文献速递腹部技术与安全MR

使用机器学习对肝细胞癌患者进行自动化分级预后评估

Automated graded prognostic assessment for patients with hepatocellular carcinoma using machine learning.
PubMed 文献 · Eur Radiol · 2024-03-27

该回顾性研究纳入555例初治肝细胞癌患者,利用基线多期增强MRI的自动化肝脏分割提取影像组学特征并结合临床数据,构建随机生存森林模型预测总生存。模型在开发队列和独立验证队列的C指数分别为0.8503和0.8234,优于传统临床分期系统,并将患者分为低、中、高危三组,组间生存时间差异显著。

要点

  • 模型基于常规临床数据与自动化MRI肝脏分割的影像组学特征,无需人工勾画。
  • 开发队列C指数0.8503,独立验证队列C指数0.8234,均优于传统临床分期系统。
  • 风险评分阈值93.08和172.73将患者分为低、中、高危三组,组间生存时间差异显著。

核心结论

  • 机器学习可基于临床常规获取的数据可靠、快速、可重复地预测肝细胞癌患者死亡风险。

研究设计与样本

  • 回顾性研究,纳入2008年至2019年在本机构治疗的555例初治肝细胞癌患者,均有基线多期增强MRI。
  • 数据随机分为开发队列471例(85%)和独立验证队列84例(15%)。
  • 采用卷积神经网络进行自动化全肝分割并提取影像组学特征,结合临床变量构建随机生存森林模型预测总生存。

关键影像表现/征象

  • 模型纳入30个最重要的变量,涵盖所有四个MRI期相的临床特征和影像组学特征。
  • 风险评分分布:开发队列均值121.57(标准差65.31),验证队列均值135.64(标准差67.59)。

诊断标准与关键数值

  • 风险评分与总生存显著相关:开发队列HR 1.022(95%CI 1.02, 1.024),验证队列HR 1.022(95%CI 1.016, 1.028)。
  • 风险分组阈值:低危<93.08,中危93.08–172.73,高危>172.73(由开发队列确定并应用于验证队列)。
  • 模型C指数:开发队列0.8503,独立验证队列0.8234。
  • 中位总生存:开发队列低危90.40个月(95%CI 62.97, NA),中危25.8个月(95%CI 23.50, 31.90),高危6.40个月(95%CI 5.03, 7.73);验证队列低危NA(95%CI 48.03, NA),中危19.60个月(95%CI 14.23, NA),高危5.40个月(95%CI 3.80, 12.63)。

临床应用与阅片要点

  • 作者指出该框架可基于常规临床数据和自动化MRI影像组学特征实现个体化随访策略、指导管理决策并提高肿瘤委员会工作效率。

局限性

  • 方法基于单中心回顾性数据开发,在潜在临床转化前需前瞻性多中心研究和外部验证。
  • 未控制不同治疗类型对总生存的影响。
  • 方法依赖多期增强MRI,不能应用于基线使用其他影像模态的患者。
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:Eur Radiol. Author manuscript; Available in PMC 2024 Oct 1.

引言

肝癌是全球第二大癌症相关死亡原因[1],在美国是第五大原因[2]。与其他癌症类型相比,肝癌的发病率和死亡率正在上升[3, 4]。肝细胞癌(HCC)是最常见的原发性肝癌形式,占全球所有肝癌的70–85%[5]。影像学是诊断和分期HCC的关键工具。磁共振成像(MRI)提供高空间分辨率,并允许对肝脏进行软组织表征。肝脏影像报告和数据系统(LI-RADS)[6]已被开发用于基于影像标准的无创诊断,在大多数情况下,HCC可以通过增强多期成像检测和诊断,而无需侵入性活检[7]。

