选放射组学特征的线性组合。RS和临床因素在另一个模型中联合,并构建了列线图。联合模型优于放射组学模型和临床模型,在验证队列中灵敏度为78.8%,特异度为90.7%(AUC 0.75)。

磁共振成像

Li及其同事[34]随后开发了一个基于MRI的机器学习(ML)模型,用于在501例患者中区分交界性和恶性上皮性肿瘤,采用了单参数和多参数逻辑回归(LR)模型。多参数实性肿瘤模型表现出最佳的外部验证性能(受试者工作特征曲线下面积,AUC 0.90),并优于放射科医师(AUC 0.80)。

Song等人[35]开发了一个基于MRI的LR模型,在82例患者共104个肿瘤中将病变分类为良性 vs. 交界性(任务A)、良性 vs. 恶性(任务B)、交界性 vs. 恶性(任务C)以及良性 vs. 交界性 vs. 恶性(三分类)。通过结合动态对比增强MRI的重要放射组学特征生成了多参数药代动力学图。任务A、B和C的AUC分别为0.899、0.865和0.893。三分类任务在良性、交界性和恶性组中分别表现出AUC为0.893、0.944和0.891。药代动力学模型的总体准确率为74.0%,而放射科医师为64.4%。

Lupean等人[36]开发了基于T2W-MRI的回归模型,在28例患者中将囊肿分类为良性或恶性(灵敏度84.6%,特异度80%,AUC 0.84)。

Wang及其同事[37]使用545个卵巢肿块开发了一个MRI深度学习(DL)分类模型。放射组学特征经过协调和降维处理。临床模型使用LR,七名放射科医师独立解读影像。EfficientNet表现出最佳准确率(87.0%,AUC 0.81)。初级放射科医师的准确率为64.0%,高级放射科医师的准确率为74.0%,而前者在DL模型辅助下准确率达到77.0%。

Zhang及其同事[38]开发了一个多参数MRI分类模型,用于区分恶性和良性、I型和II型卵巢上皮癌(OEC)并预测生存(训练集——195个病变,测试集——85个病变)。采用最小绝对收缩和选择算子(LASSO)回归进行生存分析以生成风险评分。该模型在区分良性与恶性方面表现出90.3%的准确率(AUC 0.97),在区分I型和II型OEC方面表现出92.7%的准确率(AUC 0.86)。放射科医师的准确率较低,为83.5%。

Qian及其同事[39]开发了MRI模型、临床模型和联合模型,用于在61例患者中对I型和II型OEC进行分类。生成了单序列和多参数模型。传统模型使用临床因素、常规MRI特征和ADC值的单因素分析。组内相关系数< 0.75的特征被纳入多因素LR。传统模型表现出91.0%的准确率(AUC 0.96)。混合模型的性能无显著差异(准确率93.0%,AUC 0.91)。

Jian及其同事[40]开发了一种基于多参数MRI的模型,用于在294例患者中区分I型和II型卵巢子宫内膜异位囊肿(OEC)。经过特征筛选后保留了前四位影像组学特征。针对每个序列生成了LASSO预测模型、一个联合多参数模型和一个轻量联合模型(FS-T2W、DWI、ADC)。在外部验证队列中,联合模型表现出最佳性能(AUC 0.85)。

FDG PET-CT

未检索到支持FDG PET-CT在该领域作用的研究。

小结

多项研究探讨了基于CT和MRI的技术,报告了多样但总体上有前景的结果。值得注意的是,少数研究报告了机器学习(ML)模型的表现优于放射科医师,但这些发现的更广泛适用性需要额外验证。在基于超声的研究中,已探索将影像组学与临床标志物(如CA-125水平)相结合用于恶性肿瘤风险预测。然而,这些研究的局限性——包括缺乏外部验证、与人类专业知识的比较有限以及部分研究缺乏方法学细节——削弱了当前发现的说服力。此外,样本量小以及某些研究未进行多重检验校正也带来了进一步挑战。这些早期发现强调了持续研究、方法标准化和严格验证的必要性,以增强影像组学在卵巢癌诊断和分类中的稳健性和适用性。

