文献速递腹部技术与安全CT

基于CT影像组学的机器学习在结直肠癌周围神经侵犯术前识别中的价值:一项双中心研究

The value of machine learning based on CT radiomics in the preoperative identification of peripheral nerve invasion in colorectal cancer: a two-center study.
PubMed 文献 · Insights Imaging · 2024-04-05

本研究纳入两家医院2016年1月至2022年12月的268例结直肠癌患者,利用CT影像组学特征和多种机器学习算法构建周围神经侵犯(PNI)术前识别模型。最优管道为RFE特征选择联合GP分类器,验证集AUC 0.614、测试集AUC 0.663,外部测试集AUC 0.640;ANOVA联合GP的外部测试集AUC为0.643。作者认为该方法有望辅助临床筛查,但样本量小,需进一步多中心大样本研究。

要点

  • 基于CT影像组学的机器学习管道可辅助术前识别结直肠癌周围神经侵犯。
  • 单特征wavelet-HLL-GLSZM-LargeAreaHighGrayLevelEmphasis在验证集AUC 0.614、测试集AUC 0.663。
  • RFE联合GP分类器外部测试集AUC 0.640,ANOVA联合GP外部测试集AUC 0.643。

核心结论

  • 结合人工智能与影像组学特征可能是识别结直肠癌周围神经侵犯的有前景的方法,在临床医学中具有显著应用潜力。
  • 基于CT影像组学的多通道机器学习方法操作流程简单,可用于辅助临床筛查伴有周围神经侵犯的结直肠癌患者。
  • 术前早期识别结直肠癌周围神经侵犯有助于改善治疗策略的制定和患者预后。

研究设计与样本

  • 本研究为回顾性研究,纳入两家医院(兰州大学第一医院、利川市人民医院)2016年1月至2022年12月连续268例接受CT检查的结直肠癌患者,最终纳入244例,其中中心1共162例、中心2共82例。
  • 中心1患者按7:3随机分为训练集113例和内部测试集49例,中心2作为外部测试集82例。
  • 采用门静脉期CT图像,由两名分别有5年和10年腹部病变诊断经验的医生在3D Slicer 5.2.1上勾画全肿瘤感兴趣区,并由另一名医生审核校准,组内与组间ICC均>0.75。
  • 提取一阶、GLCM、GLDM、GLRLM、GLSZM、NGTDM和SHAPE等影像组学特征,采用ANOVA、Relief和RFE三种特征选择方法及10种机器学习算法进行比较。
  • 以术后病理报告的周围神经侵犯状态为参考标准。

关键影像表现/征象

  • 基于RFE特征选择联合GP分类器的六特征模型在验证集AUC 0.610、准确率0.602,在测试集AUC 0.699、准确率0.653。
  • 采用「one standard error」规则时,基于单特征wavelet-HLL-GLSZM-LargeAreaHighGrayLevelEmphasis的模型在验证集AUC 0.614、准确率0.637,测试集AUC 0.663、准确率0.610。
  • 采用ANOVA特征选择联合GP分类器的单特征模型在验证集AUC 0.611、准确率0.655,测试集AUC 0.663、准确率0.610。
  • 外部测试集中,RFE联合GP分类器AUC 0.640、准确率0.634;ANOVA联合GP分类器AUC 0.643、准确率0.634。
  • 作者认为wavelet-LHL-glszm-LargeAreaHighGrayLevelEmphasis是区分结直肠癌周围神经侵犯的最佳诊断参数。

诊断标准与关键数值

  • 周围神经侵犯病理判定标准:至少33%的神经周围被癌细胞包围(未侵犯神经鞘)定义为阳性;癌细胞位于神经鞘任意层也定义为阳性。
  • 采用十折交叉验证评估模型,根据最接近约登指数确定最佳截断值后计算准确率、敏感度、特异度、阳性预测值和阴性预测值。
  • RFE联合GP分类器模型在测试集的敏感度0.600、特异度0.833、AUC 0.699、准确率0.653。

