影像组学联合临床与MRI特征或可术前评估浆液性卵巢癌减瘤手术不满意
回顾性纳入机构A的228例浆液性卵巢癌患者(随机分为训练集与内部验证集)及机构B的45例外部验证集,基于腹部盆腔增强MRI提取影像组学特征并联合临床与MRI征象建模。双序列(T2FSE+T1CE)影像组学模型表现最优,AUC=0.720(P<0.05);联合模型在训练集、内部验证集与外部验证集的AUC分别为0.923、0.908、0.854。
要点
- 双序列(T2FSE+T1CE)影像组学模型在五个影像组学模型中表现最优,AUC=0.720(P<0.05)。
- CA-125、乙状结肠/直肠与卵巢肿块或道格拉斯窝种植灶的关系、膈肌结节、腹膜/肠系膜结节为独立预测因子。
- 联合模型在训练集AUC=0.923、内部验证集0.908、外部验证集0.854。
核心结论
- 影像组学-临床-影像联合模型具有整体算法可重复性,可能有助于制定个体化治疗方案并改善浆液性卵巢癌患者的预后。
研究设计与样本
- 回顾性研究,机构A纳入228例浆液性卵巢癌患者并按7:3随机分为训练集158例与内部验证集70例,机构B纳入45例作为外部验证集。
- 机构A使用3.0 Tesla全身MRI系统(Signa HDxt,GE Medical Systems),机构B使用1.5 Tesla全身MRI系统(Signa HDxt,GE Medical Systems),扫描范围与序列相同。
- 序列包括T1双回波成像(T1-DEI)、T2加权脂肪抑制快速自旋回波(T2FSE)、扩散加权成像(DWI,b值800 s/mm2)及钆喷酸葡胺增强T1CE(LAVA)。
- 以术后记录评估减瘤手术结果,ODS定义为R0,SDS定义为R1或R2。
- 每个序列提取1454个手工影像组学特征,经ICC≥0.90筛选后保留1292个特征。
关键影像表现/征象
- MR T1-DEI上乙状结肠/直肠与卵巢肿块或道格拉斯窝种植灶的关系按四点法分级:0级边界清晰且见钩边征,1级钩边征消失但两者形状可隐约区分,2级桥征且两者局限粘连,3级融合成块。
- 腹膜/肠系膜结节指种植于腹膜或肠系膜上直径>1 cm的结节,膈肌结节指种植于膈肌下方的结节。
- 卵巢肿块特征分为主要为囊性(实性成分少于三分之一)、囊实性(实性成分占三分之一至三分之二)及主要为实性(实性成分超过三分之二)。
- 腹水分级为少量(腹水局限于盆腔)与中大量(腹水超出盆腔)。
- 图4示R0病例右侧卵巢肿块未侵犯邻近直肠;R2病例双侧卵巢实性肿块,直肠前方盆腔腹膜种植灶与直肠融合成块,并见大量腹水及膈肌种植灶。
诊断标准与关键数值
- 五个影像组学模型中双序列(T2FSE+T1CE)模型最优,AUC=0.720(P<0.05)。
- 内部验证集中T2FSE、DWI、T1CE、T2FSE+T1CE及T2FSE+DWI+T1CE影像组学模型的AUC分别为0.656、0.664、0.700、0.720、0.700。
- 联合模型在训练集、内部验证集与外部验证集的AUC分别为0.923、0.908、0.854(P<0.05)。
- 训练集中联合模型AUC=0.908,高于最优影像组学模型的0.720与临床-影像模型的0.854。
- 数值变量最佳截断值:年龄57(C-index=0.687)、CA-125 918(C-index=0.723)、HE-4 276(C-index=0.742)、LDH 227(C-index=0.742,原文另写C index=0.651)、NLR 3.98(C-index=0.657)。
临床应用与阅片要点
- 联合模型纳入影像组学评分、血清CA-125及三项MRI征象(乙状结肠/直肠与卵巢肿块或道格拉斯窝种植灶的关系、膈肌结节、腹膜/肠系膜结节)。
