文献速递腹部技术与安全CT

预测结直肠癌肝转移的放射病理组学模型的开发与验证

Development and validation of a radiopathomics model for predicting liver metastases of colorectal cancer.
PubMed 文献 · Eur Radiol · 2024-12-02

回顾性纳入2017年1月至2022年12月212例病理确诊的结直肠癌患者,分为训练集148例和验证集64例,基于术前CT影像组学特征与临床数据构建随机森林模型。融合模型在训练集AUC为0.952、验证集AUC为0.761,作者认为该融合模型可作为无创、可靠且准确的术前预测结直肠癌术后肝转移的工具。

要点

  • 融合模型在验证集平均AUC为0.761(95%CI 0.644–0.878),优于影像组学模型和临床模型。
  • 影像组学模型在验证集平均AUC为0.710±0.065,临床模型为0.713±0.064。
  • 融合模型采用0.4×影像组学评分+0.6×临床评分的加权融合策略时验证集表现最佳。

核心结论

  • 作者认为融合CT影像组学特征与临床数据的模型在预测结直肠癌术后肝转移方面优于单独影像组学模型或临床模型。

研究设计与样本

  • 回顾性观察性研究,纳入2017年1月至2022年12月在青岛大学附属医院接受手术的212例病理确诊结直肠癌患者,分为训练集148例和验证集64例。
  • 术前CT采用多排探测器扫描仪(SOMATOM Definition Flash、iCT 256或Optima CT670),由一名初级放射科医师在高级放射科医师监督下逐层手动勾画肿瘤ROI。
  • 提取1051个影像组学特征(包括原始CT图像特征、小波图像特征和拉普拉斯高斯图像特征),采用t检验和基于逻辑回归的L1正则化筛选特征。
  • 采用随机森林分类器分别构建临床模型和影像组学模型,并通过评分级融合策略(最小值融合、最大值融合和加权融合)构建融合模型。

关键影像表现/征象

  • 肿瘤最大径和形状与转移风险呈正相关。
  • 一阶统计特征反映ROI内灰度值的离散程度,肿瘤恶性程度越高离散程度越大。
  • 高阶纹理特征反映图像纹理在空间和距离等综合信息中的不均匀分布,提示高恶性潜能肿瘤内部结构复杂且更易出现异质性。
  • 筛选出的14个影像组学特征包括3个原始图像特征和11个小波图像特征。

诊断标准与关键数值

  • 影像组学模型训练集AUC为0.751,测试集AUC为0.714。
  • 融合模型训练集AUC为0.952,测试集AUC为0.761。
  • 验证集中影像组学模型平均AUC为0.710±0.065,临床模型平均AUC为0.713±0.064。
  • 融合模型采用0.4×影像组学评分+0.6×临床评分的加权融合策略时验证集平均AUC为0.761±0.060(95%CI 0.644–0.878,p<0.05)。

临床应用与阅片要点

  • 融合模型可作为术前无创预测结直肠癌术后肝转移风险的工具,作者认为有助于改善个体化治疗决策、术前规划和预后管理。
  • 模型基于术前CT影像组学特征与临床数据(包括术前TNM分期、CEA和CA19-9等),阅片时可关注肿瘤最大径、形状及纹理异质性等特征。

局限性

  • 本研究为回顾性单中心设计,未来需要前瞻性多中心研究。
  • 作为回顾性研究且数据集有限,可能存在选择偏倚和未知混杂因素。
  • 样本主要来自同一地区,人口学和地理分布的不平衡可能限制了模型对不同地区和种族人群特征的理解。
全文中译15 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 Dec 2;35(6):3409–17. doi: 10.1007/s00330-024-11198-1

引言

结直肠癌(CRC)已成为全球第三大常见恶性肿瘤和第二大癌症死亡原因[1]。主要死亡原因是术后肝转移,至少50%的CRC患者在术后或疾病病程晚期发生肝转移[2–5]。肿瘤-淋巴结-转移(TNM)分期系统是预测肝转移最广泛使用的工具;然而,即使在同一TNM分期的患者中,临床结局也高度可变[6–8],提示经典TNM分期不能提供准确或完整的预测信息[9–11]。因此,迫切需要一种准确的分类系统来预测CRC患者的肝转移。

CRC术后肝转移诊断的金标准是病理检查。然而,鉴于该操作的有创性,频繁进行不可行,且根治性切除后的获取不应作为制定术前治疗策略的依据[12]。常规临床和计算机断层扫描(CT)数据可用于识别远处转移风险较高的患者,但需要临床医生具有高水平的经验。在影像组学中,使用称为影像特征的定量纹理信息来评估放射学图像[13, 14]。放射学纹理特征可以确定与肿瘤微环境中肿瘤异质性和转移相关的预后价值。

