基于MRI影像组学在舌癌中的预后作用:一项多中心验证研究
该回顾性多中心研究纳入2010至2019年手术治疗的112例口腔舌鳞状细胞癌患者作为验证组,外部验证基于79例患者构建的MRI影像组学模型。临床-影像组学联合模型在验证组中的C-index多数仍大于0.5,CE-T1序列拟合最佳,预处理模型对OS、LRRFS、CSM的C-index分别为0.61、0.59、0.64,治疗后模型分别为0.65、0.69、0.70。
要点
- CE-T1序列在验证组中对预后预测拟合最佳,预处理模型C-index为OS 0.61、LRRFS 0.59、CSM 0.64。
- 治疗后临床-影像组学模型CE-T1的C-index为OS 0.65、LRRFS 0.69、CSM 0.70。
- 验证组影像组学评分单独预测OS的C-index为0.59,ADC预测LRRFS的C-index为0.43。
核心结论
- 临床-影像组学联合模型在来自不同中心异质性队列中仍具有预测OS、LRRFS和CSM的潜力。
- 这些发现鼓励进一步研究,以克服影像采集、处理和肿瘤体积勾画变异带来的当前局限性。
研究设计与样本
- 回顾性多中心研究,验证组纳入112例连续独立患者,来自意大利三家机构,训练组基于既往发表的79例患者。
- 纳入2010至2019年手术治疗的OTSCC患者,术前MRI包括CE-T1、DWI序列及ADC图。
- 训练组MRI为1.5-T Magnetom Avanto(Siemens Healthineers),验证组分别来自Pavia的1.5-T Aera和Brescia的1.5-T Aera。
- 由两名头颈放射科医师手动勾画肿瘤ROI,使用PyRadiomics v3.0.1提取1967个特征。
诊断标准与关键数值
- 验证组CE-T1预处理模型C-index:OS 0.61、LRRFS 0.59、CSM 0.64。
- 验证组CE-T1治疗后模型C-index:OS 0.65、LRRFS 0.69、CSM 0.70。
- 验证组影像组学评分单独预测OS的C-index为0.59;ADC预测LRRFS和CSM的C-index分别为0.43和0.63,CE-T1预测LRRFS和CSM的C-index分别为0.52和0.61。
- 验证组临床-影像组学模型C-index低于训练组,但多数仍大于0.5。
临床应用与阅片要点
- CE-T1序列在验证组中C-index大于0.5,且为舌癌评估的标准序列,便于在不同机构间复现预测模型。
- DWI和ADC图并非所有中心常规开展,可能限制其潜在应用。
- 验证组影像组学评分与预处理临床模型C-index平均值差异分别为0.02和0.001,提示影像组学评分可能对训练组人群具有特异性。
局限性
- 验证组C-index均低于训练组,作者认为可能归因于过拟合或外部验证图像差异。
- 影像采集、处理和肿瘤体积勾画存在变异性,作者认为需进一步研究以克服当前局限性。
- 部分患者未同时具备CE-T1和ADC序列,验证组CE-T1纳入108例、ADC纳入83例。
- IEO EXT患者的MRI采集参数无法详细描述,因外部医院影像仅存档DICOM图像。
- 验证组患者年龄显著大于训练组(64岁 vs 55岁),且血管侵犯、神经周围侵犯、手术切缘和淋巴结分期在两组间存在统计学差异。
全文中译9 节 · 点击展开
引言
放射组学是过去10年来在医学领域最具吸引力的领域之一[1]。从治疗前图像中提取放射组学特征的分析旨在获取关于癌症特征和预后预测的所有可能数据[2, 3]。目前,肿瘤学结局只能基于病理和临床肿瘤分期进行预测,因此需要创新策略来更好地预见患者的预后。因此,从医学图像中提取的定量信息是放射组学成为日常临床实践中无偏倚且独立支持的基础。尽管已发表了大量研究,但由于缺乏在不同队列中的放射组学验证[3–5],放射组学应用于临床实践仍不可行。
