文献速递腹部介入技术与安全CT

基于机器学习的影像组学分析及生长可视化在随访CT诊断消融部位复发中的研究

Machine learning-based radiomic analysis and growth visualization for ablation site recurrence diagnosis in follow-up CT.
PubMed 文献 · Abdom Radiol (NY) · 2024-01-30

该回顾性队列研究纳入55例肝肿瘤热消融后随访CT患者(20例消融部位复发、35例无复发),提取影像组学特征并用Lasso回归与XGBoost建模,Lasso回归留一法测试AUC达0.97、准确率92.73%;差异热图在所有复发患者中正确突出复发区域。

要点

  • Lasso回归留一法测试诊断消融部位复发的AUC为0.97、准确率为92.73%。
  • XGBoost使用全部特征时AUC为0.93、准确率为89.09%。
  • 差异热图在所有消融部位复发患者中正确突出复发区域。

核心结论

  • 基于机器学习的影像组学分析和生长可视化在随访CT上检测消融部位复发有效。

研究设计与样本

  • 回顾性队列研究,纳入2008年至2020年接受肝肿瘤热消融的成年患者,最终55例(20例消融部位复发、35例无复发)进入影像组学分析。
  • 采用多品牌CT,门静脉期增强扫描,自动管电流调制和管电压选择,层厚1 mm,静脉注射90–100 mL对比剂后75秒延迟,流率3.6–4.0 mL/s,随后注射32 mL生理盐水。
  • 感兴趣区为消融区及其周围2 cm肝实质环,由两名腹部放射科医生分别勾画不同部分数据集。
  • 提取292个影像组学特征(含形态学、一阶统计、灰度共生矩阵、灰度尺寸区域矩阵、灰度游程矩阵、邻域灰度差矩阵、灰度依赖矩阵及LoG滤波后特征),经Pearson相关系数>0.8剔除后保留95个特征用于建模。
  • 采用Lasso回归和XGBoost分类器,以留一法测试评估性能,少数类类别权重设为1.5。

关键影像表现/征象

  • 消融部位复发定义为消融区内或紧邻消融区出现强化病灶,且病灶最大径与消融区直接接触。
  • 差异热图通过配准两次随访CT并相减生成,用标准差2.5的高斯核平滑后归一化至0–1,生长区域表现为较大灰度差异。
  • 在消融部位复发患者的差异热图中,复发区域均被正确突出显示;无复发患者差异热图未突出任何区域。

诊断标准与关键数值

  • Lasso回归(固定箱大小15)留一法测试:AUC 0.97,准确率92.73%。
  • XGBoost使用全部提取特征(未做特征选择):AUC 0.93,准确率89.09%。
  • XGBoost在训练集上未做特征选择准确率98.18%,做特征选择准确率96.36%。

临床应用与阅片要点

  • 影像组学机器学习模型可能作为支持工具,通过提供鉴别诊断建议或对可疑病灶的指导来减少放射科医生的主观性。
  • 差异热图可帮助放射科医生关注随访扫描中的生长区域,从而促进肝肿瘤复发的早期诊断。
  • 差异热图可能突出血管等其他存在差异的区域,且对比剂用量和注射后延迟时间可影响血管强化程度。
  • 差异热图准确性取决于配准质量,配准不精确有时会导致肝边缘被突出显示。

局限性

  • 患者队列相对较小,可能增加XGBoost分类器的过拟合风险。
  • 消融部位复发阳性组平均随访12个月,阴性组平均随访18个月,随访时长存在差异。
  • 单中心研究且患者队列有限,可能限制结果的普遍性。
  • 差异热图可能突出血管等其他存在差异的区域。
  • 差异热图准确性取决于配准质量,配准不精确有时会导致肝边缘被突出显示。
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:Abdom Radiol (NY). 2024 Jan 30;49(4):1122–31. doi: 10.1007/s00261-023-04178-4

