多序列MRI影像组学预测膀胱癌复发风险
回顾性纳入229例膀胱癌患者,从T2WI、DWI、ADC及DCE序列提取影像组学特征并构建影像组学-临床列线图;联合模型在训练集C-index为0.853、验证集为0.832,优于影像组学模型和临床模型,可评估膀胱癌复发风险。
要点
- 联合模型在训练集C-index为0.853,验证集为0.832,优于影像组学模型与临床模型。
- 影像组学特征与无复发生存显著相关(log-rank p < 0.001),且独立于临床因素(p < 0.001)。
- 列线图纳入尿痛、既往恶性肿瘤史和radscore三个预测因子,预测1年、2年、3年复发概率。
核心结论
- 基于多序列MRI的影像组学-临床列线图能有效评估膀胱癌复发风险,在预测复发风险方面优于影像组学模型和临床模型。
研究设计与样本
- 回顾性队列研究,纳入229例经病理确诊的膀胱癌患者,随机按7:3分为训练集160例和验证集69例。
- 使用3.0-T MRI扫描仪(Skyra: Siemens, Erlangen, Germany),采集T2WI、DWI、ADC和DCE序列。
- 由两名具有8年以上MRI经验的放射科医师使用ITK-SNAP 3.8.0手动勾画肿瘤VOI,勾画时对病理结果盲法。
- 采用LASSO方法筛选有效影像组学特征,通过单因素和多因素Cox分析确定临床危险因素。
- 以无复发生存(RFS)为终点,计算净重分类改善(NRI)并使用决策曲线分析(DCA)评估临床有效性。
关键影像表现/征象
- 从10686个初始影像组学特征中排除ICC < 0.75者后保留7462个,经单因素Cox回归筛选至263个,最终LASSO选出22个非零系数特征。
- 22个特征包括3个ADC序列、4个DWI序列、7个DCE序列和8个T2WI序列特征。
- 训练集以radscore中位数0.809为截断值将患者分为高风险组和低风险组,Kaplan-Meier分析显示radscore与RFS显著相关。
诊断标准与关键数值
- 影像组学模型C-index在训练集为0.823(95% CI: 0.794–0.852),验证集为0.811(95% CI: 0.772–0.850)。
- 临床模型C-index在训练集为0.611(95% CI: 0.579–0.643),验证集为0.583(95% CI: 0.536–0.630)。
- 影像组学-临床列线图C-index在训练集为0.853(95% CI: 0.829–0.877),验证集为0.832(95% CI: 0.784–0.880)。
- 影像组学-临床列线图对比临床模型的NRI为0.6768(95% CI: 0.5549–0.7987, p < 0.001),复发风险分层效率提高67.68%。
- 影像组学-临床列线图对比影像组学模型的NRI为0.0233(95% CI: 0.0720–0.1187, p = 0.631),诊断效能提高2.33%。
临床应用与阅片要点
- 列线图纳入尿痛、既往恶性肿瘤史和radscore三个独立预测因子,可预测膀胱癌患者1年、2年、3年复发概率。
- DCA显示影像组学-临床模型在广泛阈值概率范围内净临床获益高于影像组学模型和临床模型。
- 影像组学特征与RFS显著相关(log-rank p < 0.001),且独立于临床因素(p < 0.001)。
局限性
- 原文未报告局限性
全文中译16 节 · 点击展开
引言
膀胱癌(BCa)是全球第十大常见癌症,与高发病率和死亡率相关,尤其是在男性中。2020年,报告了新发573,278例和死亡212,536例。报告发病率为9.5/10万,死亡率为3.3/10万[1, 2]。由于需要长期监测和侵入性治疗,BCa已成为肿瘤学领域的重大挑战。膀胱癌分为非肌层浸润性膀胱癌(NMIBC,≤ T1期)和肌层浸润性膀胱癌(MIBC,≥ T2期),其多样的分子特征和临床结局需要不同的治疗方法[3, 4]。对于早期NMIBC,推荐的治疗方案包括经尿道膀胱肿瘤电切术(TURBT)辅以卡介苗(BCG)治疗[5]。然而,面对更晚期MIBC的患者预后黯淡,通常需要根治性膀胱切除术(RC)继以双侧盆腔淋巴结清扫术(PLND)[6]。
BCa的复发仍是一个令人担忧的问题,尤其是对于NMIBC患者,其TURBT后2年内复发率高达61%[7, 8]。MIBC患者亦不能幸免,RC后前2年内转移或复发率为5%至50%[4]。对高复发风险患者治疗不充分可导致致命后果,凸显了稳健长期监测的必要性[9]。因此,需要开发更有效的早期治疗策略和更密切的随访管理以提高患者生存率[10]。
