文献速递胸部技术与安全PETCT

PET/CT深度学习预后模型辅助食管鳞状细胞癌治疗决策

PET/CT deep learning prognosis for treatment decision support in esophageal squamous cell carcinoma.
PubMed 文献 · Insights Imaging · 2024-06-24

这项回顾性多中心研究基于治疗前PET/CT图像构建ESCCPro深度学习模型,用于预测食管鳞状细胞癌患者接受单纯手术或术后辅助化疗的生存概率。模型在训练集和测试集均能区分预后好与差亚组,辅助后临床专家预后准确性和效率提高。

要点

  • ESCCPro模型可用于术前PET/CT评估食管鳞状细胞癌患者从单纯手术或术后辅助化疗中的预期生存获益。
  • 模型预测的单纯手术预后差亚组与未手术对照组OS无显著差异(训练集p=0.155,测试集p=0.244)。
  • 模型辅助使专家从载入图像到记录诊断的平均时间由4.59分钟降至3.62分钟,中位信心由「一般」升至「确定」。

核心结论

  • ESCCPro辅助有望改善食管鳞状细胞癌患者接受单纯手术和术后辅助化疗的生存获益。
  • ESCCPro可提高临床专家在两种治疗方式间决策的预后准确性、确定性和效率。

研究设计与样本

  • 回顾性多中心研究,纳入3家机构的837例食管鳞状细胞癌患者,训练集651例来自广东省人民医院(2012年1月1日至2019年12月31日),测试集186例来自珠海市人民医院和中山大学附属第五医院(2017年1月1日至2021年12月31日)。
  • 所有患者治疗前接受[18F]FDG PET/CT扫描,基于6个EfficientNetV2网络构建ESCCPro模型,以总生存为主要终点,无病生存和进展无生存为次要终点。
  • 7名来自放射科、核医学科、外科和肿瘤科、食管鳞状细胞癌治疗经验2至15年的临床专家参与临床辅助评估,评估50例单纯手术和50例术后辅助化疗患者。

诊断标准与关键数值

  • ESCCPro-SA模型以X-tile确定最佳截断值0.8,将患者分为SA-poor(高评分)和SA-good(低评分)。
  • 训练集中SA-poor组99例(45.2%)与SA-good组120例(54.8%)的中位OS分别为11.8个月和24.9个月(HR 0.21,95%CI 0.14–0.31,p<0.0001),测试集分别为14.4个月和19.0个月(HR 0.32,95%CI 0.16–0.64,p=0.0001)。
  • ESCCPro-SPOCT模型以X-tile确定最佳截断值0.2,将患者分为SPOCT-poor(高评分)和SPOCT-good(低评分)。
  • 训练集中SPOCT-poor组87例(50.0%)与SPOCT-good组87例(50.0%)的中位OS分别为16.1个月和66.6个月(HR 0.24,95%CI 0.17–0.33,p<0.0001),测试集分别为13.9个月和37.4个月(HR 0.36,95%CI 0.18–0.71,p=0.0001)。
  • ESCCPro-SA的OS评估C指数训练集0.762、测试集0.705,DFS评估C指数训练集0.720、测试集0.706;ESCCPro-SPOCT的OS评估C指数训练集0.792、测试集0.696,DFS评估C指数训练集0.782、测试集0.603。

临床应用与阅片要点

  • 模型预测SA-poor亚组与未手术对照组OS无显著差异(训练集p=0.155,测试集p=0.244),预测SA-good亚组OS显著优于对照组(训练集和测试集均p<0.0001)。
  • 模型辅助后,专家从载入图像到记录诊断的平均时间由4.59分钟(±5.4分钟)降至3.62分钟(±4.8分钟)(p<0.0001),中位信心由「一般」提升至「确定」(p<0.001)。
  • 决策曲线分析显示,在患者通过SPOCT获得良好生存概率为10%至80%的范围内,使用ESCCPro-SPOCT辅助决策可提高患者生存净获益。
  • 作者认为,ESCCPro未来临床应用可能术前识别不太可能从手术获益的患者,为非侵入性证据支持及时替代治疗、减少手术负担提供参考。