引言

肝细胞癌(HCC)是全球最常见的恶性肿瘤之一,5年生存率约为18%。2020年,近906,000人被诊断为肝癌,其中HCC是最常见的类型[1, 2]。结直肠癌位居全球最常见癌症前三名。约50%的结直肠癌患者最终会发生肝转移,这在结直肠癌根治性治疗后构成重大挑战,并导致总体死亡率增加[3–5]。HCC的根治性干预措施包括手术切除和肝移植。然而,许多患者由于例如多灶性疾病、转移、肝功能储备不足和器官供体短缺等原因而不适合此类治疗。类似的原则同样适用于结直肠肝转移,其并非总是适合手术切除。因此,热消融(TA)已成为一种广泛应用的微创治疗方式,具有良好的局部肿瘤控制率和长期疗效[6–8]。

TA的主要缺点是消融区边缘相对频繁地出现存活肿瘤,称为消融部位复发(ASR)。ASR的危险因素包括消融边缘不足、肿瘤位置和肿瘤形态[9–12]。准确及时地诊断ASR对于确保以根治为目的的(微创)再治疗选择从而获得最佳长期预后至关重要[13]。然而,在随访计算机断层扫描(CT)上诊断ASR仍然困难,即使对经验丰富的放射科医生也是如此,因为消融后坏死/病灶周围炎症与真正的ASR之间存在相似性[14–16]。

影像组学是定量医学图像分析中的一种新兴方法,包括从医学图像中提取大量手工制作的影像组学特征。这些特征将视觉信息和表型特征转化为可用于机器学习算法建模和分析的数值定量数据[17–19]。由于这些能力,影像组学分析已显示出改善临床结局的潜力[20, 21]。

本研究主要旨在确定影像组学分析在检测恶性肝脏肿瘤热消融后随访CT扫描中消融部位复发的效能。次要目的是开发一种可视化工具,能够突出显示个体患者随访扫描之间的复发区域。

材料与方法

研究设计与患者选择

从XXX的电子病历中建立了2008年至2020年间因肝脏肿瘤(包括HCC以及结直肠癌和乳腺癌转移)接受TA的成年患者的回顾性队列。在本中心,TA后的随访方案包括TA后一周的首次CT扫描,随后前两年每4个月进行一次CT扫描,此后每六个月一次直至治疗后五年。

所有热消融(TA)后随访CT扫描的报告均由腹部放射科医师作为常规患者护理的一部分生成,这些报告经回顾性审查以寻找疾病复发的证据。ASR的特征是在消融区内或紧邻消融区出现对比增强病灶。同时,这些病灶的最大直径与消融区保持直接接触[22]。若影像学证据显示ASR并经组织病理学确认,患者被归为阳性患者组。在该“ASR阳性”患者组中,用于放射组学分析的是识别出ASR的随访CT扫描(平均为TA日期后12个月[四分位距:5–17个月])。

对照组通过从随访CT扫描无ASR证据的队列中随机选取患者直至2020年而建立。在这些患者中,使用最近的随访CT扫描(平均为TA日期后18个月[四分位距:12–23个月])进行放射组学分析。

放射组学分析的排除标准(图1)为:(1)无法获取对比增强门静脉期CT扫描,例如ASR通过随访磁共振(MR)或正电子发射断层扫描(PET)确认的病例,或图像归档系统中仅可获取动脉期图像的情况;(2)由放射科医师识别为新生病灶而非ASR的远处肝内病灶;(3)对照组患者无法在最近随访扫描上勾画消融区。当消融区被正常肝组织覆盖而在患者最近的随访扫描中不可见时,即出现这种无法勾画的情况。这表明已正常化,因此无复发。

采用多厂商CT系统,扫描参数在我们医院与转诊机构之间协调如下:自动管电流调制和管电压选择,1 mm层厚,静脉注射90–100 mL对比剂(流速3.6–4.0 mL/s)后延迟75秒,随后给予32 mL生理盐水。机构审查委员会予以批准,并豁免书面知情同意的要求。

图1 患者排除流程图 查看原图 ↗

感兴趣区和图像处理

研究的整个工作流程如图2所示。消融区及其周围2 cm直径的肝实质环构成感兴趣区(ROI)。消融区由两名经验丰富的腹部放射科医师分别在数据集的不同部分进行勾画,周围肝实质环的掩膜通过勾画出的消融区的形态学膨胀自动生成。图3展示了消融区和相邻肝实质环的二值掩膜示例。

