探索基于多参数MRI的影像组学方法预测浆液性卵巢癌肿瘤增殖状态
回顾性纳入机构A的134例浆液性卵巢癌患者(训练集93例、内部验证集41例)及机构B的42例外部队列,基于T2FSE和T1CE提取影像组学特征构建联合模型预测Ki-67增殖状态。T1CE-T2FSE影像组学标签在训练集AUC最高(0.999 vs 0.965和0.860),联合肿块均匀稍高信号区的影像组学-影像学模型AUC为0.999,内部验证集0.974、外部验证集0.894。
要点
- 肿块实性部分含T2FSE均匀稍高信号区是高Ki-67表达的独立预测因子。
- T1CE-T2FSE联合序列影像组学标签AUC 0.999,优于单序列T1CE 0.965和T2FSE 0.860。
- 影像组学-影像学模型训练集AUC 0.999、内部验证0.974、外部验证0.894。
核心结论
- 联合影像组学评分与卵巢肿块均匀实性成分的影像组学-影像学模型能准确预测浆液性卵巢癌肿瘤细胞增殖状态,具有较高可重复性,可能有助于制定更有针对性和有效的治疗策略。
- T1CE-T2FSE影像组学标签在训练集AUC最高(0.999 vs 0.965和0.860),DeLong检验显示其与另外两个标签差异有统计学意义(p < 0.05)。
- 影像组学-影像学模型训练集AUC 0.999、内部验证集0.974、外部验证集0.894;训练集中影像组学标签与该模型AUC差异无统计学意义(p = 0.480),外部验证集中差异有统计学意义(p < 0.05)。
研究设计与样本
- 回顾性研究,从机构A筛选134例浆液性卵巢癌患者(2016年1月至2022年3月),按7:3随机分为训练集93例和内部验证集41例。
- 外部验证集为机构B的42例浆液性卵巢癌患者;机构A使用3.0 T(GE)MRI,机构B使用1.5 T(GE)MRI。
- 于T2FSE和T1CE轴位图像上逐层手动勾画卵巢肿块边界作为感兴趣区,提取1688个手工影像组学特征。
- 以免疫组化Ki-67 MIB-1标记指数为参考标准,将增殖指数≥50%定义为高表达组、<50%定义为低表达组。
- 采用方差阈值算法、SelectKBest算法和LASSO回归依次降维,以多因素logistic回归整合最优影像组学评分与独立预测因子构建模型。
关键影像表现/征象
- 卵巢肿块实性部分在T2FSE上含均匀稍高信号区者Ki-67表达水平多较高,不含该区域者多较低。
- 部分低Ki-67表达的实性肿块呈多囊或海绵状,且不含T2FSE均匀稍高信号区。
- 肿块实性部分含T2FSE均匀稍高信号区提示肿块内存在密集排列的细胞。
- 两位放射科医师评估的影像学变量包括分布、最大径、分叶、肿瘤血管生成、均匀实性成分、腹膜/肠系膜结节、远处实质器官转移、腹膜后淋巴结增大及腹水量。
诊断标准与关键数值
- Ki-67高表达组定义为增殖指数≥50%免疫反应细胞阳性,低表达组为<50%。
- 训练集影像组学标签AUC:T1CE-T2FSE 0.999 vs T1CE 0.965和T2FSE 0.860。
- 影像组学-影像学模型AUC:训练集0.999、内部验证集0.974、外部验证集0.894。
- 连续变量最佳截断值:年龄55(C-index 0.652)、CA-125 1231(C-index 0.559)、HE-4 418(C-index 0.561)、NLR 3.73(C-index 0.614)、卵巢肿瘤最大径7.4(C-index 0.646)。
- 特征筛选后保留特征数:T2FSE 20个、T1CE 15个、T1CE-T2FSE 35个;35个特征包括3个形态学、15个强度一阶和17个纹理二阶特征,并在此基础上形成12个小波特征。
临床应用与阅片要点
