掌握肺癌CT影像组学研究:从研究设计到批判性评价的实用指南
本文是一篇面向早期职业研究者的方法学指南,系统阐述了肺癌CT影像组学从研究设计、图像采集、分割、特征提取到批判性评价的完整工作流程。指南强调现有研究存在方法不统一、缺乏可重复性和验证等问题,并参考影像组学质量评分(RQS)和影像生物标志物标准化倡议(IBSI)等标准提出实用建议。
要点
- 肺癌CT影像组学需关注呼吸运动、肺不张、组织学异质性等独特挑战对分割和特征稳定性的影响。
- 图像采集参数(层厚、对比剂、重建算法)和分割方法差异是特征变异的主要来源,应在研究中记录并尽量标准化。
- 影像组学质量评分(RQS)v1.0为16分框架,v2版将扩展为36分并涵盖深度学习特征。
核心结论
- 尽管肺癌影像组学研究数量激增,目前仍无广泛接受的影像组学生物标志物,主要归因于方法学、数据分析和研究解读的局限。
- 本指南提出了从研究设计到批判性评价的更完整影像组学工作流程,旨在支持产生高质量研究。
研究设计与样本
- 本文为方法学指南,由包括早期职业研究者在内的作者团队撰写,聚焦肺癌CT影像组学。
- 指南参考了影像组学质量评分(RQS)v1.0(16分框架)、影像生物标志物标准化倡议(IBSI)和国际共识标准。
- 工作流程已应用于本机构两个接受根治性放疗的非小细胞肺癌(NSCLC)队列:一个回顾性真实世界队列和一个前瞻性多组学生物标志物研究队列。
诊断标准与关键数值
- 传统手工影像组学特征分为形态/形状、一阶/强度、二阶/纹理三类。
- RQS v1.0为16分框架,评估方法学、分析和统计报告;第二版将包含更广泛的36分框架并允许评估深度学习和手工特征。
- IBSI旨在标准化关键命名和特征定义,包括特征提取和图像处理方法的基准测试,已被领先研究机构采用。
临床应用与阅片要点
- 图像采集应记录成像模态、机构、扫描仪类型、呼吸周期相关图像类型,以及CT层厚、像素大小、灰度分辨率、峰值管电压和管电流。
- 可采用影像体模分析扫描间变异并计算校正因子,或仅纳入对成像协议和扫描仪变化稳定的影像特征。
- 分割应遵循既定指南和图谱(如SABR UK Consortium),使用标准化命名和定义,并记录质量保证流程。
- 图像处理应遵循IBSI指南的系统性方法,记录处理步骤、调整及理由,并记录软件名称和版本。
- 多扫描分析时需考虑每张扫描的ROI定义方式,可分别分割或通过软组织/骨性标志匹配转移分割。
局限性
- 原文指出大多数肿瘤类型缺乏测量重测精度的技术验证研究。
- 原文指出将特定抽象影像特征与生物学过程联系起来的理论基础较难理解。
- 原文指出整合临床和生物学数据的研究有限,难以比较影像组学特征与已知预测因子的表现。
- 原文指出目前尚无完全自动化的分割方法被验证可用于临床,仅应在学术研究中使用。
- 原文指出图像合成算法能否生成适合影像组学分析的图像尚待观察。
全文中译20 节 · 点击展开
引言
肺癌是全球癌症相关死亡的主要原因。1尽管诊断和治疗不断创新,但结果仍令人失望,许多患者在接受根治性治疗后出现治疗失败。2治疗包括手术、放疗和药物治疗,并根据癌症分期和患者体能状况提供。3I-III期疾病且体能状况良好的患者可接受以手术或放疗为基础的根治性治疗。多模式方法可改善局部和远处控制率,尽管其与更高的毒性发生率相关。4因此,提供个性化精准医疗的目标仍未实现。5