临床应用与阅片要点

  • 基于CT影像组学的多通道机器学习方法操作流程简单,可用于辅助临床筛查伴有周围神经侵犯的结直肠癌患者。
  • 术前预测周围神经侵犯状态可能有助于制定个性化治疗方案。
  • 术后病理仍是确定周围神经侵犯状态的唯一方法,术前影像组学模型可作为辅助手段。

局限性

  • 研究为回顾性设计,潜在的选择偏倚不可避免。
  • 尽管机器学习分类器显示出作为预测工具的潜力,但本研究样本量小,可能在一定程度上影响评估结果的可信度;增加各中心样本量可使结果更稳健。
  • 手动勾画ROI耗时,且肿瘤边界完整勾画可能存在特定误差;需进一步研究探索深度学习自动分割病灶的潜力。
  • 作者指出需要进一步开展更大样本量的多中心研究,以就与周围神经侵犯相关的具体影像组学特征达成共识。
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:Insights Imaging. 2024 Apr 5;15:101. doi: 10.1186/s13244-024-01664-1

引言

近年来,由于不健康的生活习惯和失衡的饮食结构的影响,全球结直肠癌(CRC)的发病率和死亡率显著上升[1]。全球癌症研究中心(GLOBOCAN)项目估计,2020年全球约有193万例结直肠癌被诊断,约93万人死于该病[2]。在中国,约30%的CRC患者被诊断为中晚期,且易发生周围神经侵犯(PNI)和远处转移。这些患者要么无法进行手术切除,要么术后预后较差,局部和远处复发率仍然较高,分别约为4%和15%[3]。CRC转移患者的长期生存率远未达到我们的预期[4]。

标准化、合理的根治性切除仍是早期和中期结直肠癌患者的首选治疗方法。PNI是一项被低估的特征性指标,美国国家综合癌症网络将其列为标准病理报告中必须报告的重要参数[5]。PNI是指肿瘤侵犯神经结构或沿神经鞘扩散[6, 7],可对结直肠癌的预后产生不良影响[8, 9]。PNI可能是转移扩散的来源,可导致结直肠癌预后较差和生存率降低[6, 10–13]。一些研究表明,手术切除后PNI阳性的CRC可能提示切除不完整和局部复发[11, 14]。Liebig等[14]报道,约30–40%的结直肠癌患者PNI阳性;手术切除后5年生产率不超过16%,中位生存时间为25个月。一些研究表明,PNI阳性患者可从辅助治疗中获益。对于局部切除后PNI阳性的CRC患者,通常建议扩大手术切除范围或接受辅助放化疗[15–17]。因此,在结直肠癌患者的分层辅助治疗中应考虑PNI状态,术前检测PNI状态具有重要的临床意义[13, 18]。

PNI 主要通过术前活检或术后组织病理学检查发现 [19, 20]。活检在检测 PNI 方面效果不佳,因为它们关注的是错误的层次且缺乏合适的标本,阻碍了其用于诊断 PNI 状态 [21]。PNI 状态的检测在效率和及时性方面受到限制,这限制了其在指导术前治疗决策中的应用 [19, 20, 22]。美国国家综合癌症网络指南推荐磁共振成像(MRI)和计算机断层扫描(CT)作为结直肠癌术前临床分期的主要诊断方法,传统增强 CT 扫描常用于肿瘤-淋巴结-转移(TNM)分期和预后评估[23]。MRI 和 CT 是结直肠癌临床评估的重要方法。遗憾的是,两者均无法在术前预测结直肠癌患者的 PNI 状态。在治疗前预测结直肠癌的 PNI 状态将有助于临床医生制定更个性化的治疗策略。腹部增强 CT 是医学领域评估肿瘤的一种经济有效的方法 [1]。既往关于预测结直肠癌 PNI 的研究主要使用二维感兴趣区(ROI)进行病灶勾画 [24–27]。三维成像模型在诊断胃肠道肿瘤方面优于二维成像模型 [28, 29]。三维放射组学模型提供更全面的肿瘤异质性信息,并准确反映其生物学行为。

据我们所知,目前缺乏关于通过 CT 放射组学机器学习方法识别结直肠癌 PNI 的相关研究。作为人工智能的一个分支,机器学习由多种算法组成,这些算法分析大型复杂数据集以改善神经肿瘤医学在诊断、治疗和随访方面的结果 [11]。机器学习具有客观性和可重复性,提供最佳的预测能力和临床应用[30]。

