基于CT小肠造影的深度学习影像组学预测克罗恩病患者分层愈合的多中心研究
本研究基于基线CT小肠造影开发深度学习影像组学模型,纳入三家医院246例克罗恩病患者,用于无创预测英夫利西单抗治疗后的分层愈合。模型预测黏膜愈合的AUC在训练、测试和验证队列分别为0.948、0.889和0.938,预测透壁愈合的AUC为0.856。
要点
- 基线CTE可提取活动病变肠壁和肠系膜脂肪组织的影像组学与深度学习特征。
- DLR模型预测黏膜愈合的AUC在训练、测试和验证队列分别为0.948、0.889、0.938。
- DLR模型预测透壁愈合的AUC为0.856(95% CI: 0.776-0.935)。
核心结论
- 基于基线CTE影像组学和深度学习特征构建的DLR模型可高精度预测克罗恩病患者IFX治疗后的分层愈合(黏膜愈合和透壁愈合),在测试队列和外部验证队列中均表现良好。
研究设计与样本
- 回顾性研究,纳入三家医院2016年3月至2022年12月间246例克罗恩病患者,来自前两家医院的202例按7:3随机分为训练队列(n=141)和测试队列(n=61),第三家医院的44例作为验证队列。
- CTE检查使用GE Revolution CT或GE Optima CT680,扫描参数为管电压120 kV、管电流150–300 mA、矩阵512×512、螺距1.375:1、层厚及层间距5 mm,经外周静脉注射碘海醇(320 mg/mL)1.5 mL/kg、流率3.0 mL/s。
- 以结肠镜SES-CD评分定义的黏膜愈合为参考标准,黏膜愈合定义为治疗后末端回肠和结肠炎症性溃疡消失且SES-CD评分小于3。
关键影像表现/征象
- 活动病变肠壁VOI1满足:末端回肠和结肠黏膜面有炎症性溃疡的病变、肠壁增厚(>3 mm)且强化增高、有炎症性穿孔并发症(除外脓肿)或邻近肠系膜活动性炎症、肠腔排除在VOI外。
- 肠系膜脂肪组织VOI2通过自动膨胀算法在VOI1中心周围扩展20 mm获得,肠系膜脂肪组织定义为密度−45至−195 Hounsfield单位的造口周围脂肪组织。
- 从VOI1和VOI2各提取1834个影像组学特征,并从3D ResNet101网络倒数第二层(avgpool层)提取2048个深度学习特征。
诊断标准与关键数值
- DLR模型预测黏膜愈合的AUC在训练队列为0.948(95% CI: 0.916-0.980)、测试队列为0.889(95% CI: 0.803-0.975)、验证队列为0.938(95% CI: 0.868-1.000)。
- 影像组学特征预测黏膜愈合的AUC在训练队列为0.817(95% CI: 0.744–0.889)、测试队列为0.797(95% CI: 0.683–0.911)、验证队列为0.822(95% CI: 0.699–0.945)。
- 深度学习特征预测黏膜愈合的AUC在训练队列为0.915(95% CI: 0.869–0.960)、测试队列为0.871(95% CI: 0.784–0.959)、验证队列为0.878(95% CI: 0.776–0.980)。
- DLR模型预测透壁愈合的AUC为0.856(95% CI: 0.776–0.935);透壁愈合定义为在黏膜愈合基础上所有回结肠节段肠壁厚度小于3 mm、无溃疡、水肿、强化或并发症。
- 影像组学特征联合深度学习特征后IDI在训练队列为0.324(95% CI: 0.245–0.403,p < 0.05)、测试队列为0.216(95% CI: 0.112–0.320,p < 0.05)、验证队列为0.335(95% CI: 0.191–0.480,p < 0.05);NRI在训练队列为0.555(95% CI: 0.348–0.763,p < 0.05)、测试队列为0.516(95% CI: 0.211–0.821,p < 0.05)、验证队列为0.495(95% CI: 0.159–0.831,p < 0.05)。
临床应用与阅片要点
- DLR列线图可将活动病变肠壁的影像组学模型和深度学习模型预测值、肠系膜脂肪组织的影像组学模型和深度学习模型预测值转换为积分轴上的定量评分,求和得总分并得出黏膜愈合的预测概率。
- 校准曲线显示DLR模型预测概率与实际结果一致性良好,DCA曲线显示DLR模型在多数合理阈值概率范围内较影像组学和深度学习特征提供更高的净临床获益。
局限性
