形状很重要:无监督探索IDH野生型胶质瘤影像生存预测因子
本研究回顾性纳入436例术前MRI的IDH野生型胶质瘤患者,基于9个形状放射组学特征和肿瘤体积进行PAM聚类,在训练集(348例)识别出两个影像表型,并在测试集(88例)和公开UCSF数据集(397例)验证。聚类1(高球形度、伸长率)中位OS长于聚类2(大3D径、表面积、轴长、体积大),且聚类归属联合临床数据较单纯临床或体积模型改善OS预测。
要点
- 基于形状放射组学与肿瘤体积的聚类可区分IDH野生型胶质瘤两个影像表型,聚类1中位OS长于聚类2。
- 聚类1以高球形度和伸长率为特征,聚类2以最大3D径、表面积、各轴长及体积高值为特征。
- 将聚类归属纳入模型较临床数据或肿瘤体积模型提高OS预测C指数,决策树中最大3D径最重要。
核心结论
- 数据驱动的聚类揭示IDH野生型胶质瘤的影像表型,形状放射组学联合肿瘤体积较单纯肿瘤体积提高总生存预测能力。
研究设计与样本
- 回顾性研究,纳入436例连续IDH野生型胶质瘤患者,训练集348例、测试集88例,外部验证采用公开UCSF数据集397例。
- 术前MRI使用3-T MR系统(Siemens Magnetom Verio、TIM Trio或Skyra,12通道头矩阵线圈),序列包括增强前后3D T1加权、轴位2D FLAIR和T2加权。
- 使用PyRadiomics提取9个形状放射组学特征(最大3D径、长轴、短轴、最短轴、表面积、球形度、伸长率、平坦度、表面积体积比)及全肿瘤体积,采用PAM聚类。
关键影像表现/征象
- 聚类1(n=233)高球形度和伸长率患者比例高于聚类2(n=115),聚类2高最大3D径、表面积、短轴、长轴、最短轴患者比例高于聚类1(各p<0.001)。
- 训练集聚类1中位OS为18.8个月(95%CI 16.3–20.6),聚类2为11.7个月(95%CI 9.4–13.2),log-rank p<0.001。
- 测试集聚类1中位OS为23.8个月(95%CI 19.4–43.7),聚类2为11.4个月(95%CI 8.6–25.2),log-rank p=0.002。
- UCSF数据集聚类1中位OS为20.1个月(95%CI 16.4–21.7),聚类2为13.7个月(95%CI 10.4–19.3),log-rank p=0.001。
诊断标准与关键数值
- 测试集单因素Cox回归:肿瘤体积与OS相关HR 1(95%CI 1.00–1.01),p=0.03,C指数0.627;聚类归属HR 2.25(95%CI 1.32–3.84),p=0.003,C指数0.625。
- 多因素Cox回归:临床数据(年龄、性别)联合聚类归属较仅临床数据C指数由0.59升至0.67(p=0.003)。
- 加入术前ECOG状态后,联合聚类归属模型C指数0.68,无聚类归属模型0.61(p=0.005)。
- 临床数据联合聚类归属模型AIC=388.56,优于临床数据联合肿瘤体积模型AIC=391.84,证据比5.16;加入ECOG后证据比5.37(AIC 387.95 vs 391.31)。
- 决策树深度3、代价复杂度178×10⁻⁴,测试集准确率0.91(误分类率9.1%,8例),UCSF数据集准确率0.96(误分类率4.5%,18例)。
临床应用与阅片要点
- 术前MRI可基于全肿瘤分割提取形状放射组学特征,与肿瘤体积联合聚类有助于IDH野生型胶质瘤的预后分层。
- 决策树分析显示最大3D径是判断聚类归属的最重要参数,其次为表面积和长轴长度。
- 形状特征(球形度、伸长率)与体积相关但提供体积未涵盖的几何信息,报告中可关注肿瘤形状的规则性。
局限性
- 本研究为回顾性研究,训练采用单中心数据集,聚类可能受研究人群特定特征影响。
- 除IDH状态外,原文未考虑其他分子标志物或临床因素(原文此处表述不完整)。
全文中译13 节 · 点击展开
引言
异柠檬酸脱氢酶野生型(IDH-wt)胶质瘤是侵袭性恶性脑肿瘤,临床管理面临重大挑战,预后极差[1],亟需在诊断和治疗策略方面取得进展[2, 3]。准确预测总生存期(OS)对于制定IDH-wt胶质瘤患者的有效治疗策略至关重要。尽管RANO(神经肿瘤学反应评估)2.0标准引入了肿瘤体积作为评估治疗反应的参数[4]。虽然肿瘤体积是有价值的预后指标,尤其是在术前[5, 6],但单独使用存在局限性。具体而言,它未考虑肿瘤形态的异质性,而后者可提供关于肿瘤行为和患者预后的关键信息。
