基于术前CT的深度学习影像组学模型预测膀胱癌淋巴结转移及患者预后:一项双中心研究
该双中心回顾性研究纳入239例膀胱癌患者(训练集185例,外部测试集54例),基于三期CT提取手工影像组学与深度学习特征构建联合模型并以列线图呈现;联合模型在外部测试集预测淋巴结转移的AUC为0.834(95%CI 0.659-1.000),对总队列和训练集的无进展生存期风险分层有统计学意义,外部测试集未见统计学意义。
要点
- 联合模型外部测试集预测淋巴结转移AUC 0.834(95%CI 0.659-1.000),准确率0.870。
- 联合模型对总队列和训练集的无进展生存期风险分层有统计学意义,外部测试集无统计学意义。
- 常规CT判断淋巴结状态敏感性不足,既往报道仅31–45%。
核心结论
- 基于三期CT的联合模型可术前有效、可靠地预测膀胱癌患者淋巴结状态。
研究设计与样本
- 回顾性研究,两中心共纳入239例接受三期CT及切除术的膀胱癌患者,训练集185例(青岛大学附属医院),外部测试集54例(山东第一医科大学附属省立医院)。
- 以术后病理证实的淋巴结状态为参考标准,采集临床特征与CT特征,提取手工影像组学特征2645个(ICC>0.8)及深度学习特征384个。
- 采用mRMR保留50个特征、LASSO筛选出12个特征(8个手工影像组学特征和4个深度学习特征),用9种机器学习分类器构建影像组学标签,并以SMOTE重训练。
- 联合模型由表现最佳的影像组学标签(LightGBM-SMOTE)与临床模型的重要临床因素整合而成,以列线图呈现。
关键影像表现/征象
- 多因素logistic回归显示,带蒂存在和CT报告的淋巴结状态是膀胱癌淋巴结转移的独立预测因素。
- 影像组学标签中「A_wavelet.HHL_firstorder_Uniformity」在所有特征中贡献最大;卷积神经网络激活图显示黄色高亮区域与淋巴结转移预测强相关。
诊断标准与关键数值
- 临床模型预测淋巴结转移的AUC在训练集为0.764(95%CI 0.697-0.831),外部测试集为0.624(95%CI 0.402-0.846)。
- 未使用SMOTE时,外部测试集上联合手工影像组学与深度学习特征的朴素贝叶斯分类器AUC最高,为0.764(95%CI 0.604-0.924)。
- 使用SMOTE时,联合手工影像组学与深度学习特征的LightGBM分类器在外部测试集表现最佳,AUC为0.893(95%CI 0.769-1.000)。
- 联合模型外部测试集AUC为0.834(95%CI 0.659-1.000),低于影像组学标签的0.893(95%CI 0.769-1.000),但准确率0.870高于影像组学标签的0.852。
- 临床淋巴结阳性判定标准为腹部淋巴结最大短轴径>10 mm或盆腔淋巴结最大短轴径>8 mm。
临床应用与阅片要点
- 联合模型以列线图形式呈现,便于术前预测膀胱癌淋巴结转移。
- 联合模型在外部测试集预测准确率0.870,决策曲线分析显示其临床效用优于影像组学标签。
- 联合模型对总队列和训练集的无进展生存期风险分层有统计学意义(log rank p<0.05),外部测试集无统计学意义(log rank p>0.05)。
- 作者建议将联合模型纳入膀胱癌预测模型,以改进监测和辅助临床试验设计。
局限性
- 本研究为回顾性研究,结果可能受选择偏倚影响。
- 采用手动分割勾画感兴趣区,可能导致偏差,作者计划在未来研究中使用自动分割。
- 数据来自两个中心且CT扫描仪不同,采用combat补偿方法消除不同协议和扫描仪的负面影响。
- 参考TRIPOD指南选择类型3分离训练集与外部测试集,之后将尝试随机分组患者以探索模型性能是否提高。
- 仅从CT图像提取影像组学特征,尚不确定多参数MRI是否更有帮助;未来将扩大样本量、与国际中心合作并加入多维数据(如MRI、超声、基因组学和病理学)以提高模型的稳定性和泛化性。
全文中译15 节 · 点击展开
背景
