基于深度学习的3D定量总肿瘤负荷预测BCLC A和B期肝细胞癌切除术后早期复发
单中心回顾性研究纳入592例BCLC A/B期肝细胞癌切除患者,用深度学习自动分割MRI图像计算总肿瘤负荷(TTB)。TTB是早期复发的独立预测因子(HR=2.2),以6.84%为阈值可将BCLC B期低TTB患者重新归入A期,改良BCLC系统分层后2年早期复发率30.5% vs 58.1%(HR=2.8)。
要点
- MRI深度学习自动分割计算的TTB是全队列早期复发的独立预测因子(HR=2.2,p<0.001)。
- TTB阈值6.84%可将整体、BCLC A期和B期患者各分为两个早期复发风险层。
- BCLC B期低TTB患者早期复发风险与BCLC A期患者相似,可重新归入BCLC An期。
核心结论
- 基于MRI深度学习自动分割测定的TTB是肝细胞癌切除术后早期复发的预测生物标志物,有助于对BCLC A和B期患者进行精细亚分类。
研究设计与样本
- 单中心回顾性研究,纳入2010年7月至2021年12月接受根治性切除的592例BCLC A和B期肝细胞癌患者,术前1个月内行增强MRI。
- 采用基于3D U-net的深度学习算法自动分割肝脏和肿瘤,计算总肿瘤体积(TTV,cm3)和总肿瘤负荷(TTB,%),TTB=TTV/TLV×100%。
- 由放射科医师视觉评估自动分割质量,22例分割不准确者被排除,未行手动调整。
- 参考标准为术后病理确诊肝细胞癌及随访期间肿瘤复发,早期复发定义为术后2年内复发。
- 随机选取35例患者(40个病灶)手动分割评估自动分割准确性,平均Dice相似系数为0.85±0.11。
关键影像表现/征象
- 全队列多因素Cox回归显示TTB是早期复发的独立预测因子(HR=2.2;95%CI:1.6,3.0;p<0.001),TTB预测早期复发的C-index为0.589(95%CI:0.553,0.625)。
- 在具有完整病理资料的患者(n=385)中,TTB仍是最重要的早期复发预测因子(HR=2.0;95%CI:1.4,3.0;p<0.001),C-index为0.610(95%CI:0.566,0.653)。
- 以6.84%为TTB阈值,整体患者2年早期复发率低TTB组26.8% vs 高TTB组47.4%(p<0.001)。
- BCLC A期患者2年早期复发率低TTB组25.8% vs 高TTB组45.1%(p<0.001);BCLC B期患者低TTB组37.7% vs 高TTB组58.1%(p=0.027)。
- BCLC B期低TTB患者与BCLC A期低TTB(37.7% vs 25.8%,p=0.16)或高TTB(37.7% vs 45.1%,p=0.27)患者早期复发风险相似。
诊断标准与关键数值
- TTB阈值6.84%由X-tile图基于Kaplan-Meier生存分析和log-rank检验最高χ²值确定,将患者分为低TTB(<6.84%)和高TTB(≥6.84%)两组。
- TTB预测早期复发的C-index为0.589(95%CI:0.553,0.625),在完整病理资料亚组为0.610(95%CI:0.566,0.653)。
- 改良BCLC系统:BCLC An期(n=568)由原BCLC A期加BCLC B期低TTB患者组成,BCLC Bn期(n=24)由BCLC B期高TTB患者组成。
- 改良BCLC系统下2年早期复发率BCLC An期30.5%(95%CI:26.4,34.4) vs BCLC Bn期58.1%(95%CI:30.7,74.7),HR=2.8(95%CI:1.6,4.9;p<0.001)。
- 原BCLC系统下2年早期复发率BCLC A期30.0%(95%CI:25.7,34.0) vs BCLC B期45.3%(95%CI:30.2,57.2),HR=1.8(95%CI:1.2,2.7;p=0.007)。
临床应用与阅片要点
