文献速递骨肌神经技术与安全MR

基于MRI特征影像组学模型预测脊柱转移瘤立体定向体部放疗后的治疗结局

MRI feature-based radiomics models to predict treatment outcome after stereotactic body radiotherapy for spinal metastases.
PubMed 文献 · Insights Imaging · 2023-10-10

前瞻性纳入2018年7月至2023年4月在本院接受立体定向体部放疗的194例脊柱转移瘤患者,从T1WI、T2WI和抑脂T2WI提取影像组学特征,用13种机器学习算法构建影像组学模型及联合临床特征的联合模型。临床模型AUC=0.733,影像组学模型AUC=0.745-0.825,联合模型AUC=0.828,提示基于MRI的影像组学模型对SBRT治疗结局具有预测价值。

要点

  • 临床模型预测进展的AUC=0.733,影像组学模型AUC=0.745-0.825,联合模型最佳AUC=0.828。
  • 多发病灶、高疼痛评分、低KPS评分和高Bilsky分级是进展的独立预测因素。
  • 基于全部三个MRI序列的模型优于单序列模型,联合模型决策曲线净获益最大。

核心结论

  • 基于MRI的影像组学模型对脊柱转移瘤患者接受SBRT后的治疗结局表现出有价值的预测能力。
  • 联合临床特征后模型性能进一步提升,最佳模型为基于全部序列的高斯过程算法(AUC=0.828)。

研究设计与样本

  • 前瞻性研究,纳入2018年7月至2023年4月在本院接受SBRT的连续脊柱转移瘤患者194例(108男、86女,平均年龄56.4±15.3岁)。
  • 使用3.0-T GE Discovery MR 750扫描仪及八通道相控阵体线圈,采集矢状位T1WI、矢状位T2WI、矢状位抑脂T2WI和横断位T2WI序列。
  • 以修订版实体瘤疗效评价标准(RECIST 1.1)评估治疗反应,将病灶分为进展组(PD)和非进展组(CR、PR、SD)。
  • 从T1WI、T2WI和抑脂T2WI序列提取影像组学特征,采用组内相关系数、最小冗余最大相关性和LASSO回归筛选特征,用13种机器学习算法构建模型。
  • 联合临床、常规影像和影像组学特征构建联合模型,用ROC曲线和决策曲线分析评估模型性能和临床价值。

关键影像表现/征象

  • 常规影像特征包括骨破坏类型(成骨型/溶骨型/混合型)、软组织肿块、椎体/椎弓根/椎板受累、椎体压缩和Bilsky硬膜外脊髓压迫分级。
  • 基于T2WI的Bilsky分级评估椎管狭窄程度,Bilsky 2-3级(严重狭窄)患者较0-1级(轻度狭窄)更倾向于发生PD(OR=2.49,95%CI:1.17-5.28,p=0.018)。

诊断标准与关键数值

  • 临床模型预测PD的AUC=0.733。
  • 基于T1WI、T2WI、抑脂T2WI序列的最佳模型AUC分别为0.779(QDA)、0.823(GP)、0.745(QDA)。
  • 基于全部三个序列的最佳影像组学模型AUC=0.825(GP),联合模型AUC=0.828(GP)。
  • 多发病灶(OR=2.13,95%CI:1.01-4.52,p=0.048)、高疼痛评分(OR=4.839,95%CI:1.40-16.79,p=0.013)、低KPS评分(OR=2.17,95%CI:1.04-4.52,p=0.038)和高Bilsky分级(OR=2.49,95%CI:1.17-5.28,p=0.018)为PD的独立预测因素。
  • 每个感兴趣区生成2264个特征;按ICC>0.75标准,T1WI、T2WI、抑脂T2WI序列的稳定特征比例分别为66.3%、81.6%、79.0%。

临床应用与阅片要点

  • 作者认为这些预测模型应有助于临床医生的决策,并有助于改善脊柱转移瘤患者的预后。
  • 作者推测SBRT可能不适合严重椎管狭窄患者,尤其是Bilsky 3级且有明显神经症状者,此类病例应考虑手术治疗。
  • 作者引用Tree等的综述,推荐对于孤立转移灶患者应考虑SBRT。

