Delta影像组学:一项更新的系统综述
本系统综述纳入48项研究,评估Delta影像组学在肿瘤鉴别诊断、预后及治疗反应预测等方面的应用。纳入研究总体方法学质量偏低(中位RQS 25%),结论异质、不稳健且难以重复,作者认为需前瞻性多中心研究进行临床验证。
要点
- Delta影像组学分析不同时间点影像特征变化,常用于治疗前后,涉及直肠癌、肺癌、肉瘤、前列腺癌、头颈癌等。
- 全部研究中位RQS为25%(均值21%±12%),13项(30.2%)质量评分<10%,22项(51.2%)<25%。
- 作者认为Delta影像组学在肿瘤多种临床终点显示潜在获益,但纳入研究总体方法学严谨性低,结论异质、不稳健且难以重复。
核心结论
- Delta影像组学在肿瘤的鉴别诊断、预后、治疗反应预测及副作用评估等临床终点显示潜在获益。
- 纳入本系统综述的研究存在总体方法学严谨性低的偏倚,目前结论异质、不稳健且难以重复。
- 作者认为需要前瞻性多中心研究对Delta影像组学方法进行临床验证。
研究设计与样本
- 系统综述,检索Embase、PubMed和ScienceDirect,最终纳入48项研究。
- 研究分为临床前/方法学5项(10.4%)、直肠癌6项(12.5%)、肺癌12项(25%)、肉瘤5项(10.4%)、前列腺癌3项(6.3%)、头颈癌6项(12.5%)、除直肠外的胃肠道恶性肿瘤7项(14.6%)及其他疾病部位4项(8.3%)。
- 使用QUADAS-2和RQS工具进行质量评价。
诊断标准与关键数值
- 全部研究中位RQS为25%(均值21%±12%),13项研究(30.2%)质量评分<10%,22项研究(51.2%)<25%。
临床应用与阅片要点
- 原文未据此给出推荐。
局限性
- 纳入研究存在总体方法学严谨性低的偏倚。
- 目前结论异质、不稳健且难以重复。
- 作者认为需要前瞻性多中心研究进行临床验证。
全文中译19 节 · 点击展开
引言
影像组学,即从医学图像中提取定量成像特征,已被证明在开发癌症诊断、患者预后和临床决策支持模型方面具有重要价值[1–6]。影像组学的一个最新进展被称为“差值纹理分析”或“差值影像组学”,旨在考虑不同采集时间点的特征变化。这种新方法能够检查患者诊疗流程中特定步骤(如治疗、时间安排或生物学事件)之后的特征变化[7, 8]。差值影像组学的潜力在于其能够提供对干预效果的洞察,并基于其预测能力指导适应性治疗策略[9–11]。
尽管差值影像组学前景可观,但现有研究结果相互矛盾且存在异质性,阻碍了该方法的推广和适用性[12, 13]。因此,本研究旨在开展一项更新的、全面的荟萃分析,纳入截至2024年12月的最新文献,以重新评估差值影像组学,并使用当代影像组学研究评价标准审视研究质量[13]。此外,我们将对先前荟萃分析(截至2021年8月)的结果与新文献进行比较分析,以识别该领域的趋势、差异和进展。我们还将审查在clinicaltrials.gov注册库中发现的正在进行的试验。
方法
遵循PRISMA声明[14],我们的系统综述涵盖了全面的文献检索,重点关注在Embase、PubMed和ScienceDirect中注册的英文文章。与先前的分析不同,我们未设定特定的起始日期,检索结果最后更新于2023年12月。检索式纳入了自由文本和/或医学主题词(MeSH),主要术语为“radiomics”、“texture”和“delta”。重复结果被删除,并对检索结果中引用的所有参考文献进行了仔细审查。
纳入和排除标准与先前的分析一致,纳入标准包括关注差值影像组学时间性研究的英文原创文章。相反,排除标准包括病例报告、综述文章、研究空间差值影像组学方法的研究,以及壁报展示或会议摘要。三位评审者(FG、DR和SDT)独立筛选所有文章,分歧通过与另外两位作者(VN和AR)的小组讨论解决。使用相同的检索式在clinicaltrials.gov注册库中识别前瞻性试验。
