文献速递泌尿生殖腹部MR

MRI影像组学特征预测前列腺癌包膜外侵犯的系统评价

Prediction of extracapsular extension of prostate cancer by MRI radiomic signature: a systematic review.
PubMed 文献 · Insights Imaging · 2024-08-26

该系统评价检索2007年1月至2023年10月数据库,纳入11项回顾性研究,评估MRI影像组学特征预测前列腺癌根治术后病理包膜外侵犯(pECE)的性能。仅用影像组学特征的模型最高测试验证AUC为0.85,联合临床/语义特征的模型训练组AUC 0.72-0.92、验证组0.69-0.89。作者认为目前缺乏强证据支持影像组学特征用于术前ECE检测的临床实践。

要点

  • 联合模型(影像组学+临床/语义特征)检测ECE的AUC范围为训练组0.72-0.92、验证组0.69-0.89。
  • 仅用影像组学特征的模型最高测试验证AUC为0.85,训练组最高AUC为0.93。
  • 影像组学特征多于T2WI和ADC图手动分割肿瘤区域提取,DCE用于4篇文献。

核心结论

  • 作者认为当前证据缺乏稳健性,不足以支持影像组学特征用于术前前列腺癌患者ECE检测的临床实践。
  • 作者指出联合模型检测ECE的表现优于单独影像组学特征。
  • 作者建议未来研究采用前瞻性多中心方法、使用大型公共数据集和联合模型检测ECE。

研究设计与样本

  • 系统评价,遵循PRISMA,方案注册于PROSPERO(CRD42021272088)并发表于BMJ Open。
  • 检索CINAHL、EMBASE、CENTRAL、PubMed、Web of Science核心合集及OpenGrey和Grey Literature Network Service,检索2007年1月至2023年10月英文文献。
  • 从1247篇文献中纳入11项研究,均为回顾性设计,8项来自中国、2项来自意大利、1项来自挪威。
  • 纳入标准为成年前列腺癌患者、术前活检Gleason评分≥6、术前行1.5T或3T MRI且无既往治疗。
  • 参考标准为术后病理局部分期(pECE),采用QUADAS-2和影像组学质量评分(RQS)评估偏倚风险。

关键影像表现/征象

  • 所有研究基于T2WI和ADC图手动分割肿瘤区域提取影像组学特征,4篇文献同时使用DCE图像。
  • 形状特征(大小和球形度)和纹理特征(GLCM、GLRLM、GLSZM、NGLDM)为最具鉴别重要性的常见特征,多数来自T2WI。
  • Fan等研究中最重要的特征提取自DCE;直方图衍生特征重要性相对较低。
  • 各研究间所选影像组学特征的计算系数不同,未找到跨研究一致的主导性pECE影像组学特征。
  • Ma等基于瘤周区域(包膜和前列腺周围脂肪)构建的影像组学特征准确率在训练组和验证组分别为90%和88%,高于放射科医师直接判读的AUC(训练队列0.685-0.755,验证队列0.600-0.697)。

诊断标准与关键数值

  • 仅用影像组学特征(肿瘤区域)预测ECE的最高AUC为训练组0.93、测试验证0.85(Fan等)。
  • 联合模型(影像组学+临床/语义特征)训练组AUC 0.72-0.92、验证组AUC 0.69-0.89。
  • Yang等研究中联合模型AUC 0.89,统计学上优于临床模型(AUC 0.74)和语义模型(AUC 0.77)(p<0.05),但与单独影像组学(AUC 0.835)相比差异无统计学意义(p=0.167)。
  • Cuocolo等仅用前列腺内病灶ROI预测pECE,训练组准确率83%,训练集和两个外部验证集AUC分别为0.83和0.80/0.73。
  • Bai等比较瘤内与瘤周单影像组学特征,瘤周区域从ADC图经3D膨胀自动衍生,最佳预测AUC为0.70。

临床应用与阅片要点

  • 作者指出联合模型检测ECE的表现优于单独影像组学特征。
  • 作者认为非影像生物标志物如PSA和Gleason评分在预测ECE方面显示出前景,与MRI数据结合时影像组学特征可能提高预测ECE的准确性。
  • 作者认为当前证据缺乏稳健性,不足以支持影像组学特征用于术前ECE检测的临床实践。
  • 作者建议未来影像组学研究需确保高质量数据收集及跨机构、跨成像协议的特征标准化,并参照IBSI提供命名、基准数据集和报告指南。