肺癌患者常规进行CT扫描,重点是识别和表征原发性肺部、淋巴结和转移性病变,并量化尺寸和体积的变化。由于图像是3D灰度数据,可以对其进行挖掘,这一过程称为放射组学,以提取各种基于图像的特征,描述每个体素中数据的扩散和空间分布。6然后可以将这些特征作为预后或预测生物标志物进行评估。然而,由于研究质量参差不齐、缺乏可重复性、方法非标准化以及临床医生更广泛的认知和接受度有限,它仍然是一种在研究中使用工具。本实用指南旨在通过为早期职业研究人员设计和开展高质量放射组学研究提供支持,来填补文献中的一个重要空白。肺癌CT成像是本指南的重点,因为它是肺癌患者最常进行的扫描,因此有大量可挖掘的数据。此外,还有一些独特的挑战需要考虑,例如患者呼吸引起的运动。
已知既定的基线患者、肿瘤和治疗相关特征与肺癌根治性治疗后的临床结果相关(见补充表1以获取摘要)。7,8然而,这些特征缺乏敏感性,迫切需要开发能够为患者提供个性化治疗的生物标志物。5这包括为围绕治疗预期和显著毒性风险的讨论提供信息。还需要识别哪些患者将从根治性治疗后的巩固药物治疗中获益。尽管有大量已发表的研究,目前尚无广泛接受的生物标志物来指导肺癌患者的根治性管理。5
基于影像的生物标志物和放射组学特征
胸部/腹部CT扫描是肺癌病程中最常进行的成像方式。扫描由放射科医生分析,他们报告先验的定性特征和简单的定量测量。大量复杂的定量成像数据未被测量,其意义也未得到充分确立。通过识别基于影像的生物标志物,有机会提高常规获取的CT扫描的效用。
放射组学研究当前的爆发式增长可追溯至2012年,当时Lambin等9描述了特征分析如何应用于多步骤工作流程或流水线。9 Delta放射组学描述了对来自不同时间点的两次或多次扫描进行分析,并允许评估扫描间特征变异。不同模态的扫描也可以一起分析。已开发出两种主要的图像分析和特征提取方法:
传统方法从扫描中提取潜在数百至数千个预先确定的或手工制作的特征。10特征分为三类:形态学/形状、一阶/强度、二阶/纹理(汇总于表1)。提取的特征被分组在一起,以评估与所选临床特征或结局的关联。
无特征方法整合深度学习(DL)算法来提取与预定义临床特征或结局相关的“发现的”或学习到的特征。11 DL技术,如卷积神经网络,常被使用,与传统方法相比不需要明确的手工特征工程。12
与其他新型生物标志物技术相比,放射组学具有若干明显优势。它高度自动化、无创,并利用常规影像。5,9此外,由于分析的是整个肿瘤,而非活检获取的部分组织,提取的特征可以测量瘤内异质性。13基于这些原因,它具有成本效益、患者可接受且信息量大的潜力。
尽管已发表研究论文数量呈指数增长,目前仍缺乏将放射组学特征整合到临床实践中的信心。这种进展不足是多因素的,包括与方法不一致导致产生不可重复的未验证结果相关的问题。大多数肿瘤类型缺乏技术验证的一些关键方面,如测量重测精度,尽管一些研究开始填补这一空白。14,15虽然瘤内异质性与结局相关的概念具有表面效度,但将特定抽象影像特征与生物学过程联系起来的理由较难理解。整合临床和生物学数据的研究也有限。这使得难以比较放射组学特征与已知预测因子的表现,使解释具有挑战性,并使评估潜在临床应用成为不可能。已识别出若干放射组学综述文章评估了根治性意图肺癌研究的质量。6,16–19大多数纳入的研究基于放疗,未识别出聚焦于外科研究的综述。已识别的反复出现的局限性汇总于表2。
为了标准化影像组学工作流程,国际上已发布共识标准和“操作指南”。20–22 影像组学质量评分(RQS)1.0版是一个16分框架,用于评估方法学、分析和统计报告(汇总于补充表2)。20,23 第二版正在开发中,将包含更广泛的36分框架,并允许评估基于深度学习和手工特征的特征。图像生物标志物标准化倡议(IBSI)是一项国际合作,旨在标准化关键命名和特征定义。21 它包括特征提取和图像处理方法的基准测试,并已被领先的研究机构采用。“操作指南”与肿瘤类型无关,并为工作流程的核心方面提供额外的实践支持。22