质量评价与数据分析
为评估所选研究的质量,两位评审者(VN和GV)独立采用影像组学质量评分(RQS)[2]和诊断准确性研究质量评价-2(QUADAS-2)[15]工具。QUADAS-2旨在量化诊断准确性,而RQS工具则总结影像组学研究的有效性和潜在偏倚,最高分为36分。结果以最高分的百分比(x/36%)报告。评审者之间的任何分歧均通过共识讨论解决。随后,进行比较分析以识别先前文献与新文献结果之间的模式和差异。
结果
2021年8月16日至2023年12月31日期间,初步共检索到460条记录。在排除重复及不相关的标题和摘要后,排除了387项研究。剩余记录接受了更详细的分析。仅在全面评估所选文章的参考文献列表后,额外纳入了两篇参考文献。相比之下,排除了17篇文章——9项研究因未聚焦于时间变化Delta影像组学而被排除,8项研究因非原创文章而被排除。
因此,共有58项研究被纳入本系统综述。
为简化呈现,我们将纳入的58项研究分为不同的临床组别:非直肠胃肠道疾病(17项研究,29.3%)、肺癌(10项研究,17.2%)、直肠癌(9项研究,15.5%)、头颈部肿瘤(6项研究,10.3%)、乳腺癌(5项研究,8.6%)、前列腺癌(5项研究,8.6%)及其他疾病领域(6项研究,10.3%)。展示研究选择过程的流程图见图1。
所选研究大多为回顾性研究(58项临床试验中的49项:85%),仅发表了9项前瞻性临床试验(15%)。最常见的成像方式为MRI(31项研究,53%),其次为CT(16项研究,27%)、PET/CT(5项研究,8%)、CBCT(4项研究,6%)和超声检查(2项研究,3%)。
纳入研究的质量分析
采用QUADAS-2对58项纳入研究的质量进行评估,结果见图2。在患者选择方面,23项研究(39.6%)被判定为高偏倚风险或不明确风险,主要归因于其纳入标准不明确。
关于指标试验,34项研究(58.6%)被归类为高风险或不明确风险,原因是缺乏明确的阈值以及参考标准与指标风险本身之间未采用盲法。与参考标准、流程和时间相关的偏倚风险分别在36项(62.1%)和30项(51.7%)研究中被判定为高或不明确,原因是对参考标准存在不确定性。
QUADAS-2在参考标准(20项研究,34.5%)、指标试验(23项研究,49.1%)和患者选择(25项研究,43.1%)领域的适用性也被认为不明确或存在高度疑问(参见图2)。值得强调的是,尽管这些评分令人担忧,但与近期先前荟萃分析的结果相比已有所改善(参见补充材料)。
所有研究的中位RQS为30.5%(均值31% ± 17%),其中6项研究(10.3%)的质量评分低于10%,21项研究(36.2%)低于25%。值得注意的是,近年来纳入研究的RQS评分呈持续上升趋势,如图3所示。18项临床试验未进行任何类型的验证(31%),而29项试验进行了内部验证(50%),11项试验进行了外部验证(19%)。
表1总结了本荟萃分析纳入的临床试验的特征。
肺癌
在本更新中,发现了十项关于delta影像组学在肺癌中应用的新研究,涉及该疾病的不同方面。
Bertolini等研究了从治疗前CT和PET/CT扫描中提取的影像组学特征与早期NSCLC立体定向体部放疗(SBRT)临床结局之间的关系。协调化影像组学模型显示出准确预测患者预后的能力[16]。
其他作者在不同背景下聚焦于III期非小细胞肺癌(NSCLC)。Cui等开发了一个综合PET/CT影像组学模型,用于预测可切除III期NSCLC患者接受新辅助特瑞普利单抗(PD-L1和PD-L2)联合化疗后的病理缓解[17]。
患者接受基线PET/CT,随后接受三个周期的新辅助特瑞普利单抗联合化疗,完成新辅助治疗三周后接受PET/CT,最后接受手术切除。
