文献速递腹部MR

基于MR影像组学预测混合型肝细胞癌-胆管癌微血管侵犯状态及其生物学过程

MR radiomics to predict microvascular invasion status and biological process in combined hepatocellular carcinoma-cholangiocarcinoma.
PubMed 文献 · Insights Imaging · 2024-07-09

本研究回顾性纳入两家医院118例及前瞻性25例病理确诊的混合型肝细胞癌-胆管癌患者,基于术前增强MRI提取影像组学特征构建预测微血管侵犯的模型。影像组学模型在训练集、验证集和测试集的AUC分别为0.935、0.873和0.779,并显示与总生存期相关,RNA测序提示其与免疫应答相关生物学过程有关。

要点

  • 基于术前增强MRI的影像组学模型可预测混合型肝细胞癌-胆管癌的微血管侵犯状态。
  • 模型预测的MVI阳性组与阴性组中位总生存期分别为18个月和25个月(p=0.008)。
  • 肿瘤大小和表面回缩是MVI状态的独立预测因子,可用于构建临床-影像模型。

核心结论

  • 建立了稳健的基于MRI的影像组学模型用于预测cHCC-CCA的MVI状态,并展示了其潜在预后价值及与调控免疫应答相关的生物学过程。

研究设计与样本

  • 回顾性数据集(训练集82例,验证集36例)和前瞻性数据集(测试集25例)来自两家医院,共143例病理确诊的cHCC-CCA手术切除患者,使用1.5-T MR扫描仪采集增强MRI,以病理MVI状态为参考标准。

关键影像表现/征象

  • 训练集中MVI阳性组较MVI阴性组肿瘤更大(2.6 [1.95–4] vs 3.75 [2.5–6.375],p=0.018)、表面回缩更多(6.8% vs 31.6%,p=0.004)、瘤内出血更多(0.0% vs 21.1%,p=0.005)。
  • 验证集中血清AFP水平是MVI阳性与阴性组间唯一有统计学意义的因素。
  • 靶样表现定义为存在以下任一特征:环形动脉期高强化、周边廓清、靶样扩散受限和延迟中心强化。

诊断标准与关键数值

  • 影像组学模型预测MVI的AUC在训练集为0.935(0.885–0.986)、验证集为0.873(0.760–0.986)、测试集为0.779(0.580–0.978)。
  • 临床-影像模型预测MVI的AUC在训练集为0.673(0.554–0.792)、验证集为0.630(0.442–0.818)、测试集为0.815(0.648–0.981)。
  • 影像组学模型AUC在训练集显著高于临床-影像模型(0.935 vs 0.673,p<0.001),验证集亦显著更高(0.873 vs 0.630,p=0.007),测试集无显著差异(0.779 vs 0.815,p=0.781)。
  • 临床-影像-影像组学模型AUC在训练集为0.937、验证集为0.873、测试集为0.786,与影像组学模型无显著差异(p值分别为0.859、>0.999、0.845)。

临床应用与阅片要点

  • 作者认为影像组学模型可促进cHCC-CCA的风险分层,并为指导免疫治疗策略提供见解。
  • 作者认为影像组学模型预测的MVI状态与总生存期相关,中位OS在预测MVI阳性组为18个月、预测MVI阴性组为25个月(p=0.008)。
  • 作者认为基于RNA测序发现的免疫应答相关生物学过程可为选择可能受益于免疫治疗的患者提供参考。

局限性

  • 预测模型基于回顾性收集的数据构建,选择偏倚不可避免。
  • 本研究仅纳入手术切除的单发cHCC-CCA患者以简化模型构建,牺牲了其泛化性。
  • 既往研究表明动脉期瘤周强化是显著预测因子,未来应引入瘤周区域提取的影像组学特征。
  • 本研究样本量尤其是测试集相对较小,未来需要多中心大样本研究以获得更有说服力的结果和更全面深入的转录组分析。
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 Jul 9;15:172. doi: 10.1186/s13244-024-01741-5

