文献速递腹部技术与安全CT

自动深度学习网络与影像组学模型鉴别胰腺导管腺癌肿瘤间质比的可行性与有效性

Feasibility and effectiveness of automatic deep learning network and radiomics models for differentiating tumor stroma ratio in pancreatic ductal adenocarcinoma.
PubMed 文献 · Insights Imaging · 2023-12-21

回顾性纳入三个中心207例胰腺导管腺癌患者,比较自动深度学习网络与影像组学模型鉴别低肿瘤间质比与高肿瘤间质比的效能。测试队列中ResNet18的AUC最高(0.941),优于影像组学模型(AUC 0.717–0.763),深度学习模型整体表现优于影像组学模型。

要点

  • 深度学习模型鉴别肿瘤间质比的AUC高于影像组学模型,ResNet18表现最佳。
  • 肿瘤间质比与预后相关,低间质比组总生存期长于高间质比组。
  • 基于T分期的临床模型预测效能低于深度学习与影像组学模型。

核心结论

  • 深度学习模型在鉴别胰腺导管腺癌肿瘤间质比方面具有可行性且优于影像组学模型,ResNet18预测性能最佳。
  • 胰腺导管腺癌微环境中的肿瘤间质比在决定预后中起重要作用。

研究设计与样本

  • 回顾性研究,共纳入三个中心的207例胰腺导管腺癌患者,训练队列160例,独立测试队列47例。
  • 训练队列使用128层多排CT扫描仪(SOMATOM Definition Flash,Siemens Healthineers),测试队列分别使用256层多排CT扫描仪(GE Revolution 256,GE Healthcare)和64层多排CT扫描仪(GE lightspeed vct)。
  • 以苏木精-伊红染色标本的病理肿瘤间质比评估为参考标准,将肿瘤间质比分为低间质比组和高间质比组。

诊断标准与关键数值

  • 以肿瘤间质比5/5为最佳截断值,高间质比定义为肿瘤间质比≤1,低间质比定义为肿瘤间质比>1。
  • 测试队列中ShuffulNetV2、Xception、MobileNetV3、ResNet18鉴别低间质比与高间质比的AUC分别为0.846、0.924、0.930、0.941。
  • 测试队列中基于SVM、KNN、RF、LR的影像组学模型AUC分别为0.739、0.717、0.763、0.756。
  • 测试队列中ShuffulNetV2、Xception、MobileNetV3、ResNet18的准确率分别为0.830、0.851、0.872、0.894;基于SVM、KNN、RF、LR的影像组学模型准确率分别为0.766、0.702、0.702、0.681。
  • 临床模型在训练队列AUC为0.566(95%CI 0.477–0.654),在测试队列AUC为0.610(95%CI 0.448–0.772)。

临床应用与阅片要点

  • ResNet18模型在测试队列中对高间质比组正确预测96.3%(26/27),对低间质比组正确预测80%(16/20)。
  • 基于142例训练队列患者(低间质比组69例,高间质比组73例)的生存分析显示,低间质比组平均生存期25.81个月(95%CI 21.39–30.23),高间质比组平均生存期17.95个月(95%CI 14.28–21.62),低间质比组生存时间显著更长(p<0.05)。
  • Grad-CAM可视化显示ResNet18模型有效突出对分类决策有贡献的区域。

局限性

  • 由于实验数据量小,选择参数量较少的轻量级深度学习模型或网络进行实验。
全文中译11 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 Dec 21;14:223. doi: 10.1186/s13244-023-01553-z

引言

胰腺导管腺癌(PDAC)在所有人类癌症中预后最为黯淡,5年生存率约为9% [1, 2]。预计在未来十年内,它将成为癌症相关死亡的第二大原因 [3]。尽管影像学表现和临床分期相似,PDAC患者的临床结局往往存在显著差异 [4, 5]。仅凭传统指标不足以准确预测预后,因此需要探索潜在的生物学特征,以根据临床结局对患者进行分层。