局限性

  • 检索策略虽全面,但搜索期与本综述发表之间可能仍有研究发表。
  • 本系统评价仅关注影像组学特征,未分析其他AI方法、语义解释评分或列线图检测ECE。
  • 因关键统计数据和主导特征未报告、研究样本小,无法进行定量合成或Meta分析。
  • 多数研究样本量有限且使用单中心数据,四项使用单一MR扫描仪,限制模型泛化性。
  • 所有研究均非前瞻性,无研究在所有扫描仪上进行体模研究或多时间点成像分析;仅一项研究公开科学数据;所有研究均未进行成本效益分析或生物学相关性分析。
全文中译15 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 Aug 26;15:217. doi: 10.1186/s13244-024-01776-8

背景

前列腺癌(PCa)是欧洲及全球常见的癌症,每年约诊断6600例新发病例[1]。根治性前列腺切除术被广泛公认为早期PCa的标准手术治疗方式。检测包膜外侵犯(ECE)对于规划手术方案至关重要,因为ECE可导致高阳性手术切缘率、复发率及生存率下降[2–7]。列线图,如D’Amico或CAPRA,常用于预测晚期疾病风险[8, 9]。磁共振成像(MRI)已被证明可提高预测ECE的准确性,但读者间对MRI语义特征解读的变异性较大,且各作者间未达成共识[10–12]。高质量的MRI采集方案及阅片者的丰富经验有助于提高MRI的准确性[10–12]。

放射组学可借助数据特征化算法从医学图像中提取不同特征,从而提高PCa的诊断性能以及MRI检查的可重复性。人工智能(AI)和机器学习(ML)有助于将放射组学应用于日常实践。然而,临床上可接受且经过验证的算法尚未建立[13–15]。

本系统综述旨在总结使用放射组学算法预测PCa患者病理性包膜外侵犯(pECE)的证据,以辅助手术规划并改善预后。

方法

本系统综述遵循系统综述和荟萃分析优先报告条目指南,方案已在PROSPERO注册(CRD42020215671)并发表于BMJ Open[16]。

纳入标准

本文回顾了涉及成年PCa患者的手稿,这些患者术前前列腺活检提示Gleason评分等于或大于6,并在手术前接受了MRI检查。仅纳入使用1.5-T或3-T MRI扫描仪且未经预先治疗的研究。

主要结局为术后病理局部分期,目标是识别病理标本上包膜外侵犯(pECE)的影像学和临床预测因素。符合条件的研究须为回顾性或前瞻性队列研究或随机对照试验,且包含预后因素分析。此外,这些研究须发表于同行评审期刊。

研究纳入条件为:已发表报告中可获得PCa MRI分期和病理PCa分期的相关信息。

使用MRI图像和放射组学特征来检测前列腺切除术后pECE。

研究排除条件为:AI/ML预测模型以其他主要预测终点构建,如定位、分割、复发、预后或淋巴结转移,以及PCa表征而未涉及病理PCa分期终点。若作者以不同终点构建了不同模型但包含病理PCa分期终点,则该论文纳入分析。

仅包含MRI图像特征、解释性MRI语义特征或联合特征构建任何特征标签而未结合放射组学特征提取标签的研究被排除。

横断面研究、病例系列、病例报告、病例对照研究、系统综述、会议论文集及硕士或博士学位论文被排除。

检索策略

我们在六个电子数据库中进行了全面检索,即CINAHL、EMBASE、CENTRAL(Cochrane对照试验中心注册库,通过Wiley Online Library访问)、PubMed、Web of Science核心合集,以及用于灰色文献的OpenGrey和灰色文献网络服务(Grey Literature Network Service)。此外,我们手工检索了所有纳入研究的参考文献列表以及既往发表的关于前列腺癌(PCa)MRI分期的系统综述。

检索策略由一位在系统综述方面具有专业知识的医学图书馆员制定。检索词根据每个数据库的具体要求进行了定制。关键词(“前列腺肿瘤”、“机器学习”、“人工智能”、“影像组学”、“深度学习”、“分期”和“磁共振成像”)或各数据库特定的主题词(如MeSH)与布尔运算符“OR”和“AND”结合使用,以有效组合检索词。检索策略详见已发表的方案[16]。

研究选择

未施加任何限制,仅纳入以英文发表的研究。检索在each数据库中进行,时间范围为2007年1月至2023年10月。

在标题/摘要筛选之后,对可能相关研究的全文进行了评估。若两位评审者(A.G.和H.W.)之间未达成共识,则咨询第三位评审者(M.K.)。此外,对选择纳入的研究的参考文献列表进行了检查,以查找任何其他相关研究。数据收集过程见图1。