BCa的管理常常不尽如人意,传统临床分期系统在预测预后和指导治疗决策方面已被证明不可靠。主要的风险评估方法,如欧洲癌症研究与治疗组织(EORTC)风险模型[8]和西班牙泌尿肿瘤治疗俱乐部(CUETO)评分模型[11],依赖临床和组织学因素来评估复发和进展风险。遗憾的是,两种模型对复发的区分能力均较差,并始终高估高危患者的风险[12]。这不仅危及患者的身体健康,还增加了管理的复杂性[4, 13, 14]。
为解决这些不足,生物标志物评估中一种称为“影像组学”的新概念应运而生,在BCa预后和随访管理中展现出巨大前景[15, 16]。影像组学利用医学影像分析表型图像特征(影像组学生物标志物)与肿瘤诊断之间的关系,从而细化患者风险分层和治疗决策。在一系列成像模式中,MRI凭借其提供多序列成像、高分辨率软组织可视化以及多层次结构和功能信息的能力而脱颖而出[17–19]。当与膀胱影像报告和数据系统(VI-RADS)相结合时,MRI有助于全面评估图像分类和肌层浸润[20–22]。多项研究已证明基于CT或MRI的影像组学在准确预测BCa术前分级、淋巴结转移和肌层浸润状态(MIS)方面的有效性,从而指导临床治疗和预后评估[23, 24]。
然而,关于基于多序列MRI评估BCa复发风险的影像组学特征仍存在研究空白。既往研究[25]发现,基于弥散加权成像(DWI)的影像学特征可独立预测MIBC患者的无进展生存期(PFS)。在一项集合研究中,将多序列MRI特征与临床危险因素结合构建列线图的附加价值仍有待进一步研究。
在本研究中,我们着手开发一种影像组学列线图来预测BCa患者的预后。我们的列线图基于从多序列MRI中提取的影像组学特征,包括T2加权成像(T2WI)、DWI、表观弥散系数(ADC)和动态对比增强(DCE)成像,以预测BCa患者的无复发生存期(RFS)。我们还研究了一种将临床危险因素与影像组学特征相结合的联合模型,以证明这种整合方法在BCa复发风险分层中的增强价值。
材料与方法
患者
本回顾性研究经山西医科大学第一医院机构审查委员会批准。本研究所有患者均获得书面知情同意。我们在山西医科大学第一医院病理和放射学数据库中进行了回顾性检索,时间跨度为2018年1月至2021年6月,以识别诊断为BCa的患者。随后,我们分析了229例经病理确诊为BCa患者的临床数据。
纳入标准定义如下:(1)经TURBT或RC后病理证实为BCa;(2)初次TURBT或膀胱切除术;(3)术前3周内进行MRI检查;(4)具备完整的临床和病理数据。排除标准包括:(1)接受过术前放疗或化疗;(2)图像质量差或肿瘤直径小于3 mm致勾画不可行;(3)临床和病理数据不完整;(4)失访或随访时间不足2年。病例纳入和筛选流程见图1。
临床数据收集与患者随访
我们收集了229例确诊BCa患者的临床数据,包括七个部分:人口学特征(如诊断时年龄、BMI、性别、吸烟和饮酒)、临床特征(如尿频、尿急、尿痛、尿失禁、腰痛和既往恶性肿瘤)、血清实验室信息(如总胆固醇、甘油三酯、高密度脂蛋白、低密度脂蛋白、尿素、肌酐和尿酸)、肿瘤特征(如肿瘤位置、肿瘤大小和肿瘤数目)、病理数据(如病理分级和MIS)、治疗信息(如灌注药物和手术方式)以及生存信息(RFS)。
手术干预后,每位患者均接受了精心规划的随访方案,包括术后3–5个月内的初始评估、随后2年内每6个月一次的评估,以及此后的每年预约随访。这些随访评估包括全面的膀胱镜检查和影像学检查(CT或MRI),以仔细排查任何疑似膀胱肿瘤复发的征象。为本研究之目的,复发性肿瘤定义为手术干预后在膀胱、前列腺、尿道、骨盆或回肠内重新出现的肿瘤。截至随访结束时,81例BCa患者出现了复发。重要的是,我们记录了每位患者的RFS时间,自其初次手术日期起计算。
MRI方案
所有MRI扫描均使用3.0-T MRI扫描仪(Skyra:Siemens,Erlangen,德国)进行,配备8通道躯干相控阵线圈或体线圈。具体扫描范围、扫描序列及详细扫描参数见附加文件1。
肿瘤ROI分割
两位经验丰富的放射科医师(分别称为Reader1和Reader2),每人拥有超过8年的MRI工作经验,使用ITK-SNAP 3.8.0(http://www.itk-snap.org/)手动勾画整个膀胱肿瘤。重要的是,他们在整个操作过程中对患者的病理结果保持盲态。随后,对T2WI、DWI、ADC和DCE的轴位图像进行分割以提取感兴趣体积(VOI)。在出现分歧的情况下,通过协商达成一致。