- 手动勾画所有活动病变的VOI耗时且费力,尽管深度学习算法有望实现自动病灶分割,但肠道分割的复杂性带来挑战,原文此处表述不完整。
- 原文在讨论局限性段落处截断,其余局限未在提供的全文中报告。
全文中译18 节 · 点击展开
引言
克罗恩病(CD)是一种慢性、复发性疾病,全球发病率不断上升,导致各种并发症,并给患者带来显著的身体和心理负担[1, 2]。当前的治疗策略旨在实现深度和持续缓解,以预防手术等并发症并阻止疾病进展。这些策略的核心是对高危患者早期引入生物制剂治疗,并结合严格的疾病监测。肿瘤坏死因子(TNF)在CD的发病机制中起关键作用,抗TNF药物如英夫利西单抗(IFX)能有效诱导CD患者的临床缓解并促进黏膜愈合(MH)和透壁愈合(TH)[3–5]。早期预测CD患者接受IFX治疗后MH和TH的实现有助于及时干预和个体化治疗。研究表明,MH和TH的预测性生物标志物可能持续改善CD患者的预后[6, 7]。因此,开发能够预测治疗反应的生物标志物对于个体化治疗决策变得越来越重要[8]。
计算机断层扫描小肠造影(CTE)可以显示肠道内外结构的变化以及相关并发症[9]。虽然CTE能有效反映CD的特征,但图像中许多内部细节无法用肉眼辨别,却可能通过影像组学被捕获[10]。深度学习影像组学(DLR)是一种新兴方法,利用监督学习从医学图像中提取定量和高通量特征[11–13]。最近一项研究开发并验证了一种基于CT的DLR模型,用于预测局部进展期胃癌患者对新辅助化疗的早期反应。该DLR模型整合了影像特征和临床因素,在预测治疗效果和临床结局方面表现出良好性能,从而为个体化治疗提供了有价值的信息[14]。虽然这些DLR分析已应用于肿瘤学领域,但DLR分析在预测CD治疗结局中的应用仍有待进一步探索。
本研究旨在展示基于CTE的DLR模型在早期预测CD患者接受IFX治疗后分层愈合(黏膜愈合和透壁愈合)方面的潜力。我们通过对活动性病变肠壁和肠系膜脂肪组织的CTE图像进行DLR分析,开发了一个联合模型,以无创方式预测CD患者的分层愈合。
材料与方法
患者与研究设计
本回顾性研究经所有三家参与医院的伦理委员会批准,豁免了患者书面知情同意的要求。纳入标准为:(1)诊断为CD的患者;(2)在IFX治疗前1个月内完成结肠镜检查和CTE;(3)既往未接受过生物制剂药物治疗;(4)CD病变主要位于结肠和回肠末端;(5)无腹腔和肛周脓肿。排除标准为:(1)IFX治疗后6–9个月未进行内镜复查;(2)有结肠或回肠末端切除史;(3)CTE图像判读质量不佳。
我们回顾性分析了2016年3月至2022年12月期间在三家医院诊断为CD的471例患者的基线临床数据和CTE图像。经上述排除标准排除后,共纳入246例CD患者。来自两家医院的202例CD患者按7:3的比例随机分为训练队列(n = 141)和测试队列(n = 61),来自第三家医院的44例CD患者作为验证队列(n = 44)。研究流程图见图1。
CD的诊断基于临床、内镜、粪便、生化和组织学检查的综合判断[15]。CD患者接受IFX静脉输注治疗,剂量为5 mg/kg,在第0、2和6周给药,随后每8周静脉注射一次。所有入组患者在基线时均接受了CTE和结肠镜检查,并在开始IFX治疗后6–9个月进行了内镜复查[16]。两名在內镜领域均有超过15年经验的消化内科医师实施了内镜操作并评估了每例患者的黏膜状况。
克罗恩病简单内镜评分(SES-CD)是评估CD患者结肠和回肠末端黏膜愈合(MH)的广泛认可系统。回肠末端和结肠被分为以下节段:回肠末端、右半结肠、横结肠、左半结肠和直肠。分别评估每个节段的炎症性溃疡,并将评分相加得到总分。MH定义为治疗前回肠末端和结肠存在炎症性溃疡的患者中炎症性溃疡消失且SES-CD评分小于3。
本研究首先在训练、测试和验证队列中评估了基于基线CTE的DLR模型对MH的预测价值。随后,在MH组内,将患者进一步分为TH组和非TH组,以评估DLR模型对TH的预测价值。
CTE图像采集
所有入组患者在计算机断层扫描小肠造影(CTE)检查前均接受了标准化的肠道准备。患者在检查前禁食12 h,并在扫描前45、30和15 min各饮用500 mL等渗液体。三家医院分别使用GE Revolution CT或GE Optima CT680进行CTE检查。扫描参数如下:管电压120 kV,管电流150–300 mA,采集矩阵512 × 512,螺距1.375:1,层厚和层间距5 mm。非离子型对比剂碘海醇(320 mg/mL)经外周静脉注射,剂量为1.5 mL/kg体重,流率为3.0 mL/s。