引言

混合型肝细胞癌-胆管癌(cHCC-CCA)是一种罕见的原发性肝癌(PLC)亚型,同时含有不同比例的肝细胞成分和胆管成分,在PLC中的发病率为0.4%–14.2% [1–4]。部分由于其罕见性和组织学异质性,cHCC-CCA的预后和治疗长期以来一直是有待阐明的争议性问题。因此,适当识别预后因素将有助于风险分层并促进cHCC-CCA的个体化管理。

微血管侵犯(MVI)是某些肿瘤中已明确的危险因素 [5–8],MVI与cHCC-CCA预后之间的关系已被多项既往研究证实 [9, 10]。因此,一些研究者,尤其是放射科医师,密切关注MVI的术前预测,以便更好地服务于临床实践。一些常规影像学特征和临床生物标志物,如肝脏影像报告和数据系统(LI-RADS)分类、动脉期瘤周不规则强化和血清AFP升高,已被确定为cHCC-CCA中MVI的显著危险因素,然而,其观察者间一致性相对欠佳或灵敏度较低 [10]。

影像组学作为一种从医学图像中提取肉眼不可见的定量信息的无创工具 [11],有望捕获指导临床决策的标志物,可能是术前预测cHCC-CCA中MVI的一种有前景的方法。此外,在HCC中已证实MVI存在组与MVI不存在组之间基因表达存在显著差异 [12–14],越来越多的证据支持影像组学特征与特定生物学画像之间的密切关联 [15–18]。因此,有必要进一步研究影像组学的生物学信息,以验证其临床价值并进一步推动cHCC-CCA的临床转化。

因此,本研究的目的是建立一种稳健的基于MRI的影像组学模型用于预测cHCC-CCA的MVI状态,并通过分析RNA测序数据探究该影像组学模型的潜在生物学过程。

材料与方法

本研究经机构审查委员会批准,每位入组患者均需签署知情同意书。

研究患者

为构建基于MRI的影像组学模型,回顾性纳入2019年1月至2021年12月期间在中山医院和上海市老年医学中心接受手术切除、经病理确诊的cHCC-CCA患者共158例,纳入标准如下:(1)基于2019年WHO分类的cHCC-CCA病理诊断;(2)术前2周内完成增强MRI检查;(3)单发病灶,无肝内转移或多中心起源。根据以下标准排除40例患者:(1)MRI前接受过任何术前治疗;(2)MR图像质量不合格;(3)病理描述数据不完整;(4)存在大血管侵犯。最终,118例患者纳入本研究,并按7:3的比例随机分为训练集和验证集(图1a)。

为了对放射组学模型进行前瞻性生物学验证,按照上述纳入标准,纳入了2022年3月至2022年12月期间接受手术切除且具有RNA测序数据的25例经病理确诊的cHCC-CCA患者(图1b),将其命名为测试集。该数据集也被纳入一篇尚未发表的论文中,该论文旨在探索cHCC-CCA中每种成分的特定生物学特征。

图1 患者招募流程图。a 训练集和验证集。b 测试集。cHCC-CCA,混合型肝细胞癌-胆管癌 查看原图 ↗

临床病理数据评估

回顾性或前瞻性地从病历中检索cHCC-CCA患者的相关临床和病理数据,包括年龄、性别、肝炎病毒感染、肿瘤大小、肿瘤生物标志物(AFP、CEA和CA 19-9)以及MVI状态(MVI+指在内皮衬覆的血管腔内发现≥50个悬浮肿瘤细胞组成的肿瘤巢,仅在显微镜下可见)。对于MVI状态的评估,每例患者的肝切除标本由两名病理学家独立进行显微镜下观察。