- 联合模型中影像组学评分权重最重要,MRI变量中以T1-DEI上乙状结肠/直肠与卵巢肿块或道格拉斯窝种植灶的关系最重要。
- 作者认为该模型可能有助于制定个体化治疗方案并改善浆液性卵巢癌患者预后。
局限性
- 原文未报告局限性。
全文中译13 节 · 点击展开
引言
浆液性卵巢癌(SOC)是卵巢癌(OC)最常见的组织学类型,在妇科肿瘤中死亡率最高[1–4]。尽可能彻底地切除可见癌灶可延长SOC患者的生存期[5–7]。目前,初次肿瘤细胞减灭术(PDS)或新辅助化疗(NACT)后行间歇性肿瘤细胞减灭术(IDS)是SOC临床治疗的标准方案。然而,对于晚期卵巢癌患者哪种方案更优仍存在争议。尽管对于疾病负荷高的患者,NACT后行IDS更容易获得完全切除的机会,但并不一定带来“更令人满意”的总生存期[4, 8]。Rauh-Hain等[9]证实NACT会增加铂类耐药的风险。
最佳肿瘤细胞减灭术(ODS)定义为术后无残留病灶(R0)。当无法达到R0时,R1(最大直径< 1 cm的残留病灶)被认为是次优选择。为尽可能实现ODS,准确的术前评估至关重要。然而,这仍然是一项艰巨的任务。病灶广泛分布于腹腔,腹水通常导致厌食和身体状况不佳。这些因素使SOC患者的身体状况复杂化,往往增加了妇科医生术前评估手术风险、结局和预后的难度。
过去,妇科医生进行了大量研究以建立预测次优肿瘤细胞减灭术(SDS)的模型来指导临床实践,主要集中在计算机断层扫描(CT)[10–16]、磁共振成像(MRI)[14, 15, 17, 18]、正电子发射断层扫描-CT(PET-CT)[19, 20]、超声检查[21]、腹腔镜检查[2, 22–27]、免疫学[28]等方面。这些方法各有优缺点。基于CT、MR、PET-CT和超声检查的模型主观性强且可重复性低,要求妇科医生具有丰富的经验和影像判读技能。腹腔镜检查是评估肿瘤负荷的金标准,但考虑到对患者的身体创伤和经济负担,并非最佳方法。广泛异质性是肿瘤的重要特征,可能导致肿瘤播散范围存在差异[29–31]。基于免疫学的模型可以展示肿瘤内异质性,但无法提供肿瘤负荷、原发肿瘤邻近情况及腹盆腔种植转移的信息。既往研究报告的ODS率差异很大,从59.6%到84.5%不等[13, 15–18]。这可能除手术团队的技术水平外,还与术前评估模型可重复性差有关。因此,应开发一种更客观、准确且可重复的模型,能够指导肿瘤异质性的术前评估以判断SDS的可能性。
机器学习方法在医学图像分析中已广泛应用[32, 33]。影像组学具有高通量图像特征提取和高重复性的特点。在既往多项研究中,机器学习与影像组学的结合在卵巢癌(OC)的分类、鉴别诊断、化疗疗效评估和生存预测方面已显示出优势[34–39]。迄今为止,仅有少数研究聚焦于基于影像组学的SDS术前评估。Li等[20]使用影像组学-临床模型评估PDS术后残留病灶,但所涉及的影像学特征仅针对卵巢肿块。因此,鉴于肿瘤异质性、腹膜种植转移机制以及OC的手术重点,我们拟基于MRI开发并外部验证一个影像组学-临床-影像学模型用于SDS术前评估,该模型结合影像组学特征、临床特征、卵巢肿块特征及其邻近情况以及MR图像上的腹部种植病灶。
材料与方法
患者
机构A和B的伦理委员会批准了研究方案,鉴于本研究的回顾性性质,豁免了知情同意的需要。
本研究的工作流程总结于图1A。我们最初通过检索机构A的图像存档与通信系统(PACS),筛选了2016年1月至2021年3月在机构A接受术前腹盆腔MR和PDS的2779例卵巢肿瘤患者。记录所有初步纳入患者的临床数据,包括年龄、糖类抗原125(CA-125)、人附睾蛋白4(HE-4)、血清乳酸脱氢酶(LDH)水平、中性粒细胞与淋巴细胞比值(NLR)和美国麻醉医师协会分级(ASA)。
