文献速递神经MR

强度标准化与ComBat批次大小对多中心胶质母细胞瘤临床-影像组学预后模型性能的影响

Impact of intensity standardisation and ComBat batch size on clinical-radiomic prognostic models performance in a multi-centre study of patients with glioblastoma.
PubMed 文献 · Eur Radiol · 2024-11-28

该多中心回顾性研究纳入195例IDH野生型单灶WHO 4级胶质母细胞瘤患者,评估三种MRI强度标准化技术(WhiteStripe、Nyul直方图匹配、Z-score)与ComBat最小批次大小(5、10、15例)对生存模型性能及稳定性的影响。结果显示直方图匹配和WhiteStripe倾向于提高模型区分度、解释变异和拟合优度,较大ComBat批次改善区分度但降低稳定性和校准精度。

要点

  • 直方图匹配和WhiteStripe标准化倾向于提高模型区分度、解释变异和拟合优度,但强度标准化技术选择对模型稳定性和校准无显著影响。
  • ComBat最小批次大小为10或15时改善区分度、拟合优度和解释变异,但批次增大导致样本量减少,降低所有性能指标的稳定性和校准精度。
  • 真实世界多中心胶质母细胞瘤影像组学数据异质性挑战可重复性,ComBat和强度标准化在改善性能的同时降低校准和预测稳定性。

核心结论

  • 异质性真实世界胶质母细胞瘤数据对影像组学可重复性构成挑战。
  • ComBat随最小批次大小增加总体改善模型性能,但降低稳定性和校准。
  • 直方图匹配和WhiteStripe倾向于改善模型性能。

研究设计与样本

  • 多中心回顾性研究,纳入195例2014至2020年间经组织学证实的IDH野生型单灶WHO 4级胶质母细胞瘤成人患者(>16岁),术前MRI包含T1W、T2W、FLAIR和T1CE序列。
  • 采用WhiteStripe、Nyul直方图匹配和Z-score三种强度标准化技术,比较ComBat最小批次大小5、10、15例及无ComBat基线,使用PyRadiomics v3.0.1提取384个影像组学特征(体素1 mm³,固定箱数8、32、64、128)。
  • 采用五种特征选择策略(PCA层次聚类、后向逐步、前向逐步、LASSO、随机生存森林),通过1000次bootstrap重采样评估Cox比例风险模型的校准、区分度、相对拟合优度和解释变异。

关键影像表现/征象

  • 全肿瘤体积和核心体积分割由 board-certified 神经放射学研究员手动检查和校正,50例分割由资深顾问神经放射学家独立核查,组间一致性用Dice相似系数评估。

诊断标准与关键数值

  • 模型区分度用Harrell C指数和Royston-Sauerbrei D统计量评估,校准用平均校准斜率,相对拟合优度用Akaike信息准则,解释变异用Royston-Sauerbrei R²和Nagelkerke R²。
  • 最大相对区分度改善见于LASSO或前向逐步特征选择、直方图匹配标准化、8个箱数、最小批次10例(0.41),无论是否使用ComBat。
  • 最小批次10时解释变异最大缩放增加为使用ComBat 0.29 vs 无ComBat 0.19,最小批次15时为使用ComBat 0.33 vs 无ComBat 0.28;最小批次5时加入ComBat使评分下降。
  • 模型拟合相对临床模型最大改善见于最小批次15(最大缩放降低使用ComBat −0.36 vs 无ComBat −0.34,较低评分表示拟合更优)。
  • 最小批次5时保留76%合格数据,最小批次15时保留50%;每个MRI序列有12–14个独特批次;中位总生存13个月(95%CI:12–14个月),167例死亡(86%)。

临床应用与阅片要点

  • 作者认为在真实世界多中心数据中,固定箱数离散化和强度标准化联合不使用ComBat可能是更实用的解决方案。
  • 作者指出基于区分度、相对拟合或解释变异,直方图匹配和WhiteStripe产生最高相对改善,但强度标准化技术选择不影响校准准确性和模型稳定性。
  • 作者认为ComBat在最小批次10或15时改善性能,但限制样本量可能忽略影像数据异质性,且以此方式开发的预测模型可能无法推广至患者较少的站点。
  • 作者指出在患者可被准确分为不同风险组之前,必须对ComBat和强度标准化导致的校准和预测稳定性下降进行彻底研究。