应使用指南和综述来支持影像组学研究的设立、结构和评价。然而,工作流程的关键部分并未得到很好的描述。例如,它们对研究设计、队列选择、图像采集、模型构建、验证过程和临床应用的关注有限。
影像组学在肺癌中的前景价值
基于影像组学的影像特征有机会在支持肺癌患者的个体化诊断和管理决策中发挥作用(关键潜在优势汇总于图1)。5,23 这可能包括通过识别相关病理信息(如肿瘤亚型和PD-L1状态)来减少对活检的依赖。24,25 这将在患者因虚弱或肿瘤位置而未进行活检的情况下使患者获益。此外,影像组学可用于更准确地对患者进行分期、预测隐匿性淋巴结转移,并增强或替代某些分期检查的需要。26–28 这反过来可以缩短至确定性管理的时间并减少就诊次数。影像组学特征还可通过预测肿瘤控制率、显著毒性风险、量化增加药物治疗的获益以及为围绕治疗无效性的讨论提供信息来支持临床决策。6,16–19,29
更完整的影像组学工作流程:从研究设计到批判性评价
作者团队(包括早期职业研究人员)发现了文献中的一个空白,即支持缺乏经验的研究人员开展自己的独立影像组学研究。在本文中,我们旨在通过提出一个全面且实用的影像组学工作流程来填补这一空白。我们已将其与现有指南保持一致,但采取了更完整的方法,从研究设计开始,到批判性评价结束(见图2)。重点强调了来自RQS、IBSI和展示方法学的手稿中的相关概念,以展示协同作用、良好实践并供参考。此外,我们选择聚焦于单一成像模态和解剖区域,承认在解释和分析肺癌CT扫描时涉及的不同方法和考虑因素。关键问题如下:
患者特征:许多肺癌患者就诊时伴有其他影像学表现,例如肺不张、肺气肿、纤维化以及既往放疗或手术所致改变。
组织学变异性:肺癌涵盖不同亚型,每种亚型具有不同的生物学行为、影像学特征和治疗反应。
肿瘤范围与位置:肺癌可被正常肺组织包绕,或累及邻近结构如血管和胸壁。此外,局部肺塌陷可遮蔽肿瘤边界,使其难以与周围实变相鉴别。
影像学变异性:采集参数的差异,如层厚、对比剂使用和重建算法,可导致成像方案的变异。
肿瘤运动:呼吸和患者移动可导致影像数据不一致,影响肿瘤可视化、分割和测量准确性。
对分割的依赖性:肿瘤分割方法的变异性,尤其是对于复杂或边界不清的肿瘤,影响测量准确性和可重复性,导致放射组学特征提取的潜在不一致性。
最终目的是支持产生高质量标准化研究,从而对证据基础做出有意义的贡献。为展示该工作流程的适用性,已将其应用于本机构接受根治性意图放疗的非小细胞肺癌(NSCLC)的两个患者队列。其中包括一个回顾性真实世界队列和一个来自前瞻性多组学生物标志物研究的队列。30
研究设计
详细讨论研究设计超出本文范围。然而,我们认为应采取务实且深思熟虑的方法以产生稳健的研究成果。因此,这是早期职业研究者应积极参与的过程。有多种研究设计指南可供参考,包括一篇发表于《Journal of Thoracic Oncology》的肺癌特异性指南。31,32 为补充这些指南,我们反思了自己和他人的放射组学研究,并构建了一份我们认为必须考虑的清单(见表3)。其中包括关键要求,如与患者倡导者和相关专家接触,以及设定适当且有效的研究问题。确定研究队列和患者采样方法将受研究问题、研究目的、数据可得性、资金和研究时间表的影响。
数据收集与研究分析
一旦考虑了上述方面并完成了治理程序,便可继续进行数据收集和研究分析。步骤(如图2所示)包括以下内容:
图像采集、特征变异性与重测实验(RQS 1,3-4)
图像采集是RQS和IBSI所述工作流程的第一步。它描述了进行扫描并以电子方式存储数字成像数据的过程。变异来源包括:(1)采集方案,(2)扫描硬件,(3)对比剂的使用,特别是对于非形状特征35,(4)患者运动,例如呼吸引起的运动。胸部扫描通常在患者自由呼吸下进行。图像在呼吸周期的不同时间点采集(4D),或合并生成复合图像,如最大强度投影。关键文档记录包括成像模态、机构、扫描仪类型以及与呼吸周期相关的图像类型。对于CT扫描,还需记录层厚、像素大小、位灰度分辨率、峰值管电压和管电流。