随后,若患者符合以下任一排除标准则进一步排除:(1)在MRI扫描和PDS之前有NACT或其他抗癌治疗史的患者;(2)病理证实为非SOC的其他女性生殖系统肿瘤患者;(3)MRI/实验室检查与PDS之间间隔>1个月;(4)缺少部分临床数据。最终,机构A共228例患者纳入本研究。
通过检索机构B的PACS,我们初步筛选了2019年1月至2022年3月的497例卵巢肿瘤患者。采用与机构A相同的纳入和排除标准,最终45例来自机构B的患者作为外部验证队列。
ODS/SDS的结局根据术后记录进行评估。根据Li等[18],本研究中ODS被视为R0,而SDS被视为R1或R2(最大直径≥1 cm的残留病灶)。
MRI方案
在A机构,腹盆腔MRI采用3.0特斯拉全身MRI系统(Signa HDxt,GE Medical Systems,Milwaukee,Wisconsin),使用体部相控阵线圈,扫描范围从膈顶至耻骨联合下缘。所有成像序列均在轴位平面进行,详细参数如下:T1双回波成像(T1-DEI)(翻转角/重复时间[TR],80°/265 ms),层厚5 mm;间隔1 mm;视野40 cm;激励次数(NEX),0.5;T2加权成像脂肪抑制快速自旋回波(T2FSE)(TR/回波时间[TE],4260 ms/108.6 ms);扩散加权成像(DWI)采用自旋回波平面回波成像(SE-EPI;TR/TE,5500 ms/63.9 ms),b值800 s/mm2;以及注射钆喷酸葡胺(0.1 mmol/kg体重,Magnevist;Bayer Schering)后即刻行脂肪饱和三维容积加速肝脏采集对比增强T1WI(LAVA,对比增强T1[T1CE])(TR/TE,4 ms/2 ms),注射速率为2–3 mL/s,随后在检查过程中于30、60、90和120 s重复扫描。T1CE的扫描参数如下:层厚4 mm;间隔2 mm;矩阵320 × 224;视野40 cm;激励0.7。
在B机构,使用1.5特斯拉全身MRI系统(Signa HDxt,GE Medical Systems),包括相同的扫描范围和序列,详细参数如下:T1-DEI(翻转角/TR,80°/200 ms),层厚5 mm;间隔1 mm;视野40 cm;NEX,0.75;T2FSE(TR/TE,2700 ms/68 ms);DWI(TR/TE,4000 ms/74.8 ms),b值800 s/mm2;注射钆喷酸葡胺(0.1 mmol/kg体重,Magnevist;Bayer Schering)后即刻行LAVA T1CE(TR/TE,4 ms/2 ms),注射速率为2–3 mL/s,随后在检查过程中于26、60、90和120 s重复扫描。T1CE的扫描参数如下:层厚4 mm;间隔0 mm;矩阵256 × 224;视野40 cm;激励0.7。
MRI分析
MR图像由两名在妇科MRI方面具有10年以上经验的经验丰富的放射科医生在PACS工作站上独立分析,然后通过讨论解决任何分歧。记录以下与SOC肿瘤细胞减灭术密切相关的放射学特征:(I)单侧或双侧肿块;(II)卵巢肿块特征(主要为囊性[实性成分占不到三分之一]、囊实混合性[实性成分占一到三分之二]和主要为实性[实性成分占超过三分之二]);(III)在MR T1-DEI上乙状结肠/直肠与卵巢肿块或种植于道格拉斯窝的肿块之间的关系。为对关系程度进行分类,使用了四点量表:(0)(清晰;乙状结肠/直肠与卵巢肿块之间的边界清晰,两者之间存在钩边征;(1)(紧密;钩边消失但两者的形状可模糊分辨);(2)(桥征;钩边消失且两者之间有限粘连);(3)(融合;钩边消失且两者融合成块);(IV)膈结节(种植于膈下的结节);(V)腹膜/肠系膜结节(种植于腹膜或肠系膜上的> 1 cm结节);(VI)腹部远处实质器官转移;(VII)肾上主动脉水平腹膜后淋巴结转移;以及(VIII)腹水量(少量,腹水局限于盆腔;中大量,腹水超出盆腔)。