膀胱癌(BCa)是一种泌尿生殖系统癌症,具有较高的发病率和死亡率[1]。最常见的转移部位是淋巴结(LN)[2]。淋巴结转移(LNM)影响BCa患者的生存率。对于伴有LNM的BCa患者,5年癌症特异性生存率为27.7%[3],明显低于无LNM的患者。因此,术前准确预测LNM对疾病分期、治疗选择和生存预测具有重要意义[4]。超声、CT和MRI等检查均常用于诊断BCa,然而,其在识别转移性恶性淋巴结方面的效果并不令人满意[5]。针刺活检是一种有效但有创的方法;此外,淋巴结的样本选择有时可能导致假阴性[6]。由于当前诊断方法的局限性,迫切需要一种无创且精确的方法来预测BCa的LNM。
三期CT因其经济、快速的成像特点已成为重要的临床检查工具。Grobmyer等[7]基于CT图像中腹膜后和盆腔淋巴结的大小评估LNM,获得的诊断灵敏度仅为40%,未能满足临床精准诊疗的要求。
肿瘤内存在异质性,并在多个空间尺度上表达,包括遗传、细胞、分子和影像学水平[8]。因此,我们通常需要通过有创方法获取部分肿瘤组织。影像组学——从数字医学图像中高通量捕获和分析大量高级定量成像特征——是一种潜在的无创方法来分析整个肿瘤[9]。虽然影像组学可以量化肿瘤内的异质性,但部分容积效应可能导致小病灶异质性量化的不准确。Hatt等[10]证明,影像组学纹理特征对< 10 cm3的肿瘤预后准确性相对较差。阳性和阴性淋巴结肿瘤均较小,因此影像组学可能不适合淋巴结分析。因此,我们研究的目的是基于原发灶的三期CT图像开发LNM预测模型。
深度学习(DL)作为学习特征表达最有效的方法,已广泛应用于医学影像学[11]。该技术能够使影像组学模型与疾病特征预测之间建立更准确的关联。然而,利用基于CT的手工影像组学(HCR)特征和DL特征来预测BCa的LNM尚未被研究。
我们旨在利用双中心数据集构建基于三期CT的深度学习影像组学模型,以在术前准确预测BCa患者的LNM状态。
方法
患者选择
本回顾性研究经医院审查委员会批准,豁免患者知情同意要求。我们根据纳入和排除标准选取了2008年3月至2022年6月期间接受治疗的膀胱癌(BCa)患者。患者须符合以下纳入标准:(a)病理确诊为尿路上皮癌;(b)术前20天内行标准盆腔三期CT检查;(c)行扩大盆腔淋巴结清扫术(至主动脉分叉处);(d)随访检查资料完整。排除标准如下:(a)同时患有其他肿瘤疾病者;(b)临床或影像数据不完整者;(c)术前接受化疗、放疗或免疫治疗等治疗者。最终,本研究共纳入239例患者:以青岛大学附属医院185例患者的数据作为训练集,以山东第一医科大学附属省立医院54例患者的数据作为外部测试集。
我们从病历和CT图像中收集了以下临床信息:患者年龄、性别、肿瘤位置、形态(菜花状、乳头状或丘状病变)、大小、钙化(有或无)、囊性坏死(有或无)、边界(清晰或不清晰)、数目(单发或多发)、蒂(无或有)、CT报告的T分期、CT报告的淋巴结(LN)状态以及病灶在三期(皮髓质期、肾实质期和排泄期)的CT值。腹部淋巴结最大短径>10 mm或盆腔淋巴结最大短径>8 mm的可观察患者被视为临床淋巴结阳性[12]。两名经验丰富的放射科医师审阅了CT图像,并通过讨论解决了解读分歧。
CT图像采集
所有患者均接受三期CT检查。补充表S1显示了CT采集参数。三期(皮髓质期、肾实质期和排泄期)图像分别在胸腹主动脉交界处达到120 HU的团注触发阈值后25 s、75 s和300 s时采集。
病灶分割与特征提取
放射组学流程如图1所示。一名放射科医师使用ITK-SNAP软件(版本3.8.0,http://www.itksnap.org)对所有肿瘤病灶手动进行感兴趣区(ROI)分割[13]。沿病灶边缘逐层勾画ROI的最大范围,避开膀胱结石和输尿管。随后由软件自动生成三维ROI。一个月后,同一名放射科医师随机选取94例患者进行第二次ROI手动分割,以评估观察者内可靠性。另一名放射科医师以相同方式进行ROI手动分割,用于评估观察者间一致性。观察者内/观察者间相关系数(ICC)>0.8的放射组学特征被纳入后续研究。
我们使用深度卷积网络ResNet18提取深度学习(DL)特征,采用随机梯度下降优化器进行训练[14]。我们在Onekey平台上对模型进行了预训练以进行迁移学习。