为调节CT扫描的对比度和亮度,从而增强软组织可见性,采用以50 HU为中心、宽度为400 HU的软组织窗。为进行归一化,放射组学分析中使用的所有图像均使用B样条插值器重采样至相同间距[1.0 mm, 1.0 mm, 2.0 mm]。灰度离散化采用固定箱宽方法,并测试了{5, 15, 25}的箱宽集合。

图2 放射组学分析工作流程 查看原图 ↗
图3 感兴趣区示例 查看原图 ↗

放射组学特征

放射组学特征是指从医学图像中提取的一组定量测量值,将放射学视觉信息转化为数值数据。根据图像生物标志物标准化倡议(IBSI)预定义的放射组学特征集从原始预处理CT扫描中提取[23],包括形态学特征、一阶统计特征、灰度共生矩阵特征、灰度尺寸区域矩阵特征、灰度游程长度矩阵特征、邻域灰度差矩阵特征和灰度依赖矩阵特征。此外,还从高斯拉普拉斯(LoG)滤波器变换的CT扫描中提取了一阶统计特征和纹理特征,因为LoG滤波器增强了细微图像结构(如边缘)的可见性。来自原始扫描和LoG变换扫描的放射组学特征的融合提供了对 underlying 组织特征的更全面洞察。特征提取使用Python 3.7.9在开源库Pyradiomics 3.0中执行[24]。

提取的放射组学特征之间可能表现出强烈的线性关系。为解决共线性问题,计算了放射组学特征之间的皮尔逊相关系数。皮尔逊相关系数>0.8的放射组学特征组被视为高度相关,因此被移除,以降低数据集维数并减轻共线性问题。

机器学习分类器

由于数据集规模有限,采用L1惩罚的逻辑回归(Lasso回归)进行特征建模,因为它适用于小规模数据分析任务[25]。L1惩罚作为逻辑回归分类器的正则化项,惩罚高值回归系数以消除冗余特征并减少特征集中的多重共线性。分类器在训练过程中自动选择与训练目标相关的放射组学特征。Lasso回归的特征重要性通过训练后分类器中相应的特征权重来衡量。此外,极端梯度提升(XGBoost)方法也被用于放射组学特征建模。由决策树构建的XGBoost分类器有助于在每个分裂节点进行强大的特征选择以区分ASR[26]。XGBoost分类器的特征重要性通过基尼重要性(杂质平均减少量)来衡量[27]。

为了对训练后的分类器进行无偏的性能评估,采用了留一法测试(LOOT)方法。在LOOT中,数据集被分为n个子集,其中n代表整个数据集中的患者数量。对于每个子集,基于五折交叉验证使用n-1个样本训练模型。随后在留出的样本上测试训练后的模型以评估性能。该过程重复n次,结果基于每个子集中留出样本的预测值计算。此外,数据集中缺乏ASR的患者多于有ASR的患者,这种不平衡可能影响机器学习模型的性能[28, 29]。因此,对少数类应用了1.5的类别权重。通过增加ASR患者的权重,迫使分类器考虑阳性组和对照组之间错误代价的不对称性。模型在训练过程中对误分类ASR患者将产生更大的惩罚。模型使用开源库scikit-learn 0.23.2和Python 3.7.9开发[30]。

消融后生长区域的可视化方法

由于肿瘤大小细微以及ASR与消融后坏死和病灶周围炎症之间的相似性,放射科医生诊断ASR可能具有挑战性。研究假设恶性复发肿瘤在两次随访扫描之间表现出生长;因此,强调随访扫描之间的差异可能有助于放射科医生关注疾病复发的生长区域,使ASR更易于可视化和识别。

为了生成突出两次随访扫描之间差异的热图(差异图),使用elastix软件对图像进行配准[31]。CT上的肝脏分割确保了跨扫描的准确配准。随后,通过减去两幅配准后的随访扫描生成差异图。为进一步优化差异图,使用标准差为2.5的高斯核进行平滑处理,然后归一化至0到1的范围。在两次随访扫描之间的时间间隔内表现出生长的区域在扫描上表现为较大的灰度值差异,从而在差异图上突出显示疾病复发区域。