PDAC的肿瘤微环境(TME)其特征为癌细胞被促结缔组织增生性和纤维化间质所包围 [6]。既往研究表明,PDAC患者中间质含量高在预后中起关键作用 [7–9]。肿瘤-间质比(TSR)定义为癌细胞与周围间质的比值 [10, 11],已成为评估乳腺癌、肺癌和胃癌疾病进展的重要指标 [12–14]。越来越多的证据表明,低TSR与较长的术后生存期相关,而高TSR倾向于预测较短的生存期和较高的死亡率 [15, 16]。此外,在高TSR组中未观察到手术切除后预后的明显改善,且这些患者必须忍受胰腺炎和胰瘘等术后并发症,从而对生活质量产生不利影响 [17, 18]。新兴研究显示,肿瘤相关间质较多的PDAC患者对化疗药物或免疫介导的肿瘤缺氧性坏死具有更强的抗肿瘤活性,更可能从间质靶向治疗中获益 [19]。因此,治疗策略的选择可能因肿瘤间质组成的差异而有所不同,临床医生在制定更个性化和靶向的治疗方案之前评估间质含量至关重要。然而,获取TSR通常需要手术标本的染色切片,使其在术前评估中不切实际。因此,对于PDAC病例中TSR的非侵入性术前评估存在重大需求。

近年来,机器学习技术,包括影像组学和深度学习,因其可靠性、高准确性以及在开发预测模型方面的有效性,在医学影像领域展现出巨大潜力。影像组学是指从放射学图像(CT、MRI、PET等)的感兴趣区(ROI)中提取高维特征空间中的手工特征,并分析此类图像特征(也称为生物标志物)以对病变进行准确和定量评估,最终用于辅助疾病的诊断和分类。深度学习作为机器学习领域的一个新研究方向,通过组合低层特征形成更抽象的高层特征来自动学习复杂特征。深度学习的优势在于取代影像组学中使用的人工设计的硬编码特征提取[20–22]。随着算法和人工智能的进步,多项研究探索了机器学习技术在胰腺导管腺癌(PDAC)中的应用[23–25]。既往研究探索了影像组学特征与肿瘤间质比(TSR)之间的相关性,构建了PDAC中TSR的预测模型[15, 16, 26]。然而,影像组学模型有其自身的局限性。相比之下,深度学习模型在捕捉CT图像所揭示的生物学信息方面表现出更优越的能力[27]。然而,很少有研究构建深度学习模型用于PDAC患者TSR的术前鉴别[15, 16]。因此,本研究的目的是比较自动深度学习网络和影像组学模型在识别PDAC中TSR的可行性和有效性。

材料与方法

研究人群

本回顾性研究获得了当地机构审查委员会的批准(批准号:No.2022–63),并根据1964年赫尔辛基宣言豁免了知情同意的要求。该研究在重庆市三家三级转诊医院开展。最终共连续纳入207例经病理确诊的胰腺导管腺癌(PDAC)患者。训练队列(160例患者)于2013年1月至2021年9月期间从重庆医科大学附属第一医院招募,独立测试队列(47例患者)于2020年9月至2022年1月期间从陆军军医大学大坪医院招募,以及于2021年3月至2022年6月期间从重庆医科大学附属第三医院招募。纳入标准如下:(1)接受肿瘤手术切除的患者,(2)可获得手术前1个月内进行的CT扫描,(3)CT图像上可见胰腺病变。排除标准如下:(1)在CT检查前接受过任何抗肿瘤治疗(放疗、化疗或放化疗)的患者,(2)图像有明显噪声或严重运动伪影,(3)临床信息不完整。由于最初收集的患者均接受了手术切除,因此术前存在肝转移和/或腹膜癌病的PDAC患者不会被纳入选择。具体筛选流程图见图1。基线临床数据从电子病历系统收集。患者的随访信息通过门诊就诊和电话随访获得。总生存时间(OS)定义为手术日期至死亡日期或末次已知存活状态日期之间的间隔。