诊断/病理分类与预后预测

超声

未检索到支持超声在该领域作用的研究。

计算机断层扫描

Lu等[41]利用283例患者的增强CT扫描,开发了一种由影像组学确定的高级别浆液性卵巢癌(HGSOC)风险表型的数学描述符。使用LASSO回归计算影像组学预后向量(RPV)。高RPV与原发性化疗耐药、较短的无进展生存期(PFS)、不良手术结局、ECM-受体相互作用、黏着斑、纤连蛋白以及肿瘤相关基质细胞高比例显著相关。在RPV低的肿瘤中发现DNA损伤应答通路被激活。

磁共振成像

未检索到支持MRI在该领域作用的研究。

FDG PET-CT

未检索到支持FDG PET-CT在该领域作用的研究。

小结

该模型使用相当大的患者队列开发,并用外部数据进行了验证。其方法的清晰记录表明具有可重复性的潜力。使用更大数据集进行额外验证将增强其发现的说服力。将MRI数据加入模型可为其适用性和性能提供更全面的理解。

预后判断/结局预测

超声

Yao等[42]开发了一种基于超声的模型,用于预测111例患者的PFS。影像组学评分(RS)通过所选影像组学特征的线性组合计算,各特征由相应系数加权。将临床因素和RS纳入构建联合LASSO模型,其预测5年PFS的准确率为77.1%(AUC 0.83)。

计算机断层扫描

Vargas及其同事[55]开发了一个基于增强CT的模型,用于评估38例患者转移灶部位间肿瘤异质性与临床结局之间的关联。计算了部位间相似性矩阵[43]。部位间相似性熵、相似性水平聚类阴影和部位间相似性水平聚类显著性均与总生存期(OS)缩短相关。相似性水平聚类阴影、部位间相似性水平聚类显著性和部位间聚类方差与手术切除不完全相关。涉及细胞周期蛋白E1基因扩增(HGSOC中的主要致癌驱动因素)的19q12主要发生在部位间纹理更异质的患者中。

Meier等人[43]开发了一个模型,利用增强CT在88例患者中评估部位间纹理均匀性与生存期及BRCA状态的关系。计算Haralick特征和成对相似性以生成部位间相似性矩阵。较高的部位间聚类显著性与较短的无进展生存期(PFS)相关,较高的部位间熵与较短的OS相关。在BRCA突变阴性患者中,所有指标的较高值均与完全手术切除率较低显著相关。

Veeraraghavan等人[44]开发了一个整合部位内和部位间的放射组学-临床-基因组标志物用于预测HGSOC结局,并在75例患者中探索了放射组学特征的生物学基础;该研究基于他们先前的工作[43, 55]和聚类相异性(cluDiss)[45]。临床-基因组变量模型在铂类耐药分类中表现出最佳准确度,AUC为0.78。研究发现CluDiss与PFS相关,与Wnt信号通路(调控细胞增殖)呈负相关,与多种免疫肿瘤微环境细胞类型呈正相关[46]。

磁共振成像

未发现支持MRI在该领域作用的研究。

FDG PET-CT

Wang及其同事[25]开发了一个FDG PET-CT模型,用于预测261例HGSOC患者的PFS。采用单因素Cox回归分析评估放射组学特征与PFS之间的相关性。PET和CT放射组学评分(PET-RS和CT-RS)由经回归系数加权的所选特征计算得出。临床因素采用单因素Cox回归分析。采用临床、PET、CT和代谢参数的不同组合进行多因素Cox回归分析。临床联合PET-RS模型在验证队列中表现出最高的预后效能(C指数0.70,95% CI 0.66–0.74)。