Zhang等分析CT影像组学数据,以确定在接受放疗或放化疗的III期NSCLC患者中,治疗开始后哪个时间点影像组学显示出最显著的变化,并确定了变化率最高的两个时间点:第1周和第3周[18]。Forouzannezhad等通过研究18FDG-PET/CT、CT和SPECT图像,探讨了多任务多时间影像组学特征与单任务学习相比,在改善生存结局预测方面相对于传统临床影像特征基准模型的效用[19]。
多位作者研究了delta影像组学在预测接受免疫检查点抑制剂治疗患者临床结局中的潜在用途。Xie等基于delta影像组学数据结合临床病理特征,创建了一个模型来区分对免疫检查点抑制剂(ICI)治疗进展缓慢和快速的患者[20]。Barabino等分析接受ICI治疗的NSCLC患者基线和首次再评估时CT检查中的肺部病灶,以评估27个影像组学特征对每个病灶的预测能力[21]。Tankyevych等证明了从初始和随访PET/CT扫描中提取的特定影像组学特征及其演变,在预测接受免疫治疗的NSCLC患者临床结局、进展、治疗反应、总生存期(OS)和无进展生存期(PFS)方面的潜力,可预测有利的治疗结局[22]。
Cousin等评估了基于CT的影像组学在预测接受PD-1/PD-L1抑制剂治疗的晚期NSCLC患者治疗反应和生存方面的潜在作用,识别出可能不会获得更大获益的患者[23]。
相反,Li等分析肺腺癌患者随访平扫CT图像,以评估delta影像组学特征在预测EGFR-TKIs受体酪氨酸激酶抑制剂耐药方面的预测价值[24]
最后,Ma等使用基于CT图像delta影像组学的机器学习算法评估多原发肺腺癌(MPLA)与孤立性原发肺腺癌(SPLA)之间的差异,并证明随访时间越长准确性越高[25]。
前列腺癌
在本更新中,纳入了五项关于前列腺癌的研究。不同作者探讨了delta影像组学在优化接受主动监测(AS)患者中的作用。在这方面,Midya等人的研究目的是利用序贯磁共振成像(MRI)量化接受AS的前列腺癌(PCa)患者的影像组学变化,并评估其与活检病理进展的关联[26]。初步结果表明,delta影像组学与升级事件的关联比PIRADS和其他临床变量更强。同样,Sushentsev等人聚焦于AS前列腺癌患者的MRI图像,开发了首个随时间序贯分析影像组学与临床特征组合的预测模型[27]。
他们通过使用长短期记忆循环神经网络(RNN)丰富了传统的delta影像组学方法。同一团队比较了PRECISE评分系统与不同delta影像组学模型在预测前列腺癌组织病理学进展方面的性能[28]。
PRECISE和delta影像组学模型在预测AS患者PCa进展方面取得了相当的good性能。
其他作者探讨了delta影像组学在预测接受RT患者毒性和结局方面的作用。
Delgadillo等人聚焦于接受根治性RT的前列腺癌患者的泌尿生殖系统毒性,使用CBCT以确保治疗准确性[29]。他们确定了一个delta模型来预测急性和亚急性国际前列腺症状评分(IPSS)及毒性分级。早在RT第一周,即对应前20 Gy BED时,基于CBCT的delta影像组学即以中等性能(AUC > 0.7)预测急性和亚急性GU毒性及∆IPSS。相反,Algohary等人研究了接受RT的前列腺癌患者RT前和RT后的MR图像[30]。目的是评估某些影像组学特征对治疗结局的预测能力。
胃肠道肿瘤
Delta影像组学已在多项研究中作为一种有前景的非侵入性方法用于胃肠道疾病,特别是用于预测治疗反应和辅助鉴别诊断。
食管癌和胃癌
Li等人研究了基于鳞状细胞食管癌患者CT图像delta影像组学特征的机器学习模型的能力。通过利用免疫化疗前后图像组特征的变化,他们建立了机器学习模型,并将这些模型与仅基于免疫化疗后CT图像的模型进行比较。其研究目的是避免对免疫治疗有反应的患者进行不必要的手术。他们的决策曲线分析显示,其机器学习模型具有良好的预测性能,并为临床治疗决策过程提供了参考值,在完全病理缓解方面取得了更好的结果[31]。
