文献速递泌尿生殖妇产影像CTMR

影像组学作为卵巢癌疾病复发预测因素的作用:一项系统综述

Role of radiomics as a predictor of disease recurrence in ovarian cancer: a systematic review.
PubMed 文献 · Abdom Radiol (NY) · 2024-05-15

该系统综述纳入6项回顾性研究、共952例接受初次减瘤手术的卵巢癌患者,评估影像组学预测术后复发的价值。基于影像组学的列线图在验证集中预测复发的AUC范围为0.77–0.89,3项研究报告联合影像组学特征较单纯临床模型性能有实质性提升。作者认为影像组学似乎是有前景的复发预后预测工具,但需进一步研究解决特征可靠性、工作流程异质性和前瞻性验证等问题。

要点

  • 基于影像组学的列线图在验证集中预测卵巢癌术后复发的AUC范围为0.77–0.89。
  • 3项研究比较显示,在列线图中纳入影像组学特征后模型性能较单纯临床模型有实质性提升。
  • 全部6项纳入研究均来自中国,作者提醒外推至其他人群需谨慎。

核心结论

  • 综述认为影像组学有潜力作为卵巢癌疾病复发的预测因素,纳入研究一致显示其能预测术后复发,提示基于影像组学的列线图可能有助于改善风险分层和指导个体化治疗决策。
  • 作者指出需要进一步研究以验证其在决策和患者选择方面的真实世界获益。

研究设计与样本

  • 系统综述,遵循PRISMA报告规范,2023年7月注册于PROSPERO(ID: CRD42023446290)。
  • 2023年8月检索Medline、EMBASE和Web of Science,最后检索日期为2023年8月11日,并检索了灰色文献(会议摘要和学位论文)。
  • 纳入6项回顾性研究,共952例参与者,其中训练集548例、验证集404例;5项研究同时包含训练集和验证集,1项仅含训练队列。
  • 纳入标准为研究影像组学预测接受初次减瘤手术的卵巢癌患者术后复发,影像组学特征提取自CT和MRI。
  • 采用QUADAS-2和影像组学质量评分(RQS)工具评估纳入研究质量,所有研究经QUADAS-2评估为低偏倚风险,83%(5/6)的研究RQS评分>30%。

诊断标准与关键数值

  • 基于影像组学的模型预测术后复发的AUC范围为0.77–0.89(验证集)。
  • 3项研究报告联合影像组学特征的列线图较单纯临床模型性能有实质性提升。
  • 3项研究使用组内相关系数(ICC)评估观察者内和观察者间变异,可接受的ICC值范围为0.75–0.85。

临床应用与阅片要点

  • 基于影像组学的列线图可能为临床医生提供评估个体患者复发风险并据此调整治疗策略的工具。
  • 将影像组学特征纳入列线图并与传统临床参数结合,可能提高风险预测准确性并促进个体化治疗决策。
  • 作者指出影像组学列线图用于常规临床实践可能面临挑战,包括需要标准化成像协议、稳健的特征提取与选择方法以及大规模多中心前瞻性验证。

局限性

  • 纳入研究数量有限及其回顾性性质可能引入选择偏倚并影响结果的普遍性。
  • 纳入研究在研究设计、成像模态和分析技术方面的差异可能影响总体结果及其解读。
  • 所有纳入研究均来自中国,可能引发对普遍性的担忧,在来自其他地区的进一步验证研究开展前应谨慎外推。
  • 阴性结果可能难以发表,进一步导致潜在的发表偏倚。
  • 影像组学特征可靠性和可重复性受图像采集协议和分割变异性等因素影响。
全文中译16 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:Abdom Radiol (NY). 2024 May 15;49(10):3540–7. doi: 10.1007/s00261-024-04330-8

引言

卵巢癌是全球重要的健康问题,占女性所有癌症相关死亡率的4.4% [1, 2]。高死亡率可归因于晚期诊断、有限的治疗选择以及80%晚期癌症中出现的疾病复发,且尚无推荐的筛查策略 [3]。传统预后因素,如组织学亚型和肿瘤分期,为患者结局提供了见解;然而,越来越需要更准确和个性化的预后工具来指导治疗决策并改善整体患者管理 [4–6]。

影像组学是医学影像中快速发展的领域,在增强卵巢癌预后评估方面具有巨大前景 [7]。获取图像后,原始影像数据必须通过手动、半自动或全自动机器学习方法进行预处理,以促进感兴趣区域(ROI)的分割 [8–10]。随后可使用各种特征提取软件从ROI中提取影像组学特征,如PyRadiomics、放射学研究计算环境(CERR)和图像生物标志物探索器(IBEX)[11–14]。特定特征可大致细分为纹理、形态和功能影像组学 [15]。通过从医学图像中提取和分析定量特征,影像组学具有揭示可作为预测标志物的隐藏模式和关系的潜力 [16]。在卵巢癌的背景下,影像组学可提供对肿瘤异质性、微环境特征和治疗反应的有价值见解 [17, 18]。将基于影像组学的预测模型整合到临床实践中,有可能促进个体化治疗策略并改善患者结局 [19]。