CTE图像分析、勾画和影像组学特征提取
为预测CD患者结肠和回肠末端MH,两名放射科医生(各自具有5年以上腹部诊断成像经验)独立审阅基线CTE图像。他们对治疗后MH和TH结局设盲。感兴趣体积(VOI)依据以下标准选取:(1)黏膜表面有炎性溃疡的回肠末端和结肠病变;(2)肠壁增厚(> 3 mm)且强化增高的病变肠壁;(3)伴有炎性穿孔并发症(不包括脓肿)的病变肠壁或邻近肠系膜活动性炎症;(4)肠腔,其中VOI包括活动性病变肠壁但排除肠腔。放射科医生使用ITK-SNAP 3.8.0软件在基线肠期CTE图像上对这些活动性病变肠段进行三维(3D)勾画(VOI1)(图2)。
采用组间和组内相关系数(ICC)评估两名放射科医生勾画结果的一致性。随机选取30例患者的CTE图像由两名放射科医生进行VOI勾画。两周后,由放射科医生1再次对相同30例患者的CTE图像进行勾画。为确保影像组学特征的可靠性,仅选取ICC大于0.75的特征作为候选影像组学特征。随后由放射科医生1对其余图像进行VOI勾画。随后使用基于Python 3.6.8软件的自动膨胀算法获得肠系膜脂肪组织VOI(VOI2),即以VOI1中心为中心向外膨胀20 mm(图2)。肠系膜脂肪组织定义为密度为−45至−195 Hounsfield单位的肠周脂肪组织[17]。为避免向外膨胀时纳入相邻肠腔,手动调整VOI2的范围。
为标准化CTE图像并减轻不同扫描仪和采集参数对影像组学特征的影响,在特征提取前将所有图像重采样为统一的1 × 1 × 1 mm³体素大小。使用Python 3.6.8软件中的PyRadiomics 3.0.1软件包,从每例患者的VOI1和VOI2中共提取1834个影像组学特征。
深度学习特征提取
在我们的研究中,使用了3D ResNet101网络架构。VOI从原始图像中选择并调整为112×112×112作为输入。模型训练过程涉及使用交叉熵损失函数为预测任务更新网络权重。分别针对活动性病变壁(VOI1)和肠系膜脂肪组织(VOI2)训练了两个3D模型。然后使用这两个模型从每个VOI中提取DL特征。从3D模型架构的倒数第二层(平均池化层)共提取了2048个深度学习(DL)特征。所有数据操作均使用Python 3.6.8执行。采用PyTorch框架在NVIDIA RTX 3070 Ti图形处理器上训练模型。网络优化使用Adam优化器进行,学习率为0.001。训练过程进行了100个epoch,批大小为4。
临床特征的纳入
表1概述了入组CD患者的临床基线特征。首先使用单因素分析对训练队列的临床基线数据进行分析。然后将p < 0.05的临床因素引入多因素logistic回归分析。在多因素logistic回归分析中p < 0.05的临床因素被确定为独立预测因子。
影像组学和深度学习标签的构建
首先,保留训练队列中ICC > 0.75的影像组学特征。接着,通过单因素分析筛选p < 0.05的影像组学和DL特征。然后使用最小绝对收缩和选择算子(LASSO)确定最有价值的影像组学和DL特征。基于这些选定的特征,构建了影像组学和DL标签。在训练、测试和验证队列中,使用ROC曲线下AUC值评估这些标签预测MH的诊断效能。
DLR模型构建
将影像组学和DL标签相结合,使用多因素logistic回归构建DLR模型。在训练、测试和验证队列中,使用ROC曲线下AUC值评估DLR模型预测MH的效能。使用净重分类改善(NRI)和综合判别改善(IDI)指数来量化加入深度学习标签后影像组学标签的增强效果。采用校准曲线评估DLR模型预测概率与实际结局之间的一致性。决策曲线分析(DCA)评估了DLR模型在合理阈值概率范围内预测MH的净临床获益。使用DeLong检验比较影像组学标签、DL标签和DLR模型的诊断性能。
基于DLR模型的TH结局
我们的研究进一步评估了模型预测TH结局的能力。我们收集了在IFX治疗后6–9个月同时接受内镜和CTE或MRE检查的CD患者数据。TH定义为:在MH的基础上,所有回结肠段壁厚度小于3 mm,无溃疡、水肿、强化或并发症[18, 19]。使用ROC曲线下AUC值评估DLR模型预测TH的诊断效能。
统计分析