- 自动分割需在AI软件平台人工核查3D边界框,本研究中25例边界框不准确者行手动调整以达到准确定位。
- TTB可对BCLC A和B期患者进行早期复发风险分层,BCLC B期低TTB患者(<6.84%)预后与BCLC A期相似。
- 作者指出改良BCLC系统需在更大规模人群中进一步验证和优化后才能应用于临床实践,尤其涉及通用性和简便性。
局限性
- 原文指出由于单中心回顾性研究设计和BCLC B期患者数量少(n=67),改良BCLC系统需在更大规模人群中进一步验证和优化后才能应用于临床实践。
- 原文指出既往研究样本量小(78至162例)且使用半自动分割,本研究虽采用自动分割但未行手动调整。
全文中译24 节 · 点击展开
引言
肝细胞癌(HCC)是全球第六大常见恶性肿瘤,也是癌症相关死亡的第三大原因[1]。手术切除是可切除HCC患者的主要治愈性治疗手段[2],局部消融则是小早期HCC的潜在治愈性疗法[3]。虽然早期HCC患者被认为是理想的手术候选者,但根据巴塞罗那临床肝癌(BCLC)算法[4],对经过良好筛选的中期(BCLC B)HCC患者进行切除与经动脉化疗栓塞(TACE)相比与生存改善相关[5, 6]。因此,识别哪些BCLC B HCC患者将从肝切除术中获益对于个性化临床决策至关重要。
肿瘤负荷是决定分期和治疗方案的关键因素,然而其在BCLC A期和B期内表现出相当大的异质性。因此,被归为同一BCLC分期的患者可能具有不同的预后,而处于不同分期的患者可能表现出相似的生存结局[2, 7, 8]。一种可能的解释是BCLC算法使用一维测量来估计肿瘤负荷,由于其不准确性可能低估或高估肿瘤大小。尽管这种一维方法易于使用且具有高度可重复性,但可能不足以描绘三维(3D)肿瘤的复杂形态。因此,确定更准确的肿瘤负荷评估方法对于优化患者风险分层和完善治疗分配至关重要。
3D容积分析可能为准确的肿瘤负荷量化提供一种有前景的解决方案。既往研究表明,基于MRI的3D定量肿瘤负荷在评估HCC患者预后和治疗反应方面优于一维测量[9–12]。然而,这些研究受限于样本量较小(范围为78至162例患者)以及使用半自动分割。尽管这些半自动方法减轻了与手动分割相关的一些挑战,包括耗时、劳动强度大和对操作者经验的依赖,但它们仍然需要用户输入(即手动调整不准确的分割),并可能受到读者间变异性的影响。幸运的是,近年来用于分割的人工智能(AI)深度学习(DL)算法的应用使得肝脏和HCC体积的自动量化成为可能[13–16]。与传统方法相比,这种方法有可能提高效率和可重复性。然而,据我们所知,关于基于自动分割的容积分析在BCLC A和B HCC切除后预后预测中的潜力,数据仍然匮乏。
本研究旨在评估使用自动DL分割算法的基于MRI的3D定量肿瘤负荷在预测接受治愈性切除的BCLC A和B HCC患者早期复发(ER)中的效用。我们还评估了3D定量肿瘤负荷是否可用于对这些患者进行亚分类以实现更有效的预后预测。放射科医生的视觉评估用于确保自动分割的质量控制。
材料与方法
这项单中心回顾性研究经我院机构审查委员会批准,并豁免了知情同意要求。
患者
回顾性纳入2010年7月至2021年12月期间接受肝细胞癌(HCC)根治性切除术的连续患者,纳入标准如下:(a)年龄≥18岁,(b)病理确诊HCC,(c)无既往HCC治疗史,(d)除HCC外无其他合并恶性肿瘤,(e)术前1个月内行增强MRI检查。排除标准为:(a)HCC超出BCLC A期或B期,(b)HCC破裂,(c)MR图像仅覆盖部分肿瘤/肝脏或图像质量欠佳(如严重伪影),(d)图像分割不准确(详见下文),(e)无任何随访信息(图1)。