图1 展示患者筛选过程的流程图 查看原图 ↗

成像采集

训练队列使用128层多排探测器CT扫描仪(SOMATOM Definition Flash,Siemens Healthineers),测试队列分别使用256层多排探测器CT扫描仪(GE Revolution 256,GE Healthcare)和64层多排探测器CT扫描仪(GE lightspeed vct)。扫描以头尾方向进行,从肝顶开始至双侧髂前上棘。成像方案包括平扫期,随后注射非离子型对比剂(Ultravist 350/370,Bayer Healthcare),剂量为特定值(1.2 mL/kg),流速为3.5–5.0 mL/s。以相同注射速率给予30–40 mL生理盐水冲洗。动脉期扫描在腹主动脉达到触发阈值(100 HU)后10–15 s开始,门静脉期扫描在动脉期结束后30–35 s进行。

采集参数包括管电压120 kVp,准直器宽度128 × 0.6 mm(西门子扫描仪)和64 × 0.625 mm(GE扫描仪),机架旋转时间0.5 s,螺距1.0(西门子扫描仪)或0.7(GE扫描仪)。所有图像以5 mm层厚、5 mm层间距重建。

病理图像分析

这是一个回顾性过程,病理学家可以获取每家医院组织库中的标本。病理学家将整个标本切成5 mm厚的切片,每个标本产生10–35个福尔马林固定石蜡包埋(FFPE)蜡块。每个FFPE蜡块切成4 µm厚的切片,并进行苏木精-伊红染色。选择单个中等放大倍数(100 ×)视野进行分析,确保视野的四个角均位于肿瘤内。通过显微镜检查量化肿瘤和间质成分的比例来评估肿瘤-间质比(TSR)。根据既往研究[15, 16],TSR值5/5被认为是最佳截断值。高间质含量定义为TSR ≤ 1,而低间质含量定义为TSR > 1。基于本研究的观察,TSR值被分为低TSR组和高TSR组。TSR评估由两名经验丰富的病理学家进行,在每家医院出现分歧时通过共同评估达成共识。实际上,两名病理学家之间观察不一致的情况很少见。

放射学影像分析

图像特征由两名分别具有8年和10年腹部影像诊断经验的放射科医生在PACS工作站上评估。任何差异均通过与第三名放射科医生(具有28年腹部影像诊断经验)会诊解决。评估所有肿瘤的基线特征,包括(1)临床特征:年龄、性别、腹痛、胰腺炎病史和黄疸;(2)病理特征:T分期、组织学分级、淋巴结转移和十二指肠侵犯;(3)图像特征:CT报告的肿瘤大小、肿瘤位置、实质萎缩、胰管扩张和胆总管扩张;以及(4)生化特征:糖类抗原19–9(CA19-9)水平、癌胚抗原(CEA)水平和总胆红素(TBIL)水平。对上述变量进行单因素和多因素logistic回归分析。最终,选择具有统计学意义的特征用于临床模型开发。

影像组学工作流程

采用标准化影像组学分析工作流程,遵循影像生物标志物标准化倡议(IBSI)报告指南[28]。(1)肿瘤分割:放射科医生1使用ITK-SNAP软件(版本3.8.0,http://www.itksnap.org/)在轴位门静脉期CT图像上沿肿瘤边缘进行三维感兴趣体积(3D-VOI)分割,排除侧肿瘤中的囊肿、坏死、血管和淋巴结。我们未选择动脉期,因为肿瘤边界在门静脉期更为清晰和明显,有助于肿瘤分割。为评估观察者间可靠性,放射科医生2对两个队列中随机选取的30例患者的图像进行了独立VOI勾画。一个月后,放射科医生1对两个队列中随机选取的30例患者重复分割,这些患者与放射科医生2选取的30例患者不同,以评估观察者内可靠性。观察者间和观察者内可靠性使用组内相关系数(ICC)评估,ICC值>0.75表示一致性良好。(2)特征提取:使用PyRadiomics 3.0提取影像组学特征[29],包括形状特征、一阶直方图特征和五种纹理特征(灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRLM)、灰度尺寸区域矩阵(GLSZM)、邻域灰度差矩阵(NGTDM)和灰度依赖矩阵(GLDM))。(3)特征降维与选择:依次应用方差分析、最小绝对收缩和选择算子(Lasso)回归和主成分分析(PCA)对特征进行筛选和降维。最终选定的特征使用sigmoid函数归一化,以确保值在0到1之间。(4)影像组学模型构建:在传统影像组学模型的选择中,我们选择了不同机器学习算法的代表,如线性分类器——逻辑回归(LR)、支持向量机(SVM);基于树的模型算法——随机森林(RF);经典聚类算法——K近邻(KNN)。通过这些不同的机器学习算法,我们评估了哪些分类思路更适合该任务。所有模型均使用五折交叉验证构建,以避免过拟合并确保可重复性和重现性。完整的示意图见图2a。