已提出各种评分和分期系统用于HCC死亡风险量化和将患者分层为风险类别[8–14]。然而,这些系统仅使用有限的一维肿瘤大小测量[9–13],未利用定量影像生物标志物,并基于严格阈值将患者分层为不同风险组。传统的一维肿瘤大小测量在反映活力、实际肿瘤大小和生长潜力方面具有重大局限性[15],并且受评估者变异性影响。定量影像生物标志物,如放射组学特征,可以从医学影像数据的感兴趣区域和体积中提取;然而,需要自动化分割方法才能整合到临床实践工作流程中。基于深度学习的全自动全肝分割已证明在肝脏形态显著改变的各个疾病阶段具有稳健、可重复和可泛化的分割性能,且仅需数秒量级的处理时间[16]。

本研究的目的有两方面:开发和验证一种自动化方法,仅使用常规可用的标准诊疗临床变量和通过机器学习从基线多期增强MRI自动肝脏分割得出的放射组学特征来量化HCC患者的死亡风险,并使用该风险评分将患者分层为低、中和高风险组。

材料和方法

符合伦理标准

这项符合HIPAA的研究经耶鲁医学院机构审查委员会批准,完全豁免知情同意,并按照赫尔辛基宣言进行。

代码可用性

方法学实现和训练框架的所有代码均在GitHub上公开可用:https://github.com/OnofreyLab/hcc-mortality-risk

数据可用性

本文使用的患者数据和影像数据因法律原因不能公开共享。

患者纳入和排除

这项回顾性研究确定了2008年至2019年间在我们机构接受治疗的初治HCC的所有患者。HCC通过影像标准或活检确认。我们纳入了所有>18岁的患者

在诊断时进行了多期增强MRI。

我们排除了所有临床信息缺失的患者,

无三期MRI采集或

非诊断性MRI。

患者被随机抽样分为独立队列,85%用于开发,15%用于独立验证。

临床数据

临床数据从医院电子健康记录系统中收集,并计算常规临床分期评分[8–14]。在诊断日期通过胸部计算机断层扫描(CT)和骨扫描评估患者是否存在肝外转移,并收集最接近影像学检查日期的以下实验室指标:甲胎蛋白(AFP)、总胆红素、直接胆红素、血清白蛋白、国际标准化比值(INR)、部分凝血活酶时间(PTT)、钠和肌酐。

MRI采集与影像组学特征提取

采用标准机构成像方案进行多期对比增强MRI,包括对比剂给药前的T1加权屏气序列,以及对比剂注射后12–18秒、60–70秒和3–5分钟分别获取对比剂前、晚动脉期、门静脉期和延迟期图像。扫描图像经去标识化处理后从影像归档和通信系统(PACS)服务器下载。随后,使用卷积神经网络[17]进行自动图像配准和全肝分割,之后进行影像组学特征提取。图像处理流程的完整细节见补充材料1。

生存模型与分级预后评估

随机生存森林(RSF)[18]是一种非参数方法,使用生存树的集成来分析右删失的时间-事件数据。在本研究中,我们拟合了一个RSF,以总生存期(OS)为因变量,以所有临床和影像组学变量的组合为自变量(称为“候选变量”)。OS定义为从影像日期至任何原因死亡日期之间的时间段。患者在最后随访日期、观察结束日期或肝移植日期进行删失。使用以下RSF设置:生成1000棵估计树,内部节点分裂所需的最小样本数为10,叶节点所需的最小样本数为15,寻找最佳分裂时考虑的变量数。首先,在开发队列中排除所有Pearson相关系数>0.9的候选变量以减少多重共线性。其次,我们对剩余候选变量拟合RSF,并通过十次随机打乱置换获得变量重要性评分的排序列表。第三,我们在30个最重要的变量上重新拟合最终生存模型。为进一步了解所提出方法的可解释性,我们通过十次随机打乱置换获得了所有纳入变量的变量重要性评分。我们的方法在Python(v3.8.11)中使用scikit-survival包(v0.16.0)实现。使用R包“rolr”(v1.0)的“rhier”函数根据所提出模型的风险评分预测定义三个风险组,该函数使用分层方法应用有序logrank检验[19],将患者分为低、中、高风险组。每个风险组的风险评分截断值源自开发队列,每个风险组至少包含25名受试者。然后将相同的截断值应用于独立验证队列中的风险组分层。为评估所提出模型和传统临床分期评分的性能,我们计算了Harrell's C指数[20]以及影像日期后1-5年的时间依赖接收者操作特征曲线下面积(AUC)[21]。