此外,为评估观察者内和观察者间图像特征勾画的一致性,1个月后随机选取15例复发患者和15例未复发患者的VOI,由单一放射科医师Reader1进行勾画。以此评估所勾画图像特征的组内相关系数(ICC)。
所有序列的肿瘤勾画轮廓见图2。不同加权图像上肿瘤边界的定义需要根据信号特征来确定。该过程的具体规则见附加文件2。
影像组学特征提取
我们使用开源软件FAE(https://github.com/salan668/FAE)中的PyRadiomics包,从BCa患者的T2WI、DWI、ADC和DCE图像中提取影像组学特征。每位BCa患者在T2WI、DWI、ADC和DCE图像上勾画的VOI经过一系列预处理步骤。影像组学特征提取步骤及特征类别见附加文件3。
影像组学列线图的开发
首先,通过评估组间和组内数据集的ICC值来量化每个特征勾画过程的可重复性,并将ICC < 0.75的影像组学特征排除于后续分析之外。对剩余稳定特征进行归一化处理,并采用单因素Cox回归(p < 0.05)筛选显著的影像组学特征。使用单因素分析和LASSO回归算法筛选最优特征子集。基于最优影像组学特征构建BCa的RFS预测模型,并计算每位患者的影像组学评分(radscore)。通过训练集中的radscore中位数确定高、低风险组的截断值,采用Kaplan-Meier分析评估radscore与RFS之间的潜在关联,并在验证集中进行验证。
临床列线图的构建
采用单因素Cox回归分析评估临床特征与患者RFS之间的关联。在发现复发组与非复发组之间存在统计学显著差异(p < 0.05)后,进行多因素Cox回归分析,筛选出p < 0.05的BCa复发独立预测因素。在此基础上,构建临床模型并用于验证。
影像组学-临床列线图的构建
通过将临床模型中确定的独立危险因素与影像组学模型得出的radscore作为协变量相结合,我们设计了一个实用且具有临床相关性的影像组学-临床列线图。该列线图可作为预测早期BCa复发和个体化RFS的有价值工具。为评估列线图的性能及其拟合优度,我们在训练集和验证集中使用了C指数和校准曲线等指标。为评估列线图的诊断能力,我们采用净重分类改善指数(NRI),并与影像组学模型和临床模型进行比较。最后,我们对所有三个模型进行了决策曲线分析(DCA),为所提出工具的临床有效性和实用性提供了见解。
统计分析
本研究的统计分析使用R 4.2.0版本(https://www.r-project.org/)和SPSS 26.0(http://www.spss.com.cn)进行。采用单样本Shapiro-Wilk检验评估数值变量的正态性。对于正态分布数据,结果以均值±标准差(M ± SD)表示;非正态分布数据以中位数(四分位距(IQR),第25和第75百分位数)表示。采用两样本t检验比较组间正态分布数据,采用Mann-Whitney U检验比较非正态分布数据。采用卡方检验分析分类数据。
为评估预测模型得出的radscore与患者RFS状态之间的关系,我们采用Kaplan-Meier分析和Cox回归分析计算早期复发率。统计学显著性设定为p < 0.05。采用C指数评估模型在两个集合中预测复发分层和RFS性能的准确性。
结果
患者的临床特征
整个患者队列的人口统计学和肿瘤特征总结于表1。纳入研究的229例患者的中位年龄为66岁,包括199例男性和30例女性,年龄范围为26至88岁。
所有患者按7:3的比例随机分为训练集(n = 160)和验证集(n = 69)。其中,训练集有58例患者、验证集有23例患者出现复发。所有复发患者的中位RFS为391天,范围为18至1461天,而所有未复发患者的中位RFS为1173天,范围为333至1812天。重要的是,训练集与验证集之间在人口统计学分布和临床特征方面无显著差异(p = 0.050至0.998)。
影像组学列线图的开发与验证
经过严格的可靠性检验(包括评估者内和评估者间),我们从初始的10686个特征中剔除了ICC < 0.75的特征,保留了7462个影像组学特征。随后,通过单因素Cox回归分析,我们进一步将特征精简至263个。为减轻过拟合并确定最佳影像组学标签,我们在Cox比例风险回归模型中采用了LASSO技术(如图3所示)。最终,通过确定最小λ值,我们识别出22个系数非零的MRI影像组学特征,在预测BCa复发方面表现出较高的C-index。关于这些具体特征、相应系数及风险比(HR)的详细信息可见补充图1。影像组学特征经线性组合得出radscore。