图1 研究选择的PRISMA流程图 查看原图 ↗

数据收集过程

数据提取:两位评审者(A.G.和M.K.)独立从纳入研究中提取以下数据。若两位评审者之间存在分歧,则通过讨论达成共识。如有必要,咨询另外两位专家评审者(M.O.和H.W.)。提取的数据大致分为患者和研究特征、放射科医生详细信息、特征提取类型(若由计算算法提取则为不可知型)、语义特征(由放射科医生判读)、模型特征和预测性能。在训练组和验证组中提取灵敏度、特异度和受试者工作特征曲线下面积(AUC),并在可获得时提取95%置信区间。对影像组学模型和整合模型进行了比较,并记录了最佳预测性能。

偏倚风险适用性

个体研究的偏倚风险由三名评价者(A.G.、H.W.和M.K.)进行评估。由于我们纳入了多种类型的研究,我们根据研究特征使用了不同的工具来评估偏倚风险。提取这些研究的数据,制成表格,然后使用诊断准确性研究质量评估第2版(QUADAS-2)工具[17]审查偏倚风险和适用性。该工具涵盖四个偏倚来源:(1)患者选择,(2)指标试验,(3)标准域,(4)流程和时间偏倚。对于每一项,根据研究提供的信息,偏倚风险被评估为高风险、不明确风险或低风险。评价作者使用QUADAS-2信号问题信息来判断偏倚风险。如果一个域的所有信号问题均回答“是”,则偏倚风险被视为“低”。如果任何信号问题回答“否”,则标记为潜在偏倚。“不明确”类别仅在报告的数据不足以做出判断时使用。

由于QUADAS-2有时不能适应人工智能研究中遇到的特定术语,我们还在本系统综述中加入了Lambin等人提出的影像组学质量评分(RQS)[17, 18]。高偏倚风险和低适用性的研究被排除。进行了叙述性综合,同时考虑偏倚风险以及显著关联的强度和一致性。

结果综合

由于人工智能系统应用、研究设计、算法、患者队列、评估策略和性能指标的差异,选择叙述性综合而非荟萃分析。对于患者队列和试验设置存在显著差异的诊断试验准确性研究,不建议进行荟萃分析,因为会产生偏倚结果。

结果

研究特征(表1)

最终纳入的11项研究(对应于总共1247篇筛选论文的0.009%),发表于2019年至2023年间,采用回顾性研究设计,主要(8项)来自中国,两项来自意大利,一项来自挪威。所有研究均描述了基于影像组学提取特征的模型,或单独使用[19–22],或与临床特征结合[23–27],或联合使用(整合模型:语义解释特征加上不可知影像组学特征与临床特征相关联,用于预测组织病理学标本分析中的ECE [28, 29]。除三项研究外,所有研究均使用3 T场强,模型中纳入的患者总数在62至284之间。仅两项研究[23, 30]在多个机构进行。病灶分割和特征解释由一名以上放射科医师完成,除Losnegård等人[28]外,所有研究均评估了观察者间一致性比率。最近一项研究[29]比较了三种独立模型:影像组学、临床以及由四名放射科医师在MRI上评估ECE(语义模型),并将它们与包含三种模型所有相关特征的联合模型进行比较。三项研究还涉及其他终点,如手术切缘阳性[24, 26]、淋巴结转移和肿瘤侵袭性[19, 26]。一项研究还建立了影像组学模型来预测PCa预后生物标志物[24]。

表1 研究的一般特征 查看原表 ↗

影像组学特征(表2和表-S1)

模型性能

所有综述的研究都聚焦于开发基于从手工分割肿瘤区域的T2WI(T2加权成像)和ADC(表观扩散系数)中提取的不可知特征的影像组学模型。四篇文献[20, 21, 24, 28]还使用了DCE图像。他们比较了由分别从T2WI和ADC图独立提取的成像特征(IFs)以及从两种模态提取的成像特征构成的不同特征签名,并测试了这些签名预测pECE存在与否的性能。