局限性

  • 本研究为回顾性研究,因此无法获得患者知情同意。
  • 聚类结果未经验证,且该 approach 在本样本量下难以验证,因此作者避免了该方法。
  • ComBat最小批次大小限制导致部分中心患者被排除,最小批次15时仅保留50%合格数据。
全文中译17 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:Eur Radiol. 2024 Nov 28;35(6):3354–66. doi: 10.1007/s00330-024-11168-7

引言

胶质母细胞瘤(GBM)是成人中最常见的原发性脑恶性肿瘤,尽管接受了最大程度的肿瘤治疗(最大安全手术切除后辅以同步替莫唑胺放疗及后续6个周期辅助替莫唑胺——即Stupp方案),中位总生存期(OS)仍为12–15个月[1, 2]。许多已发表的模型旨在改善风险分层并有助于推动GBM“个性化医疗”的发展[3]。

从医学影像中提取和分析大量影像组学特征(RFs)[4],已被用于预后模型并取得了有希望的结果[5, 6]。然而,由于多中心成像协议变异性导致的可重复性缺乏,阻碍了临床转化[7–9]。强度标准化(IS)使磁共振成像(MRI)信号强度的尺度和分布趋于一致,而信号强度受成像协议影响[10],但目前对于最佳强度标准化技术(IST)尚无共识[11, 12]。

使用ComBat对RFs进行统计重对齐也可以减少不同成像采集参数的影响[13, 14]。ComBat需要足够的数据来估计这些“批次”效应,必须选择最小ComBat批次大小(MBS)以确保结果准确[13, 14]。MBS的选择不仅影响ComBat性能,还会丢弃异质性真实世界图像中的部分数据。

不一致的统计建模也可能是可重复性缺乏的原因之一,在GBM中统计建模往往侧重于预后分离(“区分度”)[11, 12]。模型校准和稳定性很重要但评估较少[15]。校准将预测值与观察到的生存进行比较,稳定性则检验模型性能的一致性[16]。迄今为止,尚未在多中心环境中 thoroughly 评估ISTs和ComBat MBS选择对模型校准和稳定性的影响[11, 17]。本研究的目的是在异质性多中心GBM患者队列中评估ISTs和ComBat MBS选择对预后模型的校准、区分度、相对模型拟合、解释变异和稳定性的影响,而非为GBM的OS预测产生最准确的预后模型。

材料与方法

伦理批准

这是一项回顾性研究,因此无法获得患者知情同意。伦理批准和机构数据访问已通过当地伦理审查委员会批准(REC编号:19/YH/0300,IRAS项目ID:255585)。完整的医学影像人工智能清单(CLAIM)[18]见补充材料。

患者选择与特征

患者队列、选择标准、数据收集和图像准备的描述此前已发表[19]。纳入标准:年龄>16岁的成人,根据2021年世界卫生组织中枢神经系统肿瘤分类组织学证实为GBM,2014年至2020年间接受治疗;术前进行MRI检查;单灶肿瘤;以及以下四项全部具备:T1加权(T1W)、T2加权(T2W)、液体衰减反转恢复(FLAIR)和钆对比剂增强T1W(T1CE)MRI。排除标准:缺乏术前MRI;图像因伪影严重退化;多灶肿瘤;以及异柠檬酸脱氢酶(IDH)突变。临床预测因素此前已定义[19](补充材料)。

图像准备和肿瘤分割

提供了方法学流程的图示说明(图1)。MRI研究使用此前详细描述的方法进行预处理和分割[19](补充材料)。概述了成像数据准备和分割的关键步骤,进一步细节见此前发表文献[19]。作为英国的一家三级转诊中心,我们机构管理来自周边地区(覆盖约四百万人)的GBM患者是标准做法,其中包括综合医院(“中心-辐射”模式)。

全肿瘤和核心体积(分别为WV和CV)使用公开可用的深度学习模型进行分割(补充材料)。CV定义为强化和坏死区域,全肿瘤体积(WTV)定义为CV加上瘤周高T2信号(图1)。分割由一名委员会认证的神经放射学研究员(5年放射学经验)手动检查和校正。另外,50个分割还由一名顾问神经放射科医生(>10年顾问神经放射学经验)独立检查,评估者间一致性使用Dice相似系数(DSC)评估[20]。