在我们的研究中,我们将放射组学工作流程应用于口腔舌鳞状细胞癌(OTSCC),这是最常累及口腔的肿瘤[6]。对于术前分期,磁共振成像(MRI)是金标准成像[7]。OTSCC的首选治疗方式是手术,文献报道的预后5年仍为60%[8, 9]。生存率从早期(I–II期)的80%到晚期(III–IV期)的30%不等。越来越多的人认识到这些估计可能不能充分适用于单个患者的病程,需要更加个体化的预测方法。在精准医学中,准确的风险预测对于基于个体生存曲线制定个性化治疗/随访方案是必要的,从而实现预测“个体患者生存”而非过于笼统的“总体生存”的能力[4]。
迄今为止,已发表的研究强调了临床-放射组学混合预测模型在预测患者结局方面优于临床模型或放射组学模型[10–12]。
验证放射组学模型应是强制性的[5, 13],以确认其在临床环境中的潜在用途。验证队列应独立且为外部队列,基于训练集队列以外的受试者[14],因为基于参考模型内部队列的验证通常稳健性较差[5, 14–16]。
我们最近发表了一项研究,使用临床-放射组学模型对OTSCC患者进行术前预后预测,优于单独的临床模型[10]。在这项已发表的分析中,我们评估了79例OTSCC患者的术前MRI,旨在利用放射组学特征定义潜在的预后生物标志物。在评估临床和放射组学特征后,放射组学评分在几乎所有临床-放射组学预测模型中均保持统计学显著性,表观扩散系数图(ADC)MRI提供了与模型的最佳拟合。
根据上一段关于放射组学研究外部验证重要性[14]以突出稳定性和可重复性的概念,本文的目的是通过一个不同且独立的患者队列对我们先前发表的临床-放射组学模型[10]进行外部验证。
材料与方法
临床数据集
我们在多中心环境下对连续接受手术治疗的OTSCC患者的术前MRI进行了回顾性影像组学分析:手术在意大利米兰欧洲肿瘤研究所(IEO)进行,而MRI在意大利其他机构完成并收集于在线影像存储库(IEO EXT);手术和影像均在意大利帕维亚San Matteo综合医院(PV);手术和影像均在意大利布雷西亚Spedali Civili医院(BS)。
本研究经IEO伦理委员会和IEO影像组学委员会批准(UID 2520),并经布雷西亚Spedali Civili医院(120/Reg.IX)和帕维亚San Matteo综合医院(96379/2020)批准。
纳入标准为:诊断为OTSCC;手术于2010年至2019年间进行;术前MRI(手术前≤ 4周)包括对比增强T1加权(CE-T1)和扩散加权(DWI)序列,且至少有两个b值用于计算表观扩散系数图(ADC)。
排除标准为:头颈部(HN)区域同时或既往患有癌症;随访信息不充分(无法获取的医疗信息数据);MRI不足以进行肿瘤体积分割和定量分析(即,当原发肿瘤无法检出或伪影显著降低图像质量时,病例被排除)。
临床、病理、治疗和随访信息从医疗报告中收集。所有患者根据第7版和第8版AJCC TNM进行重新分期[17, 18]。为了使用AJCC第8版对所有患者进行重新分期,我们重新评估并收集了所有组织学和影像学浸润深度(DOI)。在组织学标本和影像学MRI中,DOI均从连接邻近正常黏膜基底膜的线垂直测量至肿瘤浸润的最深点。
所有患者均接受手术治疗,随后根据分期在多学科肿瘤委员会内讨论并确定辅助治疗的必要性[19, 20]。
自治疗结束起至少5年内,所有患者根据NCCN指南接受了最先进的临床评估和标准化肿瘤随访程序[20]。随访期间记录了远处或局部事件,如转移或局部区域复发。未参加预定随访预约的患者通过电话访谈进行核实和更新其医疗信息,
MRI采集参数、分割、特征提取
对于训练组(TG),MRI在IEO使用1.5-T系统(Magnetom Avanto,Siemens Healthineers,Erlangen,德国)和专用的16通道头颈部接收专用射频线圈进行[10]。DWI序列通过单次激发自旋回波和回波平面成像获得(视野250 × 250 mm,TR/TE 5000/77 ms,层厚5 mm,层间距1 mm,带宽1565 Hz/pixel)。使用三个不同的b值(b = 0.500和900 s/mm2),扩散敏感梯度沿三个正交方向施加以获得迹加权图像[10]。ADC图来源于扩散加权图像的单指数分析。成像方案包括增强后(钆0.2 ml/kg)各向同性T1加权图像(采集矩阵263 × 384 mm,视野187 × 240 mm,TR/TE 7.43/2.88 ms,层厚0.6 mm)[10]。