MRI技术和常规MR图像分析

所有MR图像均通过1.5-T MR扫描仪(uMR 560,联影医疗)采集。钆布醇(Gadavist;Bayer HealthCare)以2 mL/s的速率静脉给药,总剂量为0.1 mmol/kg。常规增强MR成像方案包括T1加权同相位和反相位序列、横轴位T2加权快速自旋回波序列、b值为0 s/mm²、50 s/mm²和500 s/mm²的扩散加权成像(DWI)、增强前和增强后三维T1加权成像,分别在动脉期(20–30 s)、门静脉期(70–90 s)和延迟期(160–180 s)进行采集。各序列的所有详细参数此前已有报道[10]。

MRI图像由两位经验丰富的放射科医师C.Y.和C.W.Z.进行分析,两人分别具有15年和14年的腹部影像分析经验。若两位放射科医师之间存在任何分歧,则通过充分讨论达成共识。评估重点关注以下几个增强MR特征,包括强化模式(非环状动脉期高强化(APHE)和环状APHE)、廓清模式(非周边廓清和周边廓清)、强化包膜、延迟中心强化和晕环强化。此外,还评估了瘤内出血、脂肪沉积、弥散受限状态(存在或不存在,环状或非环状)、胆管扩张、结节套结节结构、马赛克结构以及肝包膜回缩。靶样表现定义为存在以下任一特征:环状APHE、周边廓清、靶样弥散受限和延迟中心强化。这些MR特征的详细定义见表S1。

放射组学分析

一名放射科医师(Y.Y.X.,具有7年腹部影像分析经验)使用ITK-SNAP软件进行肿瘤分割,这些分割结果由一名资深放射科医师(C.Y.,具有15年腹部影像分析经验)进行检查。在pre-T1WI、AP、PVP、DP、T2WI-FS以及b值为500 s/mm2的DWI六个序列上手动勾画感兴趣区体积。此外,由Y.Y.X.在1个月后对随机选取的30个病灶的MR图像再次进行勾画,以评估观察者内可重复性,这30幅MRI图像也由另一名放射科医师(C.W.Z.,具有14年腹部影像分析经验)独立勾画,以评估观察者间可重复性。

所有MR成像体素均各向同性重采样至1 × 1 × 1 mm3,以消除采集相关的体素异质性。使用uAI Portal(版本:20230715)提取影像组学特征,该平台内嵌PyRadiomics工具,并采用Z-score方法获取影像组学特征的归一化值。

无复发生存(RFS)和总生存(OS)的随访

RFS时间指从手术至复发、死亡或末次随访日期的时间间隔,而OS时间定义为从手术至死亡、末次随访日期或研究截止日期2023年7月31日的时间间隔。

统计分析

采用组内相关系数(ICC)评估观察者内和观察者间可重复性,选择在观察者内和观察者间设置中ICC均≥ 0.80的影像组学特征进行进一步分析。依次进行Spearman相关分析、最大相关最小冗余以及最小绝对收缩和选择算子方法,以获得最优影像组学特征。采用单因素和多因素logistic回归分析在训练集中构建临床-影像模型。计算每个预测模型的诊断性能参数,如受试者工作特征曲线下面积(AUC)、灵敏度、特异度、准确率、精确率和F1分数。分别采用Delong检验和McNemar检验比较AUC、准确率、灵敏度和特异度,并使用Benjamini–Hochberg方法校正错误发现率(FDR)。进行Hosmer–Lemeshow拟合优度检验,随后生成校准曲线。采用决策曲线评估临床实用性。

前瞻性RNA测序组的患者根据影像组学评分下四分位数分为低评分组和高评分组。随后我们使用DESeq2软件包鉴定低评分组和高评分组之间差异表达基因(DEGs),标准为|log2(倍数变化)| > 1且FDR校正p < 0.05。随后使用具有统计学显著性的DEGs鉴定基于基因本体论(GO)的独特生物学过程。GO突出显示最多的DEGs,并发现这些基因与生物学过程之间的系统联系。