结果

研究人群特征

在我们中心,278例患者因恶性肝脏肿瘤接受了热消融治疗。其中,30例(10.8%)被确定为ASR。在患者筛选过程中,2例患者因ASR诊断日期当天缺乏随访CT扫描而被排除,8例患者因随访CT上的肝脏肿瘤被认为是新发病灶而被排除。

对于对照组,随机选择了41例无ASR的患者。其中6例因消融区在CT扫描上无法勾画而被排除。最终,20例ASR患者和35例无ASR患者符合放射组学分析条件(图1)。

队列的中位年龄为67岁(四分位距:62–72岁),包括22名女性(40%)和33名男性(60%)。在纳入分析的肝脏病灶中,18例(32.73%)为HCC,36例(65.45%)为结直肠转移瘤,1例(1.82%)为乳腺转移瘤。更多患者特征见表1。

表1 患者人口统计学特征 查看原表 ↗

放射组学模型开发

本研究从图像ROI内共提取了292个影像组学特征。这些特征包括ROI的14个形态学特征、从原始处理后CT扫描的ROI上提取的93个特征,以及分别从标准差为1和3的LoG滤波器变换后图像的ROI上提取的93个特征。基于Pearson相关系数筛选出95个影像组学特征用于模型训练。

表2列出了不同分类器的灵敏度、特异度、准确率和AUC,相应的ROC曲线见图4。表现最佳的模型为固定箱宽为15的Lasso回归,经LOOT方法检验,其AUC为0.97,准确率为92.73%。此外,XG Boosting分类器在未进行特征选择、使用全部提取的影像组学特征训练时表现有所提升,AUC为0.93,准确率为89.09%。未进行特征选择的XG Boosting分类器在训练集上的表现也略优于进行特征选择的分类器,准确率分别为98.18%和96.36%。表3列出了根据权重排序为每个机器学习分类器筛选出的前五个影像组学特征。完整的影像组学特征列表及每个分类器对应的权重排序见补充表I和II。

表2 影像组学分析结果 查看原表 ↗
图4 两种不同分类器的ROC曲线:a Lasso回归,用于区分消融后肝癌复发与未复发患者;b XG Boost,同样用于区分消融后肝癌复发与未复发患者。AUC 受试者工作特征曲线 查看原图 ↗
表3 影像组学分析中排名前5的重要特征 查看原表 ↗

差异图的可视化

生成差异图以突出两次随访CT扫描之间的差异。选择用于影像组学分析的扫描和既往扫描来生成差异图,并进一步检验ASR是否在差异图上被突出显示。图5展示了生成的差异图的几个示例。在伴有ASR的患者差异图中,复发灶在每个病例中均被正确突出显示。相反,在不伴有ASR的患者中,差异图未突出显示任何区域。

图5 两种不同情况下叠加在CT扫描上的差异图示例:a 一例消融后肝肿瘤复发患者的差异图,复发的局部肿瘤在差异图上以红色突出显示。b 一例无消融后肝肿瘤复发患者的差异图,差异图上无任何区域以红色突出显示 查看原图 ↗

讨论

本研究旨在评估影像组学分析在随访CT扫描中识别ASR的能力。此外,我们开发了一种可视化技术,用于突出显示个体患者在不同时间段随访扫描之间病灶生长的区域,并检验ASR能否被准确突出显示。共有55例患者纳入影像组学分析,其中20例伴有ASR,35例不伴有ASR。采用LOOT方法,Lasso回归获得了最高的AUC(0.97)和最佳准确率(92.73%)。通过可视化方法生成的差异图准确突出了ASR。

由于在消融区边缘准确识别ASR对于放射学视觉判读仍是一项挑战[14–16],基于影像组学的机器学习方法提供了一种独立于放射科医生主观性的定量评估ASR的方法。我们的研究展示了有前景的结果,并提示这些方法可作为支持性工具,通过提供鉴别诊断建议或对可疑病灶的引导来减少主观性。此外,diff图可协助放射科医生在随访扫描中关注生长区域,从而促进肝肿瘤复发的早期诊断。疾病复发的早期准确诊断在优化患者预后方面起着关键作用,因为它能够及时采用微创治疗,如再次消融,从而提高患者的长期生存率[6, 32, 33]。在疾病复发早期及时干预有助于减轻疾病向其他器官的播散,进一步强调了及时准确诊断的重要性[34–36]。