对于帕维亚San Matteo综合诊所的验证组(VG),MRI在1.5-T系统(Aera,Siemens Healthineers,埃尔朗根,德国)上进行,使用专用的16通道接收-only射频头颈(HN)线圈。DWI序列通过单次激发自旋回波和回波平面成像获得(260 × 260 mm,TR/TE 7075/58 ms,层厚3 mm,层间距3.3 mm,带宽1540 Hz/像素)。为获得迹加权图像,使用两个不同的b值(b = 50、800 s/mm²),扩散敏感梯度沿三个正交方向施加。成像方案包括增强后(钆0.2 ml/kg)各向同性T1-w图像(采集矩阵256 × 256,视野260 × 260 mm,TR/TE 8.23/2.39 ms,层厚1 mm)。
对于布雷西亚Spedali Civili的VG,MRI在1.5-T系统(Aera,Siemens Healthcare Sector,埃尔朗根,德国)上进行,使用专用的16通道接收-only射频头颈线圈。DWI序列通过单次激发自旋回波和回波平面成像获得(视野250 × 250 mm,TR/TE 4000/60 ms,层厚3 mm,层间距1 mm,带宽1447 Hz/像素)。使用两个不同的b值(b = 0和1000 s/mm²),扩散敏感梯度沿三个正交方向施加以获得迹加权图像。成像方案包括增强后(钆0.2 ml/kg)各向同性T1-w图像(采集矩阵448 × 350,视野270 × 210 mm,TR/TE 8.2/3.16 ms,层厚0.6 mm)。
上述MRI特征无法对在IEO治疗并在不同外部中心进行成像(IEO EXT)的患者进行同样详细的描述。这是因为IEO影像存储档案仅存档在外部医院进行的MRI的DICOM图像,导致部分细节缺失。
两名专职头颈放射科医师[一名在头颈领域有7年经验的高级放射科医师(FR)和一名在头颈领域有1年经验的初级医师(AN)]在CE-T1序列和ADC图上手动分割整个肿瘤体积(感兴趣区,ROI)(图1)。评估了阅片者间一致性,所有分歧均通过讨论解决。放射科医师对患者特征及其随访状态不知情。
DICOM文件和ROI在AW Server 3.2工作站(GE Healthcare,密尔沃基,威斯康星州)上提取为放疗(RT)结构文件,并以DICOM格式导出。特征提取使用符合图像生物标志物标准化倡议(IBSI)的工具PyRadiomics v3.0.1(Numpy版本1.20.3,SimpleITK版本2.0.2,PyWavelet版本1.1.1)以默认设置进行。从所有可用的滤波器类别(高斯拉普拉斯、小波、对数、指数、二维局部二值模式、三维局部二值模式、平方、平方根和梯度)中提取放射组学特征。每个分割共提取1967个特征。
肿瘤学结局终点
总生存期(OS)定义为从手术至因任何原因死亡的时间,若存活则截至末次联系日期。局部区域无复发生存期(LRRFS)定义为从手术至出现局部区域复发的时间,若无局部区域复发则截至末次联系日期。LRRFS包括肿瘤(T)、淋巴结(N)或T和N的复发,不包括远处转移或第二原发肿瘤。病因特异性死亡率(CSM)定义为从手术至口腔鳞状细胞癌(OTSCC)死亡日期的时间。若无因OTSCC死亡,则在末次随访或死于其他原因的日期进行删失。采用Kaplan–Meier法估计10年OS、LRRFS和CSM。
统计分析
我们在一个不同且独立的患者队列(TG)[10]上对预先训练的模型进行了验证。具体而言,我们应用了影像组学模型、治疗前临床模型(包括性别、年龄和淋巴结临床状态)以及治疗后临床模型(包括切缘状态、淋巴结状态、包膜外转移(ECE)的存在[10]。