连续变量在不同组间采用学生t检验、方差分析(ANOVA)、Mann–Whitney U检验或Kruskal–Wallis H检验进行比较,分类变量采用χ2检验或Fisher精确检验进行比较。采用Kaplan–Meier法和log-rank检验生成并比较生存曲线。统计分析使用R软件(版本4.1.1)进行。p值小于0.05表示有统计学差异。

结果

患者特征

共纳入143例患者(平均年龄56.4 ± 10.5岁;114例男性)。82例和36例患者分别被分配至训练集和验证集,25例患者被纳入测试集。三个数据集的临床病理特征在表1中呈现并比较。验证集患者的乙型肝炎感染率较低(63.9%,p = 0.015),测试集患者表现出更大的肿瘤大小(5 [4–6],p = 0.029)。训练集和验证集中按MVI状态分组的患者特征总结于表2。在训练集中,38例患者被分配至MVI + 组,这些患者更可能表现出更大的肿瘤大小(2.6 [1.95–4] vs 3.75 [2.5–6.375],p = 0.018)、更多的表面回缩(6.8% vs 31.6%,p = 0.004)以及更多的瘤内出血(0.0% vs 21.1%,p = 0.005)。在验证集中,血清AFP水平是MVI + 组与MVI − 组之间唯一表现出统计学显著性的因素。

表1 三个数据集中cHCC-CCA患者的基线信息 查看原表 ↗
表2 训练集和验证集中按MVI状态分组的患者特征 查看原表 ↗

预测模型的构建及性能比较

在训练集的单因素和多因素logistic分析中,肿瘤大小(OR = 2.041,p = 0.015)和表面回缩(OR = 4.688,p = 0.032)均为MVI状态的预测因素,随后使用这两个特征构建临床-影像模型(表3),显示出不令人满意的预测性能,训练集和验证集的AUC分别为0.673(0.554–0.792)和0.630(0.442–0.818)。然而,该临床-影像模型在测试集中显示出更显著的AUC,为0.815(0.648–0.981)(表4)。

共从6个单一MR序列中提取出62个显著影像组学特征(表S2),各单一序列模型在训练集和验证集中的预测性能见表S3和图S1。在所有单一MR序列模型中,pre-TIWI、AP和PVP模型表现出最稳定和最佳的诊断性能,训练集和验证集中的AUC范围分别为0.797–0.958和0.759–0.794。为了建立稳健的多序列影像组学模型,将上述单一MR序列模型进行联合,参照影像组学模型。该影像组学模型表现出令人满意的预测性能,训练集、验证集和测试集中的AUC分别为0.935(0.885–0.986)、0.873(0.760–0.986)和0.779(0.580–0.978)。此外,该由三个序列组成的影像组学模型在训练集(0.935 vs 0.673,p < 0.001)和验证集(0.873 vs 0.630,p = 0.007)中的AUC显著高于临床-影像模型,但在测试集中无显著差异(0.779 vs 0.815,p = 0.781)。此外,影像组学模型的预测性能在训练集(0.935 vs 0.937,p = 0.859)、验证集(0.873 vs 0.873,p > 0.999)和测试集(0.779 vs 0.786,p = 0.845)中不劣于临床-影像-影像组学模型。各预测模型的诊断性能详见表4和图S2。

校准曲线显示了三个集合中预测MVI状态与实际MVI状态之间的拟合优度(图S3d–f),所有临床-影像模型、影像组学模型和临床-影像-影像组学模型在三个集合中的Hosmer-Lemeshow检验FDR p值均高于0.05(表S4)。临床-影像模型、影像组学模型和临床-影像-影像组学模型在三个集合中的决策曲线见图S3a–c。图2提供了两个使用我们的预测模型进行cHCC-CCA中MVI状态预测的应用示例。