局限性

  • 本研究为单中心研究,病例数有限,样本量可影响机器学习算法的性能和泛化能力,因此应开展大规模多中心研究以获得更多临床应用的佐证证据。
  • 由于大多数患者治疗前未接受CT扫描,本研究仅能基于MRI特征构建模型;基于CT以及其他影像检查(如PET和功能MRI)的影像组学模型价值值得进一步探索。
全文中译14 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 10;14:169. doi: 10.1186/s13244-023-01523-5

引言

骨转移常累及脊柱[1]。由于癌症发病率上升和预期寿命延长,表现为脊柱转移的患者数量正在增加[2, 3]。脊柱转移可导致疼痛、椎体压缩性骨折以及脊髓或神经根受压,显著影响患者的生活质量[4]。

先进的放疗技术——立体定向体部放疗(SBRT)——将高度适形和消融性剂量递送至颅外靶病灶[5]。与姑息性放疗相比,SBRT使用消融剂量更准确地照射脊柱转移病灶,同时将放射性损伤风险降至最低[6]。SBRT消融性照射的强烈抗肿瘤效应带来高肿瘤控制率[7]。研究表明,基于影像的局部控制率为57%至100%[7–9]。

预测接受SBRT治疗的脊柱转移患者的结局有助于治疗决策和管理预后预期。对于未达到局部控制的患者,治疗方案可能调整为包括全身治疗和手术。既往研究发现,一些临床特征如原发肿瘤部位、多转移性疾病、体力状况和疼痛程度与脊柱转移患者SBRT后的预后相关[10–13]。然而,影像特征与患者预后之间的关系尚不清楚。

MRI是患者接受SBRT前常用的影像学方法,可能具有预后预测的潜力。MRI具有高软组织分辨率,与CT相比,能更好地显示脊柱转移灶并优化SBRT靶区勾画的准确性[14]。随着计算机辅助诊断的近期进展,定量图像方法结合机器学习(ML)算法可从医学图像中提取大规模数据,可能提供有价值的预后信息[15]。

因此,在本研究中,我们旨在应用ML方法从MRI中提取高通量影像组学特征,选择最佳影像组学特征并与临床特征整合,构建针对接受SBRT治疗的脊柱转移患者的反应预测模型。

材料与方法

患者选择

我院伦理委员会批准了这项前瞻性研究。我们连续招募了2018年7月至2023年4月在我院接受SBRT的脊柱转移患者。所有患者均提供了知情同意。

纳入标准包括:(1)基于病理活检或影像学诊断为脊柱转移,(2)在接受SBRT前1周内接受MRI检查。排除标准包括:(1)患者靶病灶区域既往接受过放疗或手术,(2)患者在1个月内接受过化疗,(3)患者无法或拒绝配合CT和MRI检查,(4)患者失访,或(5)图像质量差,无法进行分析。

MRI数据采集

使用3.0-T GE Discovery MR 750(GE Healthcare)磁共振扫描仪,配备八通道相控阵体线圈。以下磁共振序列被实施:矢状位T1加权成像(T1WI)(重复时间(TR):400–750 ms;回波延迟时间(TE):8–25 ms)、矢状位T2WI(TR:2500–4000 ms;TE:120–140 ms)、矢状位脂肪抑制T2WI(FS-T2WI)(TR:2500–4000 ms;TE:100–120 ms)、横断面T2WI(TR:2500–4000 ms;TE:100–120 ms)。

SBRT操作与治疗结果评估

治疗平台包括射波刀立体定向放疗系统(Accuray公司)。在治疗计划CT之前,患者被固定,胸椎、腰椎和骶椎病变采用BodyFix系统,颈椎病变采用定制热塑性面罩。根据国际脊柱放射外科协会共识指南[16],在配准的MRI和CT数据集上进行靶区勾画。物理师使用Multiplan系统制定放疗计划,并使用X-sight脊柱追踪系统追踪病变。放疗剂量的确定基于组织病理学、肿瘤位置和邻近器官耐受剂量等因素。

治疗结果评估根据修订版实体瘤疗效评价标准(RECIST;1.1版)[17]进行,将病变分为四组:完全缓解(CR)、部分缓解(PR)、疾病进展(PD)和疾病稳定(SD)。为便于分析,我们将病变分为PD组和非PD组(包括CR、PR和SD)。