Krishna等对166例接受姑息性化疗并接受增强CT检查的转移性胃食管腺癌患者进行了一项回顾性研究。他们的研究旨在确定临床、影像组学和Delta影像组学特征的组合,以准确预测无进展生存期和总生存期。他们的研究表明,化疗8-12周后转移病灶的数量对预测生存具有重要意义。此外,他们证明了脑转移的存在与较差的总生存期(OS)相关,但与无进展生存期(PFS)无关。在影像组学特征中,利用了对比度和形状致密度。相邻区域之间的强度差异被确定为瘤内异质性的标志物,并与PFS和OS均相关。治疗前后CT上异质性的丧失和均匀性的改善是众所周知的治疗反应指标,而形状致密度反映体积紧凑度。较大的致密度与较差的PFS相关[32]。
Lu等利用MRI研究评估了Delta影像组学模型在预测接受新辅助化疗的局部晚期食管鳞癌患者治疗反应方面的有效性。该研究表明,基于T2-TSE-BLADE序列的MRI影像组学特征具有预测TRG(肿瘤消退分级)的潜在能力。使用T2-TSE-BLADE图像提取病灶的磁共振成像特征,该图像能够在减少运动伪影的同时提供高图像质量。结合形状特征,共选择四个影像组学特征用于构建Delta模型。研究发现,良好反应组与非良好反应组之间的体积缩小率无统计学显著差异。最重要的特征是归一化灰度非均匀性,在良好反应患者中表现出较低的强度水平[33]。
An等评估了食管鳞癌患者在治疗早期(第5次分割)和治疗结束后(第10次分割)从整个肿瘤ADC图中提取的影像组学特征之间的关联。从治疗前图像和Delta影像组学序列中提取影像组学特征,并建立预测模型。研究证明,基于ADC图的放化疗期间Delta影像组学在预测治疗反应方面是有效的[34]。
同样,针对胃肿瘤也进行了Delta影像组学研究。Shen等研究了132例作为内部队列和43例作为外部验证队列的接受新辅助化疗的晚期胃癌患者。他们旨在评估治疗前后计算机断层扫描影像组学特征变化之间的关联,并预测总生存期(OS)。采用LASSO方法筛选预测性影像组学特征。对三个CT参数进行了AUC分析:新辅助化疗前CT放射学特征的获取(befCT-RS)、新辅助化疗后CT放射学特征的获取(aftCT-RS),以及新辅助化疗导致的CT放射学特征值的变化(delCT-RS),证明这些参数是评估生存的优良指标[35]。
Li等人回顾性评估了采用CT特征的delta影像组学在接受ICI治疗的IV期胃癌患者预后预测中的价值。在基线和随访CT扫描的动脉期和静脉期,于瘤内和瘤周区域识别出八个影像组学特征。基于这些影像组学特征,作者根据基线和首次随访CT扫描为病灶分配了特定评分,从而能够预测患者的无进展生存期[36]。
Wang等人研究了如何开发并验证一个影像组学模型,用于评估局部晚期胃肿瘤患者在新辅助化疗后的肿瘤退缩分级(TRG)。共回顾性纳入103例患者,并分为两个队列。最终为新辅助化疗、新辅助治疗后及delta特征集分别筛选出多达六个影像组学特征。delta模型在训练队列和验证队列中评估TRG均表现出最佳性能。因此,该研究强调,基于CT图像的delta影像组学有可能作为评估TRG和预测患者预后的生物标志物[37]。
肝脏
delta影像组学方法也已被用于评估治疗反应以及表征肝细胞癌(HCC)和肝转移瘤。
Aujay等人评估了影像组学评估经动脉放射性栓塞(TARE)反应的能力,纳入22例HCC患者,这些患者在治疗前4周和治疗后4周接受了磁共振成像。通过评估动脉期图像上的长程强调、短轴长度、表面积和灰度不均匀性,他们能够识别应答者和无应答者[38]。
Ho等人证明了基于治疗前MRI的多方面影像组学关联的重要性,该关联源于序贯经动脉化疗栓塞(TACE)和立体定向体部放疗(SBRT)联合免疫治疗用于不可切除HCC患者。通过对26例患者的回顾性评估,他们展示了通过四个影像组学特征识别应答患者、从而筛选治疗候选者的可行性:时间变化、瘤内均匀性、源自动脉期(AP)的影像组学特征以及肿瘤形态[39]。