图1 方法学流程概述。面板1-6概述实验的主要步骤:(1)在多个区域站点获取的MRI扫描进行预处理,包括配准、颅骨剥离、场不均匀性校正和肿瘤分割;(2)MRI信号强度标准化;(3)放射组学特征提取,包括计算形状、强度和更高层次特征;(4)使用ComBat对多中心放射组学进行提取后重对齐;(5)应用特征降维技术以降低数据维度;(6)计算结果和数据分析。FLAIR,液体衰减反转恢复;GLCM,灰度共生矩阵;GLDM,灰度依赖矩阵;GLRLM,灰度游程长度矩阵;GLSZM,灰度尺寸区域矩阵;LASSO,最小绝对收缩和选择算子;NGTDM,邻域灰度差矩阵;T1,T1加权;T1CE,T1加权对比增强;T2,T2加权 查看原图 ↗

IS

在GBM患者中常用的三种ISTs [12] 是WhiteStripe(WS)[21]、Nyul直方图匹配(HM)[22, 23]和Z-score(ZS)。ZS和WS分别通过减去全脑或表现正常白质强度的均值并除以标准差来标准化强度。HM通过对少量扫描中的信号进行平均来生成标准化强度直方图,并使用该直方图将图像中的体素强度线性映射到新尺度上(补充材料)。每种IST独立于其他IST应用,每位患者每个序列产生四幅独立图像(图2)——每种IST一幅,加上作为对照的非标准化图像(“RAW”图像)。

图2 统计分析流程图。注意,由于本研究使用多中心数据,但某些中心可用患者数低于MBS,导致样本中患者数量不同(各研究中心患者数量数据见补充表1a–d)。FLAIR,液体衰减反转恢复;GBM,胶质母细胞瘤;HM,直方图匹配;IDH,异柠檬酸脱氢酶;LASSO,最小绝对收缩和选择算子;PCA,主成分分析;RAW,未对图像应用IS(对照);T1,T1加权;T1CE,T1加权对比增强;T2,T2加权;WS,WhiteStripe;ZS,Z-score 查看原图 ↗

影像组学特征提取与ComBat特征重对齐

使用PyRadiomics(v3.0.1)[24]从WTV中提取RFs(图1)。从每个图像集(四个集,每个IST一个)中提取384个特征,包括来自每个MR序列的18个一阶特征、24个灰度共生矩阵特征、16个灰度游程长度矩阵特征、16个灰度尺寸区域矩阵特征、14个灰度依赖矩阵特征和5个邻域灰度差矩阵特征,以及从T1CE序列提取的12个形状特征。特征以三维(3D)方式提取,体素大小为1 mm3。使用四个箱数(8、32、64和128)从每幅图像中提取四组独特的RF,以确定ISTs是否依赖于箱数。使用固定箱数是因为其具有标准化效应[10]。RF提取后,若组内相关系数低于0.8,则移除两次独立WTV分割之间可重复性较低的RFs(补充材料)。

ComBat重对齐按MRI序列进行,不仅根据地理位置定义批次,还根据站点内扫描采集的同质性定义批次(批次定义和采集参数见补充表1a–d)。年龄作为协变量输入,因为发现其在不同批次间差异显著(p < 0.05)(补充材料)。选择MBS代表在ComBat重对齐性能提升与丢弃过多数据之间的权衡。此前已确定最少5名患者为MBS的下限[13, 25]。我们选择了三个MBS值:5、10或15。较小批次中的患者被排除(图2),因此15是最大值以避免过度数据丢失。未进行ComBat重对齐的RFs也作为单独IST的基线评估纳入。

统计分析与实验设置

所有统计分析均在R 4.2.2版本(2022-10-31)中完成,并由一位经验丰富的统计学家监督——分析概要见图2。构建了用于OS预测(从手术到死亡的时间,删失日期22/10/10)的Cox比例风险(CPH)模型。研究了96种不同的“实验设置”组合(图2);包括使用和不使用ComBat,四种IST,每种IST有四种箱数和三种MBS。

模型构建

使用五种特征选择(FS)方法来降维;根据样本量计算(补充材料),考虑将四个RF纳入放射组学模型。每种FS方法均在1000次自助重采样中的每一次内应用(图2),以便每次自助采样选择五组RF(补充表2)。

使用结果的主成分分析(PCA)[26]对患者进行无监督层次聚类。保留了解释聚类间变异最大的四个RF。在有监督FS之前,使用0.7至−0.7之间的Spearman秩相关范围去除高度共线特征。四种有监督方法包括CPH模型,分别采用(1)向后、(2)向前逐步FS,以及(3)LASSO。(4)训练随机生存森林(RSF),并使用内置函数选择四个最重要的RF(补充材料)[27]。