结构MRI中肿瘤位置、轮廓和几何特性等形状特征有助于定性描述肿瘤环境[7–9]。值得注意的是,这些特征已与脑肿瘤的基因表型相关联[10],并可预测IDH-wt胶质瘤患者的OS[11–13]。与高阶影像组学等非形状特征不同,形状特征具有高度可重复性,且不依赖强度归一化流程[14],对图像采集参数变化和图像噪声表现出稳健性。无论是手动获取还是从医学图像中提取为定量高通量数据,如从放射学图像中获得的形状影像组学[15],这些特征均提供了表征病变拓扑结构的定量方法。它们可分为全局和局部属性。全局特征关注病变轮廓,提供圆度和周长等测量值,包括长轴和短轴直径。另一方面,局部形状特征深入探讨等值面的表面曲率方面,量化曲度和锐度等元素[16]。
尽管形状特征具有潜力,临床金标准仍主要依赖于通过成像平面测量肿瘤的二维直径或(半)自动三维体积测量[17, 18]。然而,这种方法忽视了可提供额外预后信息的详细形状特征。该标准的当前性能在捕捉肿瘤异质性的完整复杂性方面存在局限。
本研究旨在通过聚焦肿瘤体积和形状影像组学特征,揭示新诊断、未经治疗的IDH-wt胶质瘤患者中不同的影像表型。利用无监督围绕中心点划分(PAM)聚类,我们旨在识别这些表型,随后开发决策树模型以阐明影像参数与所识别表型之间的内在关系。通过本研究,我们力求借助从肿瘤体积和形状影像组学中获得的见解,丰富对IDH-wt胶质瘤异质性及其对预后亚型分型意义的理解。
材料与方法
数据集
本回顾性研究获得海德堡大学当地伦理委员会批准,并豁免知情同意要求(S-784 2018)。分析涵盖了一系列连续患者(n = 439),均根据WHO 2021标准[19]诊断为IDH野生型胶质瘤。所有患者于2009年至2020年间在德国海德堡大学医院神经放射科接受了术前MRI,并保持了全面的临床文档记录。DNA甲基化检测为所有参与者提供了IDH状态[20]。OS数据从患者记录中提取。在未记录死亡日期的情况下(由于持续生存或失访),记录最后一次已知接触日期,随后对患者数据进行删失。
为分析目的,使用tidymodels [21]将数据集二分,将80%的数据分配给训练集,其余20%分配给测试集。
外部测试使用加州大学旧金山分校(UCSF)公开可用的术前MRI胶质瘤数据集进行,共501名患者[22]。与训练数据集一样,外部验证中的数据包括对比剂给药前后的T1加权图像、FLAIR和T2加权图像。所有检查均以NifTI(神经影像信息技术倡议)格式下载,数据集中包含的序列信息见10.7937/tcia.bdgf-8v37。
MRI检查与放射组学提取
影像采集作为标准临床流程的一部分,使用3-T MR系统(包括Siemens Healthcare的Magnetom Verio、TIM Trio或Skyra型号)配备12通道头部矩阵线圈进行。遵循国际影像标准[23],协议包括采集3D T1加权图像(对比剂给药前(T1)和给药后(cT1)),使用0.1 mmol/kg钆特酸葡甲胺团注(Dotarem,Guerbet),以及轴位2D FLAIR和T2加权图像。
DICOM(医学数字成像和通信)文件使用免费软件dcm2nii(https://www.nitrc.org/plugins/mwiki/index.php/dcm2nii:MainPage)[24]转换为NIfTI格式。对于肿瘤分割,使用HD-GLIO工具的自定义变体,采用深度学习算法来识别肿瘤内的坏死、对比增强和非对比增强T2/FLAIR高信号区域[25, 26]。这些自动分割由M.F.审查和 refine,M.F.是一名具有六年经验的神经放射学住院医师,确保分割过程的准确性和精确性。
特征提取和选择在Python(版本3.8.5)中使用PyRadiomics(版本3.0.1,https://pyradiomics.readthedocs.io)进行[27]。对于特征提取,将肿瘤的对比增强、非对比增强T2/FLAIR高信号和坏死成分的不同分割掩膜合并为一个分割掩膜,因此放射组学特征是从整个肿瘤中提取的。根据影像生物标志物标准化倡议,在T1w预对比图像上计算了九个可重复的形态学放射组学特征,即最大3D直径、长轴长度、短轴长度、最短轴长度、表面积、球形度、伸长率、扁平度和表面体积比[28]。特征的详细描述见补充材料和方法,HD和UCSF数据集之间特征的比较总结在补充表1中。整个肿瘤体积使用FSL(FMRIB软件库,FSL,http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FSL)提取。