小结

这些研究为利用放射组学预测卵巢癌临床结局提供了有价值的见解,展示了整合影像、临床和基因组数据的综合诊断在指导个性化决策方面的潜力。然而,目前存在一些局限性,包括样本量相对较小、缺乏外部验证,这可能导致过拟合和假阳性。虽然这些模型中的多维数据整合前景广阔,但关于此类数据在不同临床环境中可及性的实际问题也需要加以解决。总体而言,这些有前景的发现需要在更大队列和严格统计验证的基础上开展进一步稳健的研究,才能将这些模型完全纳入临床实践。

治疗计划/监测

超声

未发现支持超声在该领域作用的研究。

计算机断层扫描

Himoto等人[45]开发了一个模型,旨在确定基线对比增强CT所显示的肿瘤异质性是否能够识别出可从免疫治疗中获益的患者,研究纳入75名女性。播散性疾病部位较少以及瘤内和瘤间异质性较低与持久的临床获益相关。至停止治疗时间较短与更多疾病部位、存在胸膜疾病/远处转移、较高的瘤间异质性、较高的cluDiss以及较高的瘤内异质性相关。较高的瘤间异质性也与较短的至停止治疗时间相关。

Rizzo及其同事[47]开发了一个逻辑回归(LR)模型,利用对比增强CT评估101例患者在细胞减灭术后12个月内的残留肿瘤和疾病进展。放射组学特征的稳定性和可重复性通过体模研究进行评估。多变量临床-放射组学模型(AUC 0.87)优于临床模型(AUC 0.73)。

Yi及其同事[48]开发了一个整合人类硫酸酯酶1单核苷酸多态性(SNPs)和对比增强CT放射组学特征的模型,用于预测102例患者的铂类耐药。放射组学评分(RS)通过所选放射组学特征的线性组合计算,各特征按相应系数加权。在验证队列中,放射组学、临床病理和SNP联合模型取得了最佳性能(AUC 0.97)。

Wei等人[49]开发了一个LR模型,利用对比增强CT预测94例卵巢癌(OC)患者术后3年复发。采用LASSO构建RS,在验证队列中准确率为74.4%(AUC 0.85)。随后在142例患者中开发了一个预测复发风险的模型[50]。进行了Kaplan–Meier分析,将患者分为高风险组和低风险组。构建了临床预后模型,并推导出基于放射组学和临床因素联合的列线图。该列线图预测18个月和3年复发风险的准确率分别为84.1%和88.9%。

Danala及其同事[51]开发了一个模型,利用对比增强CT识别与预测57例患者术后化疗反应相关的特征。一个模型使用治疗前CT,第二个模型使用治疗前与治疗后CT之间的特征差异。将排名前15的放射组学特征以等权重组合生成似然评分。基于融合的特征取得了最佳性能(AUC 0.84)。该模型在后续研究[52]中进一步优化。在应用最近邻算法选择最优特征之前,筛选出12个放射组学特征。治疗前模型和特征差异模型显示出相当的AUC,分别为0.81和0.83。

Zargari及其同事[53]开发了一个模型,利用120例患者研究预测化疗6个月无进展生存期(PFS)的空间域和频率域特征。广义线性模型达到了AUC 0.86。

磁共振成像

Li等人[54]开发了一种基于MRI(T2W和CE-T1W)的影像组学-临床列线图,用于预测217例高级别浆液性卵巢癌(HGSOC)患者的残留病灶(RD)状态。采用LASSO筛选影像组学特征并构建单一参数标签以预测RD。多变量逻辑回归(LR)确定了最优影像组学和临床-影像学特征。基于MF的联合影像组学-临床列线图表现最佳,准确率为73.6%(AUC 0.8)。

Li等人[56]开发了一种支持向量机(SVM)模型,利用MRI预测117例卵巢癌(OC)患者的复发风险。采用基于L1正则化的LASSO特征选择。利用术后残留肿瘤状态和血清CA-125水平构建了临床模型。整合CE-T1W、T2W和临床因素的融合模型表现最佳,准确率为86.0%(AUC 0.86)。

