基于瘤内与瘤周MRI影像组学预测上皮性卵巢癌盆腔外腹膜转移
这项回顾性多中心研究纳入4个中心488例上皮性卵巢癌患者,基于脂肪抑制T2加权MRI提取瘤内及瘤周影像组学特征构建模型,预测盆腔外腹膜转移。集成模型在十折交叉验证中平均AUC为0.844±0.063,在内外部测试集AUC分别为0.832和0.843,均优于瘤内和瘤周模型。作者认为瘤周影像组学提供的信息优于瘤内影像组学,集成模型有潜力术前预测盆腔外腹膜转移。
要点
- 瘤周影像组学对内外部测试集AUC分别为0.786和0.789,均高于瘤内模型的0.652和0.750。
- 集成模型融合瘤内+瘤周组学与临床独立预测因子,外部测试集AUC为0.843。
- 模型仅基于脂肪抑制T2加权序列,不能确定盆腔外腹膜转移的具体位置、大小和范围。
核心结论
- 瘤周影像组学能提供比瘤内影像组学更有价值的盆腔外腹膜转移信息;基于MRI的集成模型有潜力术前预测上皮性卵巢癌患者的盆腔外腹膜转移。
研究设计与样本
- 回顾性多中心研究,纳入4个中心488例上皮性卵巢癌患者,训练集245例、内部测试集105例、外部测试集138例。
- 采用1.5-T或3.0-T扫描仪相控阵线圈采集脂肪抑制T2加权图像,经N4偏置校正并重采样至1×1×1 mm³体素。
- 以术后病理及术中腹膜探查活检为参考标准,依据FIGO定义盆腔外腹膜转移为盆腔缘以上腹膜转移。
- 从每个感兴趣区提取1130个影像组学特征,采用支持向量机建模,并以十折交叉验证及内外部测试评估。
诊断标准与关键数值
- 集成模型十折交叉验证平均AUC最高,为0.844±0.063。
- 内部测试集:瘤周模型AUC 0.786(95%CI 0.695, 0.872)、联合模型AUC 0.788(95%CI 0.699, 0.871)、集成模型AUC 0.832(95%CI 0.753, 0.908),均显著优于瘤内模型AUC 0.652(95%CI 0.538, 0.749),p分别为0.007、0.002和p<0.001。
- 外部测试集:集成模型AUC 0.843(95%CI 0.783, 0.900)显著高于瘤内模型0.750(95%CI 0.667, 0.831)和瘤周模型0.789(95%CI 0.712, 0.861),p分别为0.008和0.047。
- 瘤周感兴趣区定义为肿瘤边界向外膨胀2 mm并向内收缩2 mm形成的4 mm厚环;瘤内感兴趣区为原始感兴趣区向内收缩2 mm。
- 独立临床预测因子包括log CA125(p=0.001)、log HE4(p=0.005)、产次(p=0.033)和腹痛(p<0.001)。
临床应用与阅片要点
- 模型仅基于脂肪抑制T2加权序列,未纳入其他序列,作者指出结合其他序列能否提供额外有价值信息需进一步探索。
- 作者采用SHAP方法解释影像组学模型并绘制列线图可视化集成模型,以帮助临床理解模型决策过程。
- 作者指出本研究不能确定盆腔外腹膜转移的具体位置、大小和范围。
局限性
- 回顾性设计可能带来固有偏倚,因此需要更大样本量。
- 所有模型仅基于脂肪抑制T2加权图像开发,结合其他序列能否提供额外有价值信息需进一步探索。
- 本研究仅选择2 mm膨胀与收缩作为瘤周区域,需进一步研究评估不同范围瘤周区域的表现。
- 本研究不能确定盆腔外腹膜转移的具体位置、大小和范围。
全文中译15 节 · 点击展开
引言
卵巢癌是最致命的妇科癌症,5年生存率不足50%[1]。2020年,卵巢癌约占全球癌症病例的3.4%和癌症死亡人数的4.7%[2]。上皮性卵巢癌(EOC)占所有卵巢恶性肿瘤病例的90%以上。约75%的EOC患者在疾病晚期才被诊断,这在很大程度上导致了其高发病率和死亡率[3, 4]。盆腔外腹膜转移(EPM)是指经确认肿瘤已扩散至骨盆缘以上的腹膜,根据国际妇产科联盟(FIGO)的定义,这是晚期EOC的一个特征性表现[5]。术前准确评估EPM状态对于EOC患者的个体化治疗和改善预后至关重要。该评估可影响EOC患者的转诊、细针穿刺活检的可行性、新辅助化疗(NACT)的使用以及手术方式的选择[6–9]。