因此,本研究旨在利用基于全肿瘤 CT 图像放射组学特征的机器学习算法来识别结直肠癌神经周围侵犯的状态。通过比较 3 种特征选择方法和 10 种机器学习算法在识别神经周围侵犯方面的性能,目标是获得最佳流程,为接受结直肠癌手术的患者构建便捷、稳定且准确的机器学习预测通道。

材料与方法

患者

本回顾性研究在两所医院进行(兰州大学第一医院,中国甘肃省兰州市;利川市人民医院,中国湖北省利川市)。伦理委员会批准并豁免了患者知情同意的要求。

本研究共纳入 2016 年 1 月至 2022 年 12 月期间在两所医院接受 CT 检查的 268 例连续结直肠癌患者。纳入标准如下:(1)经术后病理确诊为结直肠癌的患者;(2)临床和病理资料完整,且 PNI 状态病理报告明确;(3)术前 2 周内进行了增强 CT 扫描,且图像质量符合要求;(4)术前未接受其他治疗。排除标准如下:(1)临床和病理资料不完整,或缺乏完整的术前 CT 图像;(2)合并其他恶性肿瘤;(3)术前接受过放疗、化疗或其他治疗。

最终,我们纳入了来自医院1(中心1)的162例结直肠癌患者和来自医院2(中心2)的82例患者。在中心1中,患者按7:3的比例随机分为训练集(n = 113)和内部测试集(n = 49),而中心2作为外部测试集(n = 82)。每位患者的临床数据通过图像存档与通信系统(PACS)获取(图1)。

图1 患者的纳入和排除标准 查看原图 ↗

判断PNI的组织病理学标准

在这项回顾性研究中,所有CRC患者的PNI状态均基于切除标本的病理报告获得。(1)至少33%的神经周围被癌细胞包围(未侵犯神经鞘),PNI状态定义为阳性;(2)癌细胞位于神经鞘的任何一层[31, 32]。

图像采集与分割

患者取仰卧位,从膈顶扫描至耻骨联合。详细的CT扫描参数见补充表A1。由于门静脉期图像是显示结直肠癌的最佳方法,我们选择门静脉期图像作为目标区域。为消除各中心不同CT扫描仪所获CT图像之间的潜在差异,在提取影像组学特征之前,采用灰度离散法对所有原始CT图像最终256个bin进行归一化(Analysis Kit软件,版本v3.0.0r,GE Healthcare)[32]。

常规CT门静脉图像上传至开源软件3D Slicer 5.2.1(https://download.slicer.org/)。整个肿瘤感兴趣区(ROI)由两名分别具有5年(读者A,LIU Nian-jun)和10年(读者B,ZHAI Ya-nan)腹部病变诊断经验的医生在不了解具体病变的情况下进行勾画。结直肠壁增厚或肿块形成及明显强化被视为潜在肿瘤病变,勾画过程中尽可能避开肠腔内的内容和气体。勾画完成后,所有病变的ROI由另一名医生(读者C,LV Wei-long)审核和校准,任何差异均通过三名医生的共识解决。此外,通过随机选择30例患者并由读者A进行勾画,评估了观察者内和观察者间的重复性。组内和组间的组内相关系数(ICC)均> 0.75,表明特征具有良好的可重复性和可靠性,随后用于进一步分析。

影像组学提取与选择

我们利用3D-Slicer从每个ROI中提取影像组学特征。在特征提取之前,对CT图像进行重采样以标准化。本研究提取的特征包括一阶特征(最大值、偏度、均值、中位数)、GLCM(灰度共生矩阵)、GLDM(灰度依赖矩阵)、GLRLM(灰度游程长度矩阵)、GLSZM(灰度尺寸区域矩阵)、NGTDM(灰度游程长度矩阵)和SHAPE。我们选择了ICC > 0.75的稳健特征。