肿瘤分割、特征提取和可重复性检验
在肿瘤分割之前,所有MRI序列均以线性插值重采样至相同体素大小(1 mm × 1 mm × 5 mm),以确保在导出3D特征时尺度和方向的一致性。还进行了Z分数归一化作为数据的预处理步骤,以确保结果的可重复性并减少与扫描参数、方案、扫描仪和制造商相关的潜在影响[40]。
228例患者按7:3比例随机分为训练队列(n = 158)和内部验证队列(n = 70)。我们工作流程的图像处理-建模概述如图1B所示。使用ITK-SNAP软件对所有卵巢肿块进行肿瘤分割(版本3.8.0,http://openiconlibrary.sourceforge.net/)。分别使用T2FSE、DWI和T1CE,由两名在妇科MRI方面具有10年以上经验的放射科医生逐层手动勾画每个卵巢肿块的所有感兴趣区(ROI)。任何分歧均通过共识解决。对于双侧肿块患者,从较大者生成一组影像组学特征。
随后,使用开源Python包Pyradiomics(v. 2.1.1;http://www.radiomics.io/pyradiomics.html)从每个序列中提取1454个手工制作的影像组学特征。手工特征主要包括四组:形态学特征、基于强度的(一阶)、纹理(二阶)和变换特征。我们还从训练队列中选择了一个包含50个典型数据的子集,在1个月后重复勾画ROI。计算观察者间和观察者内的组内相关系数(ICC),以排除低于ICC阈值的不可重复特征。在本实验中,ICC ≥ 0.90的特征被认为是稳健的[41]。
特征选择、影像组学模型构建与评估
在重复性检验之后,采用三步特征选择方法以尽量减少过拟合,并识别出对分类最有效的特征。首先,使用t检验分析两类样本的均值与其分布是否存在显著差异。然后,使用最小绝对收缩和选择算子(LASSO)剔除高相关性特征。对三个序列的数据应用相同流程,分别保留13、13和2个特征。最后,使用最小冗余最大相关(mRMR)[42]去除冗余并保留可控数量的特征[43]。通过逻辑回归预先评估受试者工作特征(ROC)曲线的曲线下面积(AUC)、灵敏度和特异度,以确定特征数量。
此外,采用五种机器学习方法(即随机森林、逻辑回归、K近邻(KNN)、轻量梯度提升机(LightGBM)和极端梯度提升(XGBoost))构建影像组学标签以预测SDS [27],包括每个MRI序列的单序列、双序列和全序列。通过比较,选择最优序列和最佳机器学习方法进行组合,作为最优影像组学模型。采用Bonferroni校正[44]控制在五组影像组学模型和五种序列/序列组合内进行多重假设检验时发生I型错误(假阳性)的概率,我们将该阶段分析中判定统计学显著性的阈值设定为0.005(0.05/10)。所有影像组学模型的预测能力在训练队列中基于AUC、准确率、灵敏度、特异度等进行评估,并在内部和外部验证队列中进行验证。
影像组学-临床-影像学模型构建与评估
采用单因素逻辑回归确定数值变量(年龄、CA-125、HE4、LDH和NLR)的最佳截断值,将其转换为分类变量。对原始研究设计中的六个临床变量和八个MR变量进行单因素和多因素分析,并识别独立预测因子。然后建立临床-影像学模型。获取最优影像组学模型和临床-影像学模型的权重,通过多因素逻辑回归将两个模型整合,最终获得影像组学-临床-影像学模型。临床-影像学模型和影像组学-临床-影像学模型的预测能力在训练队列中基于AUC、准确率、灵敏度、特异度等进行评估,并在内部和外部验证队列中进行验证。
统计分析
统计分析使用 Python 包 scipy(https://scipy.org/)进行,放射组学-临床-影像学模型及相应的列线图使用 R 软件(版本 3.5.1,http://www.r-project.org/)开发。训练队列中 ODS 组(R0)与 SDS 组(R1 + R2)之间,以及训练队列与内部验证队列之间的临床和影像学特征差异,分别对数值变量和分类变量采用 Student t 检验和卡方检验进行评估。对于模型的 ROC 曲线,采用 DeLong 方法评估差异,P < 0.05 视为差异有统计学意义。