同样,Jin等人评估了消融性SBRT在HCC或胆管癌患者中引起的纹理特征变化。单次剂量放疗后的delta影像组学特征预测了所研究患者队列的局部控制,从而能够识别放射抗拒性疾病患者,并为医生提供了在3个月标准再治疗之前调整患者管理的机会[40]。
虽然上述研究侧重于通过研究delta影像组学特征来预测治疗反应,但Han等人回顾性研究了对比增强肝特异性MRI扫描上的delta影像组学。他们观察到,delta影像组学模型可以无创地预测磷脂酰肌醇蛋白聚糖-3阳性HCC,为诊断和个体化治疗提供了有价值的信息[41]。
肝转移瘤,尤其是结直肠癌来源的肝转移瘤,近年来已通过delta影像组学模型得到广泛研究,特别是用于评估治疗前和治疗后环境中的缓解程度。
Ye等人研究了基于CT的delta影像组学特征与接受化疗的结直肠癌肝转移患者无进展生存期之间的关联。通过delta影像组学数据,他们评估了个体肝转移灶对一线奥沙利铂为基础治疗的反应,预测哪些患者会出现治疗耐药,并避免不必要的药物毒性[42, 43]。
同样,Su等人通过基于磁共振成像的影像组学模型评估了治疗的疗效和结局。他们纳入了100例患者,分为应答者和无应答者,并从治疗前后的图像中提取数据。他们发现了基于图像影像组学特征差异的影像组学模型在预测治疗反应方面的优势,从而改善决策和临床结局[44]。
胰腺
近年来,只有两项研究在胰腺中使用了delta影像组学模型,且均旨在评估治疗反应。
Simpson等人从30例胰腺癌患者的低场磁共振成像中提取了delta影像组学。该研究旨在使用经磁共振成像(MRI)引导的消融性立体定向放疗治疗的图像来预测治疗反应[45]。同样,Tomaszewski等人评估了26例接受MRI引导立体定向放疗的胰腺癌患者,通过delta影像组学分析预测治疗反应[46]。
直肠癌
delta影像组学数据的评估可作为直肠癌多种情境下的生物标志物,尤其是在评估对新辅助放化疗治疗的反应方面。
Wen等人检查了126例局部晚期直肠癌(LARC)患者,以评估对新辅助放化疗治疗的反应并避免手术。使用基于磁共振成像的治疗前和治疗后特征及delta影像组学特征评估治疗反应的预测。将影像组学模型与两位放射科医师的定性评估进行比较。尽管作者对此证据呼吁谨慎,但已证明影像组学模型比单个放射科医师的评估更敏感,因为后者倾向于高估疾病[47]。
在THUNDER-2研究中,Chiloiro等人评估了delta影像组学的使用以及引入早期退缩指数(ERI)能否预测对放疗的反应。他们的目标是评估增加放疗剂量对低反应LARC患者的影响,这些患者通过ERI识别,ERI计算基于0.35 T MRI模拟成像与治疗中期成像(BED 22 Gy)之间,旨在提高完全缓解并避免手术治疗[48]。
随后,Chiloiro等人通过应用于直肠系膜特征的delta影像组学评估了接受新辅助放化疗的LARC患者的治疗反应。分析了治疗前和治疗后的磁共振,并开发了完全病理缓解的预测模型以与ERI整合[49]。
除从直肠系膜提取的特征外,Chiloiro等人还开发了另一个逻辑回归模型,能够通过delta影像组学方法预测2年无病生存期(2yDFS)。研究结果显示了有希望的初步结果,尤其是在预测2yDFS模型方面,该模型基于生物有效剂量(BED)54 Gy与模拟之间面积/表面积比值的变化[50]。
同一作者随后发表了THUNDER-2研究的第二篇文章,在该研究中他们继续了该项目,证明了基于delta影像组学的预测模型的可行性。对于被ERI预测为无应答者的局部晚期直肠癌(LARC)患者,剂量增加至60.1 Gy耐受良好,证实了该方法的安全性,尤其是在急性毒性和治疗依从性方面[51]。