特征探索器软件(FAE,v0.5.5)使用Python编程语言(3.7.6)开发(https://github.com/salan668/FAE)[33]。首先,我们为中心1的数据使用了计算机生成的随机数据集。我们将数据集的70%分配给训练集(n = 113),其余30%分配给独立测试集(n = 49)。为解决训练数据集中的不平衡问题,我们复制随机病例以达到阳性与阴性样本之间的平衡比例。数据集使用Z分数归一化进行标准化。其次,我们采用皮尔逊相关系数(PCC)测量每对特征之间的相关性,并降低特征矩阵的维度。如果PCC超过0.99,则随机移除其中一个特征。最后,使用方差分析(ANOVA)、Relief和递归特征消除(RFE)进行特征选择。多变量方差分析计算每个特征相对于标签的F值权重,从大到小排序以确定最相关的特征。Relief算法基于特征在邻近样本中的判别能力评估特征与类别之间的相关性。RFE,即递归特征消除,涉及迭代构建模型(如SVM或回归模型),根据系数选择最佳(或最差)特征,将其搁置,并对剩余特征重复该过程,直到所有特征被评估完毕。我们考虑了特征数量范围为1到30。

分类

基于Python代码和sci-kit learn库(https://scikit-learn.org/)使用了十种机器学习算法来评估分类性能。这些算法包括支持向量机(SVM)、线性判别分析(LDA)、AdaBoost(AB)、高斯过程(GP)、自编码器(AE)、随机森林(RFE)、逻辑回归(LR)、套索逻辑回归(LRLasso)、决策树(DT)和朴素贝叶斯(NB)。

评估

采用十折交叉验证测试来评估结果。数据集被分为十等份,每次迭代中使用九份用于训练,一份用于验证。十次迭代所得结果的平均值用作算法准确性的估计。基于从最接近入组指数确定的最佳截断值计算准确性、敏感性、特异性、阳性预测值(PPV)和阴性预测值(NPV)。计算每种测试条件的受试者工作特征曲线下面积(AUC)以评估分类性能(图2)。

图2 三个患者队列的整个影像组学和机器学习流程示意图 查看原图 ↗

统计分析

使用SPass 26.0进行统计分析。对于定量数据,使用均值 ± 标准差等描述性统计进行描述。对于计数数据和有序数据,使用百分比法进行描述。

结果

临床特征

本研究共纳入2016年1月至2022年12月在两所医院接受CT检查的272例连续结直肠癌患者。5例患者因图像质量不佳被排除,3例患者因3D-slicer软件无法识别被排除。最终,244例患者纳入研究。表1展示了三组患者的临床资料。

表1 三组患者的临床资料 查看原表 ↗

机器学习模型的性能

单位1共纳入162例患者,其中阳性83例,阴性79例。为解决数据不平衡对分类器筛选的影响并消除训练数据集中的不平衡,我们通过随机重复病例来扩充样本,以平衡阳性和阴性样本。我们使用FAE比较了验证数据集中所有流程的曲线下面积(AUC),发现使用随机森林特征选择和高斯过程分类器的流程在选取六个特征时达到了最高的AUC 0.610和准确率0.602。所得模型在测试数据集上的AUC为0.699,准确率为0.653。临床统计资料见表2,诊断的ROC曲线和所选特征见图3。

在采用RFE特征选择和高斯过程分类器流程并应用“标准误”规则时,我们发现基于单一特征(wavelet-HLL-GLSZM-LargeAreaHighGrayLevelEmphasis)的模型在验证数据集上达到了最高的AUC 0.614和准确率0.637。在测试数据集上,该模型的AUC为0.663,准确率为0.610(图4)。

通过采用方差分析(ANOVA)特征选择,使用GP分类器的流程在使用一个特征的模型时于验证数据集上达到了最高的AUC 0.611和准确率0.655。在测试数据集上,该模型的AUC为0.663,准确率为0.610。诊断的临床统计资料见表3。诊断的ROC曲线和所选特征见图5。值得注意的是,当应用“标准误”规则时,我们发现基于特征(wavelet-HLL-GLSZM-LargeAreaHighGrayLevelEmphasis)的模型在FAE中产生了相同的结果。