结果
研究人群
根据筛选标准,从 2779 例发生卵巢肿块的患者中,共纳入机构 A 的 228 例 SOC 患者。机构 A 符合条件的 228 例 SOC 患者的平均年龄为 55 岁(范围 27 ~ 80 岁)。这些患者的临床和 MRI 特征分别见表 1 和表 2。训练队列与内部验证队列之间的临床和 MRI 特征未发现显著差异(p > 0.05)。纳入机构 B 的 45 例患者作为外部验证队列,其临床和 MRI 特征见表 3。机构 B 符合条件的 45 例 SOC 患者的平均年龄为 54 岁(范围 30 ~ 74 岁)。
放射组学模型构建及内部和外部验证
对每个 MRI 序列(T2FSE、DWI 和 T1CE),共提取 1454 个特征。经 ICC 检验,保留 1292 个图像特征。通过剔除高相关性特征(t 检验和 LASSO)和冗余特征(m-RMR),分别保留五个、五个和两个特征用于放射组学模型构建(表 4)。经 Bonferroni 校正后(p < 0.005),随机森林模型在五种放射组学模型(随机森林、逻辑回归、KNN、LightGBM 和 XGBoost)中为最优。在内部验证队列中,T2FSE、DWI、T1CE 和联合放射组学模型(T2FSE + T1CE 和 T2FSE + DWI + T1CE)的 AUC 分别为 0.656、0.664、0.700、0.720 和 0.700(表 5)。经 Bonferroni 校正后(p < 0.005),放射组学模型(T2FSE + T1CE)为最优。该模型保留了七个特征,如图 2 所示,log λ 值为 − 1.939。
放射组学-临床-影像学模型构建及内部和外部验证
各数值变量(年龄、CA-125、HE4、LDH、NLR)的最佳截断值通过单因素逻辑回归确定,以便转换为分类变量:年龄(截断值 = 57,C指数 = 0.687)、CA-125(截断值 = 918,C指数 = 0.723)、HE-4(截断值 = 276,C指数 = 0.742)、LDH(截断值 = 227,C指数 = 0.742,C指数 = 0.651)、NLR(截断值 = 3.98,C指数 = 0.657)。
经过单因素和多因素分析(表6和表7),在临床和影像学特征中,血清CA-125、乙状结肠/直肠与卵巢肿块或种植于道格拉斯窝的肿块之间的关系、膈肌结节以及腹膜/肠系膜结节被认为是独立预测因子。然后,通过结合独立预测因子和最优影像组学模型的预测评分构建了影像组学-临床-影像学模型(图3)。如图3A所示,影像组学评分在五个变量中最为重要,而在MR T1-DEI图像上乙状结肠/直肠与卵巢肿块或种植于道格拉斯窝的肿块之间的关系是最重要的影像学变量。图3B显示了最优影像组学模型、临床-影像学模型和影像组学-临床-影像学模型的ROC曲线。如表8所示,在三个队列中,影像组学-临床-影像学模型显示出显著的预测能力,AUC分别为0.923、0.908和0.854(P < 0.05)。影像组学-临床-影像学模型在外部队列中的AUC值仍高达0.854(图3C)。图4显示了MR图像上与ODS/SDS相关的影像学特征。
讨论