总共产生了三个模型。每组RF均用于训练一个仅放射组学模型。还训练了一个仅临床模型作为结果比较的基线,使用年龄、性别、O6-甲基鸟嘌呤-DNA甲基转移酶(MGMT)启动子甲基化、手术切除范围、肿瘤辅助治疗、肿瘤直径和经对数转换的WTV(先前分析表明对数转换是WTV最有效的非线性转换[19])。随后将临床和放射组学特征结合,产生临床-放射组学模型。

模型性能

评估所提出的预后模型应(至少)包括四个方面:区分度、校准、相对模型拟合和相对解释方差(更多细节见补充材料)。校准使用平均校准斜率评估,区分度使用Harrell's C指数( )以及Royston和Sauerbrei的D统计量( )测量。相对模型拟合使用Akaike信息准则(AIC)测量,相对解释变异使用Royston和Sauerbrei的( )和Nagelkerke的( )测量。在所有1000次自助重采样中计算均值和95%置信区间(95% CI)(图2和补充表2)。使用自助法而非随机训练-测试拆分进行乐观校正,因为这是统计建模文献中推荐的方法[16]。

创建热图以图形方式展示IST和MBS的影响。区分度、拟合和解释变异的热图以仅临床模型为中心,并按每种实验设置下模型的标准差进行缩放,以突出模型性能相对于仅临床模型的变化,并允许跨设置比较[28]。例如,WS标准化图像、箱数64和MBS = 10的结果可以与ZS图像、箱数32和MBS = 15进行公平比较。

基于模型性能指标的95%置信区间大小、相同四个特征被同时选中的次数百分比(特征共现率)以及1000次自助重采样中的1年事件预测校准图,评估了IST和MBS对模型稳定性的影响。

结果

研究人群

队列人口统计学特征见表1,与科学文献[29, 30]中的结果相当。术后中位生存期为13个月(95% CI:12–14个月),167例死亡(86%)发生在删失日期之前。

图3和补充图1a–c显示了这一异质性多中心数据中每个MRI序列的独特批次数量。根据不同序列,共有12–14个独特批次。当MBS = 5时,76%的合格数据被保留,而MBS = 15时仅保留50%。

表1 患者队列主要临床、肿瘤学和影像学特征总结(n = 195) 查看原表 ↗
图3 条形图展示了使用三种不同ComBat MBS时建模过程中所用合格数据的比例。三组堆叠条形图说明了影像数据的异质性。每个条形代表一个MRI序列(x轴),每个条形内不同颜色/区段表示ComBat协调所使用的独特批次标签。例如,这可以表示不同的 geographic 位置或同一位置内不同的采集参数集(更详细的图例包括每个独特批次标签,见补充图1a–c;每个批次的采集参数见补充表1a–d)。阴影区域表示为满足MBS而必须排除的影像数据比例。FLAIR,液体衰减反转恢复;T1,T1加权;T1CE,T1加权对比增强;T2,T2加权 查看原图 ↗

模型性能——IST和ComBat批次大小的影响

所有实验设置的模型性能总结见图4和补充表4a–h。

图4 各领域模型性能统计热图——校准、区分度、相对方差和模型拟合。热图显示了临床模型以及影像组学与临床联合模型在不同选择流程下所有实验设置的每个模型性能统计量的平均结果(对1000次自助重采样取平均)。区分度、相对解释方差和模型拟合统计量的数据以临床模型均值为中心,并按该特定实验设置下所有模型的标准差进行缩放(即对于每个最小ComBat批次大小、分箱数和IS的选择),使其代表相对于纯临床模型的变化,并允许不同实验设置之间进行更有意义的比较。对于每个最小ComBat批次大小,有两列结果(由绿色/橙色条表示)——一列表示建模前对RF进行ComBat重对齐的结果,另一列表示未进行ComBat重对齐的结果。CmB,ComBat;HM,直方图匹配;LASSO,最小绝对收缩和选择算子;PCA,主成分结果层次聚类;RAW,图像未应用IS(对照);RSF,随机生存森林;WS,WhiteStripe;ZS,Z分数 查看原图 ↗

模型校准与区分度

图4显示,随着MBS增加,平均校准斜率范围从1起依次减小,且ComBat与无ComBat之间影响甚微。热图还表明,所有IST与未标准化(标记为“RAW”)相比的平均校准斜率结果相似。