表3 基于cHCC-CCA患者临床和MR影像特征的MVI状态单因素/多因素logistic回归分析 查看原表 ↗
表4 预测模型的诊断性能 查看原表 ↗
图2 cHCC-CCA中MVI状态预测的两个应用示例。a、b 一名46岁男性,10.0 cm MVI阳性cHCC-CCA的影像。基于影像组学模型计算,该病例的影像组学评分为0.928,T1加权成像显示病灶呈均匀低信号,伴有表面回缩(b)。预测MVI状态为阳性。c、d 一名51岁男性,2.5 cm MVI阴性cHCC-CCA的影像。基于影像组学模型计算,该病例的影像组学评分为0.018,T1加权成像显示病灶呈均匀低信号,无表面回缩(d)。预测MVI状态为阴性 查看原图 ↗

预测模型对生存的预测价值

训练集和验证集中全部118例患者在初次肝切除术后均接受随访,中位随访时间为21(范围,3–56)个月。总复发率为50.8%(60/118),总死亡率为25.4%(30/118)。

患者的中位RFS为14(范围,1–56)个月,具体而言,MVI+患者为10(范围,2–55)个月,MVI−患者为18(范围,1–56)个月(log-rank检验,p = 0.042)。在影像组学模型中,预测MVI+患者的中位RFS为10.5(范围,1–56)个月,预测MVI−患者为18(范围,2–54)个月,log-rank检验的p值为0.100,处于边缘显著性(图3a、c)。

所有患者的中位OS为21(范围,3–56)个月,具体而言,MVI患者为18(范围,3–55)个月,MVI−患者为25(范围,6–56)个月(log-rank检验,p = 0.023)。在按影像组学模型分层的患者中也发现了类似结果:预测MVI+患者的中位OS为18(范围,3–56)个月,预测MVI−患者为25(范围,6–56)个月,log-rank检验的p值为0.008(图3b、d)。

图3 根据组织学MVI状态和影像组学模型预测MVI状态分组的RFS(a、c)和OS(b、d)生存曲线。MVI,微血管侵犯;RFS,无复发生存期;OS,总生存期 查看原图 ↗

与影像组学评分相关的生物学过程

在具有RNA测序数据的外部集中,全部25例患者根据影像组学评分的下四分位数(− 0.976)被分配到低评分组和高评分组,其中7例患者位于低评分组,18例位于高评分组。共鉴定出46个DEGs在“低评分”组和“高评分”组之间差异表达,见图4a。基于这46个DEGs进一步进行GO分析,结果显示,在与影像组学模型相关的前十位生物学过程中,有五个生物学过程涉及免疫应答,如免疫应答分子介质的产生和参与免疫应答的细胞因子产生。各生物学过程的p值和涉及基因数已列于图4b。

图4 与影像组学模型相关的生物学过程的放射基因组学分析。a 火山图显示高评分组与低评分组相比的DEGs。b GO分析揭示了与影像组学评分相关的若干生物学过程。GO,基因本体论;BP,生物学过程 查看原图 ↗

讨论

在此,我们构建了一个影像组学模型,用于无创预测cHCC-CCA患者的MVI状态,在训练集、验证集和测试集中的AUC分别为0.935、0.873和0.779。重要的是,我们基于RNA测序数据的发现揭示了与影像组学模型相关的潜在生物学过程(主要涉及免疫应答)。

本研究首次建立了一个临床-影像模型,用于术前预测cHCC-CCA的MVI状态。单因素和多因素logistic回归分析结果显示,肿瘤大小和表面回缩是MVI状态的独立预测因素。肿瘤大小一直是MVI状态的可靠预测因素[19–21]:基于肿瘤进展假说[22, 23],肿瘤的组织学分级和侵袭性随肿瘤增大而增加,因此MVI风险也随肿瘤增大而增加。Zhou等[24]也证明肿瘤大小是cHCC-CCA中MVI状态的独立预测因素。此外,Liao等[25]探讨了临床和CT影像特征在预测cHCC-CCA患者MVI状态中的应用价值,发现表面回缩是MVI的独立预测因素,这与我们的研究结果一致。然而,本研究建立的临床-影像模型的预测性能并不理想。因此,我们进一步建立了影像组学模型和临床-影像-影像组学模型,并比较了它们的预测性能。结果显示,影像组学模型的预测性能显著优于临床-影像模型,且不劣于临床-影像-影像组学模型。在此基础上,我们进一步探讨了影像组学模型的预后和潜在生物学意义。