采用分类变量的频数和百分比以及连续变量的中位数和四分位距(IQR)来总结验证队列中患者的特征。采用Pearson卡方检验和Fisher精确检验来检验分类变量之间的差异。分别采用Wilcoxon秩和检验和Kruskal–Wallis检验来评估两组或以上组间连续变量的差异。首先,分析了TG和VG患者之间以及参与中心之间的临床差异和中位随访时间。评估了VG和TG之间影像组学特征的差异(补充表1和2)。若发现特征之间存在显著差异,则采用COMBAT方法(R中的“EZ. combat”库)对这些特征进行协调,将每个中心视为一个批次变量[21]。TG和VG之间OS、LRRFS和CSM的差异采用Log-rank检验进行检验。对参与验证的中心在OS、LRRFS和CSM方面进行比较。风险估计采用风险比(HR)和95%置信区间(95%-CI)进行量化。
影像组学信息在统计分析中聚合为“影像组学评分”,使用先前研究中使用的系数构建[10]。对于每位患者,影像组学评分定义为回归系数与其各自特征值乘积之和。我们评估了先前提出的预测模型:临床模型(治疗前和治疗后)、影像组学模型和临床-影像组学模型(治疗前和治疗后)。模型的准确性通过一致性指数(C-index)进行检验,该指标是生存结局拟合优度的度量,范围从0(预测模型差)到1(假设的完美预测模型)。所有分析对CE-T1和ADC重复进行。最后,进行了5000次重复的Bootstrap分析以确定C-index估计值的95%-CI。作为探索性分析,我们使用VG作为新数据集,利用预选的临床变量和训练模型中获得的影像组学评分,以新的系数构建新模型。分析使用R(4.1.1)进行。
结果
本研究纳入112例患者作为VG。TG模型建立在79例不同患者之上[10]。
在根据纳入和排除标准纳入研究的112例患者中,经头颈放射科医师审核MRI图像质量后,108例患者被纳入CE-T1序列的验证组(VG)(IEO EXT N = 25;PV N = 19;BS N = 64),83例患者被纳入DWI序列的ADC验证组(IEO EXT N = 13;PV N = 7;BS N = 63)。
表1报告了两个研究组患者的临床和病理特征:训练组(TG)(79例)、验证组(VG)(112例)和总体(191例)。整个人群中69%为男性,平均年龄62岁(IQR:47–70),VG组患者年龄显著大于TG组(64岁,IQR:52–73 vs. 55岁,IQR:41–67)。
临床分期(c)显示TG与VG之间在肿瘤(cT)分类(p = 0.03)和临床分期cTNM(p = 0.05)方面存在差异,TG组患者分期更高。
术后信息:血管侵犯、神经周围侵犯、手术切缘(阳性或近切缘)和淋巴结分期(病理(p)N)在TG和VG两组间差异有统计学意义:分别为< 0.001、< 0.001、0.017、0.008(表1)。
pTNM与术后治疗之间未发现差异;手术方式方面发现p = 0.02,经口入路(II型舌切除术)与整块根治性手术(III–V型舌切除术)[22]。
中位随访时间:总生存(OS)为2.8年,IQR(1.84–5.44);局部区域无复发生存(LRRFS)为2.8年(0.94–4.69);肿瘤特异性生存(CSM)为2.75年(1.45–4.87)。
TG与VG之间在OS、LRRFS和CSM方面均未检测到显著差异(所有p值> 0.05)(图2)。
即使在参与验证的三个不同临床中心收集的患者之间,生存方面也无差异:OS、LRRFS和CSM(图3)。
我们先前模型中针对OS、LRRFS和CSM所选的特征从VG中提取[10]。放射组学评分使用先前定义的系数在验证数据集上计算。
表2和表3总结了验证分析的所有结果,分别比较了训练集中的C-Index和治疗前及治疗后模型在CE-T1和ADC图上的拟合C-index(“C-index-validation”)。放射组学模型对各终点拟合良好:表2描述了基于治疗前信息的模型中ADC和CE-T1序列在TG中的C-Index与拟合C-Index(C-Index–VG)之间的比较。
表3显示了使用治疗后信息的模型中ADC和CE-T1序列在TG中的C-Index与拟合C-Index(C-Index–VG)之间的比较。VG中C-Index总体> 0.5:OS的放射组学评分C-index为0.59;LRRFS的ADC和CE-T1的C-index分别为0.43和0.52;CSM的ADC和CE-T1的C-index分别为0.63和0.61。补充表1和表2分别报告了CE-T1和ADC序列中VG与TG之间放射组学特征的差异。