近年来,磁共振成像(MRI)已成为晚期卵巢癌的一种潜在标准影像学工具,有助于为患者提供无创的术前评估[10]。然而,MRI的判读高度依赖放射科医师的经验,因而在一定程度上缺乏客观性[11]。经验不足的放射科医师可能遗漏腹膜内的一些小肿瘤沉积灶,这可能导致EOC患者面临二次手术或延迟治疗的风险[12, 13]。因此,需要一种客观且准确的方法来辅助评估EPM。
影像组学能够分析影像中肉眼不可见的定量特征,是提供客观、准确影像学评估的最有前景的新兴方法之一[14]。既往一些研究表明,基于MRI的影像组学可以预测EOC患者的腹膜转移(PM)状态[15, 16]。然而,这些研究往往未能区分盆腔内PM与EPM,并存在一些局限性,如样本量小和缺乏外部验证。此外,它们忽视了EOC中瘤周微环境的重要性。近期研究表明,瘤周影像组学特征可为卵巢癌复发和化疗反应的早期预测提供信息[17, 18]。然而,瘤周影像组学特征在预测EOC患者EPM方面的效用仍不明确。
因此,在这项多中心回顾性研究中,我们旨在探讨基于MRI的瘤内和瘤周影像组学预测EOC患者EPM的价值,并开发稳健且可解释的模型以供潜在临床应用。
材料与方法
患者
本回顾性研究经当地机构审查委员会批准(K-2022-096-H01),并豁免了书面知情同意的要求。本回顾性研究的潜在EOC患者自2013年7月至2023年7月从四个中心连续入组(补充材料第1节)。纳入标准如下:(1)术后病理证实为EOC;(2)术前2周内行MRI扫描;(3)年龄大于18岁。排除标准如下:(1)缺乏关于EPM的详细手术或病理记录;(2)MRI扫描前曾行盆腔手术或其他治疗;(3)MRI序列不完整;(4)MRI图像质量较差,如存在伪影。最终纳入488例EOC患者(中心I,n = 180;中心II,n = 112;中心III,n = 58;中心IV,n = 138)。来自中心I至III的患者按7:3的比例随机分为训练集和内部测试集。来自中心IV的患者构成外部测试集。患者纳入和排除流程图见图1。
从临床记录系统中收集人口学和临床特征,包括年龄;FIGO分期;类型;产次;绝经状态;腹部症状,如疼痛或腹胀;糖类抗原125(CA125)水平;人附睾蛋白4(HE4)水平;以及组织病理学亚型。
EPM的评估
所有患者均接受了初次肿瘤细胞减灭术,至少包括子宫切除术、双侧输卵管卵巢切除术和网膜切除术。还对所有腹膜表面进行了术中探查,包括切除所有可见且可切除的腹膜种植灶。此外,还从盆腔腹膜、双侧结肠旁沟和膈下表面进行了随机活检。所有获得的手术和活检标本均由相应机构的委员会认证病理学家审阅。根据FIGO [5],腹膜在骨盆缘以上存在转移定义为EPM(补充材料第2节)。
图像采集和预处理
本研究的工作流程如图2所示。MRI图像使用配备相控阵线圈的1.5-T或3.0-T扫描仪采集。选择脂肪抑制T2加权(FS-T2W)图像用于模型开发。详细的FS-T2W参数见补充表S1。所有图像均接受N4偏置校正,并使用B样条插值重采样至1 × 1 × 1 mm3体素大小。随后使用最小-最大归一化将图像强度归一化至0至1的范围。
图像分割
原始感兴趣区(ROI)为肿瘤边界内的区域;瘤内ROI为将原始ROI向内收缩2 mm后的区域;瘤周ROI为从原始ROI边界向外扩张2 mm和向内收缩2 mm形成的4 mm厚环状区域(图3)[19, 20]。原始ROI使用ITK-SNAP软件(版本3.8.0,http://www.itksnap.org)在FS-T2W图像上逐层手动勾画。瘤内和瘤周ROI使用Python中的SimpleITK包自动创建。