聚类
以下所有分析步骤仅在训练数据集上执行,随后应用于测试数据集和UCSF数据集。
截断值确定和距离计算
为每个放射组学特征和整个肿瘤体积(n = 10)确定了预后阈值。由于阈值的计算需要正态分布,我们对每个参数应用Box-Cox变换以近似正态分布。该变换使用R中的recipes包(https://cran.r-project.org/web/packages/recipes/index.html)实现。每个参数的Box-Cox变换的lambda值被保存。接下来,我们在Cox比例风险模型框架下使用分层贝叶斯方法对每个参数进行OS拟合。该拟合使用R中的bhm包(https://cran.r-project.org/web/packages/bhm)进行,使用默认参数B = 500次预热步骤和R = 2000次重复,按照包开发者的建议。由于截断值是在Box-Cox变换后的数据上计算的,我们使用存储的lambda值将这些截断值转换回参数的原始尺度。该反向步骤确保截断值与原始数据在同一尺度上。仅这些反向转换后的截断值用于后续步骤。所有截断值和相应的lambda值总结在补充表2中。
基于这些截断值,每位患者的每个参数被二值化为低(低于截断值)或高(高于截断值)。随后,使用Gower距离为每位患者计算距离矩阵,纳入十个二值化影像参数(九个放射组学特征和整个肿瘤体积)。该方法允许对患者队列的影像特征进行全面比较。
PAM聚类
采用PAM聚类方法具有明显的优势,尤其是其能够通过中心点(medoids)——即显著增强结果可解释性的核心数据点——为每个聚类指定代表性成员[29]。该方法在处理分类变量(包括本研究中的二分类参数)方面的有效性,进一步说明了其对本分析的适用性。此外,PAM聚类表现出显著的稳定性,这是确保聚类形成可重复性的关键因素。在我们的实现中,作为聚类中心点选取的中心点通过R语言中的‘cluster’包进行操作化[30]。最优聚类数的确定以平均轮廓系数的计算为指导。为严格评估聚类的稳定性,我们计算了Jaccard指数,利用500次自助抽样进行稳健估计。随后,针对测试数据集中的患者,计算了相对于这些已计算中心点的Gower距离。患者被分配至特定聚类基于其与最近中心点的接近程度,以最小Gower距离作为聚类归属的决定性标准。
基于树的模型的可解释性分析
为确定影像参数对聚类分配的影响,我们利用tidymodels库[21]构建了决策树模型。超参数优化通过网格搜索实现,并结合10折交叉验证,重点优化树深度和代价复杂度以提高模型准确性。此外,通过使用变量重要性图来确定模型中特征的重要性,展示每个特征在预测结局中的相对重要性(可在https://github.com/koalaverse/vip/获取)。
统计分析
所有数据分析均使用R软件(版本4.2.2,R Foundation for Statistical Computing)进行。这些包的详细版本见补充表3。连续变量以均值±标准差或中位数(四分位距)表示,分类变量以计数和频率表示。连续变量的比较采用Wilcoxon–Mann–Whitney检验,分类变量采用卡方检验。
测试数据集和UCSF数据集中两个聚类的OS生存曲线均采用Kaplan–Meier法构建,并辅以log-rank检验进行统计学评估。应用单因素和多因素Cox比例风险回归模型评估OS与聚类归属和总体肿瘤体积的关系,并对潜在临床混杂因素(包括年龄、性别和术前ECOG体能状态)进行调整。
聚类的判别能力通过计算每个模型的一致性概率(C指数)和赤池信息准则(AIC)进行评估[31]。嵌入式模型的比较分析采用以C指数为重点的方差分析来确定统计学显著性。此外,非嵌入式模型之间的差异通过基于AIC值计算证据比进行评估。
对于本研究中的所有分析,均将p值小于0.05设定为统计学显著性的标准。本研究严格遵循放射组学报告评估清单(CheckList for EvaluAtion of Radiomics)指南,以提高研究的可信度、可重复性和透明度[32]。该清单见电子补充材料。