术前治疗有助于降低肿瘤转移风险,更快速准确的疾病分期和患者选择可能有助于进一步降低这一风险[15]。本研究的目的是建立与影像临床相关的非视觉信息,该信息可详细全面地表征肿瘤表型,以评估CRC患者的术后转移[16]。

材料与方法

研究方案经青岛大学附属医院机构审查委员会批准。鉴于研究的回顾性观察性质和数据匿名性,免除书面知情同意。纳入2017年1月至2022年12月期间接受CT检查且有基线临床数据的CRC患者。纳入标准如下:组织病理学确诊的CRC;在任何治疗前完成腹部和盆腔标准CT;临床数据可用;完整CT数据集可用。应用以下排除标准:CRC根治性手术前已存在肝转移;研究期间存在其他恶性疾病;缺乏临床病理或随访数据。

临床数据收集

从电子病历中获取年龄、性别、体重指数(BMI)、癌胚抗原(CEA)、糖类抗原19-9(CA19-9)、白蛋白(ALB)和甲胎蛋白(AFP)水平的信息。肿瘤大小、T分期和N分期由两名具有CRC影像学经验放射技师确定。

CT数据的采集和预处理

腹部或盆腔CT采用多排螺旋扫描仪(SOMATOM Definition Flash,Siemens Medical Systems;iCT 256,Philips Healthcare;或Optima CT670,GE Healthcare)进行。所有图像均使用标准重建核进行重建,包括。以DICOM(医学数字成像和通信)格式保存的CT图像从PACS(图像归档和通信系统)中检索。

肿瘤分割

一名初级放射科医师在高级放射科医师的监督下,使用3D Slicer软件(版本5.2.2,https://www.slicer.org/)逐层手动勾画肿瘤轮廓。随后所有图像均由同一位经验丰富的放射科医师阅读并评分。如存在始终不一致的差异,需经两位放射科医师讨论后修正。

影像组学特征提取

我们采用先进的影像组学特征提取方法分析和解码结直肠癌(CRC)病灶的成像表型。在获取肿瘤的CT图像及其感兴趣区(ROI)掩膜后,我们应用三次B样条插值对CT图像进行重采样。鉴于ROI掩膜为二值图像,我们使用最近邻插值算法对掩膜图像进行重采样。获得新的成像间距为[1 mm, 1 mm, 1 mm]。所有操作严格遵循国际生物标志物标准化倡议指南,以确保特征提取过程的科学严谨性和可重复性。

我们采用综合特征选择方法,结合t检验和基于逻辑回归的L1正则化,优化用于CRC诊断模型的影像组学特征集。在选择特征之前,我们进行了方差齐性检验。方差齐性(p > 0.05)的特征初步采用t检验筛选,以确保样本特征间的可比性。否则,使用Welch检验作为t检验的校正,以识别在阴性和阳性样本间显示显著差异的特征。

接下来,我们应用进一步的L1正则化,通过将不重要特征的权重压缩为零来减少不必要的特征数量并保留最具判别力的特征。使用带有SAGA求解器的逻辑回归线性模型作为特征选择器,并设置L1惩罚项。通过网格搜索法在多个正则化强度中找到最优解。

临床模型和影像组学模型的开发

临床和病理特征用于开发预测CRC术后肝转移风险的临床模型。最初,我们使用t检验筛选具有显著差异的临床特征。接下来,整个特征集根据训练集的归一化模式进行标准化。最后,将随机森林分类器应用于所选影像组学特征和临床病理特征,以独立构建临床分类模型和影像组学分类模型。

模型评估

图S1展示了总结所提出预测模型的流程图。为提高预测性能,我们开发了一个结合CT放射组学和临床特征的模型。我们采用了分数级融合方法,将CT放射组学模型生成的预测分数与临床模型生成的预测分数进行合并。采用三种分数融合策略(即最小分数融合、最大分数融合和加权分数融合)构建了结合CT放射组学和临床模型的融合模型。最小和最大分数融合策略的预测分数通过比较每个病例中CT放射组学模型生成的分数与临床模型生成的分数来确定,选择最小或最大分数。加权分数融合策略中的预测分数计算为CT放射组学模型和临床模型预测分数的加权和,其中两个模型的权重之和等于一。

统计分析

连续变量以均值 ± 标准差表示,采用Mann–Whitney U检验或学生t检验进行分析。分类变量以数量报告,采用卡方检验或Fisher精确检验进行分析。采用Delong检验评估曲线下面积(AUC)之间差异的统计学显著性。所有数据使用Python(Python软件基金会)和R Studio(R统计计算基金会)进行分析。p值 < 0.05被认为具有统计学显著性。