- 阅片时可关注卵巢肿块实性部分在T2FSE上是否含均匀稍高信号区,该征象是高Ki-67表达的独立预测因子。
- 作者提出按实性成分信号均匀程度将卵巢肿块分为含或不含T2FSE均匀稍高信号区两类,该分类独立于囊性成分有无及囊实比例。
- 模型构建前对图像进行体素重采样至1 mm×1 mm×5 mm及Z-score标准化,以减少不同扫描仪和成像参数的影响。
- 作者认为该影像组学-影像学列线图可能指导浆液性卵巢癌的个体化治疗方案。
局限性
- 原文未报告局限性。
全文中译13 节 · 点击展开
引言
上皮性卵巢癌占卵巢恶性肿瘤的90%以上。其中,浆液性卵巢癌(SOC)发病率最高,是最致命的妇科恶性肿瘤[1–4]。目前,SOC的标准治疗策略为初次肿瘤细胞减灭术(PDS)或新辅助化疗(NACT)后行间歇性肿瘤细胞减灭术。就SOC的侵袭性和临床行为而言,肿瘤细胞增殖具有重要的诊断和预后价值。因此,术前评估肿瘤增殖状态具有重要意义[5–7]。
Ki-67抗原被认为是肿瘤增殖状态指标,已广泛用作多种恶性肿瘤的诊断和预后指标,如胶质瘤、乳腺癌、肺癌和肝癌[8–11]。Ki-67抗原是一种DNA结合蛋白,在有丝分裂周期的所有细胞中均有表达。其表达水平越高,核分裂越多,表明细胞增殖越活跃。细胞过度增殖容易使含有生理性凋亡DNA或复制错误DNA的细胞无休止地进入细胞周期,最终导致细胞癌变[12]。与良性或交界性肿瘤相比,Ki-67抗原通常在恶性卵巢肿瘤中过表达。对于卵巢癌,Ki-67抗原的表达广泛用于指导临床管理,如肿瘤侵袭性、血管侵犯、肿瘤转移、预后评估及化疗反应差等[3, 13–16]。目前,Ki-67表达状态主要通过活检或手术标本的免疫组织化学(IHC)检查进行评估。然而,采用IHC采样方法,Ki-67表达的评估不能代表其在整个肿瘤中的表达水平,从而影响临床决策。因此,建立能够预测整个肿瘤Ki-67表达水平的模型对于指导SOC患者的个体化治疗决策和术后监测至关重要。
SOC在MRI上通常表现为单侧或双侧卵巢的囊性、囊实性或实性肿块,但如何通过影像学方法判断肿块的增殖状态?Wang等[17]使用表观扩散系数(ADC)直方图参数区分上皮性卵巢癌的肿瘤分期,并确定淋巴结状态以及ADC值与p53和Ki-67表达之间的相关性。然而,直方图仅为提取的一阶特征,用于描述图像体素的强度分布,但不能反映肿瘤的异质性和复杂性。
影像组学是一项近年发展起来的技术,可基于大量高通量数据帮助预测肿瘤表型和异质性,并提供有关肿瘤生物学行为和病理生理学的信息[18, 19]。目前,许多研究者已将影像组学应用于疾病的诊断和鉴别诊断、疗效评价、预测等[20–23]。然而,基于机器学习或从磁共振成像(MRI)中提取的影像组学特征来预测SOC患者Ki-67表达的研究工作太少。
在本研究中,我们旨在整合相关临床和影像学变量,建立基于MRI影像组学的模型以预测肿瘤细胞增殖状态,其中设计了训练集、内部验证集和外部验证集以检验预测模型的稳健性。如果该模型被证明有效,我们的研究结果将在临床决策中发挥关键作用。
材料与方法
患者
本回顾性研究自2016年1月至2022年3月共初步纳入3276例患者(机构A和B分别为2779例和497例)。两个机构的伦理委员会批准了本研究,由于回顾性设计,免除知情同意要求。
纳入标准如下:(1)发现卵巢肿块,(2)在两个机构接受初次肿瘤细胞减灭术(PDS),(3)术前接受腹部-盆腔增强MRI检查。排除标准如下:(1)两个机构均缺乏Ki-67免疫组化(IHC)结果,(2)图像质量差(如伪影),(3)临床资料不完整,(4)术前接受过新辅助化疗(NACT)、药物治疗或其他抗肿瘤治疗,(5)MRI与后续病理分析间隔>1个月,(6)同期存在其他肿瘤。最终,我们从机构A筛选了134例患者用于训练集和内部验证集,从机构B筛选了42例患者用于外部验证集。机构A的134例患者按7:3的比例随机分为训练集和内部验证集。本研究的流程图见图1a。