局限性

  • 尽管测试集来自两家医院,但纳入更多中心数据、随机对照试验和完全开放获取的研究方案将提高ESCCPro的普适性和性能。
  • 由于针对每种治疗构建了两个模型,两种治疗选择了不同的截断值,应努力提高ESCCPro模型的临床可用性。
  • 需进一步分析其他术后辅助治疗(如放疗和新辅助化疗)对食管鳞状细胞癌生存的影响,以提供治疗决策信息。
  • 由于食管癌感兴趣区天然较小,研究采用EfficientV2网络,传统深度学习架构如ResNet及基于更高分辨率图像的其他预训练模型可能无法准确感知食管鳞状细胞癌肿瘤。
  • 未来应设计针对食管鳞状细胞癌图像的特定深度学习预后网络及相应生物学实验,以进一步解释深度学习预后模型与食管鳞状细胞癌分子通路等潜在机制之间的关系。
全文中译11 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 Jun 24;15:161. doi: 10.1186/s13244-024-01737-1

引言

食管癌是全球第六大癌症死亡原因[1]。食管鳞状细胞癌(ESCC)是起源于食管鳞状上皮黏膜细胞的恶性肿瘤。其预后各异,是最常见的食管癌亚型,局部晚期ESCC患者的5年生存率为15–20%[2, 3]。尽管手术联合术后辅助化疗(SPOCT)可改善这些患者的生存,但其应用仍存在争议[4]。临床研究表明,仅半数接受治疗的患者通过SPOCT获得完全/部分病理缓解[3, 5–8],因此,关于实施标准存在争议[9, 10]。

临床决策支持对SPOCT至关重要,因为ESCC患者的临床反应和长期生存预后差异很大[11]。尽管影像学诊断和病理分期有助于SPOCT的精准化,但高水平的诊断专业知识往往匮乏。因此,开发准确的非侵入性预后模型有助于界定可从SPOCT获益的患者亚组,并识别因生存结局无法延长而可能从单纯手术(不联合SPOCT)中获得更佳成本效益比的患者。

一种可能的解决方案是在ESCC患者的临床管理中采用人工智能(AI)。近年来,AI已应用于医学图像分析,并在多项诊断、预后和预测任务中表现良好[12–15]。其中,基于计算机断层扫描(CT)的AI模型已被开发用于ESCC患者辅助化疗的治疗反应预测和生存预后[16, 17],基于F-18氟脱氧葡萄糖正电子发射断层扫描(PET)的放射组学模型已被提出用于放化疗的生存获益评估[18–20]。尽管已取得进展,但关于SPOCT的获益仍存在不确定性,应事先识别出可能无法从该治疗中获得预期生存结局的患者,以避免额外的治疗负担和临床风险[10]。然而,既往研究尚未探讨解决此问题的适当标准。

本研究旨在提出一种基于治疗前PET/CT图像的ESCC预后深度学习方法(ESCCPro)。ESCCPro的目标是识别更适合单纯手术切除(SA)的ESCC患者以及可从SPOCT获得更佳生存获益的ESCC患者。此外,ESCCPro旨在提高临床专家在ESCC临床治疗决策中的预后准确性、确定性和效率。

方法

患者

纳入三家独立医院。训练数据集由2012年1月1日至2019年12月31日期间在广东省人民医院入组的患者组成。测试数据集由2017年1月1日至2021年12月31日期间在另外两家医院(珠海市人民医院和中山大学附属第五医院)入组的患者组成。患者纳入和排除流程图见图1,详细信息见补充材料A3。

单纯手术(SA)患者和手术后接受POCT的患者(SPOCT)均纳入T1bN0M0–T3N1M0分期。此外,由于身体耐受性有限,晚期ESCC患者可能无法接受手术或化疗。这些患者作为对照队列纳入本研究(详情见补充材料A3)。