对于每个MRI序列,形状特征(大小和球形度)和纹理特征(GLCM、GLRLM、GLSZM、NGLDM)是最常见的具有判别重要性的特征,且在大多数情况下为从T2WI提取的特征。例外是Fan等[24]的研究,其中最具相关性的特征是从DCE中提取的。源自直方图的影像组学特征不如上述特征那么相关。各研究之间计算所选影像组学特征的系数不同,作者们未发现一个共同的稳定影像组学特征可作为pECE的跨研究主导影响因素。各研究间的图像处理和特征选择方法非常异质。使用Matlab、原始Pyradiomics以及高斯拉普拉斯(LoG)和小波滤波器进行图像提取。大多数研究者将影像组学与临床模型及联合模型(影像组学+临床特征)进行了比较。在这些情况下,联合模型取得了最佳性能(AUC:0.92)[25]、0.72 [26]、0.95 [24]、0.72 [23]、0.76 [27]和0.89 [29]。

仅使用影像组学特征(肿瘤区域)预测ECE的模型最高AUC在训练组为0.93,在测试验证组为0.85 [24]。其次是Xu等[25](AUC 0.91)、Yang等[29](AUC 0.86)和Cuocolo等[22](AUC分别为训练集0.83和两个外部验证集0.80/0.73)。

Ma等[20, 21]在瘤周区域(包膜和前列腺周围脂肪)构建了影像组学签名,并与放射科医师的判读进行了比较。配对比较显示影像组学签名比放射科医师的判读更准确。准确率(训练组和验证组分别为90%和88%)远高于放射科医师直接达到的准确率(训练队列AUC 0.685–0.755,验证队列AUC 0.600–0.697)。该研究与Yang等的研究[29]一致,其中影像组学签名优于放射科医师判读(训练组和验证组AUC分别为0.88和0.835,对比训练组和验证组AUC分别为0.746和0.774)。

Bai等比较了瘤内和瘤周(PT)单一影像组学签名,在从ADC图提取的PT区域取得了最佳预测价值AUC:0.70。在该研究中,PT通过3D膨胀自动衍生并从ADC图提取。

只有两位作者[28, 29]使用Mehralivand提出的EPE分级标准[31],构建了结合临床和语义解释性MRI特征的联合模型。他们比较了放射科医师的判读和纪念斯隆凯特琳癌症中心(MSKCC)列线图与影像组学特征及联合模型。放射科医师判读模型的AUC在两项研究的训练组中相似(AUC为0.74)[28, 29],在Yang等[29]研究的验证组中为0.77。关于影像组学模型,两项研究的AUC分别为0.75[28]和0.88[29]。

影像组学、影像学加临床判读的联合模型在统计学上优于临床模型(AUC 0.74)和语义模型(AUC 0.77)(AUC 0.89;p < 0.05),但与单独影像组学模型(AUC 0.835)相比差异无统计学意义(p值0.167)[29]。

表2 影像组学特征 查看原表 ↗

偏倚风险评估(表3)

综述作者使用QUADAS-2和RQS方法判断偏倚风险。

QUADAS-2

患者选择:仅Damascelli等[19]的研究被认为具有高偏倚风险,因为病例选择过程因描述不充分而不明确。

Cuocolo等[22]、Losnegård等[28]和Yang Liu[27]的病例被认为不明确,因为他们未提及是否排除了根治性前列腺切除术前接受过任何类型治疗的患者。

索引试验(MRI图像):所有患者均接受了充分且相同的机构MRI方案。除一项研究[28]外,所有研究中的病灶手动分割均具有可重复性,该研究中仅由一名放射科医师进行病灶分割,且一项研究[26]未排除低质量图像。

参考标准:所有纳入研究中参考标准(标本中ECE的存在)的偏倚风险均较低。

流程和时间:除四项研究[19, 23, 24, 27]未提及MRI与前列腺切除术之间的时间间隔外,所有纳入研究在以下方面均一致:使用适当的参考标准、针对患者以及在MRI与获取组织病理学之间保持适当的时间间隔。

表3 偏倚风险:QUADAS-2和影像组学质量评分 查看原表 ↗

影像组学质量评分

Cuocolo等[22]的研究RQS最高,为20分,Damascelli等[19]、Losnegård等[28]和Yang Liu的评分最低,分别为10分、9分和8分。其主要原因是缺乏模型验证。没有研究为前瞻性研究,也没有研究在所有扫描仪上或多个时间点进行影像分析的水模研究。仅一项研究展示了开放科学数据[22]。所有研究均未进行成本效益分析或生物学相关性分析。