MRI采集与数据收集
机构A和B的所有患者分别使用3.0 T(GE)和1.5 T(GE)MRI系统接受腹部盆腔MRI检查。我们所选成像序列方案的详细参数见表1。T2加权抑脂快速自旋回波(T2FSE)和T1增强(T1CE)均为轴位,机构A和B的对比剂均为钆喷酸葡胺(0.1 mmol/kg体重,马根维显;拜耳先灵)。
两名具有>10年妇科MRI经验的放射科医师对临床病理信息设盲,独立仔细评估每位患者的术前MR图像,评估内容包括分布(单侧/双侧)、卵巢肿块大小(最大径)、卵巢肿块形状(分叶/非分叶)、肿块血管生成[24](卵巢肿块周围或中心可见供应或引流肿瘤的增粗血管)、卵巢肿块实性成分均匀性(T2FSE上实性部分含均匀稍高信号区域)、腹膜/肠系膜结节、远处实质器官转移、腹膜后淋巴结肿大及腹水量。腹盆腔腹水播散程度量化为无/少量(腹水局限于盆腔)和中大量(腹水超出盆腔)。如有任何分歧,重新评估MR图像特征并达成共识。
记录所有患者的与上皮性卵巢癌相关的临床和实验室数据[25],包括年龄、血清糖类抗原125、人附睾蛋白4、中性粒细胞与淋巴细胞比值以及国际妇产科联盟(FIGO)分期。
Ki-67表达评估
所有标本经10%中性甲醛溶液固定,常规脱水,石蜡包埋,切成4 μm厚的切片。由两名病理学家对苏木精-伊红(HE)染色和免疫染色进行定性评估。病灶的增殖指数(PI)通过免疫组化Ki-67 Mindbomb E3泛素蛋白连接酶1(MIB-1)评估,当每例在显微镜高倍镜(× 400)下计数至少1000个细胞后,每100个上皮细胞中阳性染色细胞数被定量表示为Ki-67 MIB-1标记指数[15, 16]。由于Ki67表达百分比的截断值尚无国际共识,根据多项研究[15, 16, 26, 27]将SOC病灶分为两组:高表达组(PI ≥ 50%免疫反应细胞为阳性)和低表达组(PI < 50%免疫反应细胞为阳性)。
肿瘤分割与特征提取
我们的建模工作流程概览如图1b所示。肿瘤的病理变化反映在T2FSE图像中,肿瘤的血供反映在T1CE图像中。感兴趣区(ROI)由两名放射科医师(具有≥ 10年妇科MRI经验)使用ITK-SNAP软件(版本3.8.0,http://openiconlibrary.sourceforge.net/)在T2FSE和T1CE图像上逐层手动勾画每个卵巢肿块的边界来确定,即肿瘤分割。任何分歧均通过协商解决。对于双侧肿块患者,选择较大者勾画ROI,因其通常包含更全面的影像学特征。在特征提取之前,每幅MR图像按如下步骤预处理:(1)图像标准化:采用线性插值将MR图像重采样至1 mm × 1 mm × 5 mm体素大小以确保图像标准化。(2)进行Z分数归一化以确保结果的可重复性并减少与不同序列参数和扫描仪制造商相关的潜在影响[28]。随后,使用开源Python包Pyradiomics(版本3.0.1;http://www.radiomics.io/pyradiomics.html)从每个序列中提取1688个手工影像组学特征。提取的影像组学特征包括四组:形态学特征、基于强度的(一阶)特征、纹理(二阶)特征以及基于这三类特征形成的小波特征。一个月后,我们在包含31个数据的训练集子集中重复勾画ROI,使用组内相关系数(ICC)评估特征提取的可重复性。在本研究中,ICC值 > 0.80被认为具有稳健性,初始1688个图像特征中分别有1686个和1633个保留在T2FSE和T1CE序列上。
特征选择、影像组学标签构建与评估