按照既往ESCC研究进行定期随访(3–6个月)[21–23]。对于长期生存评估,以OS作为主要终点,定义为从治疗开始至死亡或末次观察的时间间隔。对于治疗反应评估,DFS作为接受SA/SPOCT患者的次要终点,从手术日期测量至疾病复发或转移发生日期。对于对照队列,以PFS作为次要终点,定义为从初始治疗日期至疾病进展的时间间隔。未观察到终点事件的患者、失访患者或末次随访时仍存活的患者均作为删失处理。

图1 本研究患者入组情况 查看原图 ↗

ESCCPro的构建与验证

所有入组患者均接受了治疗前[18F]FDG PET/CT扫描。PET/CT采集及所有原发性ESCC肿瘤手动分割的详细信息见补充材料A4。此外,随机选取100例患者由另一名放射科医师进行手动分割,以评估观察者间偏倚。经过五个月的洗脱期后,要求该放射科医师使用相同软件对100例患者重新进行分割,以评估观察者内可重复性。

使用训练数据集训练了六个网络。所有网络均源自最新的EfficientNetV2网络,该网络已被证明可用于癌症检测和预后[24–26],我们设计其用于对PET/CT肿瘤图像进行分类。ESCCPro模型基于六个模型的输出构建,每个模型由EfficientNetV2表示网络、池化函数和全连接分类组成,如图2所示。使用PyTorch(版本1.7.1)进行模型训练。当ESCCPro在训练数据集上的网络损失达到稳定状态且不再进一步下降后,锁定模型并在测试数据集上进行验证。ESCC的详细信息,包括EfficientNetV2及六个网络的池化函数和超参数,列于补充材料A2。整个网络采用端到端训练(直接使用图像输入预测患者结局,图2),每次训练迭代使用16张图像的批量大小。集成ESCCPro预后特征通过六个网络输出的Cox回归构建(图2)。

基于既往研究,接受SA治疗的ESCC患者的中位总生存期(OS)约为18–27个月(本研究中为18.4个月),接受SPOCT治疗的患者约为27–33个月(本研究中为30.3个月)[27, 28]。为准确区分具有不同生存预后的患者,首先根据中位OS将SA患者分为SA-预后良好和SA-预后不良亚组。随后采用相同标准将SPOCT患者分为SPOCT-预后良好和SPOCT-预后不良亚组。首先使用ESCCPro-SA模型评估SA-预后良好或SA-预后不良结局的概率。随后构建ESCCPro-SPOCT模型以提示术后POCT的潜在获益。该设计符合为ESCC患者制定治疗方案的 actual 临床工作流程。两个模型以OS作为长期生存预后的主要终点进行训练和验证,并使用DFS(次要终点)进行治疗后反应评估验证,最后在测试数据集中进行验证。对照组用于与ESCCPro预测亚组进行比较。

图2 所提出的ESCCPro模型的流程图。共采用六个EfficientNetV2衍生网络用于集成生物标志物,每个网络由表示网络(EfficientNetV2)、池化函数(平均池化、自适应注意力池化或最大池化)和全连接分类网络组成。集成生物标志物基于六个模型输出的Cox回归,整个网络进行端到端训练 查看原图 ↗

临床辅助评估

来自放射科、核医学科、外科和肿瘤科的七名临床专家,具有不同水平的ESCC治疗经验(2–15年),对随机选取的50例SA和50例SPOCT患者(10%来自训练数据,90%来自测试数据)的预后进行评估。前半组(25例SA和25例SPOCT患者)向临床医生提供人口统计学和基线临床信息。除上述信息外,后半组还向临床医生提供ESCCPro预测评分和准确性。记录每位患者的评估时间,并记录诊断信心(非常确定、确定、一般、不确定和非常不确定)。

统计学

数据集间临床特征的差异采用Fisher精确检验或卡方检验分析分类数据,采用Wilcoxon符号秩检验分析连续变量。本研究的详细统计分析见补充材料A3。双侧p值< 0.05被视为具有统计学意义,所有分析均使用R 3.4.3版本进行。