FDG PET-CT

未检索到支持FDG PET-CT在该领域作用的研究。

小结

总体而言,这些研究展示了影像组学模型在评估卵巢癌治疗中的应用,结局指标包括残留肿瘤、疾病进展和铂类耐药。然而,这些研究的共同局限性包括缺乏稳健的内部或外部验证以及需要更大的数据集。此外,部分研究在非影像生物标志物标准化倡议(IBSI)合规的内部软件方面可能面临合规性问题。尽管存在这些挑战,初步结果提示该领域具有前景广阔的方向,强调了持续研究和验证工作的重要性。

转移预测

超声

未检索到支持超声在该领域作用的研究。

CT

Ai及其同事[57]开发了一种基于CT的模型,用于术前预测101例患者的转移。筛选了最优特征,并通过影像组学特征的线性组合按其各自权重加权计算影像组学评分(RS)。采用单因素分析筛选临床因素并构建逻辑回归(LR)模型。整合影像组学和临床因素构建了LR联合模型(AUC 0.86)。

磁共振成像

Song等人[58]开发了一种模型,利用多参数MRI术前预测89例患者的腹膜转移。使用LASSO进行特征消除后构建RS,并将患者分层为低风险或高风险组。利用多因素LR结合RS和临床因素构建列线图。放射科医师在验证队列中的准确率为65.7%(AUC 0.67)。RS在验证队列中的准确率为80%(AUC 0.97),而列线图达到82.9%(AUC 0.94)。

FDG PET-CT

未检索到支持FDG PET-CT在该领域作用的研究。

小结

这些研究凸显了影像组学在预测卵巢癌患者转移方面的广阔潜力。将影像组学标签和临床因素共同纳入预测模型的开发,体现了其创新性方法。然而,两项研究所使用的样本量相对较小,凸显了需要更大数据集的更广泛研究来进行稳健验证。值得注意的是,Ai等人的研究中缺乏关于CT造影剂使用的明确信息,这是未来研究可以阐明的一点。尽管存在这些挑战,这些研究提供了有价值的见解,并为进一步研究奠定了基础。

当前局限性与未来挑战

本系统综述重点指出了未来影像组学研究可发展的几个领域(表2)。

一个显著局限性源于成像协议、特征提取和特征选择方法学的不一致,以及特征提取软件包之间的差异。影像组学涉及对图像数据的定量分析,而图像数据对图像质量、分辨率和对比度的变化很敏感。因此,图像采集参数、重建技术、扫描仪制造商和扫描协议等因素可导致提取特征出现变异性[59–63]。对于CT,千伏峰值(kVp)、管电流曝光时间乘积(mAs)、管电流调制(TCM)设置、层厚和重建算法的变化可在影像组学分析中引入不一致性。同样,在MRI中,磁场强度和脉冲序列会影响信噪比和对比噪声比,进而影响影像组学特征。超声成像参数,如频率、增益设置和动态范围,在决定组织纹理表现和影像组学特征提取方面起作用。在PET-CT中,重建算法的选择、标准化摄取值(SUV)测量、飞行时间(TOF)重建和点扩散函数(PSF)校正均可影响不同数据集间影像组学特征的一致性和可比性。理想情况下,研究应采用标准化成像协议和特征提取方法学,以尽量减少这些变量的影响。体模研究可在一定程度上帮助补偿这些变异;然而,仅有一项研究使用体模研究来处理扫描仪和协议变异性[47]。

无法确定影像组学特征相关性方面任何一致的趋势,主要原因是提取方法学存在相当大的变异性,其涵盖了多种影像组学软件包、软件工具和参数设置,最终导致特征提取不统一,并限制了不同研究间结果的可比性。鉴于可用的影像组学软件包众多(图4),确保符合IBSI[14, 64]以标准化提取过程至关重要。此外,一些研究在评估结局与影像组学特征之间的相关性时未实施多重检验校正[30, 32, 36, 49],鉴于同时分析的特征数量庞大,这增加了假阳性的可能性。