从电子病历中收集患者基线特征。肝硬化诊断依据日本消化病学会/日本肝病学会联合临床实践指南[17]确定。手术切除的临床决策基于肝脏外科专家组的讨论,同时充分考虑患者体能状态、合并症、肝功能储备、预估未来残肝体积及肿瘤范围。简言之,对于局限性HCC且肝功能保留、无临床显著门静脉高压的患者,考虑手术切除[1, 18, 19]。对于临界性肿瘤患者(如R0切除在技术上具有挑战性,或非肝硬化患者预估残肝体积约为30%、肝硬化患者约为40%),在手术切除与局部区域治疗等其他方案之间的选择基于多学科讨论确定。值得注意的是,部分患者接受了术后辅助治疗(如TACE、全身治疗和放疗),因为自2017年以来,对于预估高复发风险患者(如多发肿瘤、肿瘤大小>5 cm、Edmondson分级3–4级及微血管侵犯(MVI)),我们常规推荐辅助治疗[20, 21]。
值得注意的是,此前已报道过222例患者[22]。前期工作提出了用于总生存期的术前预后评分,而本研究侧重于探索用于预测HCC术后早期复发(ER)的3D定量肿瘤负荷生物标志物。
MRI采集
MRI采用多种3.0-T或1.5-T系统进行。细胞外与肝胆MRI对比剂的选择由外科医生酌情决定,或根据我们机构标准由多学科团队推荐[23]。MRI系统及采集方案见补充材料1和表S1。
图像分析
一维测量
肿瘤的一维测量由两名腹部放射科医师(H.W.和H.Y.J.,分别具有5年和8年肝脏MRI经验)完成,他们知道所有患者均患有HCC,但对其他信息设盲。总肿瘤大小(TTS)定义为所有HCC病灶大小的总和。此外,评估单发肿瘤> 7 cm和多发肿瘤超出up-to-seven标准的情况,以重新分配BCLC分期[8]。一维测量的详细内容见补充材料2。
三维分析
三维自动图像分割和容积定量分析使用商业可视化和分析软件(LiverMRDoc;版本2.10.0;SHUKUN)进行(图2)。用于自动分割和容积定量的深度学习算法详见补充材料3和图S1。
分割前的准备工作
在启动自动分割之前,一名放射科医师(H.W.)检查了MR图像,并在AI软件平台上核实了序列名称、HCC病灶及相应的三维边界框(即自动病灶检测标注)。对于三维边界框不准确的患者(n = 25)(例如未能检测到HCC病灶或勾画了整个肿瘤),进行了手动调整以实现肿瘤的准确定位。
肝脏和肿瘤的自动分割
肝脏和HCC病灶的自动分割通过基于3D U-net的DL算法[24]在每个序列上进行。简言之,从门静脉期图像衍生的容积分割掩膜用于量化全肝体积(包括肝内血管和局灶性肝脏病灶)。在AI软件自动确定的最佳序列上获得的容积分割掩膜用于量化肿瘤体积。本研究纳入的共716个肿瘤中,肿瘤体积分别提取自门静脉期(n = 617)、延迟期(n = 33)、肝胆期(n = 32)、平扫期(n = 17)、动脉期(n = 8)、反相位(n = 3)、同相位(n = 2)、T2加权成像(n = 2)、移行期(n = 1)、扩散加权成像(n = 1)。
自动分割的质量控制
两名放射科医师(H.W. 和 T.Y.Z.)独立肉眼检查每位患者分割后的肿瘤和肝脏,分歧通过讨论解决以达成共识。分割不准确的病例被排除在体积分析之外。未进行手动调整,因为本研究旨在聚焦于该自动化技术的预后潜力。
体积定量分析
进行体积定量分析以计算全肝体积(TLV,cm3)、总肿瘤体积(TTV,cm3)和总肿瘤负荷(TTB,%)。具体而言,TTV 定义为所有 HCC 病灶体积之和。TTB 定义为 TTV 与 TLV 的比值,如下:TTB = TTV/TLV × 100%。
自动化分割准确性评估
为评估自动化深度学习(DL)分割的准确性,我们从最终纳入队列中随机选取 35 例患者(30 例单发 HCC 和 5 例多发 HCC)进行手动肿瘤分割。一名对自动化分割结果不知情的放射科医师(H.W.)使用 ITK-SNAP(版本 3.8.0;www.itksnap.org)手动分割肿瘤。
患者随访
随访方案包括血清甲胎蛋白(AFP)水平、肝功能检查,以及手术切除后 1 个月、前 2 年内每 3 个月、此后每 6 个月进行的超声造影、计算机断层扫描或 MRI。患者随访至死亡或本研究截止日期(2022 年 5 月 1 日)。早期复发(ER)定义为手术后前 2 年内肿瘤复发。
统计分析
