文献速递妇产影像泌尿生殖MR

可手术宫颈癌淋巴结转移预测:临床参数与MRI深度学习多中心研究

Prediction of lymph node metastasis in operable cervical cancer using clinical parameters and deep learning with MRI data: a multicentre study.
PubMed 文献 · Insights Imaging · 2024-02-27

该多中心回顾性研究纳入392例可手术宫颈癌患者,构建基于MRI的深度多实例学习模型(D-MIL)及结合临床参数的混合模型,用于术前预测淋巴结转移。混合模型在训练、内部验证和外部测试队列的AUC分别为0.838、0.764、0.835,优于临床模型和D-MIL模型,且混合模型评分较高者无病生存期更短。

要点

  • 混合模型(临床+D-MIL)对淋巴结转移的预测效能最高,外部测试AUC达0.835。
  • D-MIL模型无需手动勾画肿瘤区域,可直接从T2WI和CE-T1WI提取特征。
  • 混合模型评分可反映无病生存期,高分患者DFS更短。
全文中译13 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. 2024 Feb 27;15:56. doi: 10.1186/s13244-024-01618-7

引言

宫颈癌是全球第四大常见女性恶性肿瘤[1, 2]。早期宫颈癌采用根治性子宫切除术(RH)治疗,但RH术后组织病理学显示淋巴结转移(LNM)的患者需要辅助治疗[3]。然而,RH联合辅助治疗可能导致更严重的合并症,如泌尿生殖系统并发症[4]。由于LNM是影响预后的重要因素,2018年修订了FIGO分期,将LNM患者归类为IIIC期,需要同步放化疗(CCRT)[5, 6]。因此,LNM的准确诊断对于改善预后和降低死亡率至关重要。

磁共振成像(MRI)是检测LNM的重要影像学方法[7]。然而,LNM的诊断主要基于大小和形状等形态学指标,由于灵敏度低,诊断效果并不令人满意[8, 9]。一些研究还使用功能MRI参数,如表观扩散系数(ADC)和Ktrans值,来评估宫颈癌的LNM,但由于功能序列扫描时间长且需要手动勾画感兴趣区(ROI),不适合广泛应用[10–12]。F-18氟脱氧葡萄糖正电子发射断层扫描/计算机断层扫描(F-18 FDG PET/CT)已被证明在检测宫颈癌患者淋巴结转移方面比CT或磁共振成像更敏感;然而,由于高剂量辐射和高价格的问题,尚未广泛用于宫颈癌的术前评估[13]。

现有的宫颈癌LNM自动诊断研究主要包括基于影像组学特征的方法和深度学习(DL)模型[14, 15]。然而,手工影像组学方法需要耗时的肿瘤边界勾画,且仅能检测一般化特征,无法提供适当可重复和可再现的特征[16, 17]。一项研究基于增强T1加权(T1W)成像上的瘤内和瘤周区域,开发了一种端到端DL模型用于诊断宫颈癌LNM[14]。Liu等基于最大肿瘤面积切片的手工2D ROI建立了基于CT的DL模型来预测宫颈癌LNM,结果表明DL模型的性能超过了经验丰富的妇科医生的诊断[18]。上述研究仍使用标注图像作为DL的对象。我们在单中心研究中初步尝试开发了基于未标注MRI的深度多实例学习(D-MIL)模型用于预测宫颈癌LNM,其中AUC值达到69%[19]。

本研究的主要目的是利用多中心数据开发并验证基于MRI的D-MIL模型以及结合D-MIL评分与临床数据的混合模型,用于可手术宫颈癌LNM的术前预测,次要目的是评估混合模型评分对宫颈癌无病生存期(DFS)的预后评估能力。

材料与方法

研究对象

本回顾性研究经机构审查委员会批准后进行,豁免知情同意。收集了2014年12月至2021年6月在中心1、2和3诊断为宫颈癌的患者数据。

纳入标准如下:(1)经病理诊断为宫颈癌;(2)治疗前接受过包括T2加权(T2W)和T1加权(T1C)成像的增强MR检查;(3)盆腔MR检查前未接受过抗肿瘤治疗;(4)接受根治性子宫切除术(RH)联合盆腔淋巴结(LN)清扫±腹主动脉旁淋巴结清扫±术后辅助治疗的患者。