IST、MBS以及加入ComBat均影响区分度。无论是否使用ComBat,MBS 10和15较MBS 5均增大了评分范围。然而,在MBS 15时,使用ComBat的评分范围(0–0.36)较不使用ComBat(0–0.34)增大。区分度的最大相对改善见于LASSO或前向逐步特征缩减、HM标准化、八个分箱和MBS十例患者,无论是否使用ComBat(0.41)。尽管并非严格观察到的结果,但总体而言,与其他IST相比,HM和WS标准化图像倾向于产生最高的区分度相对增幅。

相对解释方差与模型拟合

ComBat的额外获益在MBS 10或15时最为明显(在MBS 10时,最大缩放增幅为使用ComBat 0.29、不使用0.19;在MBS 15时,使用ComBat 0.33、不使用0.28)。对于MBS 5,加入ComBat使评分降低。评分增幅最大者见于HM(范围−0.03至0.26)或WS(−0.01至0.22)标准化图像及八个分箱。

模型拟合显示了相似的发现;与不使用ComBat相比,使用ComBat相对于临床模型的最大改善见于MBS 15(最大缩放降幅分别为−0.36和−0.34)。评分越低表明相对模型拟合越好。在其他MBS下,ComBat重对齐的获益较小。以8个分箱、LASSO或前向FS及HM标准化提取的RF产生了模型拟合(最低AIC)和解释变异(最高R2)的最大改善。WS标准化在大多数分箱数下也表现良好。如区分度所述,这并非严格观察到的发现,结果还取决于所选择的FS策略。

模型稳定性

模型性能指标的95% CI大小(补充表4a–h)、相同RF被选中的频率(表2)以及1年事件预测校准图(图5)均显示,随着MBS增加,稳定性呈下降趋势。所有IST均产生相似发现,使用和不使用ComBat重对齐的模型亦然。

使用PCA FS和分箱数32在1年事件预测中校准图的稳定性,跨所有IST和ComBat批次大小的结果见图5(其他FS校准图见补充图2a–d,为分箱数32——其他分箱数未纳入但显示了相似发现)。随着MBS增加,预测稳定性下降,表现为自举结果偏离零线的散布更大(以较浅颜色显示)。这在所有模型和IST中均观察到,没有哪个IST明显优于其他。

同样,模型结果的95% CI(补充表4a–h)显示,随着MBS增加,CI大小呈增大趋势,因而稳定性降低。特征共现(表2)也显示相同趋势,随着MBS增加,选择相同四个RF的方法减少。与校准图结果一致,IST的选择在模型稳定性方面未显示任何趋势。

表2 自举重采样中选择相同四个RF进入最终模型的百分比 查看原表 ↗
图5 校准不稳定性图,显示使用32个分箱、不同IS技术、有无ComBat重对齐以及不同ComBat批次大小(5和15)效果的PCA FS临床-影像组学联合模型。校准不稳定性图显示,在应用(第1和第3列)和不应用ComBat(第2和第4列)的情况下,使用不同MBS(5和15)和IS技术(行),在bootstrap重采样中个体1年生存预测的结果。x轴表示预测的1年生存率,y轴表示观察到的1年生存率。细曲线表示来自一个bootstrap样本的预测,较粗的曲线表示基于原始非bootstrap数据的预测。每个校准图中仅显示200个随机选择的结果。灰色虚线表示完美校准线,偏离该线越大表示校准越差。细曲线分布越分散表示该模型构建过程的稳定性越低。将使用PCA结果层次聚类选择特征的临床和影像组学联合模型(第2、3和4行)所得的校准图与仅临床模型(灰色,顶行)进行比较。CmB,ComBat;HM,直方图匹配;PCA,主成分结果层次聚类;RAW,图像未应用IS(对照);WS,WhiteStripe;ZS,Z分数 查看原图 ↗

讨论

本项目旨在在一个真实世界的多中心GBM患者队列中评估MRI IS技术和ComBat MBS对预后模型性能(包括校准和稳定性)的影响。结果表明,随着MBS增加、样本量减少,校准和模型稳定性变差,但区分度、解释变异度和模型拟合改善。总体而言,HM和WS IST改善了区分度、解释变异度和模型拟合,这往往发生在较高MBS时,而IST的选择不影响校准或稳定性。ComBat的相对改善主要体现在MBS 10和15时,而在较低MBS时某些领域差异很小甚至出现恶化。通过比较多个性能领域,对IST和ComBat MBS进行了更全面的评估。