采用SPSS 25.0、Python 3.6.8和R 4.2.2软件进行统计分析。符合正态分布的计量资料以均数±标准差表示,偏态分布的计量资料以中位数表示。计数资料以例数(百分比)表示。计量资料的比较采用独立样本t检验(正态分布数据)或Mann–Whitney U检验(偏态分布)。计数资料的比较采用卡方检验或Fisher精确检验。p值小于0.05被认为具有统计学意义。
结果
患者特征
本研究共纳入246例CD患者,其中118例在IFX治疗后达到MH。训练队列、测试队列和验证队列中MH组与非MH组的临床基线数据详见表1。在训练队列中,临床特征的单因素分析显示,MH组的血清CRP水平(7 mg/dL)显著低于非MH组(14.4 mg/dL)(p = 0.03)。MH组的ESR(27 mm/h)显著低于非MH组(34 mm/h)(p = 0.021)。MH组的血清白蛋白水平(39.1 g/dL)显著低于非MH组(36.8 g/dL)(p = 0.006)。然而,多因素logistic回归分析显示,这些临床特征均不是MH的独立预测因素(p ≥ 0.05)。
影像组学标签的建立
基于ICC、单因素和LASSO回归分析,我们在CD患者训练队列中从活动性病变肠壁(VOI1)保留了13个影像组学特征,从病变肠壁周围肠系膜脂肪组织(VOI2)保留了7个影像组学特征。利用这些影像组学特征,我们构建了影像组学标签。影像组学标签预测MH的AUC在训练队列中为0.817(95% CI:0.744–0.889),在测试队列中为0.797(95% CI:0.683–0.911),在验证队列中为0.822(95% CI:0.699–0.945)。表2展示了在这三个队列中使用影像组学标签的预测效能。
深度学习标签的建立
与上述选择影像组学特征的方法类似,我们在CD患者训练队列中从VOI1保留了19个DL特征,从VOI2保留了20个DL特征。利用这些DL特征,我们构建了DL标签。DL标签预测MH的AUC在训练队列中为0.915(95% CI:0.869–0.960),在测试队列中为0.871(95% CI:0.784–0.959),在验证队列中为0.878(95% CI:0.776–0.980)。表2展示了在这三个队列中使用DL标签的预测效能。
深度学习影像组学模型与列线图的建立
考虑到DL特征的预测价值,我们通过IDI和NRI确定了其在预测MH方面对影像组学特征的增量价值。当将影像组学特征与DL特征联合时,我们观察到与单独使用影像组学特征相比,预测效能有较大提升。这一提升在IDI中具有统计学显著性(训练队列:IDI = 0.324,95% CI:0.245–0.403,p < 0.05;测试队列:IDI = 0.216,95% CI:0.112–0.320,p < 0.05;验证队列:IDI = 0.335,95% CI:0.191–0.480,p < 0.05)。这一提升在NRI中也具有统计学显著性(训练队列:NRI = 0.555,95% CI:0.348–0.763,p < 0.05;测试队列:NRI = 0.516,95% CI:0.211–0.821,p < 0.05;验证队列:NRI = 0.495,95% CI:0.159–0.831,p < 0.05)。
DLR模型的AUC在训练队列中为0.948(95% CI:0.916–0.980),在测试队列中为0.889(95% CI:0.803–0.975),在验证队列中为0.938(95% CI:0.868–1.000)。表2展示了DLR模型在训练、测试和验证队列中的诊断性能。图3显示了三种模型的ROC曲线,说明DLR模型具有优异的性能。图4显示了三种模型的校准曲线和DCA曲线。校准曲线表明,DLR模型的预测概率与实际结果吻合良好。DCA曲线表明,在大多数合理的阈值概率范围内,与影像组学特征和DL特征相比,DLR模型在预测MH方面提供了更高的净临床获益。DLR列线图见图5。
深度学习影像组学模型效能评估
采用DeLong检验比较DLR模型、影像组学特征和DL特征(表3)。在训练队列中,DLR模型显著优于影像组学特征和DL特征(分别为p = 0.001、0.025)。DL特征也表现出优于影像组学特征的性能(p = 0.030)。在测试队列中,DLR模型较影像组学特征显示出显著改善(p = 0.036)。同样,在验证队列中,DLR模型显著优于影像组学特征(p = 0.025)。
TH患者的预测性能