排除标准如下:(1)病理类型非腺癌、鳞状细胞癌和腺鳞癌;(2)因图像质量不佳(如运动伪影、对比度不足或噪声)而无法评估MR图像;(3)临床和病理数据未能从病历中获取;(4)患者合并其他恶性肿瘤。

患者术后前2年每3至4个月接受一次MRI或正电子发射断层扫描及计算机断层扫描随访,第3至第5年每6个月随访一次,此后每年随访一次。无病生存期(DFS)定义为从手术至首次局部区域复发、远处转移、全因死亡或用于删失的最近一次随访之间的时间。

临床数据收集

收集患者临床和肿瘤特征,包括年龄、绝经状态、肿瘤组织学类型、分化程度、鳞状细胞癌抗原(SCC-Ag)、肿瘤大小、肿瘤体积以及最大淋巴结短径(LNmax)。

MRI检查技术

MRI扫描使用3.0-T MRI扫描仪(Magnetom Trio,Siemens Medical Solutions,德国),配备8通道相控阵体线圈和呼吸门控技术。平扫MRI包括轴位快速自旋回波(FSE)T1加权(T1W)图像、轴位脂肪抑制快速自旋回波T2加权(T2W)图像和矢状位FSE T2W图像。随后,经压力注射器以2 mL/s的速率注射约20 mL钆双胺并追加20 mL生理盐水冲洗后,获取脂肪抑制增强T1W(CE-T1W)轴位和矢状位图像。MRI参数汇总见表1。

所有影像参数由一名具有3年MR经验的放射科医师在具有20年经验的资深放射科医师监督下测量,测量者对临床和病理数据不知情。在T2WI图像上沿三个方向测量LNmax短径和肿瘤最大径。肿瘤体积的计算方法为(肿瘤面积测量值之和乘以包括层厚和层间距在内的高度)。

表1 MR成像参数 查看原表 ↗

构建深度学习特征

本团队开发了一种基于注意力的多实例学习(MIL)模型用于诊断宫颈癌淋巴结转移(LNM)。所提出的MIL模型采用残差神经网络50(ResNet50)从T2W和CE-T1W图像中提取特征,并采用基于注意力的池化进行患者水平的LNM预测。

MIL模型网络概述如图1所示。在开始分析之前,对所有患者的图像像素值进行归一化,以保持不同医院之间像素分布的一致性。应用ResNet50结构在切片水平(实例水平)提取特征,不使用关于肿瘤区域的手工标注。对于每位患者,将2D MRI切片转换为特征,然后输入MIL模块。计算MRI切片特征的注意力值。然后,根据注意力池化聚合患者级特征表示。详细信息请参阅之前的发表文献[19]。

为了更好地评估分类性能,我们在训练队列中进行五折交叉验证[10]。模型使用Adam优化器进行训练,学习率为2 × 10-5,β1 = 0.9,β2 = 0.999,权重衰减为1 × 10-4。批次大小设为1。训练轮数设为200,如果在30轮后验证损失没有下降则提前停止。然后,在内部验证队列和外部验证队列中进行验证。

图1 D-MIL模型和混合模型的示意图 查看原图 ↗

统计分析

使用SPSS 26.0统计软件和R(4.2.2)进行统计分析。所提出的RA-MIL模型在Python中使用PyTorch(版本1.7.1)实现。对连续变量进行Shapiro‒Wilk正态性检验,以检查各变量是否符合正态分布。本研究通过ROC分析确定SCC-Ag、最大肿瘤直径和肿瘤体积的截断值,选择约登指数最大的点作为最佳截断值。最大肿瘤直径的截断值根据宫颈癌FIGO分期中肿瘤大小的截断值确定,最大淋巴结短径的截断值根据文献中≥ 10 mm为阳性淋巴结的公认标准确定。两组间临床指标的差异使用卡方检验和校正卡方检验进行比较。使用Logistic回归分析进行多因素分析。采用向前LR法筛选独立危险因素,并建立临床预测模型。将建立的临床模型(M1)和D-MIL模型评分(M2)结合建立混合模型(M3)。最后,通过列线图对混合模型进行可视化。