结果
患者特征
最初共筛选了439例新发IDH野生型胶质瘤患者,其中436例符合纳入标准并随后入组研究。3例患者因MRI质量不佳而被排除,其主要表现为明显的运动伪影。研究队列的详细人口学数据和图像特征见表1。为便于分析,队列被分为训练集(n = 348)和测试集(n = 88)。如补充图1所示,Kaplan–Meier生存分析显示这两个数据集之间的总生存期(OS)无统计学显著差异(log-rank检验p = 0.17)。
在最初包含n = 501例受试者的UCSF数据集中,未表现为IDH野生型状态的患者(n = 103)或缺乏OS数据的患者(n = 1)被排除。因此,最终获得的外部测试数据集共包含n = 397(79%)例受试者。研究的图示见图1。为简化预后模型,我们使用训练数据集中的生物标志物阈值模型对影像参数进行了二值化处理。补充图2展示了二值化前数值参数之间的Spearman相关系数(A)。结果表明,若干形状特征与肿瘤体积之间存在强相关性。B图展示了二值化参数的phi相关系数。经二值化处理后,相关性值总体下降。
聚类结果
PAM聚类根据最高平均轮廓系数(宽度 = 0.44)确定最佳聚类数为两个,且稳定性高(聚类1的平均Jaccard指数为0.94,聚类2为0.89)。
聚类组成分析揭示了各聚类之间的不同模式。因此,与聚类2(n = 115,33%)相比,聚类1(n = 233,67%)中具有高球形度和伸长率的患者比例显著更高(各自p值 < 0.001)。另一方面,聚类2中具有高最大3D直径、表面积、短轴长度、长轴长度和最短轴长度的患者比例显著更高(各自p值 < 0.001)。两个聚类之间在表面积体积比和扁平度方面无显著差异,见图2。
两个聚类在OS上表现出显著差异,聚类1的中位OS为18.8个月(95%置信区间(CI):16.3–20.6),聚类2的中位OS为11.7个月(95%CI:9.4–13.2),见于训练数据集(log-rank检验p < 0.001)。这一趋势在测试数据集中持续存在,聚类1的中位OS为23.8个月(95%CI:19.4–43.7),而聚类2为11.4个月(95%CI:8.6–25.2)(log-rank检验p = 0.002)。同样,在UCSF数据集中,聚类1的中位OS为20.1个月(95%CI:16.4–21.7),而聚类2的中位OS为13.7个月(95%CI:10.4–19.3)(log-rank检验p = 0.001)(图3)。
在测试数据集中,单因素Cox回归分析显示肿瘤体积与OS之间存在显著关联,风险比(HR)为1(95%CI:1.00–1.01),p值为0.03,C指数为0.627。此外,分析还显示聚类归属与OS之间存在显著关联,HR为2.25(95%CI:1.32–3.84),p值为0.003,C指数为0.625。此外,多因素Cox回归分析表明,将聚类归属纳入模型可改善其性能,与仅基于临床数据(年龄和性别)的模型相比,C指数从0.59提高到0.67(p = 0.003)。此外,将术前ECOG状态与聚类归属一并纳入可增强模型的预测能力,表现为C指数为0.68,高于不含聚类归属模型的0.61(p = 0.005)。
在评估不同模型配置时,纳入临床数据和聚类归属的模型(AIC = 388.56)优于基于临床数据和肿瘤体积的模型(AIC = 391.84),证据比为5.16。此外,纳入术前ECOG状态进一步增强了基于聚类模型的优越性,相对于肿瘤体积模型的证据比为5.37(AIC分别为387.95 vs AIC = 391.31)。这些发现总结于表2。
解释性分析
调优后的决策树深度为3,代价复杂度为178 × 10−4。特征重要性检查显示,最大3D直径是该模型中最重要的预后参数,见补充图3。
所训练决策树的结构见补充图4。该树结构显示最大三维直径、表面积和长轴长度为最重要的特征。在测试集和UCSF数据集中的验证分别显示出0.91和0.96的高准确率,误分类率分别为9.1%(8例患者)和4.5%(18例患者)。
讨论
尽管高阶影像组学特征作为高级别胶质瘤患者OS预测的预后工具显示出前景,但形状影像组学特征作为预后参数的潜力仍未得到充分探索。在本研究中,我们采用了一种避免预定义分类或指导的方法,专注于在新诊断的术前IDH野生型胶质瘤中基于肿瘤体积和形状相关影像组学特征识别生存聚类。我们的结果表明,纳入这些聚类可以提高预后准确性,在预测OS时优于仅依赖临床评估或仅基于肿瘤体积的模型。