结果

患者

共有651例ESCC患者符合训练数据集入组条件(52例删失数据),包括219例SA患者(171例男性)、174例SPOCT患者(156例男性)和258例对照组患者(201例男性)。此外,186例患者纳入测试数据集(20例删失数据),包括62例SA患者(50例男性)、57例SPOCT患者(49例男性)和67例对照组患者(51例男性)。

各数据集中,SA患者、SPOCT患者和对照组患者的中位OS(含[四分位距])分别为18.4[11.2,29.4]个月、30.3[16.1,65.6]个月和9.2[5.0,20.3]个月。在训练数据集和测试数据集之间,SA、SPOCT和对照队列患者的OS均无显著差异(p > 0.05)。SA组和SPOCT组的中位OS用于定义生存结局良好或不良的亚组。对于SA患者的DFS,两个数据集之间发现显著差异(p = 0.021)。对于SPOCT和对照队列,训练数据集和测试数据集之间的DFS无显著差异(p > 0.05,表1)。

表1 纳入患者的特征 查看原表 ↗

ESCCPro的构建与验证

在实际临床场景中,对ESCC患者进行手术切除的决策是本研究的首要任务。对于ESCCPro-SA,通过X-tile确定最佳截断值为0.8,患者被分类为SA-poor(高评分)或SA-good(低评分)。在训练数据集中,预测的SA-poor(99例患者,45.2%)和SA-good(120例患者,54.8%)亚组的中位OS分别为11.8个月和24.9个月(风险比[HR]:0.21,95%置信区间(CI):0.14–0.31,p < 0.0001);在测试数据集中分别为14.4个月和19.0个月(HR:0.32,95% CI:0.16–0.64,p = 0.0001)[25例(40.4%)和37例(59.6%)患者,图3A和B]。ESCCPro-SA在训练数据集和测试数据集中用于OS评估的C指数分别为0.762和0.705,用于DFS评估的C指数分别为0.720和0.706。图4A和B展示了接受SA治疗且ESCCPro-SA评分不同(0.11 vs 0.95)的两例ESCC患者的示例。随访数据显示,这两例患者的OS明显不同(分别为26.6个月和3.0个月)。次要终点评估的详细信息见补充材料A1。

接下来,对ESCC患者进行术后辅助化疗(POCT)的决策是本研究的第二项任务。在手术切除后,构建ESCCPro-SPOCT模型以评估接受SPOCT患者的生存结局。使用X-tile确定ESCCPro-SPOCT模型的最佳截断值为0.2,患者被分类为SPOCT-poor(高评分)或SPOCT-good(低评分)。在训练数据集中,预测的SPOCT-poor(87例患者,50.0%)和SPOCT-good(87例患者,50.0%)亚组的中位OS分别为16.1个月和66.6个月(HR:0.24,95% CI:0.17–0.33,p < 0.0001);在测试数据集中分别为13.9个月和37.4个月(HR:0.36,95% CI:0.18–0.71,p = 0.0001)(26例患者(45.7%)和31例患者(54.3%),图5A、B)。ESCCPro-SPOCT在训练数据集和测试数据集中用于OS评估的C指数分别为0.792和0.696,用于DFS评估的C指数分别为0.782和0.603。图4C、D展示了接受SPOCT治疗且ESCCPro-SPOCT评分不同(0.09 vs 0.75)的两例ESCC患者的示例。随访数据显示,这两例患者的OS明显不同(分别为100.0个月和15.1个月)。关于次要终点的详细结果见补充材料A1。

与对照组相比,在训练集(p = 0.155)或测试集(p = 0.244,补充图S1)中,模型预测的SA-poor亚组与对照队列之间未发现显著的OS差异。预测的SA-good患者在训练集(p < 0.0001)和测试集(p < 0.0001,补充图S1)中OS均显著优于对照队列。该发现表明,ESCCPro有潜力筛选出不太可能从手术中获益的ESCC患者。它有可能支持临床术前考虑替代治疗方案,并减轻与手术相关的患者负担。