放射科医师A具有10年经验,对所有患者的原始感兴趣区(ROI)进行了分割。原始ROI包括病灶的实性和囊性成分。对于多发病灶,仅选择最大的肿块进行勾画。放射科医师B具有5年经验,对30例随机选择患者的图像进行了分割。经过一个月的洗脱期后,放射科医师A对这些患者重复进行了勾画。采用组内相关系数(ICC)评估观察者间和观察者内一致性,ICC > 0.80表示一致性高。所有放射科医师在分割时对患者的组织病理学结果和EPM状态均不知情。
特征提取与选择
使用PyRadiomics软件包从每个ROI中提取了共1130个影像组学特征,包括形状特征、一阶特征、二阶特征以及图像滤波特征。随后使用Z-score对特征进行归一化,并剔除ICC < 0.80的特征。为选择具有高可重复性的特征,对训练集进行了100次随机抽样,每次抽样使用90%的训练数据进行特征选择。特征选择的步骤包括应用Mann–Whitney U检验、Spearman相关分析和最小绝对收缩和选择算子算法。在100次迭代后出现频率至少为50%的特征被用于最终模型开发。关于特征提取和选择的详细信息见补充材料第3节。
影像组学模型开发
瘤内、瘤周和原始模型分别基于相应ROI的影像组学特征开发。为进一步探究联合瘤内和瘤周信息是否能提高诊断效能,进行了特征级融合。这涉及将瘤内和瘤周影像组学特征合并为一个统一特征集,随后进行特征选择和模型构建。采用支持向量机算法构建这些影像组学模型。在每个模型的训练过程中,使用网格搜索法优化算法的超参数。影像组学模型开发见补充图S1。
临床和集成模型开发
在训练集中对临床特征进行单变量logistic回归,包括年龄、绝经状态、产次、腹痛、腹胀以及血清CA125和HE4水平。血清CA125和HE4水平经对数转换以使偏态分布正态化[21, 22]。随后将p < 0.1的临床特征纳入多变量logistic回归以识别独立临床预测因子,并用于构建临床模型。
联合瘤内和瘤周影像组学模型及独立临床预测因子的输出概率作为多变量逻辑回归的输入,以构建集成模型,并通过列线图进行可视化。
模型评估
采用十折交叉验证评估每个模型的稳健性(详见补充图S2),并使用内部和外部测试集评估泛化能力。评估指标包括受试者工作特征(ROC)曲线下面积(AUC)、准确率、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)。十折交叉验证结果以平均值 ± 标准差汇总。采用Brier评分和校准曲线比较预测概率与实际结局。采用决策曲线分析(DCA)评估模型的临床净获益。采用SHapley加法解释(SHAP)方法通过量化每个特征对模型预测的影响来解释影像组学模型。
统计分析
统计分析使用SPSS(版本25,IBM)进行,模型构建和评估使用Python(版本3.8.5)和R(版本4.1.2)进行。服从正态分布的连续变量以平均值 ± 标准差表示,非正态分布的连续变量以中位数(四分位距)表示。对于连续变量,根据分布情况采用Student's t检验或Mann–Whitney U检验。对于分类变量,采用卡方检验或Fisher精确检验。模型间的AUC采用DeLong检验评估。双侧p < 0.05被认为具有统计学意义。
结果
临床特征
本研究共纳入488例EOC患者(平均年龄:56.24岁;范围:19至84岁),其中EPM患者257例,非EPM患者231例。EPM组与非EPM组在年龄(p = 0.021)、产次(p = 0.014)、腹痛(p < 0.001)、腹胀(p < 0.001)、FIGO分期(p < 0.001)、类型(p < 0.001)、log CA125(p < 0.001)、log HE4(p < 0.001)和病理亚型(p < 0.001)方面观察到显著差异。所有患者进一步分为训练集(n = 245)、内部测试集(n = 105)和外部测试集(n = 138)。患者详细的人口学和临床特征见表1和补充表S2–S4。详细的手术发现见补充材料第4节。