我们使用ComBat校正方法处理放射组学特征,以消除两个中心不同扫描方案和CT扫描仪的影响,同时保留纹理模式特征[15]。
放射组学特征构建
我们根据z分数对所有放射组学特征进行统一标准化。然后在构建模型之前对特征进行降维。首先,我们使用最小冗余最大相关(mRMR)算法保留50个高相关性低冗余度的特征。然后,我们使用最小绝对收缩和选择算子(LASSO)逻辑回归算法进行降维,保留12个显示最佳预测潜力的特征。最后,我们使用九种机器学习分类器构建机器学习特征模型:支持向量机(SVM)、逻辑回归(LR)、极端梯度提升(XGBoost)、朴素贝叶斯(NaiveBayes)、自适应提升(AdaBoost)、轻量梯度提升机(LightGBM)、k近邻(KNN)、多层感知机(MLP)和梯度提升(GradientBoosting)。最初,我们在不进行子采样的情况下训练每个机器学习特征模型,然后使用合成少数类过采样技术(SMOTE)[16]重新训练它们。
联合模型构建
我们应用单因素逻辑回归筛选与BCa淋巴结转移(LNM)相关的临床特征和CT特征。然后,我们将p < 0.05的特征输入多因素逻辑回归以创建临床模型。我们使用向后逐步选择法,以似然比检验和赤池信息准则作为停止规则。我们通过将临床模型的风险因素与预测性能最佳的放射组学特征相结合来创建联合模型。联合模型以放射组学列线图的形式呈现。我们使用受试者工作特征曲线下面积(AUC)和准确率来判断临床模型、放射组学特征和联合模型的性能。我们使用校准曲线检验模型的拟合度,并使用决策曲线分析(DCA)判断模型的临床可靠性和实用性。
临床终点和随访监测
术后前两年,患者每3–6个月接受一次常规影像学检查,之后每年一次。观察指标为无进展生存期(PFS)。PFS指从手术到生存终点之间的时间,如影像学数据中检测到肿瘤复发、病灶转移、末次随访日期或死亡。随访截止日期为2022年6月30日。我们使用Kaplan–Meier生存曲线分析预后,并使用对数秩检验评估生存曲线之间的差异。
统计分析
我们使用SPSS 26.0软件、R软件(版本4.2.2,www.r-project.org)和Python(版本3.9.7,www.python.org)进行统计分析。我们使用卡方检验或Fisher精确检验比较分类变量。我们使用独立样本t检验或Mann–Whitney U检验分析连续变量。我们将p < 0.05视为具有统计学意义。
结果
临床特征筛选和临床模型构建
表1详细列出了训练集和测试集中BCa患者的临床信息和CT特征。单因素和多因素logistic回归结果见表2。单因素logistic回归分析显示,三项临床特征对预测BCa患者淋巴结(LN)状态有显著贡献:存在蒂、CT报告的T分期和CT报告的LN状态(各项p < 0.05)。根据多因素logistic回归结果,存在蒂和CT报告的LN状态是BCa淋巴结转移(LNM)的独立预测因素。临床模型在训练集中的AUC值为0.764(95% CI:0.697–0.831),在外部测试集中为0.624(95% CI:0.402–0.846)。
影像组学标签的构建与测试
每个感兴趣区(ROI)共提取2645个HCR特征(ICC > 0.8)。我们将2645个HCR特征与384个深度学习(DL)特征相结合,纳入后续实验。我们使用mRMR保留50个特征,然后使用LASSO对数据集进行降维,并筛选出8个HCR特征和4个DL特征以构建后续影像组学标签(图2)。表3和表4展示了所有影像组学机器学习标签在不使用和使用SMOTE情况下的预测能力。对于外部测试集,在不使用SMOTE算法的情况下,使用HCR-DL联合特征训练的NaiveBayes分类器取得了最高的AUC,为0.764(95% CI:0.604–0.924)。使用SMOTE算法时,使用HCR-DL联合特征训练的LightGBM分类器表现最佳,在外部测试集上的AUC为0.893(95% CI:0.769–1.000)。总体而言,SMOTE算法提高了五种影像组学标签的AUC结果:SVM、LR、XGBoost、LightGBM和GradientBoosting;并略微降低了四种影像组学标签的AUC:NaiveBayes、AdaBoost、KNN和MLP。