讨论

本系统综述发现了十项旨在使用影像组学特征预测PCa患者pECE的研究。这些研究大多样本量有限且使用单中心数据,其中四项使用单台MR扫描仪,这限制了其模型的普适性。所有模型均采用纹理特征提取,但各研究中最重要的纹理特征有所不同。大多数显著特征提取自T2WI。

此处提到的Damascelli等人的研究存在高偏倚风险,未进行外部验证,其仅62例患者的样本量被认为不足以得出稳健结论[19]。Cuocolo等人在训练组中仅使用前列腺内病灶的ROI预测pECE,准确率达到83%[22]。

Ma等人进行了两项互补研究,在第二项研究[21]中将第一项研究[20]建立的影像组学模型与语义解释模型MRI EPE分级进行比较。他们发现,如结果所述,影像组学模型相比放射科医师的表现取得了更高的准确率。放射科医师准确率较低可能是由于仅凭有限的视觉解释发现难以确定宏观ECE受累。根据QUADAS工具和RQS量表评估,该影像组学模型偏倚风险低,但其MATLAB特征生成方法非开源且使用非标准技术,难以复现。该研究进行了2:1的内部训练和验证划分,但未说明使用哪个数据集进行特征选择,这可能影响了结果。该模型尚未在其他机构进行独立评估,需要进一步研究验证其性能。尽管如此,该研究表明使用瘤周区域创建影像组学特征来预测ECE是可能的[21]。

关于其余研究[23–27],除影像组学特征外,还使用临床特征构建了联合模型。主要的临床预测因素为血清PSA和活检Gleason评分(GS)。他们报告,与仅使用影像组学特征的模型相比,结合临床和影像组学变量的联合模型取得了更好的结果,数值在72%至95%之间,QUADAS-2评估为中等偏倚风险,RQS在16至18分之间。其中,Fan等人[24]的研究准确率最佳,纹理提取特征来源于DWI上绘制的ROI。然而,这是一项单机构研究,使用两台不同扫描仪并采用内部验证数据集。

两项研究[28, 29]创建了联合模型,将放射科医师解释的语义特征与影像组学模型及临床特征相关联。在研究[28]中,影像组学模型的AUC与语义解释模型几乎相同(AUC分别为0.75 vs. 0.74)。然而,该模型的实施方式有限,没有验证组,偏倚风险非常高(QUADAS为高,RQS仅为9)。在另一项[29]更近期的研究中,作者证明联合模型在验证组中相比其他模型取得了最佳AUC。然而,该研究应利用外部队列(来自不同机构)来验证影像组学和联合模型检测ECE的稳健性。

虽然所有研究都使用了一种或多种特征选择策略以减少过拟合。此外,如前所述,不同研究中使用不同的特征集导致最终模型中存在的特征缺乏一致性,妨碍了跨研究协同分析预测pECE的相关影像组学特征的任何尝试。

未来的放射组学研究必须确保高质量的数据收集,以及不同机构和成像协议之间放射组学特征的标准化。IBSI(图像生物标志物标准化倡议)旨在提供图像生物标志物命名和定义、基准数据集和基准值,以验证图像处理和图像生物标志物计算,以及报告指南,用于高通量图像分析。

通过解决这些问题,未来的放射组学研究可以提高放射组学特征在术前检测PCa患者ECE方面的可靠性和临床实用性。

本综述存在一定局限性。首先,尽管我们的检索策略较为全面,但可能存在在我们检索期与本综述发表之间发表的研究。其次,本系统综述仅关注放射组学特征,未分析其他AI方法、语义解释评分或列线图用于检测ECE。

最后,本综述若能对所分析文章进行定量合成或荟萃分析将更有价值,但遗憾的是,由于这一小样本研究未报告关键统计数据和主要特征,无法实现。

结论

非影像生物标志物如PSA和GS在预测PCa中的ECE方面已显示出前景。当与MRI数据结合时,放射组学特征可提高预测ECE的准确性。然而,当前证据缺乏稳健性,不足以支持放射组学特征在术前ECE检测中的临床使用。未来的放射组学研究需要在多中心环境中使用大型数据集进行前瞻性测试,包括外部验证队列,以提高检测ECE的可靠性和临床实用性。

补充信息

电子补充材料

引用

  1. Guerra A, Wang H, Orton MR, et al. Prediction of extracapsular extension of prostate cancer by MRI radiomic signature: a systematic review. Insights Imaging. 2024. PMID: 39186182. doi:10.1186/s13244-024-01776-8
  2. 全文:PMC11347513(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11347513/

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。