近年来,越来越多的证据表明,影像组学分析具有解决诊断模糊性、监测辅助治疗反应、增强预后模型,甚至可视化肿瘤组织学特征与生物学特征之间联系的潜力[26–31]。在本研究中,我们对MVI状态预测模型进行了影像组学特征的规范筛选,然后进行了多重验证以验证其稳健性。在测试集中,临床-影像模型显示出与影像组学模型统计学上相当的AUC,因为影像组学模型在训练集和验证集中的AUC显著高于临床-影像模型,而测试集相对较小的样本量可能解释了这一点。无论如何,我们首次建立的影像组学模型在预测cHCC-CCA的MVI状态方面显示出显著且可重复的性能,表明其在其他患者样本中的泛化性。

我们还研究了影像组学模型的预后方面。多项研究已报道cHCC-CCA的组织学MVI是结局的重要预后因素[9, 10, 32–34],我们的研究也证实了这一点。此外,我们研究中构建的影像组学模型不仅能够准确预测MVI状态,还与cHCC-CCA患者的OS相关。因此,我们的工作更进一步,展示了MR成像、MVI状态与手术切除后临床结局之间的影像组学联系,为cHCC-CCA患者的风险分层和个体化管理提供了启示,具有巨大的临床转化潜力。

放射组学研究的主要挑战之一是放射组学特征潜在生物学解释的模糊性。尽管放射组学背后的一个基本假设是放射组学特征与基因谱之间的关联,但尚无研究直接探讨cHCC-CCA中的这一联系。在本研究中,放射基因组学分析揭示放射组学特征与若干生物学过程相关,其中大部分涉及免疫应答的调控。肿瘤免疫微环境在肿瘤进展和预后中起着至关重要的作用。Nguyen等[35]的一项先前研究表明,与免疫低亚型cHCC-CCA相比,免疫高亚型对免疫治疗反应更好并表现出改善的OS;Zheng等[36]还基于免疫细胞密度构建了免疫评分,有望作为cHCC-CCA患者有价值的预后预测指标。由于本研究发现放射组学评分与涉及免疫应答调控的生物学过程之间存在相关性,利用放射组学方法表征MVI状态将为选择可能具有免疫应答调控相关基因上调或下调、可能从免疫治疗中获益的cHCC-CCA患者提供有价值的见解,从而指导cHCC-CCA的免疫治疗策略和风险分层。

本研究存在局限性。第一,预测模型基于回顾性收集的数据构建,选择偏倚不可避免。第二,为简化本研究的模型构建,我们仅纳入接受手术切除的单发cHCC-CCA患者,但其泛化性会受到影响。第三,若干聚焦于cHCC-CCA术前预测MVI的研究表明,动脉期瘤周强化是显著的预测因素[10, 37],因此未来应引入从瘤周区域提取的放射组学特征。最后,本研究的样本量,尤其是测试集中的样本量相对较小,因此未来有必要开展大样本量的多中心研究,以获得更有说服力的结果和更全面深入的转录组学分析。

总之,我们建立了一个稳健的基于MRI的放射组学模型用于预测cHCC-CCA的MVI状态,该模型表现出良好的诊断性能和潜在的预后价值。此外,本研究揭示了放射组学模型背后可能调控免疫应答的潜在生物学过程,这将为指导cHCC-CCA的免疫治疗策略和风险分层提供有价值的见解。

补充信息

电子补充材料

引用

  1. Xiao Y, Wu F, Hou K, et al. MR radiomics to predict microvascular invasion status and biological process in combined hepatocellular carcinoma-cholangiocarcinoma. Insights Imaging. 2024. PMID: 38981992. doi:10.1186/s13244-024-01741-5
  2. 全文:PMC11233482(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11233482/

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。