为评估各模型的性能,使用ROC曲线分析。计算AUC、灵敏度和特异度。使用Delong检验比较预测模型的AUC[20]。为检验预期结果与实际数据的兼容性,使用“rms”程序创建列线图并绘制校准曲线。使用基于阈值概率净获益的决策曲线分析(DCA)确定临床模型、D-MIL模型和混合模型的临床实用性(图1)。DFS使用Kaplan‒Meier方法和log-rank检验进行估计。p < 0.05表示差异有统计学意义。

结果

患者队列和基线特征

在425例接受术前MRI的患者中,12例因特殊病理类型被排除,10例因图像质量不佳被排除,7例因临床或病理数据不完整被排除,4例因合并其他肿瘤被排除。最终,共392例患者(平均年龄51.6 ± 9.6岁,范围25–75岁)纳入研究。鳞状细胞癌、腺癌和腺鳞癌分别为345例、45例和2例。中心1共323例患者经随机重采样按7:3比例分为训练队列(n = 225)和内部测试队列(n = 98)。按照相同的纳入标准,收集其他2个中心的69例患者构成外部测试队列(n = 69)。患者招募流程见图2。

图2 患者招募工作流程图 查看原图 ↗

临床特征及临床模型构建

患者的临床资料见表2。

在训练队列、内部队列和外部队列中,LNM组与非LNM组之间在SCC-Ag ≥ 1.5 ng/L、最大肿瘤直径 ≥ 40 mm、肿瘤体积 > 15 cm3及最大淋巴结短径 ≥ 10 mm方面差异均有统计学意义。将训练组中差异有统计学意义的参数纳入多因素logistic回归分析以建立临床模型(M1 = -1.777 + 1.031 × 肿瘤体积 ≥ 15 cm3 + 1.695 × LNM短径 ≥ 10 mm)。M1的AUC在训练队列、内部验证队列和外部测试队列中分别达到0.757、0.714和0.765。

表2 训练队列、内部验证队列及其他中心外部验证队列的临床特征 查看原表 ↗

D-MIL模型及混合模型构建

D-MIL模型(M2)在训练队列、内部验证队列及来自其他机构的外部测试队列中的AUC分别为0.736、0.690和0.732。最终,通过logistic回归将临床模型与D-MIL模型评分相结合建立混合模型。M3在训练队列、内部验证队列和外部测试队列中的AUC分别为0.838、0.764和0.835。图3显示了两例具有相似临床病理特征的患者MR图像,仅凭临床特征和MRI视觉观察难以识别淋巴结状态。然而,D-MIL模型和混合模型能够产生具有鉴别力的预测值(图3A、B)。

图3 a 年龄64岁;分期IIA2;肿瘤体积15.76 cm3;SCC-Ag 2.9 ng/L;MRI-淋巴结10 mm、9 mm,真阳性;T2WI肿瘤D-MIL评分0.691,真阳性;混合模型评分0.778,真阳性。b 年龄53岁;分期IIA2;肿瘤体积13.11 cm3;SCC-Ag 0.6 ng/L;MRI-淋巴结8 mm,真阴性;T2WI肿瘤D-MIL评分0.202,真阴性;混合模型评分0.161,真阴性 查看原图 ↗

模型性能比较

如表3和图4所示,M3具有最高的诊断效能。根据Delong检验,临床模型与混合模型之间存在显著差异(训练队列,p < 0.001;内部验证队列,p = 0.007;外部验证队列,p = 0.016)。同时,结果证明M3在一定程度上能够提高简单D-MIL模型(M2)的诊断效能(训练队列,p < 0.001;外部验证队列,p = 0.04)。决策曲线显示,患者从M3中获得的获益大于M1和M2(图5D)。如图5A–C所示,校准曲线表明M3与LNM金标准具有良好的一致性。

表3 临床模型、DL模型和混合模型的诊断效能 查看原表 ↗
图4 a 训练队列的ROC曲线。b 内部验证队列的ROC曲线。c 外部验证队列的ROC曲线。d 宫颈癌伴LNM患者LNM的列线图(模型3) 查看原图 ↗
图5 a 列线图在训练队列中的校准曲线。b 列线图在内部验证队列中的校准曲线。c 列线图在内部验证队列中的校准曲线。d 决策曲线分析 查看原图 ↗