仅5/33项研究将性能与放射科医师解读进行了比较[34, 35, 37, 38, 58]。这对于更好地理解模型的真实世界潜力和局限性至关重要。在这方面,Wang等[37]评估了放射科医师在AI辅助下的准确性,这更能代表这些模型在临床中的实际使用方式。

研究中的分割方法存在明显差异,因为研究者采用了不同的手动或自动分割技术,并选择了二维或三维分割。这些研究的一个常见缺点是普遍使用手动分割。除一项研究外,所有研究均采用了手动分割技术。一个研究组利用内部软件开发了一种半自动技术,尽管该代码无法公开获取以供审查[51–53]。在研究中,手动和自动分割方法各有不同的优缺点。手动技术允许更大的控制和精度,但更加劳动密集,并且受到评估者间和评估者内变异性的影响。自动或半自动方法提高了效率和可重复性,减少了所需时间和评估者变异性,但可能潜在地影响准确性。手动分割的劳动密集性质导致大多数研究的队列规模相对较小,样本量从28到501例不等。这导致了进一步的局限性,例如内部和外部验证队列较小。在33项研究中,14项未包括内部验证,27项缺乏外部验证。

分割技术的维度表现出相当大的差异,9/33(27.3%)的研究使用二维分割而非三维感兴趣体积(可能是由于时间限制)。三维分割通过捕捉肿瘤的完整空间背景,提供了更全面和准确的肿瘤体积表示。这导致切片间不一致性减少、评估者间/内变异性降低、特征稳定性增加,最终产生更可靠和可重复的影像组学特征。然而,虽然三维分割提供了更优越的肿瘤表示,但也带来了诸如更大的计算需求和更长的处理时间等挑战。这些因素可能影响研究项目的效率和可扩展性。

卵巢病变可能表现为实性和囊性成分。纳入的研究显示了分割方法的变异性,仅2/33(6.1%)的研究探讨了基于实性、囊性和全病变分割的单独模型。在实性、囊性部分或整个肿瘤的分割之间做出决定,以及是否仅考虑卵巢病变或包括播散性疾病在内的所有病变,极大地影响提取的影像组学特征,并将影响基于这些特征的模型的通用性。

人工智能技术有潜力缓解与手动分割和三维处理相关的挑战。通过自动化分割过程,人工智能和深度学习可以显著减少所需的时间和劳动力,最终导致更大的队列规模和更稳健的验证。此外,先进的深度学习技术可能通过直接从原始影像数据中学习和提取影像组学特征,潜在地完全绕过分割的需要。随着人工智能模型的不断进步,它们也可能表现出更高的计算效率,从而克服计算和处理时间的限制。

代码应公开可用,允许其他研究人员微调模型,用于审计和研究透明度。然而,仅一项研究提供了易于获取的代码[37, 65]。最后,需要更大规模的研究来确保患者模型的通用性。

表2 当前文献的局限性及未来机遇 查看原表 ↗
图4 各研究使用的放射组学软件包 查看原图 ↗

结论

放射组学有潜力成为卵巢肿块患者的临床诊断工具,可能有助于更好地对病变进行分层,并为未来的个性化患者诊疗提供信息。在临床转化之前,需要对特征提取方法进行标准化、建立更大且更多样化的患者队列,并进行真实世界评估。

补充信息

附加文件1. PRISMA 2020清单。

附加文件2:补充表S1. 预后研究质量(QUIPS)标准。

附加文件3:补充表S2. 放射组学质量评分(RQS)标准

附加文件4:补充表S3. 对所评估研究的预后研究质量(QUIPS)评分

附加文件5:补充表S4. 对所评估研究的放射组学质量评分(RQS)评分。

附加文件6:补充表S5. 放射组学特征类别。GLCM,灰度共生矩阵;GLRLM,灰度游程长度矩阵;GLSZM,灰度尺寸区域矩阵;GLDM,灰度依赖矩阵;NGTDM,邻域灰度差矩阵;GLDM,灰度依赖矩阵;LBP,局部二值模式;ROI,感兴趣区。