同样,Wang等人开发并验证了基于MRI的delta影像组学模型,用于预测接受新辅助放化疗的LARC患者的治疗反应,突出了其在临床应用中预测反应并提供日益个性化治疗的潜力[52]。
Nardone等人评估了MRI在delta纹理分析(D-TA)中用于预测完全病理缓解发生率以及因此预测接受新辅助放化疗及后续根治性手术的LARC患者生存情况的应用。结果似乎特别有前景,支持了以下假设:D-TA在检测完全缓解的发生和/或筛选可能从放化疗后根治性手术中获益的患者方面可能具有显著的预测价值[53]。
Peng等人回顾性研究了直肠癌患者在新辅助治疗不同时间点MRI影像组学特征对治疗结束时显示完全缓解的预测效能。他们利用人工智能开发并验证了一种时空影像组学模型(RSTM)。RSTM在对新辅助治疗完全缓解方面表现出优异的预测效能,有望成为辅助直肠癌患者管理的潜在临床工具[54]。
淋巴结受累仍是一个高度争议的话题。Zhu等人旨在研究LARC患者放化疗前后基于T2加权图像和ADC图的磁共振影像组学特征,以评估转移性淋巴结病变状态,证明影像组学模型可以预测远处淋巴结病变[55]。
头颈癌
多种方法已被用于外推影像组学delta模型以预测头颈(H&N)癌对放化疗(CRT)治疗的反应。
两项研究使用MRI预测对诱导化疗(IC)的可能反应。
Xi等人[56]分析原发性鼻咽癌(NPC)IC前后MRI,从影像组学delta模型中筛选出12个能够预测药物治疗反应的子集。
同样,Corino等人[57]发现来自T2图像和ADC图的delta影像组学信息在预测鼻腔鼻窦癌对IC反应方面有所改善。
其他作者则侧重于锥形束计算机断层扫描(CBCT)分析,通过计算放疗疗程首次与末次治疗之间的delta值。
为了预测可能的疾病进展,Sellami等[58]展示了七种影像组学特征;其中只有“粗糙度”显示出具有能够有效预测肿瘤发展的差值影像组学模型。
同样,Morgan等获得了一个结合临床和影像组学特征的模型,通过分析放疗第1次和第21次CBCT的差值,成功预测了头颈部癌症放化疗治疗中的局部失败[59]。
该策略也可用于获取能够预测放化疗治疗可能毒性的数据;事实上,Abdollahi等将CBCT获得的影像组学参数与腮腺剂量分布的剂量学特征相结合,开发了预测口干症的模型[60]。
Jeong Kim等研究了鼻咽癌患者放疗前后PET/CT扫描的影像组学参数,通过差值影像组学展示了一个能够预测无进展生存期和总生存期的模型[61]。
乳腺癌
在乳腺癌方面,两项研究聚焦于使用MRI研究新辅助化疗(NAC)治疗中的反应。
Liu等研究了治疗前MRI和第一个NAC周期后MRI的影像组学要素,以寻找预测腋窝淋巴结完全缓解的可能反应因素。
获得的结果是三个差值影像组学模型结合临床模型,能够预测腋窝区域的完全缓解[62]。
同样,Guo等研究了NAC第一周期前后的MRI,通过动态对比增强获得了早期肿瘤完全缓解的计算模型[63]。
在同一组患者中,Bhardwaj等聚焦于使用超声(US)研究影像组学特征。通过计算NAC前和治疗第四周US扫描分析所得值的差值,他们确定了能够预测可能局部区域复发的特征[64]。
Yang等使用US,聚焦于寻找预测同一组患者NAC反应的因素。
通过分析治疗前图像和第二个化疗周期后的图像,他们获得了一个结合影像组学特征和Ki-67表达的列线图;该列线图显示了对新辅助治疗反应的极好预测能力[65]。
一项研究聚焦于使用CT图像的差值影像组学在转移性乳腺癌患者中的应用。
Khorrami等通过研究治疗前和几个化疗周期后的CT图像,寻找能够预测肝转移对细胞周期蛋白依赖性激酶4/6抑制剂(CDK4/6i)全身治疗反应的影像组学模式。图像比较发现,应答者和非应答者之间肿瘤内Haralick熵的变化不同;该熵值的增加与较高的无应答率和较差的总生存期相关,表明该值可用于预测患者结局[66]。
其他疾病