联合模型的构建与有效性
为了给医生提供一个方便的术前预测BCa患者LNM的工具,联合模型以列线图的形式呈现。我们通过整合表现最佳的影像组学特征(LightGBM-SMOTE)和具有重要意义的临床因素构建了联合模型(图3A)。表5显示了联合模型在训练集和外部测试集上的预测性能。对于外部测试集,联合模型的AUC(AUC:0.834,95% CI:0.659–1.000)低于影像组学特征(AUC:0.893,95% CI:0.769–1.000)。然而,联合模型在外部测试集上取得了比影像组学特征(0.852)更高的预测准确率(0.870)。图3B和C显示了联合模型的校准曲线,表明其适用于两个数据集。DCA表明联合模型比影像组学特征提供了更好的临床效用(图3D)。因此,联合模型实现了最佳的临床适用性能。
风险分层
图4显示了基于病理确诊LN状态模型和联合模型预测的患者PFS的Kaplan–Meier生存曲线。在整个队列和训练集中,联合模型成功地对患者进行了风险分层(log rank p < 0.05)。
讨论
LNM是BCa患者死亡的独立危险因素[17, 18]。LNM的存在与否显著影响治疗策略的选择和预后[19]。在我们的研究中,我们建立并验证了以列线图形式可视化的联合模型,其展示了优异的预测性能。联合模型在训练集(AUC:0.980,95% CI:0.967–0.993)和外部测试集(AUC:0.834,95% CI:0.659–1.000)中均表现良好,提示有潜力构建一个更通用的模型以供更广泛的临床使用。对于外部测试集,联合模型具有最高的预测准确率,表明与其他模型相比其预测误差更小。精确预测可指导选择需要围手术期全身化疗联合扩大LN清扫的患者[20]。此外,联合模型成功地将患者分为高风险和低风险,从而适当地预测了PFS。
目前建议将放射学检查(如CT和MRI)用于膀胱癌(BCa)的术前淋巴结分期。Daneshmand等[21]发现,CT或MRI检测转移性恶性淋巴结(LN)依赖于淋巴结的大小,灵敏度仅为31–45%,从而导致许多患者分期不足。因此,通过大小判断淋巴结状态是不准确的,因为增大的淋巴结可能是反应性增生的结果,而小的淋巴结可能为转移阳性[22]。
在既往研究中,Tian等[23]筛选了年龄、分级、肿瘤大小和T分期等低维临床信息,开发列线图以预测BCa的淋巴结转移(LNM),在测试集上达到AUC值0.704。在我们的研究中,多因素逻辑回归分析表明,蒂的存在和CT报告的淋巴结状态改善了临床模型的构建。临床模型的AUC值在训练集中仅为0.764(95%CI:0.697–0.831),在外部测试集中为0.624(95CI:0.402–0.846)。这表明低维临床信息和视觉特征仅反映了图像中的一小部分数据,并遗漏了关于病变异质性的重要细节。
放射组学近来被提出作为一种渐进的计算方法学,用于从肿瘤图像中提取定量描述符[24]。其应用于大量医学图像支持诊断和治疗选择,并消除了传统诊断方法的一些缺点[25]。深度学习(DL)是人工智能研究的最新趋势之一[26],在计算机视觉和机器学习领域取得了革命性进展,并在多个领域取得了许多显著突破。Li等[27]开发并验证了一种基于CT图像的深度学习放射组学列线图,用于预测胃癌的淋巴结状态,在测试集上取得了良好的判别性能(AUC:0.821,95% CI:0.722–0.920)。Wang等[28]基于DL和放射组学特征构建了列线图,用于预测乳腺癌的腋窝LNM,取得了较高的测试集性能(AUC:0.90,95% CI:0.80–0.99)。因此,既往研究表明,将传统放射组学特征与DL特征相结合是LNM评估的一种有前景的方法。
在我们的研究中,放射组学特征包含八个HCR特征和四个DL特征,“A_wavelet.HHL_firstorder_Uniformity”在所有特征中贡献最大。小波特征反映了肿瘤内部的异质性,更好地表征了图像信息[29]。小波特征允许更好的结局预测,并且是开发放射组学特征的主要组成部分[30]。卷积神经网络也提供了与LNM相关的信息。如图5所示,激活图突出了与BCa淋巴结状态相关的病变区域。我们得出结论,激活图中黄色高亮区域与病变转移密切相关。