采用C-index评估影像组学模型的复发预测性能,训练集的评分为0.823[95%置信区间(CI),0.794–0.852],独立验证集为0.811(95% CI,0.772–0.850)。根据训练数据集中的影像组学特征计算每位患者的radscore。以训练集radscore的中位数0.809作为截断点,将患者分为高风险组和低风险组。训练集和验证集中影像组学特征的Kaplan-Meier曲线分别见图4a和4b。在训练集中,radscore与RFS呈显著相关(p < 0.0001,HR = 1.044,95% CI:1.032,1.056)。同样,在验证集中(p = 0.00016,HR = 1.122,95% CI:1.070,1.175),Kaplan-Meier生存分析结合log-rank检验强调了影像组学模型在有效将患者分层为高、低风险组方面具有显著的预后价值。
临床列线图的开发与验证
在进行单因素Cox回归分析后,我们发现四个临床危险因素具有显著性:尿痛、既往恶性肿瘤、病理分级和MIS(p < 0.05)。最后,通过多因素Cox回归分析,将这四个危险因素纳入,从而确定尿痛和既往恶性肿瘤为临床模型中的独立危险因素,两者的p值均小于0.05(见表2)。临床模型在训练集中的C指数为0.611(95% CI,0.579–0.643),在验证集中为0.583(95% CI,0.536–0.630)。
影像组学-临床列线图的开发与验证
我们将临床模型中的独立危险因素与影像组学模型得出的影像组学评分(radscore)相结合,构建了影像组学-临床列线图。该最终模型包含三个关键预测因子:尿痛、既往恶性肿瘤和影像组学评分。利用这些预测因子,我们开发了一个能够预测BCa患者1年、2年和3年复发概率的综合列线图。
联合模型在训练集中表现出显著的C指数为0.853(95% CI,0.829–0.877),在验证集中为0.832(95% CI,0.784–0.880),超越了单独影像组学模型的预后性能。包含这三个独立预测因子的影像组学-临床列线图直观地展示在图5a中。此外,训练集和验证集的校准曲线分别展示在图5b和c中。
为了评估影像组学-临床列线图相较于临床模型或影像组学模型的预测优势,我们使用NRI评估3年RFS。影像组学-临床列线图模型与临床模型相比,NRI为0.6768(95% CI:0.5549–0.7987,p < 0.001)。结果表明,与单独临床模型相比,影像组学-临床列线图将BCa复发风险分层的效率提高了67.68%。与影像组学模型相比,影像组学-临床列线图的NRI为0.0233(95% CI:0.0720–0.1187,p = 0.631),表明联合模型相较于影像组学模型的诊断效能适度提高了2.33%。图6显示,影像组学-临床模型优于单独的影像组学模型和临床模型,在广泛的阈值概率范围内提供了更优的净获益。
讨论
高复发率是显著影响膀胱癌(BCa)患者预后的关键因素。准确预测复发风险对于制定个体化治疗策略和随访计划至关重要。在2021年欧洲泌尿外科学会(EAU)评分模型[26]中,高危非肌层浸润性膀胱癌(NMIBC)患者被证明在经尿道膀胱肿瘤电切术(TURBT)后仍具有高复发率,且易于进展为肌层浸润性膀胱癌(MIBC)[27]。根治性膀胱切除术(RC)联合盆腔淋巴结清扫术(PLND)目前是MIBC患者的标准治疗[28]。然而,部分患者可能因该手术相关的潜在并发症而拒绝RC,包括大量失血、感染风险、麻痹性肠梗阻以及潜在的生活质量下降。为应对这一临床挑战,泌尿外科医生正在积极探索精准的复发风险分层,旨在为不愿或不适合手术的个体提供膀胱保留策略的替代方案[29, 30]。目前,膀胱镜检查是膀胱癌追踪的金标准,但由于肿瘤病变固有的异质性,可能导致潜在误诊从而延误治疗[31]。
影像组学是医学图像与可计算数据之间的桥梁[32]。本研究探索了一种用于评估BCa复发风险的列线图,旨在预测接受手术治疗的BCa患者的无复发生存期(RFS)并指导未来的临床管理。我们的影像学特征涵盖22个不同的特征,包括3个表观扩散系数(ADC)序列、4个弥散加权成像(DWI)序列、7个动态对比增强(DCE)序列和8个T2加权成像(T2WI)序列。通过内部验证,我们确定源自多序列MRI成像的影像组学评分是与临床危险因素相关的独立预测因子(p < 0.001)。这一发现强调了多序列MRI-影像组学模型在有效分层BCa复发风险方面的优势。它还突出表明,不同的MRI序列在BCa的影像诊断和预后评估领域可以相互补充和增强,这与该领域的先前研究一致。Wang等人的两项研究[19, 33]比较了BCa患者术后DCE和DWI信息,发现DWI序列在区分术后BCa复发与炎症方面优于DCE序列。此外,在增强黏膜基底DCE中加入DWI可提高肿瘤检出率并增强BCa的影像学分期诊断。