一些研究聚焦于其他较为少见的肿瘤性疾病,如宫颈癌、肾癌、淋巴瘤和黑色素瘤。而其他作者评估了差值影像组学的使用,其与肿瘤学反应结局无关,而是与其他临床状况相关。
Small等开发了一个基于MRI的差值影像组学模型,用于接受放化疗后近距离放疗的宫颈癌患者。
通过分析首次和末次近距离放疗分次的MRI图像,他们获得了两个与无进展生存期(PFS)预测相关的delta影像组学特征组合[67]。相反,Esposito等人研究了使用PET/CT是否可以预测滤泡性淋巴瘤患者对化疗的反应,他们分析了接受两种不同类型化疗的患者治疗前和治疗后的图像。尽管受限于较短的随访期,他们揭示了一个可以预测治疗反应的影像组学特征:初始骨密度较低的患者与更具侵袭性的疾病相关,且PFS更短[68]。
在转移性黑色素瘤患者中,Guerrisi等人试图通过研究基线和第一个治疗周期后的CT来预测对纳武利尤单抗(Nivolumab)治疗的反应。通过分析图像,他们发现了多个有前景的影像组学特征,其中影像组学delta分析显示,病灶内熵百分比变化越大与更好的总生存期(OS)和PFS相关[69]。
Miao等人尝试基于多序列MRI的全肿瘤纹理分析,为软组织肉瘤(STS)患者构建新辅助放疗和靶向治疗的有效预测模型[70]。他们的多序列MRI全肿瘤纹理分析能够有效预测STS患者新辅助放疗和靶向治疗后的病理完全缓解(pCR)状态,优于RECIST标准和标准AJCC分期。
至于非肿瘤学适应症,血管系统方面已有一些研究报道。
Li等人通过研究血运重建前后的CT扫描,探讨了delta影像组学在预测烟雾病治疗反应中的应用;结果显示,基于“引流时间”的delta影像组学模型具有识别治疗后侧支血管形成的潜力[71]。同时,Gerwing等人通过分析治疗前后的MRI,专注于研究delta影像组学因素在预测静脉畸形硬化治疗反应方面的可能作用。该研究确定了六个独特特征,在预测硬化治疗结局方面显示出前景[72]。
两项研究均强调了开展非肿瘤学delta影像组学试验以进一步探索该领域的重要性。
临床试验
目前有几项临床试验正在进行中,以研究delta影像组学在肿瘤和其他疾病的诊断与治疗路径中的作用(表2)。
值得注意的是,某些研究旨在将分子/组织学特征加入delta影像组学算法,支持了疾病的基因组学知识有助于治疗选择和预测的理论。
此外,在治疗期间根据早期反应调整总放疗剂量的delta影像组学方法被证明是有意义的,为创新的剂量优化范式铺平了道路。
同样重要的是delta影像组学在非肿瘤学背景下的作用,为不良事件提供了额外的见解并支持预防策略。
在肿瘤学和其他领域研究delta放射组学的临床试验有可能彻底改变诊断和治疗方法,提供个性化医疗以改善患者结局。随着这项研究的进展,先进成像技术与分子数据分析的整合必将重塑医疗决策过程,并最终推动许多领域的精准医学发展。
讨论
本系统综述的目的是评估自我们先前分析以来的2年内科学文献中发表的不同delta放射组学方法的最新进展,并使用RQS和QUADAS-2评估研究质量。
自我们上次工作以来,聚焦于delta放射组学和MRI [73]的研究显著增加,尤其是前列腺癌 [74–77]、胃肠道癌症 [78–82]、骨转移 [83, 84] 以及头颈部癌症 [85–92]。
研究的增加表明人们日益认识到这种成像方式所提供的潜在益处和细微差别。文献的扩展凸显了向使用先进成像技术(如MRI)并结合delta放射组学的转变。
对研究的评估显示,比较QUADAS标准与RQS评分时存在差异。
关于QUADAS-2,39.6%的研究因纳入标准不明确而被归类为患者选择偏倚风险高或不明确。关于指标试验,58.6%的研究被归类为高或不明确。
因参考标准、流程和时序导致的偏倚风险在36项(62.1%)和30项(51.7%)研究中被归类为高或不明确。