附加文件7:补充表S6。研究的影像组学模型详细信息。3D,三维;ADC,表观扩散系数;CA-125,癌抗原125;CA-153,癌抗原153;CA-199,癌抗原199;CE-T1WI,对比增强T1加权成像;CEA,癌胚抗原;CER,对比增强率;Coif,Coiflets小波核;CP,聚类突出度;CT(影像组学特征),聚类趋势;CT(模态),计算机断层扫描;DCE-MRI,动态对比增强磁共振成像;DCT,离散余弦变换;DE,依赖熵;DV,依赖方差;DWI,扩散加权成像;DWI FS,脂肪抑制扩散加权成像;F1,特征1;F2,特征2;F4,特征4;FIGO,国际妇产科联盟;FIRSTORDER,一阶(指影像组学中的一组基本统计特征);FOS,一阶统计量;fPV,分数血浆容积;FS,脂肪抑制;FS-T2WI,脂肪抑制T2加权成像;GLCM,灰度共生矩阵;GLCM-E,灰度共生矩阵能量;GLDM,灰度依赖矩阵;GLN,灰度不均匀性;GLRLM,灰度游程长度矩阵;GLSZM,灰度大小区域矩阵;GLVariance,灰度方差;GLZLM,灰度区域长度矩阵;HC,Haralick相关;HDLC,高密度脂蛋白;HH,高-高;HHH,高-高-高;HHL,高-高-低;HILAE,高强度大面积强调;HISTO,直方图;HL,高-低;HLL,高-低-低;IAUGC,钆浓度曲线下初始面积;IDM,逆差矩;IDMN,归一化逆差矩;IDN,归一化逆差;Imc1,归一化逆差矩;IMC2,相关性信息度量2;IQR,四分位距;ISM,位点间相似性矩阵;IV,强度变异性;K,峰度;Kep,速率常数;Ktrans,容积转移常数;LAHGLE,大面积高灰度强调;LALGLE,大面积低灰度强调;LDHGLE,大依赖高灰度强调(特征);LDLC,低密度脂蛋白;LGLE,低灰度区域强调;LGLRE,低灰度游程强调;LH,低-高;LHH,低-高-高;LHL,低-高-低;LL,低-低;LLH,低-低-高;LLL,低-低-低;LoG,高斯拉普拉斯;LRE,长游程强调;LRLGLE,长游程低灰度强调;MCC,最大相关系数;MD,平均偏差;MI,最大强度;MPP,阳性像素均值;MR,磁共振;NGLDM,邻域灰度依赖矩阵;NGTDM,邻域灰度色调差异矩阵;PD12,疾病进展12;PET,正电子发射断层扫描;PM,腹膜转移;PostC,对比后;RLNonUniformity,游程长度不均匀性;RMS,均方根;RP,游程百分比;RT,放射治疗;SALGLE,小面积低灰度强调;SCP,位点间聚类突出度;SCV,位点间聚类方差;SD,标准差;SE,位点间熵;SHAPE,形状特征;SRE,短游程强调;SRHGE,短游程高灰度强调;SRHGLE,短游程高灰度强调;SSF,滤波器空间尺度;ST,实体瘤;SZLGE,小区域低灰度强调;SZNonUniformity,大小区域不均匀性;T1WI,T1加权成像;T2WI,T2加权成像;T2WI FS,脂肪抑制T2加权成像;TCHO,总胆固醇;TG,甘油三酯;Ve,血管外细胞外容积分数;WAV,小波变换;WT,全肿瘤;ZSV,区域大小方差;ZV,区域方差。

引用

  1. Adusumilli P, Ravikumar N, Hall G, et al. Radiomics in the evaluation of ovarian masses - a systematic review. Insights Imaging. 2023. PMID: 37782375. doi:10.1186/s13244-023-01500-y
  2. 全文:PMC10545652(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10545652/

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。