验证队列中临床-放射组学混合模型的C-index低于训练队列,但在大多数情况下仍> 0.5。CE-T1序列对模型拟合最佳:OS、LRRFS和CSM获得的C-index分别为0.61、0.59、0.64(治疗前模型)和0.65、0.69、0.70(治疗后模型)。
其他补充细节报告于补充材料(S1–S2)中。
讨论
影像组学在头颈部(HN)癌症中的应用是一个几乎未被探索的领域,尤其是涉及舌部肿瘤时[23]。迄今为止,在Pubmed和Embase中以关键词“radiomic” AND “tongue cancer”进行非系统性检索,出现的出版物很少:Pubmed上11篇,Embase上15篇。其中,9篇为两个检索平台共有,1篇为中文撰写,3篇为会议摘要,1篇聚焦于肺癌,后者为一篇综述[24–29]。在其余出版物中,1篇为综述,5篇提出了影像组学模型以预测颈部淋巴结状态、隐匿性转移或淋巴结ECE [11, 30–34]。两篇文章聚焦于通过基于MRI影像组学特征预测预后,其他则聚焦于组织学之前通过影像组学确定肿瘤分级[10, 35–37]。
关于MRI的使用,Corti等人最新发表的文章报道了基于MRI的影像组学特征如何可作为口腔癌患者OS的预后标志物,并将其与基因表达特征进行了比较[38]。
我们的稿件呈现了对用于活动性舌部肿瘤预后预测的临床-影像组学模型的验证,考虑了OS、CSM和LRRFS。
验证阶段对于影像组学在临床实践中的应用至关重要。正如预期,VG中临床-影像组学模型的C指数低于TG中的C指数。这是验证性研究中的一个常见特征,主要由于训练队列与验证队列之间不可避免的差异[39]。在本分析中,VG与TG相比具有一些更差的预后组织学特征。然而,大多数情况下C指数仍保持在> 0.5,预示混合模型对现实具有良好依从性。
在我们之前的出版物中,用于预后预测的临床-影像组学联合模型显示,在OTSCC中临床变量、影像组学特征和肿瘤学结局之间存在强关联[10]。我们将影像组学研究聚焦于这一特定患者群体,因为已知由于不同的危险因素、解剖部位和预后[40],头颈癌具有高度异质性。这种异质性在同一解剖部位内也有报道:例如,口腔亚部位被认为是颊部、口底、活动舌、上颌结节、下颌骨。即使在相同分期下,这些亚部位的肿瘤也具有不同的生存率[40]。此外,术前金标准影像也因亚部位而异:OTSCC或颊部采用MRI;上颌结节和下颌骨采用计算机断层扫描。基于这些原因并为最大化模型的准确性,研究组被选择为OTSCC患者而非一般口腔癌患者。
如前所述,MRI是OTSCC局部评估的金标准影像[7]。这些患者进行适当MRI的协议包括T1和T2加权序列、带脂肪饱和的CE-T1以及可选的DWI和ADC。MRI可以增加重要信息,例如术前放射学DOI,已被证明是OTSCC肿瘤学结局的独立术前预测因子,并能更好地预测患者的临床分期[41]。这与在MRI上应用影像组学可能代表OTSCC预后预测附加价值的观点一致。在本研究中,我们仅选择CE-T1序列和ADC图,因为它们分别代表了之前已发表模型中我们旨在外部验证的最广泛使用和可重复的序列(CE-T1)以及最佳拟合(ADC)[10]。
我们的数据证实,在用于预后预测的临床模型中,包含治疗后信息的模型在肿瘤学结局方面平均表现出更好的性能,在临床-影像组学联合模型中也是如此。
值得注意的是,在将单独的影像组学模型(影像组学评分)与基于治疗前信息的临床模型进行比较时,我们发现TG影像组学模型在C-index方面有所改善。在VG中,两个模型的C-index值非常相似,平均变化为0.02、0.001,提示影像组学评分可能对其构建所在的人群(TG)具有特异性。在TG中为构建影像组学评分而研究和选择的影像组学序列是在TG本身上用画笔构建的。因此,影像组学评分可能对TG过拟合,但在预测VG的临床结局方面效果较差。
此外,在VG中,所研究的所有MRI均属于不同医院,而TG特征是在同一医院(IEO)进行的MRI上获取的,一些差异可能归因于两个队列之间的差异。