对于特征选择器Relief,我们未得到理想的结果。

表2 诊断中的临床统计资料 查看原表 ↗
图3 RFE生成的模型性能,CV Train表示K折交叉验证中K-1折训练数据集的平均结果。CV validation表示K折交叉验证中训练集1折数据集的平均结果,Train表示全部训练集的结果,Test表示测试集的结果。a 模型在不同数据集下的受试者工作特征(ROC)曲线。b Feature Explorer(FAE)软件根据“一倍标准误”规则提出候选特征模型。c 诊断中所选的特征 查看原图 ↗
图4 RFE生成的模型性能。a 模型在不同数据集下的受试者工作特征(ROC)曲线。b Feature Explorer(FAE)软件根据“一倍标准误”规则提出候选特征模型。c 诊断中所选的特征 查看原图 ↗
表3 诊断中的临床统计资料 查看原表 ↗
图5 由ANOVA生成的模型性能。a 不同数据集下模型的受试者工作特征(ROC)曲线。b 特征探索器(FAE)软件根据“一倍标准误”规则提出候选特征模型。c 诊断中选定的特征 查看原图 ↗

外部测试集性能

为进一步评估模型性能,纳入了来自中心2的另外82例患者。中心2的数据处理遵循与中心1相同的流程。我们使用RFE特征选择和GP分类器在外部验证数据集上进行了测试。模型在测试数据集上的AUC为0.640,准确率为0.634。同样,在外部验证数据集上使用ANOVA特征选择和GP分类器时,模型的AUC为0.643,准确率为0.634。ROC曲线见图6。

图6 RFE生成的模型性能,不同数据集下模型的受试者工作特征(ROC)曲线。a 在中心2中使用RFE特征选择和GP分类器评估的ROC曲线。b 在中心2中使用ANOVA特征选择和GP分类器验证的ROC曲线 查看原图 ↗

讨论

本研究旨在利用多种先进机器学习算法,探讨CT影像组学特征在区分结直肠癌中PNI存在与否方面的潜在价值。主要发现总结如下:(1)整合RFE、ANOVA特征选择和GP分类器的流程表现出稳定的AUC结果,并具备实现鉴别诊断效能的能力;(2)RFE特征选择和GP分类器下的AUC结果高于ANOVA;(3)区分CRC中PNI的最佳诊断参数为wavelet-LHL-glszm-LargeAreaHighGrayLevelEmphasis。

影像组学通过从图像中提取纹理特征,能够捕获微观肿瘤异质性,其中3D ROI影像组学优于2D影像组学[34, 35]。此外,纳入多中心数据可增强研究发现的稳定性和可靠性。因此,我们基于多中心3D ROI提取影像组学特征,并使用机器学习方法评估各通道在区分CRC中PNI阳性和PNI阴性病例中的意义。我们的研究结果表明,基于多中心数据的机器学习方法能够准确识别CRC中PNI的存在。

近年来的研究表明,癌症中的神经周围侵犯并非仅仅是癌细胞沿覆盖神经的结缔组织扩散。相反,它是癌细胞周围微环境中存在的各种神经营养因子和趋化因子之间复杂的相互作用[6, 31]。PNI可导致肿瘤侵袭、局部复发和转移,最终导致不良预后。尽管PNI作为直肠癌的独立风险预测因素具有严重性,但术前难以确定。来自系统评价、荟萃分析和其他研究的证据表明,PNI患者的预后显著更差[14, 36–39]。在接受治愈性手术的可切除IV期CRC患者中,PNI已被报道为生存和复发的预后因素[40]。其预后意义在II期和III期中比IV期更为显著。研究发现,患者总生存期恶化的顺序为:PNI阴性II期、PNI阳性II期/PNI阴性III期、PNI阳性III期。因此,建议根据PNI状态对II期和III期患者进行细分,以提供个性化的辅助治疗选择[38]。值得注意的是,术后化疗并未改善PNI阴性II期结肠癌患者的5年无病生存期(DFS)。相反,PNI阳性化疗组的5年DFS更高。因此,准确预测PNI状态对于评估CRC患者的预后至关重要。目前,确定PNI状态的唯一方法是通过手术标本的病理检查。术前预测PNI有助于制定个性化治疗方案[18]。