既往研究表明,包括年龄、性别、组织学分级、原位癌(MIS)、肿瘤大小、肿瘤数目以及手术干预方式选择在内的特定因素对BCa复发具有显著影响[3, 34, 35]。在本研究中,我们进行了全面分析以评估影响BCa患者RFS的因素。我们的单因素Cox回归分析结果强调了尿痛、既往恶性肿瘤史、病理分级和MIS与BCa患者RFS相关的显著性(p < 0.05)。这些发现与该领域的先前研究一致。
为进一步评估将临床风险特征纳入我们的预测模型的价值,我们除了放射组学评分(radscore)外,还确定了两个临床独立预测因素,即尿痛和既往恶性肿瘤。值得注意的是,这两个临床风险因素在膀胱癌(BCa)复发因素中尚未得到广泛研究。然而,我们的列线图提示它们在BCa复发风险中具有关键作用。我们的结果显示,在C指数方面,联合列线图优于放射组学模型(0.853 vs. 0.823)和单独临床模型(0.853 vs. 0.611),表明其具有更优的预测能力。这一趋势在验证集中同样观察到(0.832 vs. 0.811 vs. 0.583)。同样,DCA分析强调,在广泛的风险阈值范围内,列线图优于放射组学模型或临床模型,提供了更大的净获益。
目前,放射组学方法已成为应对BCa术前预测肌层浸润(MIS)和肿瘤分级所面临临床挑战的流行解决方案。然而,关于放射组学特征在预测肿瘤复发方面的有效性研究仍然缺乏。值得注意的是,我们的列线图并非首个研究放射组学预测BCa预后的模型。2019年,Xu等[36]基于多序列MRI放射组学开发并验证了一个用于预测前2年复发风险的个性化预测模型。他们的模型取得了良好结果,在训练集中准确率为88%、AUC为0.915,在验证集中准确率为80.95%、AUC为0.838。Zhang等[25]建立了一个包含单一DWI序列的lasso模型,结合放射组学评分、临床病理等因素,在预测个体PFS方面取得了良好性能。然而,这些研究的扫描序列不完整且研究规模较小,需要进一步的外部验证。基于当前相关研究,我们的研究强调了使用多序列MRI在软组织肿瘤诊断和多层次信息呈现方面的优势,纳入临床风险因素以开发联合列线图,作为BCa患者个性化RFS预测的有力工具。与传统临床模型相比,该模型显示出强大前景,并有望在未来的研究中得到充分验证。
我们的研究存在一些需要说明的局限性。首先,患者队列仅限于单一机构,回顾性研究可能存在一些固有偏倚。其次,本研究未纳入相关基因组信息。与RFS强相关的关键基因组生物标志物,如Ki67、FGFR3和p53,应纳入列线图以增强其预测性能[37, 38]。此外,深度学习研究的进展已在预测BCa复发和评估疗效方面显示出良好前景[12, 39]。虽然其临床验证尚待进行,但我们期望影像学能够显著提高复发预测的效率。我们未来的工作将整合包含多中心和多参数MRI数据的大量数据集,以利用深度学习技术进行病灶勾画和特征数据分析。此外,我们打算纳入其他关键预后指标,如基因组特征,以进一步增强列线图的预测能力。该扩展模型的验证将使用多中心数据进行,以提高其可靠性和适用性。
结论
总之,我们的研究表明,基于多序列MRI的影像组学特征有望成为评估BCa患者复发风险的有价值工具。此外,将影像组学与临床危险因素整合到列线图中,可能有助于增强对BCa患者RFS的个体化预测。然而,需要注意的是,该方法仍需进一步验证。
引用
- Yang G, Bai J, Hao M, et al. Enhancing recurrence risk prediction for bladder cancer using multi-sequence MRI radiomics. Insights Imaging. 2024. PMID: 38526620. doi:10.1186/s13244-024-01662-3
- 全文:PMC10963691(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10963691/
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。