图3 接受SA治疗的患者中,ESCCPro-SA预测的良好和不良结局的Kaplan–Meier生存曲线。在训练集和测试集中,OS(A、B)和DFS(C、D)预后均存在显著差异(p < 0.05) 查看原图 ↗
图4 两名接受SA患者的CT、PET和PET/CT融合图像:A 一名38岁女性,胸部中段低分化鳞状细胞癌(ESCCPro-SA评分:0.11,OS:26.6个月)。B 一名74岁男性,下胸段低分化鳞状细胞癌(ESCCPro-SA评分:0.95,OS:3.0个月)。两名患者接受了手术切除加术后辅助化疗:C 一名68岁男性,胸部中段中分化鳞状细胞癌(ESCCPro-SPOCT评分:0.09,OS:100.0个月)。D 一名51岁男性,下胸段中分化鳞状细胞癌(ESCCPro-SPOCT评分:0.75,OS:15.1个月) 查看原图 ↗
图5 接受手术切除后POCT治疗的患者中,ESCCPro-SPOCT模型预测的良好和不良结局的Kaplan–Meier生存曲线。在训练集和测试集中,亚组间OS(A、B)和DFS(C、D)预后均存在显著差异(p < 0.05) 查看原图 ↗

临床辅助评估

图6A所示的决策曲线分析显示,使用ESCCPro-SA模型辅助SA决策可显著改善临床管理,表现为与未使用ESCCPro-SA模型的患者相比,患者生存的净获益增加。此外,图6B所示的决策曲线分析表明,当ESCC患者通过SPOCT获得良好生存的概率范围为10–80%时(当前临床研究表明,约50%的ESCC患者通过SPOCT达到理想治疗结局,因此落在该范围内),将ESCCPro-SPOCT模型纳入辅助SPOCT决策可增强患者生存的净获益,优于未使用ESCCPro-SPOCT模型的患者。进一步临床辅助评估的详细信息见补充材料A5。

在模型的辅助下,从加载图像到记录诊断(SA或SPOCT)的平均时间(含SD)从4.59分钟(± 5.4分钟)显著缩短至3.62分钟(± 4.8分钟)(p < 0.0001),中位置信度从“不确定”提高至“确定”(p < 0.001,图6)。

图6 接受SA(A)和SPOCT(B)治疗患者的决策曲线分析。绿线和红线表示具有15年经验的临床医生在有/无ESCCPro辅助下诊断的结果。横轴上的黑线代表“无”。所有专家在有/无ESCCPro辅助下的平均诊断置信度(含中位数线,C)和每位患者的耗时(含均值线,D) 查看原图 ↗

讨论

开发了一种基于治疗前PET/CT图像的深度学习方法ESCCPro,并进行了外部测试,旨在改善接受SA和SPOCT治疗的ESCC患者的生存获益,同时提高临床专家对两种治疗方式决策的预后准确性、确定性和效率。本研究全面评估了ESCCPro作为预后预测工具在SA、SPOCT和未行手术切除的姑息治疗中的应用,终点事件为ESCC患者的OS、DFS和PFS。结果表明,ESCCPro与治疗后反应及长期预后具有良好的相关性,评分越低通常提示结局越好。此外,ESCCPro辅助提高了临床医生在实际临床场景中的准确性和置信度,表明其在辅助治疗决策方面具有价值,可延长ESCC患者的生存结局并实现更好的成本效益比。

尽管SPOCT的疗效已被广泛研究[29–32],但其在ESCC患者中获益的不确定性阻碍了其临床应用[10]。一些既往研究表明,与SA相比,顺铂联合氟尿嘧啶的SPOCT可能预防复发[3, 10, 33],而其他研究发现仅半数接受治疗的患者达到完全/部分缓解[5, 34]。识别出更有可能从额外SPOCT而非SA中获得延长生存结局的患者,可为更好地实施SPOCT提供实质性证据。在本研究中,ESCCPro-SPOCT成功识别出半数可能从SPOCT中获得显著更好生存结局的患者,在训练数据集中其中位OS和DFS显著更高。在测试数据集中,预测的SPOCT获益亚组生存结局显著优于SPOCT不佳亚组。这些结果可能有助于筛选适合接受SPOCT治疗的ESCC患者。根据既往研究,SPOCT在ESCC患者中显示的中位OS为40.0个月,3年OS率为54.0%[35]。本研究中ESCCPro-SPOCT识别的SPOCT获益亚组中位OS为55.2个月,3年OS率为78.0%。研究结果提示,利用该模型确定SPOCT适用性可能带来临床结局的实质性改善。具体而言,与既往研究报告的SPOCT组中位OS(40.0个月)及ESCCPro推荐接受SPOCT组的中位OS(55.2个月)相比,可以估计,未来采用ESCCPro辅助临床决策时,接受SPOCT患者的生存将得到改善。