特征选择和模型构建
进行特征选择后,用于模型开发的保留特征包括:瘤周ROI 12个、瘤内ROI 9个、原始ROI 8个,以及联合瘤内和瘤周特征13个(补充图S3)。这些特征被用于构建相应的瘤内、瘤周、原始及联合瘤内和瘤周模型。log CA125(p = 0.001)、log HE4(p = 0.005)、产次(p = 0.033)和腹痛(p < 0.001)为独立临床预测因子(补充表S5),用于开发临床模型。通过整合联合瘤内和瘤周模型的输出与独立临床预测因子构建集成模型(补充图S4)。
模型比较
集成模型在十折交叉验证中表现出更优的性能,达到最高的平均AUC,为0.844 ± 0.063。各模型在十折交叉验证中的ROC曲线见补充图S5。所有模型在交叉验证中的详细性能见表2。
在内部测试集上,瘤周模型、瘤内与瘤周联合模型和集成模型的AUC分别为0.786(95%置信区间[CI] 0.695,0.872)、0.788(95% CI 0.699,0.871)和0.832(95% CI 0.753,0.908),均显著优于瘤内模型(AUC = 0.652 [95% CI 0.538,0.749],p分别为0.007、0.002和p < 0.001)和原始模型(AUC = 0.694 [95% CI 0.591,0.792],p分别为0.025、0.007和0.001)(图4a)。在外部测试集上,集成模型的AUC显著超过瘤内模型和瘤周模型(0.843 [95% CI 0.783,0.900] 对 0.750 [95% CI 0.667,0.831] 和 0.789 [95% CI 0.712,0.861],p分别为0.008和0.047)(图4b)。AUC之间的Delong检验见补充表S6。所有模型在内部和外部测试集上的详细性能见表3。
从DCA来看,集成模型在各种阈值概率下均比其他模型提供更大的净获益(图5a–c)。如校准曲线和Brier评分所示,集成模型通过显示预测风险与观察概率之间的最高一致性,相对于放射组学模型和临床模型均取得了更优的准确性(图5d–f)。放射组学模型的SHAP分析结果见图S6。模型可解释性的一个示例见图6。
讨论
在本研究中,我们开发并验证了多个模型,以探讨基于MRI的瘤周影像组学特征是否能为术前预测上皮性卵巢癌(EOC)患者的腹膜外转移(EPM)状态提供有价值的信息。集成模型将瘤内和瘤周联合模型的输出与独立临床预测因子相结合,表现出最佳性能。该集成模型在十折交叉验证以及内部和外部测试集上持续保持令人满意的性能,有效证明了其稳健性和泛化性。
EPM的术前评估是EOC管理中的一大挑战。既往使用影像组学预测EOC中腹膜转移(PM)的研究未区分盆腔内PM和EPM [15, 16]。值得注意的是,EPM的存在表明疾病已进展至比盆腔内PM更晚期的阶段(至少FIGO III期或T3期),这对临床医生制定个体化治疗方案至关重要 [5]。例如,晚期EOC患者可能从减瘤手术前的新辅助化疗(NACT)中获益,因为其能有效降低围手术期并发症和死亡率 [23];对于无EPM的早期EOC患者,应避免细针穿刺活检,以防止肿瘤破裂及恶性细胞溢入腹腔 [7]。本研究专门聚焦于EPM,从而提供了具有直接临床相关性的结果。此外,上述研究均为单中心且样本量较小(n < 100)[15, 16]。相比之下,我们纳入了488例患者的多中心样本,增强了结果的可靠性。此外,我们采用十折交叉验证以及内部和外部测试来评估我们的模型,符合最新的影像组学指南 [24, 25]。这些方法也提高了我们研究结果的稳健性和可重复性。