在重复性测试之后,依次使用三种特征选择方法(方差阈值算法、SelectKBest算法和最小绝对收缩与选择算子[LASSO]回归)对每个序列(T2FSE和T1CE)及联合序列(T1CE–T2FSE)进行降维。然后,根据最终选择的影像组学特征及其相应系数计算每个序列及联合序列的影像组学评分(Radscores)。随后,使用每个序列(T2FSE和T1CE)及联合序列(T1CE–T2FSE)的影像组学特征建立模型以预测Ki-67表达水平。采用受试者工作特征曲线分析评估预测性能,并进行DeLong检验以比较它们之间的差异。最优影像组学模型为曲线下面积(AUC)最高的影像组学模型。
影像组学–临床–影像学模型的构建与评估
分别通过单因素回归确定年龄、CA-125、HE-4和NLR的最佳截断值,并将其转换为分类变量。采用单因素和多因素分析从临床和影像学变量中获得模型的独立预测因子。然后,使用多变量逻辑回归整合最优影像组学评分和独立预测因子,获得影像组学–临床–影像学模型。使用AUC、准确率、灵敏度和特异度评估影像组学–临床–影像学模型的预测性能,并在内部或外部验证集中进行验证。
统计分析
统计分析使用Python软件包scipy(版本1.7.3,https://scipy.org/)进行,影像组学–临床–影像学模型和列线图使用R软件(版本3.5.1,http://www.r-project.org/)开发。采用Student t检验和Wilcoxon检验评估连续变量的差异。采用卡方检验评估分类变量的差异。采用DeLong检验评估模型AUC的差异。p < 0.05定义为显著。
结果
研究人群特征
根据纳入和排除标准,从A机构筛选出134例患者,并按7:3的比例随机分配至训练集(n = 93)和内部验证集(n = 41)。从B机构筛选出42例患者作为外部验证集。A机构134例符合条件的SOC患者平均年龄为54岁(范围27–80岁),B机构42例符合条件的SOC患者平均年龄为54岁(范围30–74岁)。如表2所示,在五项临床变量和九项影像学变量中,仅在腹水量方面发现显著差异(p < 0.05),表明两个数据集来自同一人群。经过单因素逻辑回归后,连续变量的最佳截断值如下:年龄(截断值 = 55,C指数 = 0.652)、CA-125(截断值 = 1231,C指数 = 0.559)、HE-4(截断值 = 418,C指数 = 0.561)、NLR(截断值 = 3.73,C指数 = 0.614)和卵巢肿瘤最大直径(截断值 = 7.4,C指数 = 0.646)。
在医院A的134例SOC病例中,Ki-67高表达(PI ≥ 50%)89例,占66.4%;Ki-67低表达(PI < 50%)45例,占33.6%。在医院B的42例SOC病例中,Ki-67高表达31例,占73.8%;低表达11例,占26.2%。
在训练集中,单因素回归分析发现,Ki-67高表达组与低表达组在卵巢肿块均质实性成分和FIGO分期变量方面差异有统计学意义(p < 0.05),而Ki-67高表达组与低表达组在临床变量方面差异无统计学意义。多因素回归分析中,仅卵巢肿块均质实性成分被认为是Ki-67表达水平的独立预测因素(表3和表4)。
影像组学标签的构建及内部和外部验证
从T2FSE和T1CE序列中提取,我们两者均纳入了1688个影像组学特征。使用方差阈值算法、SelectKBest算法和LASSO消除冗余后,T2FSE、T1CE和T1CE–T2FSE分别剩余20、15和35个特征(图2)。随后,分别构建了T2FSE、T1CE和T1CE–T2FSE的影像组学标签。比较各影像组学标签的AUC值,影像组学标签(T1CE–T2FSE)在训练集中的AUC值最高(0.999 vs. 0.965和0.860)。DeLong检验显示,影像组学标签(T1CE–T2FSE)的AUC值与其他两个影像组学标签的AUC值差异有统计学意义(p < 0.05)。因此,影像组学标签(T1CE–T2FSE)被认为是最佳影像组学标签。
影像组学–影像学模型的建立及内部和外部验证