多项研究[2, 10–22, 24, 26–28]致力于建立可靠模型,以术前准确评估卵巢癌(OC)实现满意减瘤术(SDS)的可能性,从而避免对肿瘤负荷高且无法达到理想减瘤术(ODS)的患者在不当时间进行手术。然而,广泛植入的转移灶使识别植入转移灶与腹腔器官的关系以及消除所有病灶变得复杂。如何提高SDS预测模型的准确性和可重复性仍是亟待解决的问题。与既往使用CT或MRI预测残留病灶的研究相比,本研究采用基于MRI影像组学的SDS预测模型,通过机器学习方法提取肉眼无法识别的高通量图像特征,从而确保了方法的可重复性,减少了评估过程中人为因素的差异,进而保证了预测结果的稳健性。本研究结果表明,结合基于影像组学的MRI相关SDS特征的模型,其预测性能显著高于单独的影像组学模型或临床-影像学模型。影像组学-临床-影像学模型在训练队列、内部队列和外部队列中均表现良好(AUC分别为0.923、0.908和0.854)。我们的发现与近期一项同样基于MRI影像组学预测高级别卵巢癌残留病灶的研究[18]一致。然而,我们的创新之处在于考虑了腹腔转移灶对初次减瘤术(PDS)的重要影响,并对研究结果进行了外部验证。
以往研究对卵巢癌(OC)满意减瘤术(ODS)的标准不一致。例如,Rizzo等将R0或残留病灶(RD)< 1 cm定义为ODS [15],而Li等将R0定义为ODS [18]。Chang等证明,与RD < 1 cm的患者相比,R0患者比例每增加10%,队列中位生存期显著增加2.3个月 [45]。因此,本研究将满意减瘤状态(SDS)定义为R1和R2。约十年来,许多既往研究使用CT、MRI、超声等影像学方法识别OC的种植转移病灶,并尝试结合一些临床指标建立SDS预测模型,以帮助妇科医生评估患者的复杂病情并做出适当的治疗决策。然而,也存在一些不足,包括指标复杂、忽视肿瘤异质性、可重复性低和临床实用性差。与CT和超声相比,MRI具有高软组织对比度和多参数多模式的特点,能更完美地反映原发肿瘤病灶的内部特征,对腹腔内种植转移病灶更敏感 [14, 17]。一些研究 [29–31] 已证明,可以从原发肿瘤的评估中预测肿瘤生长、侵袭和转移,如胰腺导管腺癌和晚期胃癌。影像组学通过高通量提取图像特征反映肿瘤内异质性。近年来,影像组学研究已展现出很大的研究价值,广泛应用于肿瘤识别、复发、无病生存、复发风险和NACT疗效的预测研究。因此,上述实践和研究为我们的研究提供了理论支持。
本研究中患者的CA-125和HE-4水平显著升高。通过单因素和多因素分析,CA-125被确定为影响预测模型的重要因素。与Gu等 [13] 的研究相比,本研究中CA-125水平更高(918 vs. 800 U/ml),这可能与病例纳入有关。本研究纳入的所有病例均为SOC,而Gu [13] 的研究为晚期卵巢癌,可能包含SOC以外的其他病理类型卵巢癌。SOC患者的CA-125水平升高在所有卵巢癌中最高。本研究中CA-125呈偏态分布,最高值超过30,000 U/ml。本研究预测模型的另一个重要影响因素是膈下种植结节。该因素已被一些学者认可,并纳入卵巢癌SDS预测模型 [17, 20]。尽管膈肌是肌纤维结构,但较为薄弱且紧邻胸腔。因此,膈下种植结节的减灭增加了PDS的难度。
在本研究中,已建立了三种预测模型。如表8所示,影像组学-临床-放射学模型表现最佳,这与Li等人[18]的结论一致。然而,该模型的AUC、准确性和敏感性分别为0.923、0.848和0.837,均高于Li等人[18]的结果。在方法学方面,影像组学具有高度可重复性。因此,我们引入了基于影像组学的模型,并摒弃了其他研究模型中纳入的众多需要主观评估的放射学特征。Li等人[18]列线图中纳入的变量为CA-125、HE-4和卵巢肿块特征,而我们通过对六个临床变量和八个MRI变量进行单因素和多因素分析,保留了四个独立预测因素,即乙状结肠/直肠与卵巢肿块或种植于道格拉斯窝的肿块之间的关系、膈结节以及腹膜/肠系膜结节。在上述三个放射学变量中,该关系表现出最高的权重。据我们所知,我们的研究首次将乙状结肠/直肠与卵巢肿块之间的关系纳入模型,其中粘连或融合的比例高达81.6%(186/228)。