CT影像基因组学对肺癌患者预后价值的系统评价
该系统评价纳入2016至2023年间10项研究,评估影像组学与基因组学联合模型预测肺癌长期预后的效果。多数模型表现良好,受试者工作特征曲线下面积(AUC)为0.64至0.94,一致性指数(C-index)为0.28至0.80,联合模型通常优于单一方法模型,最高AUC为0.99。作者认为联合影像组学与基因组学可能改善预测性能,但需标准化数据和更大队列进一步研究以验证并融入临床实践。
要点
- 联合影像组学与基因组学的预后模型在多数纳入研究中预测性能优于单一模型。
- 纳入研究的AUC范围为0.64至0.94,C-index范围为0.28至0.80,联合模型最高AUC达0.99。
- 所有纳入研究均存在高偏倚风险,仅20%(2/10)的研究报告了校准统计量。
核心结论
- 多数研究中影像组学与基因组学联合模型预测肺癌预后的性能优于单独影像组学或基因组学模型,联合方法可能有助于预测肺癌预后并为治疗策略提供新支持。
- 作者指出需开展前瞻性、详细的研究以确定并推广联合方法的优势。
研究设计与样本
- 系统评价,按PRISMA指南报告,已在PROSPERO注册(注册号CRD42023472571)。
- 检索PubMed、Embase、Web of Science核心合集和Cochrane Library数据库,截至2024年5月13日,并手动检索纳入文献的参考文献列表。
- 纳入10项原始研究,发表于2016至2023年,患者队列样本量范围为79至315例。
- 9/10(90%)研究为回顾性设计,1项为前瞻性研究;所有研究均包含多个队列(如训练、测试和验证组)。
- 采用影像组学质量评分(RQS)和预测模型偏倚风险评估工具(PROBAST)进行偏倚风险评估。
诊断标准与关键数值
- 在8篇构建独立影像组学模型的研究中,4项研究使用AUC评估性能,4项研究使用C-index评估性能,1项研究未展示性能。
- 在5篇构建独立基因组学模型的研究中,3项研究使用AUC评估性能,3项研究使用C-index评估性能。
- 4项研究使用AUC评估联合模型性能,范围为0.72至0.99,所有联合模型的AUC值均高于其各自的独立模型。
- 7项研究使用C-index评估联合模型性能。
- 最准确模型在训练集AUC为0.95、在验证集AUC为0.99,由t检验选择方法联合支持向量机(SVM)作为分类器获得。
临床应用与阅片要点
- 联合模型在预测辅助化疗反应方面优于单独模型,而预测总生存(OS)的联合模型则不一定更优。
- 由于融合方法不同,两项研究中联合模型的性能出现波动,有时超过、有时低于单一模型。
- LASSO方法是影像组学特征选择最常用的方法(6/10,60%),多因素Cox比例风险分析多用于确定预测因子(5/10,50%)。
- 部分研究将影像组学、基因组学和临床信息联合以获得更准确的预后结果,所有含临床数据的研究显示三因素联合模型具有高预测准确性。
- 作者认为应用LASSO方法和多因素Cox比例风险分析似乎是一种常用方法,未来研究应继续探索不同特征选择方法以建立更准确的模型。
局限性
- 纳入研究的共同局限是回顾性设计,可能引入选择偏倚并限制结果的普适性。
- 多数文章样本量小,样本量不足可能影响模型的稳健性和偏倚。
- 标准化方法和数据可及性的需求也是影像基因组学面临的挑战。
- 未来研究应聚焦于多中心、前瞻性研究,以在更具异质性的患者队列中验证这些发现。
- 研究还需探索将这些预测模型实际整合到临床工作流程中,确保临床医生可及且可解释。
全文中译14 节 · 点击展开
引言
肺癌是最常见的癌症之一,也是全球癌症相关死亡最常见的原因[1, 2]。肺癌的总生存(OS)率已显示有所提高,但仍仅为25%[3, 4]。因此,在临床实践中对癌症进行准确的预后评估已成为必要[5, 6]。
影像组学能够以高通量方式从放射影像中提取大量图像特征,然后应用这些特征开发模型并以无创方式预测病变的表型[7, 8]。许多研究已证实,影像组学特征可应用于肺癌的预后,例如预测生物标志物和解码肿瘤表型[9–11]。尽管影像组学具有巨大的临床潜力,但大多数影像组学模型的性能仍面临挑战[12, 13]。
影像基因组学评估医学影像、基因组和临床数据之间的多尺度联系[14]。它结合肿瘤的基因组学和影像组学的高维数据,以开发诊断、预后或治疗反应模型[15, 16]。影像基因组学不仅有助于肺癌患者的治疗选择,还能为肺癌患者提供准确的预后信息[17–20]。例如,Zhou等将计算机断层扫描(CT)的语义图像特征与下一代核糖核酸(RNA)测序数据相结合,创建了影像基因组学图谱,并鉴定了非小细胞肺癌的影像基因组学生物标志物[21]。然而,由于影像基因组学是一个新兴领域,尚未开展标准化的研究测量。因此,对模型性能的评估引起了极大关注[22]。
在本综述中,我们旨在探究由影像组学和基因组学相结合构建的模型在预测肺癌患者长期预后方面是否比依赖单一方法的模型更有效,这可能加强影像基因组学与临床实践之间的联系。图1展示了本研究流程图。