放射组学分析与其他数据挖掘技术一样,存在维度限制[31]。尽管特征筛选方法与机器学习分类器的整合已降低了大数据集中的维度,但影像亚型的无监督聚类阻碍了准确的淋巴结(LN)状态预测[32]。我们将广泛使用的mRMR和LASSO特征筛选方法与九种机器学习分类器相结合,以确定预测LN状态的最佳放射组学机器学习特征集。我们确定,使用SMOTE重新训练的LightGBM分类器表现出优异的预测能力。mRMR是一种创新的特征筛选方法,其使用更合理的系数和较少的冗余来筛选放射学特征[33]。LASSO是一种在构建模型时避免过拟合的特征筛选方法[34]。LightGBM是一种经典的用于预测的机器学习算法[35]。既往研究表明,接受根治性膀胱切除术和盆腔淋巴结清扫术的膀胱癌(BCa)患者中,25–30%存在淋巴结转移(LNM)[36–38]。这与我们的数据一致,在所有BCa患者中约五分之一显示LNM。因此,考虑到这种不可避免的数据不平衡,我们使用SMOTE重新训练每种机器学习算法[39]。通过纳入SMOTE算法,九种机器学习特征集中的五种其AUC得到改善。
伴有LNM的患者预后不良。许多研究表明,盆腔LN的病理状态是BCa患者死亡的独立预测因素[40, 41]。既往研究显示,患者的预后可通过放射组学进行预测。Piotr等[42]发现放射组学特征在预测BCa患者总生存期方面具有预后价值。我们检验了联合模型预测BCa患者预后的能力。我们发现联合模型在总队列中表现出优异的风险分层性能,提示我们的模型在BCa患者的长期管理中具有前景。然而,联合模型在外部队列中未显示出风险分层差异。其可能的原因是我们的外部队列中发生了选择偏倚。在训练集中,病理确诊LNM的患者中不到8%(3/38)其PFS > 30个月,而在外部队列中,40%(4/10)的LNM患者其PFS > 30个月。
我们的研究仍存在若干局限性。第一,这是一项回顾性研究,我们的结果可能受到选择偏倚的影响。第二,我们的研究采用手动分割来勾画感兴趣区(ROI),这可能导致偏差。因此,我们打算在未来的研究中使用自动分割[43]。第三,我们的数据来自两个中心和不同的CT扫描仪,因此我们使用了联合补偿方法来消除不同协议和CT扫描仪的负面影响。第四,为了规范预测模型的开发,我们参考了个体预后或诊断多变量预测模型的透明报告(TRIPOD)[44]指南,并选择了类型3来分离训练集和外部测试集。此后,我们将尝试对患者进行随机分组,以探讨模型的性能是否得到改善。最后,我们仅从CT图像中提取了放射组学特征,多参数MRI是否更有帮助尚不确定。在未来的研究中,我们将扩大样本量,与国际中心合作,并添加多维数据(例如MRI、超声、基因组学和病理学)来研究膀胱癌(BCa)病灶与淋巴结转移(LNM)之间的关系,以提高预测模型的稳定性和泛化能力。
结论
我们提出的使用三相CT图像的联合模型是一种无创、易于获取且有效的膀胱癌(BCa)患者淋巴结转移(LNM)预测工具。我们推荐将其纳入BCa预测模型,以改善监测和辅助临床试验设计,从而缩小放射学与精准医疗之间的差距。
补充信息
附加文件1:表S1。CT采集设置。
引用
- Sun R, Zhang M, Yang L, et al. Preoperative CT-based deep learning radiomics model to predict lymph node metastasis and patient prognosis in bladder cancer: a two-center study. Insights Imaging. 2024. PMID: 38270647. doi:10.1186/s13244-023-01569-5
- 全文:PMC10811316(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10811316/
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。