统计分析

统计分析在SPSS(v27)、R(v4.1.1)和Python(v3.8.11)中进行。p值<.05被认为具有统计学显著性,多组比较时使用Bonferroni校正。使用Cox比例风险回归分析确定所开发的风险评分和所提出的风险组与OS的关联。计算中位OS(mOS),绘制每个风险组的Kaplan-Meier生存曲线并使用logrank检验进行比较。计算所提出风险组在影像日期后1年、3年和5年的生存率。为评估风险组生存时间对新队列的普适性,使用logrank检验比较开发队列和验证队列中每个风险组的生存时间。

结果

患者特征

本研究共纳入555例初治HCC患者(平均年龄63.8岁±8.9[标准差];女性118例),均在诊断时接受了多期对比增强MRI检查。基线时无MRI检查(n=501)、年龄<18岁(n=2)、临床信息缺失(n=16)、未进行三期图像采集(n=84)以及MRI无法诊断(n=14)的患者被排除在研究之外(图1)。患者基线特征总结于表1,MRI参数报告于补充表1。HCC通过影像学标准或组织病理学证实。

共有287例(51.7%)患者在影像检查日期后中位时间14.40个月(范围0.20–97.12个月;四分位距(IQR)22.23)死亡,患者在影像检查日期后中位随访时间为32.47个月(范围:0.20–118.90个月;IQR:61.5)。实验室结果与影像检查日期之间的中位时间为10天(IQR 28.3)。根据所在机构多学科肿瘤委员会决定的首选治疗如下:192例(34.6%)患者接受了经动脉化疗栓塞,138例(24.9%)接受了热消融,82例(14.8%)接受了肝切除术,68例(12.3%)接受了经动脉化疗栓塞联合热消融,24例(4.3%)接受了索拉非尼治疗,24例(4.3%)接受了最佳支持治疗,20例(3.6%)接受了钇-90经动脉放射栓塞,最后7例(1.3%)接受了肝移植。为进行模型开发和验证,共471例(85%)患者被随机分配至开发队列,84例(15%)分配至独立验证队列。

生存模型

图2总结了整个模型开发流程。所提出的模型在开发队列和验证队列中分别达到了0.8503和0.8234的C指数。表2总结了所提出模型和传统临床分期系统的所有性能指标。关于所提出模型的可解释性,图3展示了所纳入变量的变量重要性评分。平均而言,所提出的框架每位患者需要1.11分钟的运行时间(自动肝脏分割,0.70秒;提取23个纳入的影像组学特征,1.09分钟;模型预测,0.42秒)。

死亡风险预测与分级预后评估

风险评分在开发队列和验证队列中的分布如图4所示。在开发队列和验证队列中,预测风险评分的均值(±标准差)分别为121.57(±65.31)和135.64(±67.59)。Cox比例风险回归分析显示,预测风险评分与OS在开发队列中呈高度显著关联(系数,0.021658(p < .00001);HR,1.022(95% CI:1.02,1.024)),在验证队列中亦呈高度显著关联(系数,0.021676(p<.00001);HR,1.022(95% CI 1.016,1.028))。采用层次法确定的截断值分别为93.08和172.73,用于根据所提出模型的预测风险评分将患者分为低危、中危和高危组。各风险组Cox比例风险回归分析的详细结果见补充表2。示例病例见图5。在开发队列中,193例(41%)患者被分配到低危组,185例(39%)患者被分配到中危组,93例(20%)患者被分配到高危组。在验证队列中,27例(32%)患者被分配到低危组,32例(38%)患者被分配到中危组,25例(30%)患者被分配到高危组。补充表3显示了所提出风险分组在传统临床分期系统间的交叉表分析。