材料与方法
本系统综述按照系统综述和荟萃分析优先报告条目指南进行报告[23]。本综述在启动前已在PROSPERO注册(注册号<CRD42023472571>)。
检索策略
全面检索了PubMed、Embase、Web of Science核心合集和Cochrane Library数据库,截至2024年5月13日,以识别使用影像组学和基因组学评估肺癌患者预后的研究。还手动检索了纳入文章的参考文献列表和相关文献。使用以下基本检索词:肺癌、影像组学、基因组学、转录组学、影像基因组学和预后。仅考虑原始文章进行分析,对发表年份或语言没有限制。
研究选择
纳入原始研究文章。纳入标准包括以下内容:(1)接受CT成像的肺癌患者;(2)构建结合基因组学和影像组学以预测预后的模型;以及(3)包含详细的结合方法。排除以下研究:(1)病例研究、社论、信件、综述文章和会议摘要;(2)不属于感兴趣领域;或(3)数据缺失或患者重叠的文章。
数据提取
提取的数据包括以下内容:(1)研究详情:第一作者、发表年份、国家、研究设计、队列、样本量、组织学亚型、分期、预后结局和随访时间;(2)CT图像和影像组学详情:层厚、分割方法、特征提取详情和影像组学模型详情;(3)基因组学详情:数据来源、基因特征选择方法和基因组学模型详情;(4)联合详情:用于构建模型的数据、联合方法及相应的性能。图像的采集参数详情、特征详情以及若干基因组特征见补充表3和表4。
偏倚风险评估
偏倚风险评估使用影像组学质量评分(RQS)和预测模型偏倚风险评估工具(PROBAST)评估每项研究的方法学质量[24, 25]。两名评估者(Y.J.和Chuan G.)独立评估偏倚风险,并与第三作者(Chen G.)讨论分歧。RQS由16项标准组成,每项标准可获得一定分数。PROBAST评估20个问题及四个领域的适用性:参与者、预测因子、结局和分析,每个问题以“是/可能是”“否/可能否”或“无信息”回答。参与者数量的标准是每个模型要素应至少有十个事件标记为“是”。在总体评价中,仅当所有问题均回答“是”或“可能”时,该领域才被视为“低风险”。当一个问题被判定为不明确而其他问题为低风险时,总体结论为不明确。
结果
患者和研究特征
纳入的十篇文章发表于2016年至2023年[26–35]。十项研究的患者特征总结于表1。大多数研究(9/10,90%)[26–28, 30–35]为回顾性设计,除了一项为前瞻性研究[29]。所有文章均有多个队列,如训练组、测试组和验证组。预后结局多种多样,包括无病生存期(DFS)、客观缓解率(ORR)、总生存期(OS)、无进展生存期(PFS)、复发,其中三项研究包含一个以上的结局[26, 29, 35]。三篇文章(3/10,30%)的遗传数据可在基因表达综合数据库(GEO)上获取[27, 31, 33]。此外,一篇免疫治疗相关文章包含按照其治疗方案接受治疗的患者[33]。
构建模型的方法
放射组学工作流程的研究细节,包括图像的采集参数、感兴趣区(ROI)分割、特征提取、选择以及特征数量总结于表2。一项研究[32]未提及层厚,其余九项研究的层厚范围为0.625至5 mm。一篇文章[29]未提及ROI分割方法,两项研究[27, 33]采用手动分割,五项研究[26, 27, 30, 32, 34]采用半自动分割,其余三项研究不确定[28, 31, 35]。提取的放射组学特征数量范围为35至2996。最终放射组学模型中的放射组学特征数量范围为2至210。共有八篇文章构建了独立放射组学模型[26–28, 30, 31, 33–35]。最终放射组学模型中构建的模型通常为Cox比例风险模型。更多信息见表3。
表4详细列出了基因分析。几乎每篇文章都采用了独特的方法来选择基因组特征。五篇文章构建了独立基因组模型[26, 28, 30, 31, 35]。然而,其中一篇文章所采用的基因组方法也可能阐明某些生物学偏倚[33]。
模型的性能
纳入研究中联合模型及其相应性能指标的详细信息总结于表5。
在八篇文章的放射组学模型中,四项研究[26, 30, 33, 35]使用受试者工作特征曲线下面积(AUC)评估性能。四项研究[27, 28, 31, 35]使用C指数评估性能。其中一篇文章未展示性能[34]。
在五篇文章的基因组模型中,三项研究[26, 30, 35]使用AUC评估性能。三项研究[28, 31, 35]使用C指数评估性能。
在四项研究[26, 30, 33, 35]中,联合模型使用AUC评估性能,范围为0.72至0.99。值得注意的是,联合模型的所有AUC值均高于其各自的独立模型。七项研究[27–29, 31, 32, 34, 35]使用C指数评估性能。
偏倚风险评估
如补充表1所示,研究的平均RQS为12.2(范围2–23)。所有论文均包含判别统计量,但仅20%(2/10)[29, 34]的研究包含了校准统计量。在90%的手稿[26, 27, 29–35]中,进行了特征降维以解释过拟合的可能性。重要的是,所有研究均进行了验证,其中80%采用内部测试[26, 28–32, 34, 35]。ROB结果及这些研究的适用性评估见补充表2。总体而言,所有纳入文章均被认为具有高ROB。