分类变量采用卡方检验或 Fisher 确切检验进行比较,连续变量酌情采用 Student t 检验或 Mann–Whitney U 检验进行比较。一维测量的读者间一致性采用组内相关系数(ICC)评估。自动化与手动肿瘤分割之间的一致性采用 Dice 相似系数(DSC)评估。
临床-影像-病理特征预测 ER 的预后价值通过单因素和多因素 Cox 回归分析评估。单因素分析中 p < 0.1 的变量纳入多因素分析,采用基于赤池信息准则和五折交叉验证的后向逐步法。
生存曲线采用 Kaplan–Meier 法绘制,并采用 log-rank 检验进行比较。X-tile 图提供了一种单一且直观的方法来评估变量与生存之间的关联。鉴于 TTS、TTV 和 TTB 尚未建立公认的阈值,采用 X-tile 图基于 Kaplan–Meier 生存分析和 log-rank 检验确定的最高 χ² 值(最小 p 值)来确定这些变量的最佳截断值。X-tile 图由 X-tile 软件(版本 3.6.1;耶鲁大学医学院)生成 [25]。采用 bootstrap 重采样(n = 1000)技术检验基于 BCLC 和改良 BCLC 系统生存风险分层的稳健性。
统计分析采用 R(版本 4.3.0;R 统计计算基金会)、Python(版本 3.9.1;https://www.python.org/)和 IBM SPSS 软件(版本 26.0;SPSS Inc.)进行。双侧 p < 0.05 被认为具有统计学意义。
结果
患者特征
共纳入592例患者(中位年龄54岁;四分位距(IQR)46–62岁;517例男性),其中525例(88.7%)和67例(11.3%)分别归为BCLC A期和B期。333例(56.3%)归为中国肝癌分期Ia期,192例(32.4%)为Ib期,59例(10.0%)为IIa期,8例(1.4%)为IIb期。总体而言,17.6%(104/592)的患者接受了术后辅助治疗。在中位随访52.4个月(IQR 29.5–78.5个月)期间,28.9%(171/592)的患者发生ER。患者特征总结于表1。
不准确的图像分割
22例肝脏和/或肿瘤分割不准确的病例被排除在容积分析之外。不准确分割的示例见图3。
评估阅片者间一致性和分割准确性
TTS的阅片者间一致性极好(ICC = 0.987;95%置信区间(CI):0.983,0.990)。对于随机选取的35例患者中的40个HCC(中位大小4.2 cm;IQR 3.0–7.3 cm),在所有序列上,自动与手动肿瘤分割之间的平均DSC为0.85 ± 0.11(中位数0.88;IQR 0.82–0.92)。各序列的DSC详见表S2和图S2。
基于Cox回归分析的ER预测因素
整个队列
对于整个队列(n = 592),在单因素Cox回归分析中,包括血清AFP水平、术后辅助治疗、BCLC分期、肿瘤多发、TTS、TTV、TTB以及单发肿瘤> 7 cm和超出up-to-seven标准的多发肿瘤在内的8项参数与ER显著相关(所有p < 0.05)(表2)。在随后的多因素Cox回归分析中,发现血清AFP水平(风险比(HR)= 1.4;95% CI:1.0,1.9;p = 0.05)、肿瘤多发(HR = 1.8;95% CI:1.2,2.6;p = 0.003)和TTB(HR = 2.2;95% CI:1.6,3.0;p < 0.001)可预测ER(表2)。TTB预测ER风险的C指数为0.589(95% CI:0.553,0.625)。
具有完整病理数据的患者
对于具有完整肿瘤分化和MVI状态记录的患者(n = 385),多因素Cox回归分析显示TTB仍是ER最重要的预测因素(HR = 2.0;95% CI:1.4,3.0;p < 0.001),C指数为0.610(95% CI:0.566,0.653)。基于赤池信息准则保留在最终Cox模型中的其他因素包括血清AFP水平(HR = 1.7;95% CI:1.2,2.5;p = 0.007)、肿瘤多发(HR = 1.6;95% CI:1.0,2.5;p = 0.06)和MVI(HR = 1.8;95% CI:1.2,2.7;p = 0.003)(表2)。