临床数据和常规影像特征收集

我们收集了临床信息,包括年龄、性别、原发肿瘤位置(肺癌/腹部肿瘤/其他)、脊柱病变数量(单发/多发)、淋巴结转移的存在、内脏转移的存在、放射剂量(30–40 Gy/5次、24–30 Gy/3次、18–24 Gy/1次或其他)、疼痛评分(11点数字评定量表;0–3/4–6/7–10)[18]、卡氏功能状态(KPS)评分(80–100/0–70)[19]以及脊柱不稳定肿瘤评分(SINS;0–6/7–12/13–18)[20]。

收集了以下常规影像特征:位置(骶椎/腰椎/胸椎/颈椎)、骨破坏模式(成骨性/溶骨性/混合性)、软组织肿块的存在、椎体受累、椎弓根受累、椎板受累、椎体压缩的存在以及硬膜外脊髓压迫量表(Bilsky量表;0–1/2–3)[21]。

肿瘤分割

两名具有5年以上经验的放射科医生在对治疗结果不知情的情况下手动进行肿瘤分割。数字成像和通信医学(DICOM)图像被导入uAI Research Portal平台1.1(联影智能有限公司)进行图像分割。

感兴趣区(ROI)应尽可能包括可见的大体肿瘤。最初,ROI在矢状位FS-T2WI上手动勾画。随后,ROI被复制到矢状位T1WI和矢状位T2WI序列上,并通过重新定义任何有问题的ROI手动调整以确保准确性。

图像预处理和特征提取

在图像预处理阶段,我们使用B样条插值重采样进行图像体素大小归一化,所有图像集均重采样至各向同性体素大小1 × 1 × 1 mm。应用Z分数强度归一化以减少图像强度变异性对影像组学特征稳定性的影响。

特征提取使用uAI Research Portal平台1.1(联影智能医疗科技有限公司)完成。该平台定义的大多数特征符合图像生物标志物标准化倡议(IBSI)所描述的特征定义[22]。

从原始图像中获取以下类别的影像组学特征:(1)一阶统计量(19个特征);(2)基于形状(3D)(16个特征);(3)基于形状(2D)(10个特征);(4)灰度共生矩阵(GLCM,24个特征);(5)灰度游程长度矩阵(GLRLM,16个特征);(6)灰度尺寸区域矩阵(GLSZM,16个特征);(7)邻域灰度差矩阵(NGTDM,5个特征);(8)灰度依赖矩阵(GLDM,14个特征)。

此外,为了增加数据集的维度并提高模型的预测性能,我们应用了17种不同的滤波器,包括AdditiveGaussiannoise、Bilateral、BinomialBlurImage、BoxMean、BoxSigmaImage、CurvatureFlow、DiscreteGaussian、LaplacianSharpening、Mean、Median、Normalize、Recursive Gaussian、ShotNoise、SmoothingRecursiveGaussian、SpeckleNoise、LoG和Wavelet,从原始图像生成滤波后图像。除基于形状的特征外,所有类别的特征均在原始图像和滤波后图像上计算。

特征选择与预测模型开发

特征选择包括以下几个步骤。首先,为确保由两位放射科医师勾画的ROI所提取特征的观察者间可靠性,分析了组内相关系数(ICC)。ICC > 0.75的特征被认为可靠,可用于模型构建。接下来,使用最小冗余最大相关(mRMR)框架识别与肿瘤分类最相关的特征并消除冗余特征[23]。这产生了排名前100的高相关且最小冗余的特征。最后,我们使用最小绝对收缩和选择算子(LASSO)回归模型,结合10折交叉验证,选择具有非零系数的特征[24]。除了对每个序列(T1WI、T2WI和FS-T2WI序列)进行特征选择外,还对三个序列的组合(ALL序列)进行了特征选择。

最终选定的影像组学特征应用于13种机器学习算法构建影像组学预测模型,包括AdaBoost、XGBoost、装袋决策树(Bagging)、决策树分类器(DT)、高斯过程(GP)、梯度提升决策树(GBDT)、k近邻(KNN)、逻辑回归(LR)、偏最小二乘判别分析(PLS-DA)、二次判别分析(QDA)、随机森林(RF)、随机梯度下降(SGD)和支持向量机(SVM)。