图2 本研究的工作流程和ResNet18的网络结构。a 本研究的流程图。b ResNet18的网络结构和捷径连接的代表性特征 查看原图 ↗

深度学习工作流程

所有原始腹部CT图像未经任何手动分割,以3D格式作为网络输入。为增强模型的鲁棒性并避免过拟合,在将图像输入网络之前采用了数据增强策略,包括随机裁剪、随机水平翻转和随机垂直翻转。损失函数计算为神经网络输出与标签之间的偏差,并使用反向传播算法更新各层权重。基于最小损失值确定最佳权重,并固定用于后续测试队列。由于实验数据量较小,在深度学习模型的选择上,我们选择了具有代表性的轻量级深度学习模型或参数较少的网络进行深度学习实验:ShuffulNetv2、Xecption、MobileNetV3和ResNet18 [30–32]。具体而言,卷积神经网络具有良好的局部特征提取能力,而本任务需要网络关注图像的局部细节,这与卷积神经网络的优势相符。因此,我们选择卷积神经网络进行实验。其次,我们的任务是一个数据量较小的粗粒度预测任务,使用参数较多的网络会导致严重的过拟合,使网络难以学习到有效信息。轻量级CNN模型通常在小数据集上表现良好且不易过拟合,因为它们更容易泛化到此前未见过的数据。更复杂的模型在小数据集上可能更容易受到数据中噪声或偶然因素的影响。因此,我们选择这四种参数较少、通用性强的卷积神经网络进行实验,并通过实验进一步确定更适合本任务的网络。这四种预训练的3D卷积神经网络(CNN)被用于构建端到端模型。使用带动量参数的AdamW优化器,初始学习率设为0.00001。采用CosineAnnealing进行学习率衰减。共训练30个epoch,惩罚系数为0.01,warm-up设为1,batch size为2,dropout为0.75。实验使用python(https://www.python.org)和pyTorch(https://www.pytorch.org)框架在NVIDIA GeForce GTX 2080 SUPER GPU上进行。

为增强模型决策过程的透明度和可解释性,我们应用梯度加权类激活映射(Grad-CAM)提供可视化解释。Grad-CAM利用CNN最后一个卷积层的梯度信息获得类激活图。该图提供了对模型分类贡献最显著的图像区域的洞察,有助于验证其性能并识别潜在的改进区域。

模型评估与统计分析

放射组学和深度学习模型的预测性能通过多种指标进行评估,包括曲线下面积(AUC)、准确率(ACC)、精确率、召回率和F1分数。使用受试者工作特征(ROC)曲线对模型性能进行可视化。决策曲线分析(DCA)用于量化不同阈值概率下的净获益。校准曲线分析用于拟合实际和预测的发生率。采用DeLong检验比较不同模型之间的诊断效能。

组间定量变量若呈正态分布则采用Student t检验进行比较,若呈非正态分布则采用Mann-Whitney U检验。组间定性变量采用卡方检验或Fisher精确检验进行比较。p值小于0.05被认为具有统计学意义。使用SPSS软件(版本23.0)进行统计分析。