整个队列加上分割不准确的病例
将22例分割不准确的病例纳入整个队列后(n = 614),TTB仍是预测ER的独立变量(HR = 1.6;95% CI:1.1,2.3;p = 0.009),C指数为0.591(95% CI:0.556,0.626)(补充材料4和表S3)。
生存分析
TTB和TTS用于ER风险分层
以6.84%作为阈值,TTB将所有患者分层为两个ER风险层(24个月ER率,26.8% vs. 47.4%;p < 0.001),以及分别将BCLC A期患者(24个月ER率,25.8% vs. 45.1%;p < 0.001)和BCLC B期患者(24个月ER率,37.7% vs. 58.1%;p = 0.027)分层为两个风险层(表3;图4A–C)。此外,TTS分别在所有患者(24个月ER率,21.9% vs. 39.9%;p < 0.001)和BCLC A期患者(24个月ER率,21.9% vs. 38.6%;p < 0.001)中给出两个ER风险层(表3;图4D、E)。然而,所有BCLC B期患者均具有高TTS,因此无法根据TTS分层为两个ER风险层(24个月ER率,45.3%)(表3)。
为识别切除后预后良好的BCLC B期患者亚组,分析了BCLC分期与TTB的组合。BCLC B期低TTB患者的ER风险与BCLC A期低TTB(24个月ER率,37.7% vs. 25.8%;p = 0.16)或高TTB(24个月ER率,37.7% vs. 45.1%;p = 0.27)患者相当(表3;图4F)。
构建A期和B期HCC的改良BCLC算法
BCLC A期患者的24个月ER率为30.0%(95% CI:25.7,34.0),而BCLC B期患者为45.3%(95% CI:30.2,57.2)(HR = 1.8;95% CI:1.2,2.7;p = 0.007)(表3;图5A)。通过将TTB整合到当前BCLC系统中,构建了改良BCLC算法:(a)BCLC An期(n = 568),由原始BCLC A期患者加上低TTB的BCLC B期患者组成;(b)BCLC Bn期(n = 24),由其余高TTB的BCLC B期患者组成。基于改良BCLC算法,BCLC An期患者的24个月ER率为30.5%(95% CI:26.4,34.4),而BCLC Bn期患者为58.1%(95% CI:30.7,74.7)(HR = 2.8;95% CI:1.6,4.9;p < 0.001)(表3;图5B)。
经过Bootstrap重采样后,BCLC B期患者相对于BCLC A期患者的ER平均HR为1.8(95% CI:1.0,2.6)(平均p = 0.08),而BCLC Bn期患者相对于BCLC An期患者的ER平均HR为2.9(95% CI:1.1,4.7)(平均p = 0.02)(图6)。
术后未接受辅助治疗患者的敏感性分析
对于术后未接受辅助治疗的患者(n = 488),基于TTB、TTS、BCLC和改良BCLC算法的生存分析也获得了相似结果(补充材料5,表S4,图S3和4)。
低TTB组与高TTB组之间患者特征的比较见补充材料6和表S5。
讨论
本研究旨在评估基于MRI的自动化三维体积参数在预测BCLC A期和B期HCC术后ER方面的预后影响。我们的研究结果表明,即使在调整病理因素后,TTB仍是术后ER的独立预测因子。我们基于TTB确定了两个ER风险组,高TTB(≥ 6.84%)患者处于较高的ER风险。此外,BCLC B期低TTB患者的ER风险与BCLC A期患者相似,从而在改良BCLC算法中将其重新分类。改良BCLC系统改善了BCLC A期和B期患者的预后分层。