通过单因素和多因素分析,在5个临床变量和9个影像学变量中,仅卵巢肿块的均匀实性成分被认为是独立预测因子(图3)。因此,我们使用唯一的独立预测因子开发了影像学模型,而非临床-影像学模型。同样,我们将最佳影像组学评分与唯一的独立预测因子整合,建立了影像组学-影像学模型,而非影像组学-临床-影像学模型(图4)。比较影像组学特征、影像学模型和影像组学-影像学模型的AUC值,影像组学-影像学模型在训练集中AUC最佳为0.999,内部验证集为0.974,外部验证集为0.894。DeLong检验显示影像学模型与影像组学-影像学模型之间以及影像组学特征与影像学模型之间差异有统计学意义(p < 0.05)。此外,在训练集中影像组学特征与影像组学-影像学模型之间未发现显著差异(p = 0.480),而在外部验证集中差异有统计学意义(p < 0.05)。图5显示了影像组学-影像学模型在三个数据集中的校准曲线。
讨论
在本研究中,我们开发了一种影像组学-影像学模型,通过提取性索间质肿瘤(SOC)患者术前或治疗前MRI的特征来预测肿瘤的Ki-67表达水平,整合了可能与肿瘤增殖相关的临床和影像学变量,并在外部验证集中进行了验证。该模型在预测Ki-67表达方面表现出优异的性能。据我们所知,这是首次利用MRI数据建立影像组学-影像学模型来预测SOC的Ki-67表达水平的研究。通过校准曲线的外部验证进一步证实了该模型的稳健性和泛化性。
在特征提取之前,我们根据先前的研究方法[28]对图像数据进行了标准化预处理(包括体素大小重采样和Z分数归一化),以显著减少扫描仪和成像参数之间的差异。Wang等[17]使用ADC直方图参数来区分上皮性卵巢癌的不同肿瘤分期,确定淋巴结状态以及ADC值与Ki-67表达之间的相关性。Li等[29]使用ADC直方图参数区分高级别SOC与低级别SOC,并将这些参数与Ki-67增殖指数进行关联。这些研究表明,我们可以使用一阶统计量来研究SOC肿瘤与IHC指标之间的相关性。然而,一阶统计量通常描述图像的体素强度分布。相对于一阶和二阶统计量(纹理分析),影像组学是一种使用图像滤波器特征变换来降低噪声和增强边缘检测的高阶统计方法。它有助于揭示原始图像中肉眼无法观察到的肿瘤特征[30],在预测病理状态方面发挥重要作用[31, 32]。在本研究中,影像组学模型使用提取的35个最具区分度的特征(包括3个形态学特征、15个基于强度的[一阶]特征和17个纹理[二阶]特征)建立,在此基础上形成了12个小波特征(图2)。
在我们的研究中,T1CE-T2FSE的影像组学标签在三个影像组学标签中具有最高的AUC值(0.999 vs. 0.965和0.860)。这表明多序列可以提供比单序列更重要的信息,多序列联合模型的性能更高[33-36]。尽管尚无文献关注基于影像组学预测SOC的Ki-67表达,但我们研究的结果与使用影像组学预测肝细胞癌[37]和肺癌[38]Ki67的结果一致。
在研究过程中,如果按照传统方法对卵巢浆液性癌(SOC)肿块进行分类(囊性、囊实性和实性成分),囊性肿块的Ki-67表达可能较高(图3a–c),而实性肿块的Ki-67表达可能较低(图3d–i)。我们假设Ki-67的表达水平可能与肿块囊性/实性成分的比例无显著相关性。经过反复仔细观察,我们发现部分Ki-67低表达的实性肿块呈多囊状或海绵状(图3d–f),且不含T2FSE均匀稍高信号区域。在我们的研究队列中,我们发现如果卵巢肿块的实性部分含有均匀的T2FSE稍高信号区域,Ki-67的表达水平大多较高,反之则较低。因此,我们尝试根据实性成分中信号均匀程度将卵巢肿块的特征分为一个新类别:T2FSE上是否包含均匀稍高信号强度区域。这是卵巢肿块的一种新分类方法,独立于肿块是否存在囊性成分或囊性/实性成分的百分比。在我们的研究中,如果实性部分在T2FSE上包含均匀稍高信号强度区域,卵巢肿块的Ki-67表达水平较高。通过单因素和多因素分析,与其他变量相比,该肿块特征在Ki-67高表达组和低表达组之间差异有统计学意义。换言之,T2FSE上的均匀稍高信号强度区域提示肿块中存在密集排列的细胞,这可能与较高的肿瘤增殖程度有关。