结果

患者特征

在训练队列中,TSR低组有72例(45%)患者,TSR高组有88例(55%)患者。独立测试队列由TSR低组20例(43%)患者和TSR高组27例(57%)患者组成(表1)。在训练队列中,TSR低组与TSR高组之间在T分期方面观察到显著的统计学差异(p = 0.048);在测试队列中,组织学分级方面观察到显著差异(p = 0.013)。训练组与测试组之间在任何基线特征方面均未观察到显著差异。经过单因素和多因素logistic回归分析,仅T分期(OR:0.410,95% CI:0.205–0.821,p = 0.012)被保留用于临床模型的开发(表2)。临床模型在训练队列中达到AUC为0.566(0.477,0.654),在测试队列中达到AUC为0.610(0.448,0.772)。训练队列中共有142例患者可用于生存分析(TSR低组:69例,TSR高组:73例),Kaplan-Meier曲线显示TSR高组与TSR低组之间存在显著差异(p < 0.05)。log-rank检验表明,TSR低组的生存时间(均值:25.81个月,95%置信区间[CI]:21.39–30.23)显著长于TSR高组(均值:17.95个月,95% CI:14.28–21.62)。

表1 训练队列和测试队列的基线特征 查看原表 ↗
表2 用于筛选模型开发临床特征的单因素和多因素logistic回归分析 查看原表 ↗

基于放射组学和深度学习的模型性能

对于手动肿瘤分割,获得了良好的观察者间ICC(范围0.80至0.89)和观察者内ICC(范围0.83至0.91)。基于门静脉期从3D分割的VOI中初步提取了共1051个放射组学特征。方差分析进行初步特征筛选以降低LASSO特征筛选的复杂度。通过lasso回归筛选出10个非零系数特征(表3)。图3展示了LASSO模型的选择过程及特征可视化。最后,为防止因特征数量过多导致过拟合,采用PCA进行降维,特征最终缩减至6个。

总体而言,无论是在训练队列还是测试队列中,深度学习模型均优于影像组学模型。具体而言,在测试队列中,深度学习模型包括ShuffulNet、Xecption、MobileNet和ResNet18的AUC分别为0.846、0.924、0.930和0.941,优于基于SVM、KNN、RF和LR的影像组学模型的AUC,分别为0.739、0.717、0.763和0.756(表4,图4a、b)。此外,深度学习模型表现出更高的准确率:ShuffulNet、Xecption、MobileNet和ResNet18分别为0.830、0.851、0.872和0.894,而基于SVM、KNN、RF和LR的影像组学模型分别为0.766、0.702、0.702和0.681。校准曲线显示影像组学模型和深度学习模型均具有良好的校准(图4c、d),然而影像组学模型的校准优于深度学习模型。决策曲线表明预测模型比治疗所有患者或不治疗任何患者提供更大的获益,深度学习模型比影像组学模型提供更大的获益(图4e、f)。此外,我们在八个模型间进行了DeLong检验(表5)。结果显示四个影像组学模型单独之间或四个深度学习模型单独之间均未观察到显著差异(均p > 0.05),而影像组学模型与深度学习模型之间观察到显著差异。

在测试队列中,Resnet 18的总体性能优于其他CNN模型。图5展示了训练曲线,Resnet 18表现出最低的损失值,具有在训练过程中最小化误差的能力,并且与所测试的任何其他CNN模型相比显示出更快的收敛速度。Resnet 18的具体网络架构如图2b所示,其最显著的特征是使用了残差网络。在所有评估的模型中,ResNet18模型在该任务中表现出最佳的诊断效能。图6a展示了测试队列中所有模型的混淆矩阵,显示使用ResNet18模型对TSR高组96.3%(26/27)的患者和TSR低组80%(16/20)的患者进行了准确预测。由ResNet18生成的Grad-CAM提供了分类图像的可视化解释,ResNet18模型有效突出了样本中有助于分类决策的关注区域(图6b)。颜色越深,模型越关注。