近年来,越来越多的证据强调了瘤周微环境在卵巢癌进展和转移中的重要作用[26–28]。然而,既往关于卵巢癌的影像组学相关研究主要集中于肿瘤区域,忽视了瘤周区域的价值[15, 16, 29]。两项研究表明,瘤周影像组学特征与外周淋巴细胞密度之间存在显著关联,提示这些特征包含与瘤周微环境相关的信息[30, 31]。在本研究中,瘤周模型在预测上皮性卵巢癌(EOC)的腹腔外转移(EPM)状态方面表现出优于瘤内模型的AUC,尤其是在内部测试集中(0.786 vs. 0.652,p = 0.007)。这种优势可能归因于瘤周影像组学特征能够有效反映肿瘤微环境的动态变化,而后者与卵巢癌的转移密切相关[27]。另一种可能的解释是EOC肿瘤内存在囊性区域和频繁的坏死,这可能降低瘤内模型的性能[3, 32]。瘤周模型的AUC也高于原始模型。这与既往一些研究一致,即识别瘤周区域的异质性比全肿瘤分析能提供更特异的肿瘤特征信息[30, 33]。
值得注意的是,关于卵巢肿瘤瘤周区域尚无统一定义。一项关于卵巢癌的研究采用10 mm外扩来定义瘤周感兴趣区(ROI),可能纳入了过多的非肿瘤组织[17]。另一项研究报告称,2 mm外扩在预测EOC化疗反应方面提供了最佳结果[18]。然而,简单的外扩方法可能无法捕捉肿瘤与邻近环境之间复杂的相互作用。因此,本研究中的瘤周区域定义为将肿瘤边界向外扩展2 mm并向内收缩2 mm。这一界定能够精确捕捉具有生物学意义的区域,同时最大限度地减少无关噪声,与实体瘤和乳腺癌研究中所采用的方法一致[19, 20]。
近期研究表明,瘤内与瘤周信息的结合可以增强模型预测结直肠癌和宫颈癌转移的能力,测试集中的AUC约为0.80[34, 35]。与这些观察结果一致,我们观察到这种结合也提高了预测EOC中EPM的性能。我们还观察到,结合独立的临床预测因素产生了最佳的诊断性能,在交叉验证和测试阶段的AUC均> 0.80。这些结果与既往一项基于MRI的研究结果相当,该研究中整合深度学习与影像组学的模型在不同验证集中也达到了AUC > 0.80[29]。值得注意的是,集成模型不依赖于深度学习,从而避免了对大量计算资源的需求,并可能降低技术门槛和成本。
可解释性对于模型的临床应用至关重要。在本研究中,我们采用SHAP方法对影像组学模型进行可解释性分析。该方法提供了不同特征对个体患者预测结果的影响,有助于临床医生和患者理解模型的决策过程。此外,我们使用列线图对集成模型进行可视化,使临床医生能够直观地解读模型的预测结果。这两种可解释性分析方法的使用增强了我们的模型在临床实践中的可行性。
我们的研究也存在一些局限性。首先,本研究的回顾性性质可能导致固有偏倚。因此,需要更大的队列规模。其次,所有模型均基于FS-T2W图像开发。联合其他序列是否能产生额外有价值的信息尚需进一步探索。第三,本研究仅选择2 mm的膨胀和收缩作为瘤周区域。需要进一步研究评估不同瘤周区域范围的性能。最后,本研究无法确定EPM的具体位置、大小和范围。
总之,瘤周影像组学可以提供关于EOC患者EPM状态的有价值信息。结合瘤内和瘤周影像组学与临床特征的集成模型表现出最佳性能,并有望指导EOC患者的精准医学。
补充信息
电子补充材料
引用
- Wang X, Wei M, Chen Y, et al. Intratumoral and peritumoral MRI-based radiomics for predicting extrapelvic peritoneal metastasis in epithelial ovarian cancer. Insights Imaging. 2024. PMID: 39576435. doi:10.1186/s13244-024-01855-w
- 全文:PMC11584833(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11584833/
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。