另一方面,如果我们考虑QUADAS-2的适用性,其在参考标准(20项研究,34.5%)、指标试验(23项研究,49.1%)和患者选择(25项研究,43.1%)方面也不明确或存在高度疑问。
所有研究的RQS中位数为30.5%(均值31% ± 17%),其中6项研究(10.3%)的质量评分低于10%,21项研究(36.2%)低于25%。
18项研究未进行任何类型的验证(31%),而29项进行了内部验证(50%),11项进行了外部验证(18%);这些数据与先前综述中报告的数据非常相似。
如果我们比较上次综述的数据,可以看到QUADAS评分在患者选择偏倚风险高或不明确方面有所改善(60% vs. 39.6%),指标试验相关数据有小幅改善(高风险62% vs. 58.6%),而在分析流程和时序中未知风险的数据时可以看到更好的数值(75% vs. 51.7%),同时时序和流程中高偏倚风险略有下降(50% vs. 62.1%)。
此外,如果我们比较QUADAS-2的适用性,我们发现参考标准(60% vs. 34.5%)、指标试验(77.1% vs. 34.5%)和患者选择(70.8% vs. 43.1%)方面的数据略有恶化。
比较当前研究与先前研究的RQS值时,研究质量显示出显著改善。当前中位数为30.5%,而先前研究为25% [13]。
需要强调的是,近年来已采用多种方法来提高影像组学研究的质量。这些方法包括使用影像组学和人工智能清单[93, 94]、图像生物标志物的标准化[95],以及旨在评估影像组学研究偏倚风险和适用性的工具[96]。
尽管如此,尽管存在上述转化困难,Delta影像组学仍然是一种有前景的替代生物标志物。其应用可以简化对不同治疗策略的评估,特别是在期望终点是即时且务实的情境中。例如,在新辅助治疗策略中,疾病缓解是治疗效果的关键指标。
鉴于癌症诊疗需要及时且适应性的决策,这一发现尤为重要,因为可靠生物标志物的可用性可以显著指导临床选择。
有趣的是,在2年期间,共筛选出58篇文章,但仅发现五项正在进行的临床研究。这引发了对Delta影像组学在临床实践中有效转化应用潜在障碍的担忧。活跃研究数量有限表明,文献中的理论进展与真实世界实践环境中的实际实施之间存在差距。我们认为,开展更多临床试验对于验证Delta影像组学方法的可靠性和适用性至关重要。
尽管遵循了最恰当的方法学方法,本系统评价影响最大的局限性在于所报告的结果未以标准化方法进行量化。各研究在方法和技术设计方面存在相当大的异质性,使得难以直接比较和明确评估所收集的数据,难以为读者提供可推广的结论。
结论
Delta影像组学在肿瘤学中的多种临床终点方面显示出前景。这些包括鉴别诊断、预后、治疗反应预测和不良事件评估。与之前的系统评价[13]相比,本综述纳入的研究表明,在方法学严谨性、透明度和整体研究质量方面呈积极趋势。然而,分析显示,所分析研究中不可忽视比例的研究仍存在高偏倚风险或低质量,需要更直接地加以解决。
总之,需要进一步研究以对Delta影像组学应用进行临床验证。未来研究应包括更多前瞻性和多中心研究,以深入探索这一创新方法,并确保所获得结果具有更高的可靠性和稳健性。
补充信息
以下是电子补充材料的链接。补充文件1(PNG 198 KB)
引用
- Nardone V, Reginelli A, Rubini D, et al. Delta radiomics: an updated systematic review. Radiol Med. 2024. PMID: 39017760. doi:10.1007/s11547-024-01853-4
- 全文:PMC11322237(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11322237/
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。