道格拉斯窝是卵巢癌(OC)种植转移的最关键区域。这些病灶通常与乙状结肠/直肠密切相关,因此能否完全清除不仅取决于上述关系的密切程度,还与当病灶完全切除困难时患者是否同意部分直肠切除及结肠造口有很大关系。种植于道格拉斯窝的肿瘤能否被切除对减瘤术的结局至关重要。此外,在MR T1-DEI上,被脂肪包围的器官周围可见一条称为钩边效应的暗色边缘。该征象可直观地指示腹盆腔内富含脂肪信号器官的边缘完整性,同时也显示了腹盆腔内肿块与邻近器官的边界。我们利用这一优势来评估上述关系。据我们所知,这也是首次尝试使用MR T1-DEI来辨别乙状结肠/直肠与卵巢肿块之间的关系,并将该关系纳入模型。
与双序列影像组学模型(T2FSE + T1CE)相比,全序列影像组学模型(T2FSE + DWI + T1CE)多了四个特征:对比度、相关性信息度量2、差值方差和游程熵。前两个特征属于灰度共生矩阵特征,第三个属于灰度共生矩阵特征,第四个属于灰度相关矩阵。然而,在本研究中,影像组学模型(T2FSE + DWI + T1CE)的AUC低于影像组学模型(T2FSE + T1CE)(0.700 vs. 0.720),且差异具有显著性(P < 0.005)。或许DWI对模型的贡献并非正向的。随机森林、逻辑回归和KNN等传统机器学习分类器在Python中使用scikit-learn包实现。在我们的研究中,经Bonferroni校正后(P < 0.005),随机森林是最优的影像组学模型。因此,我们选择随机森林和双序列(T2FSE + T1CE)作为整合临床和影像学特征的最优影像组学模型,以建立影像组学-临床-影像学模型。影像组学-临床-影像学模型在训练集、内部队列和外部队列中的AUC分别为0.923、0.908和0.854。该AUC值显著高于Li等(18)的研究模型(训练队列0.815,内部验证队列0.803)。值得注意的是,本研究是首个在影像组学-临床-影像学模型中纳入外部验证队列来预测SOC患者SDS的研究。
然而,本研究存在若干局限性。第一,外部验证队列的患者数量较少。第二,由于本研究的回顾性性质,可能因某些潜在的未检测因素而引入偏倚。第三,在内部测试集中,影像组学-临床-影像学模型相对于临床-影像学模型的性能有小幅提升(表8),而在外部测试中两种模型的性能非常相似。最后,对小肠系膜微小和粟粒性转移等微小肿瘤沉积的检测灵敏度较低被认为是MRI的缺点,这需要MRI的技术创新。因此,本研究具有可持续性。未来,我们将继续扩大样本量进行前瞻性研究,探索临床-影像组学模型以观察影像组学特征是否能替代人工评估,引入新的手术技术甚至基因组学来探索SDS的影响因素。
结论
我们的研究结果证明,影像组学-临床-影像学模型通过具有良好可重复性的特征实现了整体算法可重复性。因此,影像组学-临床-影像学模型有助于预测SOC患者的SDS,这可能有助于制定个体化治疗方案并改善患者预后。
引用
- Liu L, Zhang W, Wang Y, et al. Radiomics combined with clinical and MRI features may provide preoperative evaluation of suboptimal debulking surgery for serous ovarian carcinoma. Abdom Radiol (NY). 2024. PMID: 39003651. doi:10.1007/s00261-024-04343-3
- 全文:PMC11711150(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11711150/
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。