生存分析

包含各分层mOS时间及95%置信区间的综合表格见Table 3。整个研究队列的mOS时间为32.47(95% CI:28.40,37.83)个月。在开发队列和验证队列中,mOS分别为32.57(95% CI:29.13,38.50)个月和24.57(95% CI:14.73,NA)个月。所提出风险组在开发队列和验证队列中的生存率(±标准误)总结于Table 4。开发队列与验证队列之间的生存时间无统计学差异(p = .29)。在开发队列中,低危组的mOS为90.40(95% CI:62.97,NA)个月,中危组为25.8(95% CI:23.50,31.90)个月,高危组为6.40(95% CI:5.03,7.73)个月。在验证队列中,低危组的mOS为NA(95% CI:48.03,NA)个月,中危组为19.60(95% CI:14.23,NA)个月,高危组为5.40(95% CI:3.80,12.63)个月。所开发风险组的Kaplan-Meier曲线见图6。所开发的低危、中危和高危组在两个队列中均显示出显著不同的生存时间(开发队列,p <.0001;验证队列,p <.0001)。值得注意的是,比较开发队列与验证队列之间各风险组的生存时间时未发现统计学差异(低危组,p = 1.0;中危组,p = 1.0;高危组,p = 1.0),从而表明风险组生存时间对新数据具有可推广性。所提出风险组之间两两OS比较的logrank检验完整结果见补充表4。传统分期评分的Kaplan-Meier曲线见补充图1。

讨论

我们利用一个大型数据集(n = 555),设计并独立验证了一个全自动化框架,用于肝细胞癌患者的死亡风险预测,该框架使用常规可获得的标准诊疗临床数据以及基于基线多期增强MRI上自动肝脏分割提取的影像组学生物标志物。这种完全由数据驱动的方法产生了可靠、快速且可重复的风险预测,并在基线死亡风险量化方面达到了最先进的性能。我们方法的泛化能力在一个独立验证队列中得到了确认,并将其性能与传统分期系统进行了比较。此外,所提出的低、中、高风险组分层在开发队列和验证队列中产生了相似的总生存时间,表明该方法具有泛化能力。通过使用自动肝脏分割,我们确保提取的影像组学成像标志物稳定且可重复,并通过展示无需人工交互、分割计算时间不足一秒而显著提高了工作流程效率[17]。最后,我们使用数据驱动方法开发了我们的方法。我们没有基于一维图像测量[9–13]将患者分层为风险组,而是利用完整的三维成像体积本身推导风险组截断值。因此,这样一种风险预测框架可以实现个性化随访策略、指导管理决策,并提高肿瘤委员会的临床工作流程效率。