讨论
在本综述中,我们总结并比较了通过结合放射组学和基因组学建立预后模型的方法。结果表明,联合模型可能潜在提高预后预测性能。
从总体结果来看,所有结合放射组学和基因组学的模型都具有良好的预测性能。其中,三篇文章的性能优于放射组学和基因组学[26, 30, 31],两篇文章优于放射组学(无基因组模型)[27, 33],三篇文章因没有单一模型的性能而未进行比较[29, 32, 34]。特别是,其中一篇文章中用于预测辅助化疗反应的联合模型优于单个模型,而用于预测OS的联合模型则不一定[35]。由于融合方法的不同,两篇文章中联合模型的性能存在波动,有时超过单一模型,有时则不及[28, 35]。尽管联合模型增强了预后预测,但仍需进一步研究来探索这一发现。
在我们纳入的文章中,最小绝对收缩和选择算子(LASSO)方法[36]是最常用的放射组学特征选择方法(6/10,60%)[29–32, 34, 35],其中两项也用于选择基因组特征[30, 35]。此外,双聚类、共识聚类、ReliefF算法以及考虑相关性和冗余性的统计方法也被提及[27, 32, 33]。其中一篇文章专门比较了三种特征选择方法对模型性能的影响[32]。研究发现,Lasso方法显示出最佳的分类效果[32]。然而,联合形成的放射基因组特征数量仅在三篇文章中被明确提及,范围为3至20个[26, 30, 33]。此外,多因素Cox比例风险分析最常用于确定预测因素(5/10,50%)[29–32, 34],该方法计算效率高,且能发现特征之间的关系[37, 38]。因此,使用Lasso方法和多因素Cox比例风险分析似乎可能是一种常用方法。然而,最准确的模型在训练集上的AUC为0.95,在验证集上为0.99,是通过结合t检验选择方法和支持向量机(SVM)作为分类器获得的[33]。此外,一些研究分析了传统模式下各种选择方法的优缺点,这在一定程度上可能提供参考[39, 40]。因此,未来研究应继续探索应用不同特征选择方法的范围,以建立更准确的模型。
通过深度学习方法[41]建立的模型并不常见[28, 35]。尽管基于SVM的模型表现出优越的性能[35],但其他一些组合方法并不能完全改善性能[28, 35]。这可能是由小数据集导致的过拟合所致[28]。由于深度学习方法可以改善放射组学但仍处于发展中[42–44],深度学习在联合模型中的应用必须进一步探索。
一些文章结合了影像组学、基因组学和临床信息以获得更准确的预后结果[27, 30–32, 34],这涉及多模态融合[45]。所有包含临床数据的文章均显示,三因素联合模型具有高水平的预测准确性。此外,在计算影像组学和基因组学后,临床数据可与风险评分一起建模[31],这与直接组合方法不同,但也表现出良好的性能。因此,未来研究可考虑各种计算方法与预后模型之间的差异。
此外,少数研究[27, 29, 34]显示了影像组学与基因组学之间的关系,影像组学的生物学基础可通过基因富集分析进行探索。结果表明,影像组学模型的生物学基础可能归因于免疫和代谢途径的变化,这可能为肺癌的预后预测提供更多潜力[46, 47]。
本综述存在一些局限性。首先,这些研究的一个共同局限性是回顾性设计,这可能引入选择偏倚并限制结果的普适性。其次,大多数文章样本量较小[26, 28–34],样本量不足可能影响模型的稳健性和偏倚[15, 31]。标准化方法和数据可及性的需求也是影像基因组学面临的挑战。基于云的解决方案可能有助于管理大型数据集,这需要在必要的治理框架内建立可信的研究环境[48]。未来研究应关注多中心、前瞻性研究,以在更具异质性的患者队列中验证这些发现。最后,研究还需要探索将这些预测模型实际整合到临床工作流程中,确保临床医生能够使用和解读。
结论
本综述发现,在大多数研究中,影像组学和基因组学的联合模型比单独由影像组学或基因组学形成的预后模型表现更好。影像组学和基因组学的结合可能有助于预测肺癌的预后,并为患者的治疗策略提供新的支持。应开展前瞻性且详细的研究以确定并推广联合方法的优势。
补充信息
电子补充材料
引用
- Jiang Y, Gao C, Shao Y, et al. The prognostic value of radiogenomics using CT in patients with lung cancer: a systematic review. Insights Imaging. 2024. PMID: 39466334. doi:10.1186/s13244-024-01831-4
- 全文:PMC11519241(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11519241/
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。