既往比较IST对影像组学模型影响的研究[12]通常显示OS预测改善[11, 17]或区分弥漫性胶质瘤分级的准确性提高[10, 31, 32]。基于区分度、相对拟合或解释变异度,通过选择IST使性能改善,且与其他研究[11, 12, 33]一致,当前结果显示HM和WS产生最高的相对改善。然而,对于模型校准准确性和模型稳定性,IST不影响结果。

仅在最小批大小(MBS)为15时,加入ComBat才在区分度和模型拟合方面略有改善;在MBS为10和15时,对解释变异略有改善。这可以用ComBat模型系数估计在较高MBS下可能更准确来解释[14]。然而,将ComBat应用于真实世界数据集面临挑战,原因是采集方式和地点范围广泛[13]。既往研究提示,ComBat的MBS可低至5[13, 25],但其他研究提示至少应为20–30[14]。我们选择了一种折中方案,以尽量减少数据丢失。MBS为10或15时性能有所改善,但这也使我们的模型稳定性下降,无论是否加入ComBat重对齐均如此。据我们所知,尚无其他研究考察这一影响。对于真实世界数据集,扫描仪协议难以在广泛地理范围和许多中心之间标准化,限制ComBat的样本量可能并不可行,因为这会忽略影像数据的异质性,更重要的是,以这种方式开发的预测模型可能无法推广到患者较少的站点。在我们的研究中,不使用ComBat的结果与使用重对齐的结果相似,在此类数据中,更实用的解决方案可能是使用固定箱数离散化和不带ComBat的IST。无监督聚类已被用于增加批大小[13, 34],将具有相似RFs的患者分组为簇,用于ComBat重对齐批次。然而,聚类结果未经验证,而且这种方法在我们的样本量下难以验证,因此我们避免了这种方法。

本研究在考虑模型性能和模型稳定性的多个领域时,对ISTs和ComBat批大小的效果呈现出混合结果。一项关于GBM患者预后模型的系统综述报告,11个时间至事件模型中有10个仅报告了C-index[35]。最近一项在“原发性”和复发性高级别胶质瘤患者的影像组学模型中对多种ISTs的比较报告了使用C-index的区分度和相对模型拟合(AIC),但未对校准或ComBat MBS作出评论[11]。我们的研究还包括使用自举法对模型稳定性进行更深入的评估,包括校准不稳定性图[16],这是识别模型预测一致性的有用方法。稳定性很重要,因为它提供了模型在输入数据变化后表现如何的信息,而不仅仅是其平均表现如何[16]。

该研究存在若干局限性。采集参数存在异质性,包括若干中心扫描患者相对较少,这影响了我们为ComBat测试更大批次大小的能力。这是一个真实世界数据集,限制更大批次将意味着纳入的患者过少。不同ISTs相对影响的比较仍可进行评估,这代表了需要良好IS的情况。公共数据本可用于补充机构数据,然而,目的是评估联合临床-影像组学模型的性能,因此需要精心整理的临床预测因子数据。未来工作可在此基础上利用额外的公共数据。在众多可用的ISTs中仅选择了三种进行评估,然而,这些在先前研究中已被确定为最受欢迎的选择[19]。所考虑的监督FS策略远远多于按每个预测因子事件计算所建议的最大四种RFs,然而,它们在文献中很受欢迎,且该决定不会影响我们对因IST和ComBat批次大小所致的相对模型性能的评估。最后,未评估IST对特征可重复性的影响测量,然而,据我们所知,具有重测数据的术前GBM数据集尚未公开可用。

结论

ISTs和ComBat MBS影响了异质性多中心GBM队列中的生存模型性能。总体而言,HM和WS改善了区分度、相对解释变异和模型拟合,ComBat在较高MBS时也是如此。然而,随着MBS增加,校准和模型稳定性恶化,导致更多数据从建模中被丢弃。这具有临床意义,因为本研究中如中心-辐射模型这样的转诊系统受到不同图像采集的阻碍,因此需要稳健的方法来协调异质性数据集而不损害模型性能。未来有必要开展工作,展示在真实世界数据集中改善影像组学模型性能同时保持模型稳定性的方法。

补充信息

电子补充材料

引用

  1. Fatania K, Frood R, Mistry H, et al. Impact of intensity standardisation and ComBat batch size on clinical-radiomic prognostic models performance in a multi-centre study of patients with glioblastoma. Eur Radiol. 2024. PMID: 39607450. doi:10.1007/s00330-024-11168-7
  2. 全文:PMC12081554(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12081554/

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。