除影像组学特征外,我们共纳入五个临床因素和九个影像学因素,这些因素可能对肿瘤增殖状态具有重要意义,包括FIGO分期、血清肿瘤标志物、肿瘤最大径、卵巢肿块的均匀实性成分、分叶征、肿瘤血管生成和腹膜转移。然而,通过单因素和多因素分析,仅卵巢肿块的均匀实性成分被确认为独立预测因子。根据我们的分析,由于SOC恶性程度高,发现时往往体积较大,伴有大量腹水和腹膜转移。分叶征和肿瘤血管生成也是卵巢肿瘤的恶性特征。然而,本研究中的病例均为SOC。因此,这可能是本研究中其他临床和影像学特征在Ki-67高表达组和低表达组之间无显著差异的原因。
Wang等[17]利用ADC直方图分析证明,表观扩散系数参数与Ki-67标记指数值之间存在负相关。为了构建一个预测Ki-67表达的列线图——相较于Wang等[17]的结果更为直观——我们整合了最优影像组学评分以及通过单因素和多因素分析确定的影像学独立预测因子。影像组学-影像学模型在内部验证集(0.974 vs. 0.937和0.897)和外部验证集(0.894 vs. 0.725和0.867)中的AUC均显著高于最优影像组学特征或影像学模型。我们的影像组学-影像学模型的AUC显著高于Li等[29]的ADC直方图分析(0.717–0.807)。
本研究存在若干局限性。第一,由于回顾性设计,患者纳入方面存在潜在的选择偏倚。第二,对于预后模型的开发而言,样本量仍可被认为相对较小。第三,尽管一些研究支持使用50%作为截断值[15, 16, 26, 27],但关于SOC中Ki-67表达水平尚无明确共识。第四,通过DeLong检验,我们发现在训练集中影像组学-影像学模型与影像组学模型的性能之间无显著差异,而在外部验证集中发现了显著差异。根据我们的分析,两种模型在训练集中的AUC均为0.999;因此,二者之间缺乏显著的统计学差异是合理的。这一结果可能与我们的样本选择(均为SOC)或样本量有关;然而,这至少表明影像组学模型和影像组学-影像学模型均具有极佳的鉴别SOC中Ki-67高表达和低表达的能力。此外,两种模型在外部验证集中的差异显著,这也提示模型具有一定的泛化能力。第五,临床变量相对较少,如患者合并症、家族史或其他分子生物标志物。因此,在未来的研究中,我们将纳入卵巢癌的多种病理亚型、扩大样本量,并纳入更多相关变量进行前瞻性研究,同时前瞻性地制定用于Ki-67百分比判定的客观评估标准。
结论
我们建立了一个影像组学-影像学模型来准确预测Ki-67的表达水平,该模型在外部验证集中也表现出色。该方法具有较高的可重复性,可能有助于为SOC患者制定更有针对性、更有效的治疗策略和临床监测。
引用
- Liu L, Zhao L, Jing Y, et al. Exploring a multiparameter MRI-based radiomics approach to predict tumor proliferation status of serous ovarian carcinoma. Insights Imaging. 2024. PMID: 38499907. doi:10.1186/s13244-024-01634-7
- 全文:PMC10948697(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10948697/
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。