结果

临床和基线特征

回顾性纳入2017年1月至2022年12月期间接受CRC手术的212例患者(图1),并分为训练集(n = 148)和验证集(n = 64)。患者的基线特征见表1。

图1 患者纳入流程图。CT,计算机断层扫描 查看原图 ↗
表1 患者临床特征 查看原表 ↗

临床模型所选特征

经过Z分数标准化和t检验分析,结直肠癌肝转移患者(CRCLM组)与无肝转移患者(非CRCLM组)之间在临床因素方面存在显著差异,包括术前TNM分期和肿瘤标志物(CEA和CA19-9)(p < 0.05)。这些特征在CRCLM组和非CRCLM组中的分布见图2。

图2 CRLM组和非CRLM组临床特征的箱线图 查看原图 ↗

CT放射组学模型所选特征

共计算了1051个放射组学特征,包括原始CT图像特征、小波图像特征和高斯拉普拉斯图像特征。通过t检验和最小绝对收缩和选择算子(LASSO)分析(L1正则化),发现14个特征显示具有统计学显著的组间差异(p < 0.05)。图3a、b显示了LASSO分析L1正则化和t检验在所有特征中选择最佳特征的特征热图和系数图。放射组学特征在CRCLM组和非CRCLM组中的分布见图4。详细的放射组学特征见表S1。

图3 特征选择过程。放射组学特征通过基于逻辑回归的t检验和L1正则化进行选择。a LASSO系数路径图;b 特征热图 查看原图 ↗
图4 CRLM组和非CRLM组放射组学特征的箱线图 查看原图 ↗

模型验证与比较

我们开发了三种用于预测结直肠癌(CRC)肝转移的术前诊断模型,即基于临床特征的模型、基于影像组学特征的模型和融合模型。基于影像组学特征的模型和基于临床特征的模型在验证集中表现出性能(平均AUC分别为0.710 ± 0.065和0.713 ± 0.064)。采用评分级方法,对影像组学模型和临床模型中的各种特征进行了检验,以确定哪种特征组合更有利于提高预测性能。最终,采用0.4*Rad + 0.6*Cli评分融合策略的融合模型在验证集中取得了最佳性能(平均AUC 0.761 ± 0.060,95%置信区间:0.644–0.878;p < 0.05)。各模型中影像组学特征与临床特征各种组合的性能详见表2。

表3显示了各模型在验证集中的准确率、召回率、特异性、精确率、阴性预测值(NPV)和F1。结果表明,融合模型是所有模型中最佳的。然而,需要提及的是,该模型的敏感度出现了轻微下降。尽管如此,总体结果表明,融合模型在预测结直肠癌肝转移方面表现出值得肯定的性能。这些观察结果提示,融合模型有潜力成为该特定医学领域精准分类的有价值工具。

总体而言,基于肿瘤特征的模型的性能与融合模型相似。三种模型的受试者工作特征(ROC)曲线见图5a。三种模型在训练集中的ROC曲线见图5b。

与影像组学模型和临床模型相比,融合模型表现出更好的判别性能(表4)。校准图显示所有预测模型与CRC肝转移的实际观察结果之间具有良好的一致性(图6a)。决策曲线分析(DCA)图显示,融合模型的净临床获益优于影像组学模型和临床模型(图6b)。此外,校准曲线表明一致性水平更优。

表2 影像组学特征与临床特征不同组合的诊断性能 查看原表 ↗
表3 各模型在内部和外部验证集中的准确率、召回率、特异性、精确率、NPV和F1 查看原表 ↗
图5 在CRLM训练的模型与不同模型中受试者工作特征曲线的比较。a 训练集和(b)验证集。AUC,受试者工作特征曲线下面积 查看原图 ↗
表4 模型之间的比较 查看原表 ↗
图6 a 模型在区分CRLM与非CRLM中的校准曲线;b 使用影像组学模型、临床模型和融合模型的DCA 查看原图 ↗

讨论

肝脏是结直肠癌(CRC)远处转移最常累及的器官,许多患者尽管成功切除原发灶仍会发生转移。在本研究中,我们评估了一种结合CT特征和临床数据的影像组学模型,希望其可作为CRC术后肝转移术前无创预测工具。我们的模型在训练集和验证集中均表现出良好性能(AUC分别为0.952和0.761),表明影像组学特征与临床因素的整合在所有队列中均令人满意。在该模型中,能够在术前可靠检测结直肠恶性转移的工具可能对患者管理具有重要价值。因此,影像-临床病理组学模型在处理不同阈值下的不同类型样本时具有更好的性能和稳定性,同时保持良好的敏感性和准确性[17]。