传统的一维肿瘤测量虽然易于使用,但仅能提供基本的尺寸估计,无法准确反映肿瘤多样化的生长模式和不规则形状。相反,三维体积定量可对肿瘤范围进行更全面的评估,具有高可重复性和观察者间一致性[9]。既往研究已证明,三维定量肿瘤负荷生物标志物在HCC预后评估中优于一维测量[9–12]。与这些研究一致,我们的研究也显示,TTB代表总肿瘤体积与肝脏体积之比及剩余肝功能储备,与ER独立相关,而TTS则不然。此外,TTB有效地将BCLC B期患者分为两个风险层次,而TTS则不能。这些发现凸显了TTB在评估HCC的ER风险方面优于传统基于直径的测量。
据我们所知,这是首个探讨自动化3D定量肿瘤负荷在细化BCLC A和B期HCC亚分类中潜在应用价值的研究。在我们的研究中,即使在对病理因素进行调整后,TTB仍是ER的主要预测因素。使用1000次 bootstrap 重采样,基于TTB的改良BCLC系统仍与ER显著相关(平均p = 0.02),而原始BCLC系统则不然(平均p = 0.08)。这些发现表明,改良BCLC系统可能对ER具有更稳健的预后影响。此外,在排除接受辅助治疗的患者后也获得了类似结果,提示TTB在ER风险分层中的稳健性。然而,由于其为单中心回顾性研究设计且BCLC B期患者数量较少(n = 67),改良BCLC系统在应用于临床实践之前,仍需在更大规模人群中进一步验证和完善,尤其是在通用性和简便性方面。
基于深度学习的自动图像分割是精确3D容积分析的一项关键进展。这些模型基于中国六家三级医院1889例患者的数据集开发,在肝脏和病灶分割方面表现出良好的准确性。我们的研究中观察到的HCC自动分割与手动分割之间的一致性,凸显了自动分割在优化临床决策方面的潜力。为解决传统U-Net架构的局限性,引入NNU-Net——一种可自我配置、能够减轻手动参数调优复杂性的框架——可能带来实质性改进。通过迁移学习利用预训练基础模型可能进一步增强分割性能。这些策略旨在提升模型能力,并简化深度学习分割在常规实践中的整合,为管理HCC患者提供更有效的工具。然而,尽管所用软件已获得商业认证,但本研究使用的软件尚未公开可用。
值得注意的是,一小部分病例(n = 22)在自动分割过程中存在困难,并被排除在容积分析之外。这些病例中观察到的不准确分割可归因于多种因素,例如肿瘤边缘不清、肿瘤内信号强度不均匀,以及瘤周实质引入的额外信号干扰。为提高自动分割的准确性,仍需进一步改进深度学习算法。一旦这项先进技术在更广泛人群中得到验证和改进,预期其将成为常规实践中可应用的工作流程。
本研究存在若干局限性。第一,我们的研究采用了单中心回顾性队列,缺乏外部验证。有必要将我们的发现扩展至更大规模的多中心队列,以确认其可重复性和普遍性。第二,BCLC B期患者样本量有限,需要在未来研究中进一步验证TTB的预后效用。第三,我们仅评估了接受手术切除的HCC患者,因此我们的结果可能不适用于非手术患者。第四,尽管采用了自动分割,但仍有两个步骤涉及放射科医师的干预——3D边界框调整(n = 25)和排除不准确的分割(n = 22),这可能高估了自动化技术的性能。最后,鼓励未来多中心研究外部验证TTB阈值并检验其在不同人群中的适用性。
总之,基于592例接受治愈性肝切除术的早期至中期HCC患者,通过基于MRI的自动化深度学习(DL)分割得出的TTB是一种有用的影像生物标志物,可用于术后ER预测,并有助于优化BCLC亚分类。
补充信息
补充材料
引用
- Wei H, Zheng T, Zhang X, et al. Deep learning-based 3D quantitative total tumor burden predicts early recurrence of BCLC A and B HCC after resection. Eur Radiol. 2024. PMID: 39028376. doi:10.1007/s00330-024-10941-y
- 全文:PMC11632001(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11632001/
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。