混合模型的预后价值

截至2022年12月,训练队列的中位随访时间为49(范围8–65)个月,内部队列为49(范围8–65)个月,外部验证队列为43(范围12–63)个月。据报道,宫颈癌的淋巴结状态是关键的预后因素,我们进行了生存分析以评估混合模型对3年DFS的预后能力。采用中位评分将患者分为低风险组和高风险组。图6A–C显示,混合模型在训练队列(风险比,3.14;95% CI,1.26–7.78;p = 0.014)、内部验证队列(风险比,7.25;95% CI,1.50–34.95;p = 0.014)和外部验证队列(风险比,6.32;95% CI,1.63–23.46;p = 0.008)中低风险与高风险患者之间存在显著差异。评分较高的患者达到DFS的时间较短。

图6 a 混合模型在训练队列中的K-M曲线。b 混合模型在内部测试队列中的K-M曲线。c 混合模型在外部测试队列中的K-M曲线 查看原图 ↗

讨论

该研究开发了一种结合SCC-Ag、肿瘤体积和LNmax短径的预测LNM的临床模型。SCC-Ag是宫颈癌最重要的肿瘤标志物,与疾病严重程度高度相关,其升高提示预后不良[21]。Ran等分析了200例宫颈癌患者的临床资料,发现SCC-Ag和MRI报告的LN状态是LNM的独立影响因素[22]。与既往研究一致,我们的研究也发现SCC-Ag 1.5 ng/L是影响LNM的独立因素。肿瘤体积较大也是LNM的危险因素,肿瘤直径大于4 cm可显著增加盆腔LNM的发生率[23]。这些发现与我们研究的结论一致,即较大的肿瘤直径与较高的LNM概率相关。然而,多因素分析显示肿瘤最大直径不是影响LN状态的独立因素,这可能是因为肿瘤体积能更好地反映肿瘤的生物学行为。肿瘤体积越大,周围浸润越深,LNM和淋巴血管间隙浸润(LVSI)越多,且肿瘤体积比肿瘤最大直径能更好地预测LVSI和LNM状态[24]。短径≥10 mm的LN通常被认为是LNM[25],因此我们根据10 mm的截断值将MR图像上淋巴结的最大短径分为两组。结果显示,LN短径≥10 mm患者的LNM概率显著高于LN短径<10 mm患者。然而,仅通过形状和大小判断淋巴结转移会导致一些假阴性[26]。我们队列中有89例患者显示LNmax<10 mm,但术后病理证实淋巴结为阳性。

本研究将ResNet50与注意力机制相结合,开发了一种端到端深度多实例学习模型(M2),用于宫颈癌LNM的术前预测。M2在内部验证队列中获得了令人满意的分类性能评价,敏感性为0.693,特异性为0.821;在外部验证队列中敏感性为0.619,特异性为0.816。

既往研究主要基于CT或MR图像利用影像组学分析预测宫颈癌淋巴结转移(LNM),取得了良好的鉴别效果[27, 28]。Wang等提出了一种基于临床病理因素和影像组学特征的无创混合模型,用于术前预测宫颈癌LNM,该模型在训练队列(AUC,0.893 vs. 0.616)和验证队列(AUC,0.922 vs. 0.799)中均较仅基于临床病理因素的模型显示出显著改善[27]。另一项研究开发并验证了一种基于影像组学的列线图,该列线图整合了多参数MRI影像组学特征和MRI报告的淋巴结状态,用于预测宫颈癌LNM,在训练集和验证集中均显示出良好的校准度和区分度,AUC分别为0.865和0.861[28]。上述影像组学模型仅能反映低阶图像特征,且整体模型性能取决于包括肿瘤分割、特征提取、特征选择和模型建立等多个连续步骤的处理质量。与影像组学模型相比,深度学习减少了人工特征选择的主观性和时间,并具有非线性特征的分层结构,有助于更好地对非常复杂的数据模式进行建模[29]。然而,在一些类似的深度学习研究中仍使用手动勾画感兴趣区,这既耗时又受观察者间和观察者内变异性的影响[15, 29]。为此,本文旨在探索一种D-MIL方法,该方法具有从无标注MRI数据中进行强鲁棒特征学习的能力,能够自动学习与淋巴结状态相关的肿瘤特征,并避免复杂的肿瘤边界分割。此外,我们的模型还将肿瘤附近上下层面的切片纳入深度学习网络,以避免仅纳入肿瘤区域甚至仅纳入肿瘤最大层面的2D图像所导致的重要信息丢失。除肿瘤本身的信息外,既往研究表明瘤周信息也能反映宫颈癌的生物学行为,在CE-T1图像上同时使用瘤内和瘤周区域的深度学习模型在三种图像序列(CET1W、T2W和DWI)中预测LNM的表现最佳[15]。