表3 Lasso特征的选择结果 查看原表 ↗
图3 LASSO模型的选择过程。a 展示了不同log (λ)的Lasso系数路径图。垂直虚线代表以最优λ值选择的10个非零系数影像组学特征。b 通过最小准则选择LASSO模型的调优参数(λ)。垂直线表示LASSO调优参数(λ)的最优值。c 所选10个特征的权重。d 10个特征的热图 查看原图 ↗
表4 不同模型的性能比较 查看原表 ↗
图4 放射组学组和深度学习组分别的ROC曲线、校准曲线、决策曲线。a、c、e 放射组学模型的ROC曲线、校准曲线和决策曲线。b、d、f 深度学习模型的ROC曲线、校准曲线、决策曲线。RF模型和Resnet18分别在放射组学模型和深度学习模型中达到最优效能。校准曲线显示放射组学模型和深度学习模型的预测TSR与实际TSR之间具有良好的一致性。图中显示SVM模型和ResNet18分别在放射组学模型和深度学习模型中具有最大的净获益。 查看原图 ↗
表5 通过DeLong检验比较不同模型间的ROC曲线 查看原表 ↗
图5 各种深度学习模型在训练集中的损失值在不同迭代步骤中呈现波动 查看原图 ↗
图6 所有模型的混淆矩阵及原始图像和代表性患者由ResNet18生成的相应梯度加权类激活映射(Grad-CAM)。a 该图显示测试集中被正确和错误分类的患者数量。b 一名63岁男性被诊断为胰腺导管腺癌(PDAC),具有高肿瘤间质比(TSR)。肿瘤位于胰头。b、c 一名62岁男性被诊断为PDAC,具有低TSR。肿瘤位于胰尾 查看原图 ↗

讨论

在本研究中,我们旨在比较自动深度学习网络和放射组学模型在区分PDAC患者TSR方面的性能。总体而言,我们的研究结果表明深度学习模型优于放射组学模型,其中ResNet18模型表现出最佳性能。我们开发和验证的模型显示了泛化性、可重复性和未来临床应用的潜力。

在本研究中,我们发现TSR低组相比TSR高组具有显著更长的生存时间,提示肿瘤间质在PDAC发病机制中具有保护作用。这一发现与既往研究一致,那些研究已表明肿瘤间质对肿瘤进展和预后的影响[15, 16]。此外,Torphy等人的研究也支持我们的发现,证明高间质密度与改善的生存之间存在显著关联[8, 9]。此外,我们观察到TSR高组具有更高的T分期,这与Meng等人和Cai等人进行的研究一致[16, 33]。这些发现共同加深了对TSR与PDAC进展之间关系的理解。

既往研究已探索了影像学参数与肿瘤间质的相关性,因为影像扫描提供了全面的视图且易于获取[34–36]。例如,Mayer等人证明弥散峰度成像的弥散常数D可作为无创影像生物标志物,用于区分PDAC中间质丰富型与间质贫乏型肿瘤[37]。Cai等人和Koay等人也研究了CT影像特征作为PDAC肿瘤间质比例的指标,肿瘤-实质交界处的衰减差异显示出将患者分层为预后亚型的潜力[33, 35]。然而,上述研究并未开发由人工智能技术构建的预测模型。

在我们的研究中,我们开发了四种影像组学模型和四种深度学习模型,以比较它们在基于CT的TSR预测中的可行性和有效性。我们的模型在训练组中达到的AUC范围为0.859至1.000,在测试组中为0.717至0.941,超过了先前仅使用基于影像组学模型的XGBoost模型的类似研究(训练组AUC为0.93,验证组为0.63)[16]。我们的研究具有若干优势。首先,我们从三个中心收集数据,确保了数据集的多样性和模型的泛化性。其次,我们的端到端深度学习模型自动学习语义和空间特征,消除了手动设计特征提取的需要,简化了流程,并减轻了医生的负担。这与需要人工设计工程特征的传统影像组学方法形成对比。最后,我们的研究强调了基于手工特征的影像组学模型泛化性相对较差,表现为其灵敏度(范围为0.676至0.757)低于深度学习模型(范围为0.825至0.882)。此外,在本研究中影像组学模型的校准优于深度学习模型,我们推测原因在于传统机器学习方法在扫描协议多样的小样本中表现良好。

所有四种不同影像组学模型的表现均不佳,这表明传统影像组学特征在区分高和低TSR方面提供的帮助有限。值得注意的是,随机森林模型优于其余模型,我们将其归因于其作为稳健集成学习技术的效力。通过构建大量决策树并融合其预测,随机森林有效地综合了多个机器学习模型的预测。此外,其通过随机特征选择和数据采样等技术减少过拟合的功效有助于增强模型的泛化能力。