我们假设,所提出的框架在死亡风险量化的C指数和AUC方面优于传统系统,因为它利用了影像中全肝体积的先进定量影像生物标志物以及数据驱动的死亡风险预测方法。三维定量评估肿瘤负荷已被证明比一维肿瘤大小测量是更强的患者生存预测因子[23],而传统分期系统中所使用的一维肿瘤大小测量在反映活力、实际肿瘤大小和生长潜力方面已显示出重大局限性[24]。我们的方法使用完整的3D MR影像数据来提取定量生物标志物,与基于直径测量等单维表示相比,这是MRI更丰富的表示形式。从数据中得出的重要性评分最高的30个生物标志物展示了MRI研究所有四个期中临床特征和影像组学的组合(图4)。这些生物标志物通过影像研究不同期中影像组学所总结的强度模式和纹理有效地表征疾病。传统分期系统的性能与先前发表的研究一致[25–31]。先前的工作已开发了用于死亡风险量化的机器学习模型。然而,由于所使用的数据集、成像模式和研究终点不同,直接比较具有挑战性。Mei等[32]开发并验证了一个预后列线图,用于预测不可切除HCC患者在接受肝动脉灌注化疗后的生存,其队列包含463例以晚期为主的患者,在开发队列和验证队列中分别达到C指数0.710和0.716。此外,作者提出了一种风险分层方法,基于三分位截断点和四分位截断点将患者分为三个或四个风险组,其OS时间具有显著差异。虽然他们的方法未包括定量影像生物标志物,但其数据驱动设计在其队列中取得了优于传统分期系统的性能,与本研究的发现相似。Liu等[33]开发并验证了一个预后列线图,用于预测HCC患者肝切除术后总生存,其基于门静脉期计算机断层扫描肿瘤分割的影像组学特征以及临床和病理变量,队列包含544例中国患者,在开发队列和验证队列中分别达到C指数0.747和0.777。根据预测的风险评分,患者被分配到低风险和高风险组,其OS时间具有显著差异。与仅使用临床和病理特征相比,作者在将影像组学特征整合到风险预测模型中时能够显著改善性能。Blanc-Durand等[34]提出了一种评分系统,将接受钇-90经动脉放射性栓塞治疗的HCC患者分层为低风险和高风险组。影像组学特征来源于治疗前18F-氟脱氧葡萄糖正电子发射断层扫描图像的半自动肝脏分割。他们提出的风险评分与OS显著相关,并可将患者分层为两个OS时间不同的风险组。然而,他们的方法未在独立验证队列上评估,也未报告预后效能的指标,如C指数或时间依赖AUC,且其方法依赖于手动修正的半自动肝脏分割。在其多机构研究中,Ji等[35]提出了一个机器学习框架来预测切除后复发时间。该方法在470例孤立性HCC病变患者中开发并评估,使用来源于基线对比增强计算机断层扫描图像的手动肿瘤和瘤周分割的影像组学特征并结合临床变量,达到C指数0.733–0.801,优于传统分期系统。作者提出了一种风险分层方法,将患者分配到低、中、高风险组,其OS时间具有显著差异。他们的研究证实了数据驱动方法以及使用先进定量影像生物标志物处理时间-事件数据的效用。然而,他们的方法依赖于耗时的手动肿瘤分割,并未像我们的肝脏分割方法那样使用全自动分割方法,后者可在不到一秒的处理时间内(0.70秒)产生分割。

我们的研究存在若干局限性。第一,我们的方法是使用来自单一机构的回顾性数据开发的;因此,在潜在临床转化之前,有必要进行前瞻性多中心研究和外部验证。然而,我们的方法是使用大型数据集开发的,并在独立验证队列中产生了精确且可推广的结果。此外,本研究的大队列规模在一定程度上增强了研究结果的稳健性,而所涉及分析要素的相对简单性提高了可重复性的可能性以及研究结果的可靠性。鉴于这些因素,我们预计其他研究团队可以使用公开可用的代码复现我们的研究。第二,我们没有控制不同治疗类型对OS的影响。尽管如此,即使不提供任何治疗信息,我们的方法仍能预测OS。最后,所提出的方法依赖于多期对比增强MRI,无法应用于基线时接受了其他影像学检查方式的患者。在未来的工作中,我们将纳入来自多个外部贡献者的纵向数据,并在更大的独立验证队列中评估我们的方法。

总之,我们提出了一个全自动化框架,利用常规可获得的标准诊疗临床数据以及来自基线多期对比增强MRI上自动肝脏分割的影像组学特征,预测肝细胞癌患者的死亡风险,在死亡风险量化方面优于传统分期系统。所开发的基于机器学习的方法可帮助个性化随访策略、指导管理决策,并提高肿瘤委员会的临床工作流程效率。

补充材料

引用

  1. Gross M, Haider SP, Ze'evi T, et al. Automated graded prognostic assessment for patients with hepatocellular carcinoma using machine learning. Eur Radiol. 2024. PMID: 38536464. doi:10.1007/s00330-024-10624-8
  2. 全文:PMC11399284(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11399284/

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。