除了我们聚焦于影像组学分析以检测ASR的方法外,若干研究已探索基于影像组学分析诊断切除和移植等根治性治疗后的肝肿瘤复发[41, 42]。此外,一些研究聚焦于基于消融前扫描预测复发几率,这可能为治疗计划和个体化治疗策略提供有价值的见解[43, 44]。需要注意的是我们的研究与上述研究之间的差异。我们的研究旨在利用随访CT扫描检测并可视化ASR,而其他这些研究聚焦于切除后复发诊断或消融前预测复发可能性。这凸显了影像组学分析和机器学习技术在应对肝肿瘤管理各个方面中的多功能性。尽管越来越多的证据支持先进分析方法在肝肿瘤复发诊断和预测中的应用,仍需进一步研究以比较这些不同方法的性能,并探索潜在协同作用,以增强肝肿瘤管理策略的整体有效性。

在本研究中,HCC和肝转移病例均被纳入,反映了更多样化的患者人群和更广泛的肝肿瘤类型。这与许多既往研究形成对比,那些研究主要仅聚焦于HCC或肝转移[45, 46]。我们的研究获得了有前景的结果,AUC为0.97,准确率为92.73%,证明了我们基于机器学习的影像组学分析和生长可视化方法在检测ASR方面的有效性,无论肿瘤来源如何。这提示我们的方法可能具有更广泛的临床适用性,并可能有助于改善不同肝肿瘤类型患者的预后。

在本研究中,XG Boost分类器的性能劣于Lasso回归。一个可能的原因是患者队列规模有限。XG Boost分类器比Lasso回归更复杂,更适合处理更大、更复杂的数据集。然而,本研究的患者队列相对较小,这可能增加XG Boost分类器过拟合的风险[47, 48]。

我们研究的另一个局限性是ASR阳性组(平均12个月)与ASR阴性组(平均18个月)之间随访时间的差异。这一差异的出现是因为ASR阳性组由于确认和管理复发的临床紧迫性需要较短的随访间隔。相反,ASR阴性组通常接受较长的随访期作为常规护理的标准部分。为减轻这一局限性,未来研究可建立随访时间与ASR阳性组相当的对照组,或设计前瞻性研究以减少回顾性研究固有的选择偏倚。

尽管我们研究中的影像组学分析达到了0.97的AUC和92.73%的准确率,但其作为单中心研究且患者队列有限的设计可能限制了结果的普适性。为解决这一局限性,未来研究应设计为多中心研究,以创建更大、更多样化的患者队列进行影像组学分析。利用外部数据评估基于影像组学的机器学习模型对于评估这些模型的泛化能力也至关重要。

生成的差异图准确突出了ASR,有助于引起放射科医生的注意。然而,随访扫描中显示差异的其他区域也可能在差异图上被强调,例如血管。本研究使用了门静脉期增强CT扫描,血管的强度可能因造影剂用量和静脉注射后延迟时间而变化。未来研究可设计深度学习模型,在获得更大患者队列时自动分割随访扫描中的ASR,以规避这一潜在问题。差异图的准确性取决于配准质量。为保证精确的肝脏对齐,我们在配准前对肝脏进行了预分割。然而,不精确的配准有时导致差异图上突出显示肝脏边缘。配准方法的鲁棒性可通过更大患者队列进一步研究和验证。

总之,本研究提出了一种检测消融部位复发的新方法,通过对随访CT扫描应用影像组学分析,并开发了一种可视化方法突出显示扫描间病灶生长区域。我们的结果证明了基于影像组学的机器学习模型作为放射科医生临床实践中宝贵支持工具的潜力。此外,差异图可视化方法可通过强调随访扫描上的生长区域,帮助放射科医生更轻松、更及时地识别消融部位复发。

补充信息

以下是电子补充材料的链接。补充文件1(XLSX 10 kb)

补充文件2(XLSX 9 kb)

引用

  1. Yin Y, de Haas RJ, Alves N, et al. Machine learning-based radiomic analysis and growth visualization for ablation site recurrence diagnosis in follow-up CT. Abdom Radiol (NY). 2024. PMID: 38289352. doi:10.1007/s00261-023-04178-4
  2. 全文:PMC10955006(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10955006/

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。