在临床实践中,对于影像学分期适合手术切除的食管鳞状细胞癌(ESCC)患者,推荐进行食管切除术[36]。本研究发现,几乎一半临床适合手术切除的SA患者(SA-poor亚组)与对照队列中的ESCC患者相比,在总生存期(OS)或无病生存期(DFS)方面均无显著改善。预测的SA-good与SA-poor亚组之间的2年OS率(及中位OS)分别为51.0%(24.5个月)对4.8%(12.1个月)。与既往报道的中位OS 16.6个月和2年OS率39%相比[37],使用ESCCPro确定SA资格可使这些患者的OS延长8个月,2年OS率提高12.0%,表明ESCCPro-SA可能是支持治疗选择的有价值工具。ESCCPro的未来临床应用可能在术前识别出不太可能从手术中获益的患者。这将提供有价值的无创证据,以支持及时的替代治疗、减轻手术负担并改善ESCC患者的生存获益。

具有高ESCC诊断专业知识的临床医生数量不足,使得制定准确的临床治疗计划变得困难[38]。当在ESCC治疗方面经验不同的临床医生在ESCCPro辅助下工作时,预后准确性提高。所有七位专家在ESCCPro-SA辅助后均表现良好。尽管五位专家在ESCCPro-SPOCT辅助下表现显著改善,但两位中级专家的改善较不显著,表明实施精准SPOCT仍具挑战性,因为准确预后较为困难,但ESCCPro-SPOCT可提供辅助。有趣的是,经验最少和经验最多的临床医生从ESCCPro支持中获益最多,而中级专家获益较少。鉴于临床医生通常根据PET/CT和基线特征为ESCC做出治疗决策,这些结果可用于在临床医生之间更好地分配ESCC治疗专业知识。

本研究存在若干局限性。尽管测试数据集由两家医院的患者组成,但纳入更多中心的数据并开展随机对照试验及完全开放获取的研究方案,将有助于提高ESCCPro的普适性和性能。由于每种治疗分别构建了两个模型,因此两种治疗选择了不同的截断值。尽管既往一项预后研究[39]已证明构建特定模型的策略有效,但仍应努力提高ESCCPro模型的临床可用性。此外,进一步分析其他术后辅助治疗对ESCC(如放疗和新辅助化疗)生存的影响,将为治疗决策提供有价值的信息。最后,由于食管癌感兴趣区天然较小,采用了EfficientV2网络(此前已被证明适用于相似大小的病灶)[12]。传统深度学习架构,如ResNet及其他基于更高分辨率图像的预训练模型[40, 41],可能无法准确感知ESCC肿瘤。未来应针对ESCC图像设计特定的深度学习预后网络及相应的生物学实验,以进一步阐释深度学习预后模型与ESCC分子通路等潜在机制之间的关系。

结论

ESCCPro的临床使用有望改善接受SA和SPOCT治疗的ESCC患者的生存获益,并提高临床专家在决策选择适当治疗方式时的预后准确性、确定性和效率。使用治疗前无创PET/CT图像结合端到端深度学习方法可识别高危患者,加强有争议治疗策略的临床管理,并可能延长ESCC患者的生存预后。

补充信息

电子补充材料

引用

  1. Song J, Zhang J, Liu G, et al. PET/CT deep learning prognosis for treatment decision support in esophageal squamous cell carcinoma. Insights Imaging. 2024. PMID: 38913225. doi:10.1186/s13244-024-01737-1
  2. 全文:PMC11196479(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11196479/

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。