尽管若干研究已探讨影像组学在各种癌症亚型中预测疾病复发的作用并显示出有前景的性能,但其在卵巢癌中的具体应用仍是一个持续研究的领域 [20–23]。本系统综述的目的是全面评估关于影像组学作为卵巢癌疾病复发预测因素作用的现有文献。此外,我们旨在探索影像组学在卵巢癌管理中的潜在临床意义和未来方向,最终为未来研究开发更有效和个性化的治疗策略奠定基础。

方法

研究设计和报告指南

本研究是对回顾性研究的系统综述,遵循系统综述和荟萃分析首选报告项目(PRISMA)报告指南。[24]

检索策略

作为系统综述的一部分,于2023年8月检索了以下数据库:Medline、EMBASE和Web of Science。详细检索词的系统检索过程见补充材料S1。最后检索日期为2023年8月11日。还检索了灰色文献(会议摘要和学位论文),以进一步识别其他合适的出版物。

纳入标准

根据以下纳入标准对研究进行资格评估。本研究纳入探讨使用影像组学预测接受初次肿瘤细胞减灭术的卵巢癌患者术后复发的研究。病例报告、病例系列和会议摘要被排除。纳入从计算机断层扫描(CT)和磁共振成像(MRI)中提取的影像组学特征。

研究选择、数据提取与批判性评价

使用文献管理软件EndNote X9™建立数据库。两名研究者(NOS和HCT)各自独立审查检索结果。

首先去除重复文献。随后筛选研究标题并评估其潜在相关性。然后阅读所选潜在研究的摘要,并根据上述纳入/排除标准评估其纳入资格。被拒绝的研究按排除原因归类于数据库中。随后使用相同标准对被认为符合纳入资格的摘要的全文进行进一步分析。

为高效提取和存储数据,使用Cochrane协作网的筛选和数据提取工具Covidence [25]。数据由两名审查者(NOS和HCT)独立收集,使用以下条目:研究详情、研究设计、人群、干预、对照组和结局。两名审查者(NOS和HT)在研究选择和数据提取方面的分歧通过公开讨论并由资深作者(MK)最终决定来解决。

对纳入研究的方法学质量和偏倚风险进行了批判性评价。批判性评价由两名审查者独立完成。纳入研究的质量评估根据诊断准确性研究质量评估工具第2版(QUADAS-2)和影像组学质量评分(RQS)进行 [26, 27]。这些工具的说明(包括方法学领域)在补充材料中提供给读者。

系统评价注册

本系统评价于2023年7月在PROSPERO注册(ID:CRD42023446290)。[28]

统计分析

由于主要结局存在异质性,未对纳入研究进行荟萃分析。数据在整个结果部分以定性方式呈现。

结果

检索结果

上述文献检索共获得295条结果(补充材料S1)。去除103条重复文献后,筛选了192项研究。初步筛选后,审查并评估了86篇摘要的纳入资格,其中15篇被选进行全文审查。在这15篇全文中,共有6项研究符合纳入标准并被纳入本分析。

研究的方法学特征和质量

所有6项纳入研究均为回顾性研究 [29–34]。表1总结了纳入研究的方法学特征。使用RQS和QUADAS-2工具评估的数据质量总体令人满意。根据QUADAS-2工具评估,所有研究均被认为偏倚风险低,而83%(n = 5/6)的纳入研究RQS评分> 30%。工具的详细说明和结果分解见补充材料(S2–S5)。

表1 研究特征 查看原表 ↗

参与者特征

十三项纳入研究的参与者总数为952例。五项研究在其研究内同时包含训练集和验证集,而其余一项研究仅包含训练队列。总体而言,在纳入研究中,548例患者构成训练集,404例构成验证集。在包含验证集的五项研究中,三项为内部验证[31, 33, 34],两项为外部验证[29, 32]。参与者基本特征见表2。

表2 参与者特征 查看原表 ↗

采集参数

磁共振成像(MRI)和计算机断层扫描(CT)各为三项研究采用的成像模态。完整采集参数见表3。

表3 扫描参数 查看原表 ↗

signature的构建

尽管各纳入研究的精确影像组学特征提取方法有所不同,但总体上遵循了相对相似的工作流程。所有研究中均由经验丰富的放射科医师使用ITK-SNAP软件对感兴趣区(ROI)进行手动分割。随后使用影像组学软件从这些感兴趣区中提取特征。各研究使用的具体软件见表4。三项研究[22, 29, 31]使用组内相关系数(ICC)评估观察者内和观察者间变异性。可接受的ICC值范围为0.75至0.85。四项研究报告了影像归一化方法以校正采集参数的变异[29, 31, 32, 34]。特征降维与选择见表5。