在仔细审查这些聚类后,我们观察到与较长OS相关的聚类1中,具有较高球形度和伸长值肿瘤的患者比例更高,提示肿瘤形状更接近球形。相反,该聚类中最大三维直径、表面积和轴长度高值患者的比例明显低于聚类2。这些发现与Pérez-Betata等人的研究一致,他们证明,从增强T1加权治疗前MRI序列得出的表面规则性是来自五家当地机构的165例GB患者队列中生存的稳健指标[33]。该参数量化了肿瘤表面与相应体积球体表面的偏离程度。该研究表明,表面规则性是患者生存的稳健指标。值得注意的是,观察到表面规则性较高的患者(提示肿瘤形状类似于球体)表现出较长的生存期[33]。这些结果与许多其他研究一致,这些研究表明肿瘤边缘的不规则性是IDH野生型胶质瘤患者生存的良好预后参数[13, 34]。与Perez-Betata关注对比增强区域的表面积不同,我们的研究从整个肿瘤中提取影像组学,包括非对比增强的FLAIR高信号部分,提示这些部分的形状也具有预后价值。
通过不同的多变量Cox回归模型,我们表明加入聚类归属优于仅使用临床和基于体积的模型。值得注意的是,每个模型都表明聚类归属与OS关联的独立显著性,这与众多研究将术前肿瘤识别为可靠预后指标的认识一致[5, 6, 18]。此外,Sanghani等强调了形状特征对GB患者OS预后的预后意义[12]。在单变量和多变量Cox回归分析中,他们表明,由对比增强和FLAIR高信号非对比增强肿瘤部分计算得到的边界椭球体积比、球形度和球形不对称性对OS预测具有显著意义。我们的相关性分析表明,直径、表面积和长轴长度等形状特征与体积相关。然而,它们也捕捉到了肿瘤几何形状中体积本身无法完全代表的独特方面。二值化参数的Phi相关系数显示,二值化后相关性降低。这种降低突显了二值化如何减轻由于原始数值参数尺度和幅度造成的固有偏倚。因此,虽然体积是一个显著的描述指标,但它并未涵盖肿瘤形状的所有细微差别。因此,尽管肿瘤体积与各种形状特征相关,但形状影像组学所代表的多维方面提供了额外且有价值的见解。
使用决策树模型,我们确定最大3D直径是决定聚类归属的最重要参数。与测量肿瘤总大小的体积不同,最大3D直径代表通过肿瘤中心测量的肿瘤最大可能长度,可提供对其空间范围的见解。在IDH野生型胶质瘤中,最大3D直径相对于肿瘤体积的比较预后价值仍未被探索,但肺癌中的类似发现提示,其可能与不规则形状肿瘤的特征性质有关,即形状对患者结局的影响大于总体积[35]。
虽然我们的研究提供了有价值的见解,但需要注意一些局限性:首先,本研究为回顾性研究,并使用单中心数据集进行训练,聚类可能受到研究人群特定特征的影响。然而,我们使用了内部测试数据集和一个外部公开可用数据集进行进一步验证。其次,除IDH状态外,我们未考虑任何其他分子标志物,例如TERT启动子状态。因此,我们无法评论形状的预后作用或自然疾病病程是否如先前所推测的那样,在由分子或表观遗传特征定义的分子IDH野生型变异之间有所不同[36]。因此,未来研究应关注IDH野生型形状与其他分子标志物之间的关系。
总之,我们的数据驱动、无监督技术通过形状影像组学识别出不同且具有临床相关性的影像表型,增强了预测新诊断高级别胶质瘤患者生存结局的能力。这种方法可以提高预测高级别胶质瘤患者生存结局的能力,突显其在临床环境中的潜在价值。
补充信息
电子补充材料
引用
- Foltyn-Dumitru M, Mahmutoglu MA, Brugnara G, et al. Shape matters: unsupervised exploration of IDH-wildtype glioma imaging survival predictors. Eur Radiol. 2024. PMID: 39251442. doi:10.1007/s00330-024-11042-6
- 全文:PMC11835892(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11835892/
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。