接下来,我们将临床、常规影像和影像组学特征纳入机器学习算法以构建联合模型。预测模型构建的工作流程如图1所示。

图1 预测模型构建的工作流程。a 在T1WI、T2WI和FS-T2WI上进行肿瘤分割。b 从每个ROI中提取定量特征。c 进行特征选择以降低特征维度并提高预测性能。d和e 构建并评估了三种类型的预测模型 查看原图 ↗

统计分析

采用均值±标准差(SD)描述正态分布变量。采用中位数和范围描述非正态分布变量。采用比例描述分类变量。在使用单因素逻辑回归分析后,我们选择p < 0.20的临床变量,将其纳入多因素逻辑回归分析。获得每个临床变量的比值比(OR)及其95%置信区间(CI)。使用受试者工作特征(ROC)曲线的曲线下面积(AUC)比较各模型的性能。此外,我们在不同阈值概率下进行决策曲线分析(DCA),以评估各模型的净获益并确定其临床适用性。使用SPSS软件26.0版(IBM Corp.)和R 4.2.0版(R Foundation for Statistical Computing)进行统计分析。以p值 < 0.05认为具有统计学显著性。

结果

研究队列

根据纳入和排除标准,本研究共纳入194例患者(图2)。研究人群包括108例男性和86例女性(平均年龄 = 56.4 ± 15.3岁)。非PD组有142个(73.2%)病灶,PD组有52个(26.8%)病灶。表1提供了整个队列的详细临床和常规影像学特征。

图2 纳入和排除流程图 查看原图 ↗
表1 临床和常规影像学特征汇总 查看原表 ↗

基于临床和常规影像学特征模型的性能

单因素和多因素逻辑回归分析表明,脊柱病灶数量、疼痛评分、KPS评分和Bilsky分级是PD的独立预测因素(详见表2)。多发性脊柱病灶(OR = 2.13,95% CI:1.01–4.52,p = 0.048)、高疼痛评分(OR = 4.839,95% CI:1.40–16.79,p = 0.013)、低KPS评分(OR = 2.17,95% CI:1.04–4.52,p = 0.038)和高Bilsky分级(OR = 2.49,95% CI:1.17–5.28,p = 0.018)的患者更易发生PD。使用这四个特征构建了临床预测模型。临床预测模型预测PD的AUC为0.733(图3)。

表2 用于筛选临床和常规影像学特征的单因素和多因素逻辑回归分析 查看原表 ↗
图3 三种模型在测试集中的ROC曲线。影像组学模型和联合模型显著优于临床模型,联合模型较影像组学模型略有改善 查看原图 ↗

影像组学模型和联合模型的性能

每个ROI共生成2264个特征。根据ICC > 0.75的标准,T1WI、T2WI和FS-T2WI序列的稳定特征比例分别为66.3%、81.6%和79.0%。

总体而言,使用三个MRI序列特征建立的影像组学模型优于基于单一序列的模型。基于T1WI、T2WI和FS-T2WI序列构建的最优模型分别达到AUC值0.779(QDA)、0.823(GP)和0.745(QDA)。基于ALL序列的最优模型达到AUC 0.825(GP,图3)。

纳入临床特征后,联合模型的性能略有提升。表现最佳的模型为基于ALL序列使用GP算法的模型(AUC = 0.828,图3)。各模型最优机器学习分类器的诊断性能见表3。决策曲线显示,联合模型在预测PD方面表现出最大的净获益(图4)。

表3 所有模型的区分性能 查看原表 ↗
图4 测试集中三个模型的决策曲线。决策曲线分析表明,临床模型、影像组学模型和联合模型的曲线均位于参考线之上,提示这些模型为改善患者的临床决策提供了净获益。与临床模型相比,影像组学模型和联合模型表现出更高的净获益 查看原图 ↗

讨论

预测接受SBRT治疗的脊柱转移瘤患者的治疗结局具有挑战性;然而,某些临床和影像学特征显示出潜在的预测价值。我们的研究确定了Bilsky分级、KPS评分、疼痛评分和脊柱病灶数目为PD的独立预测因素。