我们的团队开发了一种基于注意力的多实例学习(MIL)模型,用于诊断宫颈癌的淋巴结转移(LNM)。所提出的MIL模型采用残差神经网络50(ResNet50)从T2W和CE-T1W图像中提取特征,并采用基于注意力的池化来进行患者水平的LNM预测。MIL框架广泛应用于组织病理学全切片图像[30]。一些文献已将MIL方法应用于识别脑胶质母细胞瘤中与生存相关的高风险亚区域,因为肿瘤存在一定的异质性;宫颈癌也被证明是一种内部异质性肿瘤,因此我们的团队在设计预测模型时加入了MIL[31, 32]。在本研究中,患者的肿瘤MRI被视为一个包,病灶的每个切片被视为一个实例。通过MIL模块预处理,每个切片根据其重要性被赋予不同的权重。然后,模态注意力模块为预测效果最高的MRI模态分配更高的权重。随后,实例的特征被聚合以形成包特征,用于产生最终的预测结果。具有MIL思想和注意力机制的深度学习网络能够在患者水平进行LNM诊断,并识别目标阳性切片以获得更好的可解释性。阳性切片和显著区域均可被自动捕获以预测LNM状态。我们设计的模型为宫颈癌术前LNM诊断提供了一种非侵入性工具,也有潜力迁移到疾病诊断中的其他分类任务。

值得注意的是,基于临床因素和常规MRI指标的模型1与基于深度学习特征的模型2在我们的队列中具有相似的诊断效能,这意味着简单的深度学习模型无法显著提高LNM的诊断性能。由M1和M2评分构建的混合模型(M3)在诊断LNM方面显示出令人鼓舞的预测性能,在训练队列和内部验证队列中AUC分别达到0.838和0.764,在外部测试队列中为0.835。M3包含了临床关键信息、放射科医师的主观经验以及深度学习提供的无法视觉识别的高维特征。既往研究也表明,结合临床参数和基于MR图像的深度学习模型建立的列线图可作为宫颈癌LNM非侵入性预测的个体化工具,有助于制定治疗方案[18, 33]。

LNM是宫颈癌患者预后不良的主要原因之一[34, 35]。在早期、中期和晚期,无淋巴结转移宫颈癌的5年生存率接近90%,而有淋巴结转移宫颈癌的5年生存率急剧下降至65%[34]。我们的结果发现,混合模型的评分与宫颈癌的3年DFS显著相关,评分较高的患者DFS较低,表明该混合模型是一个良好的预后指标。Tian等开发了一种将CE-T1W肿瘤+瘤周模型与MRI-LN状态相结合的混合模型,该模型与早期宫颈癌的生存结局相关[15]。根据本研究建立的混合模型,LNM可通过治疗前的MRI图像数据和临床指标进行预测。有LNM的患者可接受CCRT治疗,以避免手术加术后放化疗的双重副作用。

本研究应考虑若干局限性。首先,研究的样本量仍然较小,这可能产生潜在偏倚。其次,本研究是一项回顾性研究,需要大规模队列的前瞻性多中心研究来进一步证实我们的深度学习模型。第三,PET-CT对宫颈癌淋巴结转移敏感,但由于其高成本和辐射,并未大规模用于术前评估。期待在未来的研究中PET-CT可用于术前评估远处淋巴结转移。

最后,由于缺乏功能MRI数据,如DWI图像,多模态数据可能会有更好的结果。

结论

本研究使用未标注的MRI数据,提出了一种基于注意力的D-MIL模型用于可手术宫颈癌的LNM预测。该混合模型可进一步提高预测宫颈癌LNM的能力。同时,混合模型评分还可反映可手术宫颈癌的DFS。

引用

  1. Qin F, Sun X, Tian M, et al. Prediction of lymph node metastasis in operable cervical cancer using clinical parameters and deep learning with MRI data: a multicentre study. Insights Imaging. 2024. PMID: 38411729. doi:10.1186/s13244-024-01618-7
  2. 全文:PMC10899556(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10899556/

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。