表4 软件与性能 查看原表 ↗
表5 特征处理与列线图构建 查看原表 ↗

signature的性能

使用受试者工作特征(ROC)曲线估计并以曲线下面积(AUC)汇总的模型性能在各研究间存在差异。表4展示了各模型预测主要结局的性能。所有纳入研究在预测术后复发方面至少具有令人满意的性能。三项研究报告了影像组学/联合模型与单独临床模型之间模型性能的比较。三项研究均报告,将影像组学特征纳入所构建的列线图后,性能有实质性改善。[29–31]

讨论

本综述展示了基于原始放射影像的影像组学列线图在预测卵巢癌患者术后复发方面的构建与性能。纳入研究内构建的所有列线图均以相当适中的准确性预测了其主要结局(验证集中AUC范围为0.77–0.89)。使用QUADAS-2和RQS工具评估纳入研究的质量时,我们发现总体方法学质量和偏倚风险令人满意。根据QUADAS-2工具,这些研究通常被判定为低偏倚风险,且大多数研究获得较高的RQS评分,表明报告和方法学质量良好。

尽管这些发现显示出前景,但研究之间的异质性对结果的重复性构成了挑战。为了实现跨不同机构的受控外部验证,标准化是必要的,包括使用开源扫描、分割和代码[26]。这种标准化将促进放射组学最终在临床环境中的应用[27, 35]。我们的发现还表明,本综述中所纳入研究的质量与其他类似放射组学研究相比具有优势,这为所报告结果的可靠性提供了信心。[36–38]

在放射组学研究的更广泛背景下,有几个局限性需要予以承认。一个主要局限是放射组学特征的可靠性和可重复性,因为它们可能受到多种因素的影响,例如图像采集方案和分割变异性[35]。成像方案的标准化和严格的质量控制措施对于减轻这些局限性并确保放射组学特征的可靠性至关重要。另一个挑战是不同研究中放射组学工作流程和特征提取方法的异质性,这使得直接比较和荟萃分析具有挑战性[16]。致力于标准化和制定放射组学研究指南的努力对于解决这些问题至关重要。

关于我们自己的研究,我们承认一些次要局限性。首先,纳入研究数量有限及其回顾性性质可能引入选择偏倚并影响研究结果的普适性。此外,纳入研究在研究设计、成像模式和分析技术方面的差异可能影响了总体结果及其解释。作者也理解关于仅纳入来自一个国家的研究可能导致选择偏倚的担忧。对数据进行分析后可以明显看出,我们系统综述中所有纳入的研究均来自中国。虽然这可能引发对普适性的担忧,但必须在当前文献格局的背景下考虑现有证据。尽管研究在地理上集中,但这些研究中基于放射组学的特征在不同队列中表现一致,提示其具有有前景的预测能力。然而,在来自其他地区的进一步验证研究开展之前,应谨慎将这些发现外推至多样化患者人群。同样,阴性结果可能难以发表,这进一步导致了潜在的发表偏倚。未来的研究应致力于探索放射组学在不同地理环境中预测卵巢癌疾病复发的适用性和普适性。

基于放射组学的特征标签在临床实践中预测卵巢癌术后复发的潜在意义重大[39]。此类特征标签可为临床医生提供可靠工具,以评估个体患者风险并据此制定个体化治疗策略[40]。将放射组学特征标签纳入列线图,并结合传统临床参数,有可能提高风险预测的准确性并促进个体化治疗决策[41]。然而,基于放射组学的列线图在常规临床实践中的实施可能面临挑战,包括需要标准化的成像协议、稳健的特征提取与选择方法,以及在大规模多中心研究中进行前瞻性验证。[42–44]

结论

我们的综述提供了良好证据,支持放射组学作为卵巢癌疾病复发预测因素的潜力。纳入的研究一致证明了其预测术后复发的能力,表明基于放射组学的列线图在改善风险分层和指导个体化治疗决策方面具有潜在价值。然而,仍需进一步研究以验证其在决策制定和患者选择方面改善总体结局的真实世界获益。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 55 KB)

引用

  1. O'Sullivan NJ, Temperley HC, Horan MT, et al. Role of radiomics as a predictor of disease recurrence in ovarian cancer: a systematic review. Abdom Radiol (NY). 2024. PMID: 38744703. doi:10.1007/s00261-024-04330-8
  2. 全文:PMC11390851(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11390851/

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。