脊柱病灶数量影响治疗结局:与单一病灶患者相比,多发性脊柱病灶患者发生PD的风险更高,这与既往发表的结果一致[10, 11]。作为一种局部治疗,SBRT尤其适合单发脊柱转移的患者。Tree等[25]回顾了现有证据并建议对孤立性转移患者应考虑SBRT。我们观察到,与疼痛评分较低的患者相比,评分较高的患者更易发生PD,这与既往研究一致[10]。我们推测这一现象的原因可能与肿瘤分期有关,因为疼痛在肿瘤早期通常不明显,而在晚期则变得剧烈。因此,疼痛更严重的患者更可能发生PD。此外,疼痛导致的身体活动受限、情绪不稳定、睡眠障碍和饮食问题也可能影响患者预后。我们观察到KPS评分较低的患者发生PD的概率更高,这与既往研究一致[12, 26]。KPS评分反映患者的身体状况,评分较低往往提示整体健康状况较差。这可能是严重基础健康问题或症状的标志。因此,KPS评分较低的患者在SBRT期间可能经历更多困难和并发症,导致治疗反应较差、预后更差。基于T2WI,Bilsky分级评估椎管狭窄的严重程度。Bilsky 2–3级(提示严重椎管狭窄)的患者比Bilsky 0–1级(轻度狭窄)的患者更频繁地发生PD,这与既往研究一致[11]。这可能是因为肿瘤较大且靠近脊髓,从而限制了放射剂量。因此,SBRT可能不适合严重椎管狭窄的患者,尤其是Bilsky 3级且伴有明显神经系统症状的患者。此类病例应考虑手术治疗[27]。

基于所选特征构建的临床预测模型显示出不错的预测价值(AUC = 0.733)。相比之下,使用MRI构建的放射组学模型表现出更好的性能(AUC = 0.745–0.825)。放射组学技术能够提取大量信息,对病灶特征提供更全面、更详细的描述[28]。通过捕捉病灶内的细微变化,放射组学特征能够更精确地描绘肿瘤复杂的病理生理机制。因此,基于MRI的放射组学模型在预测SBRT治疗结局方面具有重要价值。此外,当纳入临床特征后,联合模型包含更多有效信息来预测PD,从而使性能进一步提高(AUC = 0.828)。

机器学习(ML)算法作为放射组学中不可或缺的工具发挥着重要作用。通过对海量数据集进行广泛学习和训练,机器学习算法能够揭示图像生物标志物与治疗结局之间的关联[29]。在选择最合适的机器学习算法时,必须考虑数据特征、任务类型、数据规模、算法效率和预测性能等因素[30]。因此,最优选择取决于具体情况。在本研究中,我们使用了13种机器学习算法来构建预测模型。我们发现GP和QDA算法的性能优于其他机器学习算法。我们推测GP和QDA具有共同特征,即能够处理特征之间的非线性关系,且适用于小样本量而无需大量训练数据[31, 32]。

据我们所知,这是首次采用基于MRI的放射组学模型来预测脊柱转移瘤患者SBRT治疗后结局的研究。既往研究主要探讨了治疗结局与临床特征之间的关联[11, 12, 33]。此外,一项研究采用基于CT的放射组学来预测患者的疼痛缓解情况[34]。

本研究存在一定局限性。首先,这是一项单中心研究,病例数量有限。样本量会影响机器学习算法的性能和泛化能力。因此,应开展大规模多中心研究以获得更多用于临床应用的佐证证据。其次,我们仅能基于MRI特征构建模型,因为大多数患者在治疗前未接受CT扫描。这是因为与CT相比,MRI凭借其高软组织分辨率和对SBRT最佳靶区勾画的优势,能更好地显示脊柱转移瘤。从经济角度考虑,除那些最初通过CT发现转移的患者外,我们队列中仅进行了治疗前MRI检查。基于CT的放射组学模型以及其他影像学检查(如PET和功能MRI)的价值值得进一步探索。

结论

总之,MRI通常被用作SBRT治疗前的影像学检查方式,能够对靶病灶进行全面评估。通过分析MRI中的放射组学特征,我们构建的模型能够预测脊柱转移瘤患者SBRT治疗后的结局。此外,纳入临床特征进一步提高了模型的性能。这些预测模型应有助于临床医生的决策,并将有助于改善脊柱转移瘤患者的预后。

引用

  1. Chen Y, Qin S, Zhao W, et al. MRI feature-based radiomics models to predict treatment outcome after stereotactic body radiotherapy for spinal metastases. Insights Imaging. 2023. PMID: 37817044. doi:10.1186/s13244-023-01523-5
  2. 全文:PMC10564690(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10564690/

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。