许多研究者探讨了影像学特征与肿瘤转移之间的关系。Lee等和Taghavi等的研究也表明,CT影像组学特征和临床特征可有效预测CRC术后肝转移(AUC分别为0.747和0.86)。Becker等纳入165例患者的研究发现,全肝CT纹理分析可预测≤6个月内发生肝转移风险的患者(AUC 0.74),但对更晚期阶段则无预测价值[18]。这些发现提示,在CRC诊断时无明显肝脏受累的患者中,异时性转移可能随微环境变化而发生。我们的研究主要关注CRC特征而非肝脏特征,一些研究表明原发CRC肿瘤的异质性与CRC肝转移的侵袭性相关,并可预测其发生可能性。临床特征与影像组学特征的结合有助于理解结直肠肿瘤及其周围微环境的异质性。鉴于结直肠癌转移的更好诊断,我们强调最大化的稳定性和泛化能力,并更准确地诊断遗漏潜在危及生命疾病的风险[17]。在各种类型的癌症中,有充分证据表明肿瘤在转移过程中的代谢状态不断适应微环境[19, 20]。在Liu等和Shu等的研究中,从原发直肠肿瘤磁共振图像获得的影像组学特征可预测同时性肝转移[21, 22]。

异时性肝转移显著影响结直肠癌(CRC)患者根治性结直肠切除术后的预后。既往研究已确定年龄、TNM分期和肿瘤标志物(CEA和CA19-9)是结直肠转移的临床危险因素[23–28]。Hao等利用临床数据建立了一种新型列线图,其AUC为0.786,验证AUC为0.784,对异时性肝转移具有良好的区分效果。尽管这些因素具有良好的预测性能,但它们无法准确判断阴性肿瘤的临床分期或大小,也无法解决列线图在影像组学研究中的滞后性问题[29]。其他因素也可能使CRC易于发生异时性肝转移,包括组织微环境的变化和肿瘤异质性[30]。在本研究中,我们使用了逻辑回归和随机森林分类,这是非常常见且被广泛研究的机器学习模型。对于肝转移的预测,与仅由临床特征组成的模型相比,通过逻辑回归训练的模型显示了在临床特征中加入影像学特征的重要性。

在本研究中,LASSO分析(L1正则化)和t检验从1051个影像组学特征中识别出14个特征性影像组学特征,包括三个原始图像特征和十一个小波图像特征。肿瘤大小是腹部CT特征中风险分层的重要预测因子。最大肿瘤直径和形状与转移风险呈正相关。一阶统计特征反映ROI中灰度值的离散程度。肿瘤的恶性程度越高,离散程度越大。Cambria等的研究表明,转移潜能与瘤内环境密切相关[31]。高阶纹理特征反映图像纹理在空间和距离等综合信息中的不均匀分布。这提示具有高恶性潜能的肿瘤具有复杂的内部结构,且更易出现异质性。

本研究具有一定的优势。首先,与既往研究不同,本研究获取了与肝功能和CRC复发相关的临床数据。其次,分割基于肿瘤的整个三维体积,并使用机器学习算法提取影像组学特征,以最大化挖掘图像背后的潜在信息并识别具有最高预测价值的特征。随机森林无需特征选择即可处理高维数据,具有很强的抗过拟合能力,并能检测特征之间的交互作用。

我们的研究也存在一些局限性。首先,本研究为回顾性单中心设计,未来需要开展前瞻性多中心研究。其次,作为一项数据集有限的回顾性研究,可能存在选择偏倚和未知混杂因素。尽管我们通过采用严格的纳入标准来尽量减少选择偏倚,但仍无法排除可能影响结果的未知混杂因素。第三,在本研究中,样本主要来自同一地区,这种人口学和地理分布的不均衡可能限制了模型对不同地区和种族等人群特征的理解。为减轻这种潜在偏倚的影响,我们将在未来研究中采用更广泛的样本选择策略,以确保不同地区和人群得到充分代表。

总之,本研究发现,使用RL算法纳入基于CT的影像组学特征和临床特征的模型,在预测CRC患者肝转移方面优于单独的影像组学模型或临床模型。

补充信息

电子补充材料

引用

  1. Jing HH, Hao D, Liu XJ, et al. Development and validation of a radiopathomics model for predicting liver metastases of colorectal cancer. Eur Radiol. 2024. PMID: 39621056. doi:10.1007/s00330-024-11198-1
  2. 全文:PMC12081500(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12081500/

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。