我们进一步评估了DLR模型预测CD患者IFX治疗后TH的能力。在118例达到MH的患者中,86例CD患者在IFX治疗后6–9个月接受了CTE或MRE检查。其中,21例(24.4%)患者达到TH,65例(75.6%)患者未达到TH。DLR模型预测TH的诊断性能为0.856(95% CI:0.776–0.935)。
讨论
目前,IFX对于CD患者实现持续临床缓解至关重要。我们的研究开发了一种基于CTE的DLR模型来预测IFX治疗后的MH。该DLR模型在多中心队列中进行了独立验证,在训练、测试和验证队列中的AUC值分别为0.948、0.889和0.938。DLR列线图和DCA曲线进一步证实了其临床适用性。此外,DLR模型在预测TH方面表现出色。
治疗CD的临床目标包括改善实验室指标、实现临床症状缓解和达到MH。然而,处于临床缓解的患者仍可能经历应答丧失和症状复发[20, 21],据报道约23–46%的患者出现应答丧失[22]。因此,CD的治疗目标已转向MH和TH[23–25]。目前,IFX治疗后确定MH依赖于评估黏膜溃疡,但内镜检查需要肠道准备、镇静或麻醉,并存在肠穿孔等风险[26]。因此,人们越来越关注寻找非侵入性生物标志物来预测MH和TH。预测药物疗效反应对于选择最合适的治疗至关重要,从而改善临床护理和成本效益。这种对个体化治疗的关注符合精准医学的原则[27]。
目前预测IFX治疗前基线MH的研究较少。Bertani等纳入45例接受IFX治疗的CD患者,所有患者均在第54周行结肠镜检查以评估MH。分别在治疗前和治疗14周后收集血清制瘤素M和粪便钙卫蛋白。与粪便钙卫蛋白相比,基线血清制瘤素M是预测MH并指导CD治疗选择的有前景的生物标志物[23]。已有研究表明,12周临床结局和CRP、较短病程以及不吸烟状态是12个月临床结局的独立预测因素,而12周CRP、24周临床缓解、炎症参数和不吸烟与MH相关[28]。在我们对临床特征的单因素分析中,MH组的血清CRP、白蛋白和ESR水平显著低于非MH组。然而,对这些临床特征进行多因素logistic回归分析显示,均不是MH的独立预测因素。因此,我们未将临床特征纳入最终预测模型。
DLR技术是一种高通量定量特征提取技术,可提取并量化与潜在疾病异质性相关的细微影像特征,超出放射科医师肉眼可检测的范围。这些特征随后用于能够预测相关结局的机器学习算法。既往研究已证明,活动性病变肠壁CTE图像的影像组学特征在预测CD患者IFX治疗后结局方面具有潜在价值[12, 29]。然而,这些研究往往缺乏外部验证,未纳入肠系膜脂肪组织,也未整合DL特征。我们的研究表明,基于活动性病变肠壁和肠系膜脂肪组织的影像组学模型和DL模型均取得了优异的预测效能,包括在验证队列中。我们的研究结果凸显了该模型在提供黏膜愈合和透壁愈合全面洞察方面的潜力,为监测和管理CD治疗结局提供了更整体的方法。
我们的研究存在若干局限性。首先,为全面预测CD患者结肠和回肠末端节段的MH,我们手动勾画了这些节段中所有活动性病变的VOI。手动分割耗时且费力。尽管DL算法有望实现病变自动分割,但肠道分割的复杂性带来了挑战。目前研究报告,DL分割模型分割CD病变的Dice相似系数为0.824[30],表明自动分割与手动分割的准确性之间仍存在差距。其次,由于CD发病率较低,我们的研究样本量相对较小,尤其是TH患者。未来研究应旨在扩大样本量以验证我们的发现。
结论
我们开发了一种基于CTE的DLR模型,结合活动性病变肠壁和肠系膜脂肪组织的影像组学和深度学习特征,用于预测CD患者IFX治疗后的MH,并取得了高准确度。该DLR模型的预测能力在外部队列中得到了独立验证,证明其具有直观、准确且无创地预测MH和TH的能力。
引用
- Zhu C, Liu K, Rong C, et al. Computed tomography enterography-based deep learning radiomics to predict stratified healing in patients with Crohn's disease: a multicenter study. Insights Imaging. 2024. PMID: 39546153. doi:10.1186/s13244-024-01854-x
- 全文:PMC11568089(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11568089/
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。