在VG中,比较基于治疗后信息构建的临床模型与单独的影像组学模型,我们未发现单独的影像组学模型在预后预测准确性方面具有相关优势。
聚焦于OS、LRRFS和CSM中的治疗前和治疗后临床-影像组学联合模型,我们呈现了组间相当的C-index,无显著增加。
我们的数据强调,CE-T1序列适合用于OTSCC的预后预测(C指数 > 0.5)。该序列在其他医院也广泛使用,包括非三级中心,因为它被认为是舌癌评估的标准治疗,使得预测模型能够在所有患者和不同机构中重现[10, 38]。相反,DWI序列和ADC图并非所有中心的临床常规检查项目,从而限制了其潜在应用[10, 38]。
对先前创建的模型进行的这一验证步骤强调了两个不同的方面。首先,它证实了放射组学结合临床信息预测单个患者预后的潜在能力,即使在异质性队列中也是如此。其次,它也凸显了该技术的脆弱性,原因在于验证的关键问题,而验证对于模型的推广及其在日常临床实践中的潜在适用性至关重要[41]。验证组(VG)的C指数良好但均低于训练组(TG)所获得的值,这一事实提醒人们在该领域可能难以使用统一标准[42, 43]。训练集与验证集之间预测性能的差异提出了一个问题:究竟是存在过拟合问题,还是由于外部验证图像的差异所致。
此外,在我们的研究中并非所有患者都同时具有CE-T1和ADC MRI序列,经过多学科和内部讨论后,我们纳入了所有具有CE-T1数据的患者(108例),因为CE-T1是最广泛使用且可重复性最高的MRI序列:其在样本中数量多于ADC(83例),也反映了其潜在的外部适用性更强。
多种变量可影响基于MRI的OTSCC放射组学,包括不同机器、ROI手动分割、口腔癌分析的队列数量相对较少[43, 44]。这些方面部分解释了为何放射组学仍是一门发展中学科,在头颈癌尤其是舌癌中尚处于起步阶段[13, 43, 45]。此外,将数据与其他癌症类型(放射组学在这些癌症中已处于更先进阶段)的研究方法和结构进行比较的重要性是不可忽视的[43]。我们的研究是目前发表的少数旨在将MRI放射组学与OTSCC患者预后预测能力相关联的研究之一,其既有优势也有局限性。验证组不同于TG队列,应被视为我们工作的主要优势[46],其次是所有患者全部临床和随访信息的完整性。主要局限性是两个队列中患者数量不够理想。更大规模的患者数量和前瞻性多中心研究可以提高这些结果的显著性、验证性和可重复性。本文聚焦于证明放射组学数据单独意义的定量数据,因此我们未测量ADC值,也未纳入周围结构侵犯的影像学信息,尽管这些信息对肿瘤侵袭性和预后预测可能很重要。此外,使用多参数图像融合可能在模型性能方面带来更好的结果,这可以作为未来在相同扩展数据集上的工作主题。
结论
放射组学是一种有前景的无创方法,可用于实现精准医学。我们的结果证实,验证步骤是放射组学的主要局限性之一,当涉及外部队列时这一点更为明显。尽管如此,我们的结果证实了放射组学在细化个体患者预后方面的潜在附加价值,即使在相当异质性的人群背景下也是如此。外部验证中的挑战可能源于多种原因,包括不同类型的成像采集参数以及肿瘤体积勾画的变异性。在解决这些问题后,放射组学可能成为在口腔舌鳞状细胞癌(OTSCC)中进行定制化预后预测的潜在工具。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 32 KB)
补充文件2(XLSX 33 KB)
引用
- Tagliabue M, Ruju F, Mossinelli C, et al. The prognostic role of MRI-based radiomics in tongue carcinoma: a multicentric validation study. Radiol Med. 2024. PMID: 39096355. doi:10.1007/s11547-024-01859-y
- 全文:PMC11379741(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11379741/
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。