所有四种深度学习模型均显著优于传统影像组学模型,这表明该优势源于深度学习模型能够从三维医学图像中提取更适合这一特定医学图像判别任务的特征。与固定不变的影像组学特征不同,深度学习模型可以动态学习特征表示。深度学习模型所学特征表达的显著差异证明了仅依赖传统影像组学特征的潜在局限性。在这些模型中,ResNet18优于其余模型,其卓越的性能巩固了ResNet18作为该特定任务极有利选择的地位。这一成功可归因于其残差架构使网络能够在不同层捕获不同尺度和抽象层次的特征,从而增强模型表示从医学图像中提取特征的能力。

Grad-CAM是一种广泛应用的事后可解释技术,通过使用CNN应用于医学图像研究。在Grad-CAM的背景下,图像中显示异质性信号的区域在影响模型预测方面起着关键作用。Grad-CAM可视化中颜色的强度表示重要程度,并归因于这些区域对模型最终分类判定的贡献。既往研究表明,这些异质性信号通常是临床工作中更受关注的区域[38, 39]。此外,它主要关注肿瘤的边界和内部区域,肿瘤区域邻近的血管、骨骼和正常胰腺实质未表现出显著激活,证明其能够忽略非核心区域进行分析。

然而,我们的研究存在一些局限性。首先,我们排除了术前接受抗肿瘤治疗的患者,这可能引入了选择偏倚。因为统一的患者治疗管理选择标准有助于避免除肿瘤间质外对PDAC生存时间的混杂影响。我们推测术前接受抗肿瘤治疗(放疗、化疗、放化疗)的患者可能影响对TSR的病理学观察,因此本研究采用了严格的筛选标准。未来,我们将纳入更多病例,包括术前接受和未接受抗肿瘤治疗的患者,以更全面的视角探讨TSR的作用,此外,我们还将单独收集术前接受抗肿瘤治疗的患者以完成亚组分析。其次,我们的研究为回顾性研究,且TSR评估超出常规临床需求,导致样本数据量有限并存在潜在的轻度过拟合。然而,对于影像组学模型,我们采用了PCA等特征降维技术并微调超参数以防止过拟合并降低模型复杂度。此外,采用了随机森林(RF)等集成学习方法组合多个决策树模型,以减轻过拟合对单棵树的影响。在深度学习模型中,我们在训练数据集上引入了数据增强技术,包括旋转、平移和缩放,以增加医学图像的多样性并增强模型的泛化能力。此外,通过在模型架构和损失函数中引入正则化项来防止过拟合。最后,我们在模型分类器上实施了dropout,通过将一部分神经元随机置零来减少神经元之间复杂的共适应,有助于防止过拟合。总体而言,我们利用交叉验证技术将有限数据划分为多个子集进行模型训练和验证。该方法最大化了数据利用率并产生更可靠的模型性能估计。此外,通过利用预训练模型,我们将其他数据源的知识迁移到受限的医学图像数据集,有效提升了整体模型性能。第三,我们使用原始腹部图像而非分割的肿瘤VOI训练深度学习模型,这可能受到 underlying 背景因素的干扰;然而,使用grad-cam显示注意力区域主要集中于肿瘤本身,保证了模型性能的高效性和准确性。

总之,间质比例的无创评估为PDAC中不同临床结局患者的分层提供了可行方法。深度学习作为一种定量方法,与传统影像组学工作流程相比,在预测不良预后方面显示出有前景的性能。因此,术前TSR预测为这种致死性疾病的诊断和治疗提供了新的见解。

引用

  1. Liao H, Yuan J, Liu C, et al. Feasibility and effectiveness of automatic deep learning network and radiomics models for differentiating tumor stroma ratio in pancreatic ductal adenocarcinoma. Insights Imaging. 2023. PMID: 38129708. doi:10.1186/s13244-023-01553-z
  2. 全文:PMC10739634(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10739634/

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。