在本研究中,采用了两种特征选择方法来区分PNI阳性和PNI阴性病例。所用参数主要包括一阶统计量(如最大值、偏度、均值、中位数)和基于小波变换的GLSZM(LargeAreaHighGrayLevelEmphasis)。这些参数描述了单个体素值的分布、具有相似或不同对比度的体素之间的统计关系,以及从通道中计算的能量提取的纹理频率成分数据。在这些参数中,Wavelet-LHL-GLSZM-LargeAreaHighGrayLevelEmphasis表现出最高的诊断效能,表明基于小波变换的二阶参数LargeAreaHighGrayLevelEmphasis对CRC的神经侵犯更为敏感。因此,我们推测Wavelet-LHL-GLSZM-LargeAreaHighGrayLevelEmphasis的有效性源于其能够反映肿瘤内部的复杂微结构和整个肿瘤的异质性。

RFE特征选择方法通过自动去除无关特征并保留当前特征集中最重要的特征来解决这一问题。该过程在缩减后的特征集上递归重复,直至达到所需的特征数量。机器学习高斯过程(GPML)是一种通用的监督学习方法,主要设计用于解决回归问题[33]。在本研究中,我们在10折交叉验证中使用了RFE特征选择和GP分类器,以提升其在高维数据集上的性能。结果显示准确率为0.653,敏感度为0.600,特异度为0.833,AUC为0.699。此外,当我们在验证数据集上应用RFE特征选择器和GP分类器时,AUC值为0.640。这些发现证明了基于机器学习的方法在识别结直肠癌(CRC)脉管侵犯(PNI)方面的可行性和稳定性。

既往研究已证实CT影像组学特征与PNI之间的相关性[27]。Guo等[24]发现,基于逻辑回归和灰度共生矩阵(GLCM)的CT影像组学特征与PNI阳性患者之间存在显著关联。Chen等[23]使用最小绝对收缩和选择算子(lasso)方法,识别出Maximum2DdiameterRow为与PNI相关系数最高的形状特征。Liu等[41]报道GLSZM、GLRLM和一阶特征与PNI显著相关,其CT影像组学模型成功预测了CRC的PNI状态。在本研究中,我们使用FAE比较了三种特征选择方法和10种分类器,发现一阶特征和GLSZM与PNI相关。其中,基于GLSZM的LargeAreaHighGrayLevelEmphasis在区分CRC PNI方面表现出最高性能。显然,基于CT影像组学特征的机器学习能够捕捉CRC的异质性并预测PNI状态;然而,各研究之间在最佳特征选择方法和分类器方面尚未达成共识。需要进一步开展更大样本量的多中心研究,以就与PNI相关的具体影像组学特征达成共识。

本研究存在一些局限性。首先,由于研究的回顾性性质,潜在的选择偏倚不可避免。其次,尽管机器学习分类器作为预测工具显示出前景,但本研究样本量较小,可能在一定程度上影响评估结果的可信度。因此,增加各中心的样本量可使结果更加稳健。最后,手动勾画ROI可能耗时较长,且在完整勾画肿瘤边界时可能存在特定误差。因此,需要进一步研究探索深度学习在病灶自动分割方面的潜力。

总之,该模型表现出一定程度的区分能力和校准能力。本研究开发的基于CT影像组学的机器学习模型能够识别CRC的PNI状态,表明增强CT(CECT)图像的影像组学特征与CRC的PNI状态之间存在相关性。该模型可作为结直肠癌患者术前评估PNI状态的无创生物标志物,因为它能够预测大多数CRC患者的PNI,并有助于制定更个性化的治疗方案。

结论

本研究探索整合人工智能与影像学特征以识别结直肠癌神经周围侵犯的可行性。鉴于其无创性,该方法在临床医学中具有广阔的应用前景。

补充信息

附加文件1:补充表A1。详细CT扫描参数。

引用

  1. Liu NJ, Liu MS, Tian W, et al. The value of machine learning based on CT radiomics in the preoperative identification of peripheral nerve invasion in colorectal cancer: a two-center study. Insights Imaging. 2024. PMID: 38578423. doi:10.1186/s13244-024-01664-1
  2. 全文:PMC10997560(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10997560/

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。