短时间间隔内的变异性通过重测实验评估。评估肺癌患者诊断性CT与锥形束CT(CBCT)扫描之间特征变化的研究有限,但已在其他癌症类型中进行了评估。14,36 其他重测实验评估了胸部4D-CT扫描呼吸周期不同时间点采集图像之间的稳定性。15,37
减少图像采集特征变异性的方法包括:
图像模体可跨所有扫描仪使用,以分析扫描间变异并计算校正因子。38 实际上,如果从不同机构的多台扫描仪采集图像并进行回顾性分析,这一步骤变得难以执行。因此,图像模体更容易整合到扫描仪数量有限的较小探索性前瞻性研究中。
另一种方法是仅纳入对成像方案和扫描仪变化稳定的成像特征。CT扫描仪之间的特征稳定性已有其他文献描述。39
重测实验可用于评估时间稳定性,例如“影像组学特征”的时间稳定性。
基于深度学习的校正算法也可用于在重建前标准化成像数据。已开发出不同算法,其他研究团队的方法可供综述。40 图像合成算法可改善CBCT扫描的图像质量。41 这是否能生成适合影像组学分析的图像仍有待观察,从这些扫描中提取的影像组学特征需要与从诊断性扫描中提取的特征进行比较。
减少静脉对比剂相关特征变异性的方法包括:
选择排除已使用/未使用静脉对比剂的扫描进行分析。既往研究可能影响这一决定。
或者,分析可侧重于无论是否使用静脉对比剂均表现出稳定性的影像组学特征。然而,似乎尚无任何重要研究对此进行调查。
图像重建(RQS 1,3)
图像重建描述的是将图像采集过程中收集的数据转换为二维和三维图像的过程。这通常使用滤波反投影重建算法来执行,尽管该方法与条纹和噪声伪影相关。42作为替代方案,目前已有迭代重建算法可用,其使用噪声抑制方法来生成更高质量的图像。43选择重建核以锐化特定解剖结构也会影响最终图像。44重建方案和核的选择引入了另一个图像变异来源。
减少重建变异性的方法:
获取源图像采集数据而非重建图像,并使用标准化方案执行图像重建,以确保相同的层厚、像素/体素尺寸和重建方法。
当图像采集数据不可用时,则需要其他方法。这些方法包括平滑滤波器、使用校正因子以及深度学习方法(见图像处理部分)。
排除重建参数超出预设标准的扫描图像。
感兴趣区域分割(RQS 2)
虽然可以分析整个图像,但更常见的是需要识别感兴趣区域(ROI)进行分析。ROI的内容取决于分析目的。例如,ROI可以是用于基因组学或临床结局研究的肿瘤,或用于毒性预测研究的危及器官。手动、半自动和自动分割描述了识别ROI的三种主要方法:
手动分割方法:使用软件在每个二维切片上手动勾画解剖结构以创建三维体积。这是放疗计划过程中不可或缺的步骤,可作为图像报告过程的一部分用于计算体积。在临床环境中,需要经过培训的专家进行操作,耗时较长,且操作者内部和操作者间变异性较高。45计划接受放疗的患者通常会对相关结构进行手动分割,这为分析提供了机会。同行评审和质量保证流程各不相同,因此评估这些流程是否已执行并了解其具体程序非常重要。
半自动分割:描述了将自动化工具与临床医生输入相结合的不同方法。它们通常用于使放疗计划更高效和准确。工具包括插值法,即通过在有意图留的手动勾画二维切片之间的间隙中添加轮廓来补全体积。46其他工具基于现有ROI生成扩大(或缩小)的体积。47尺寸增加(或减少)可以在所有方向上均匀,也可以在每个平面方向上设置不同。还有更复杂的基于算法的工具可用于生成整个体积,例如肺部。48通常,初始阶段需要临床输入以识别地理标志,然后在体积生成后进行编辑或反馈。
自动分割方法:基于算法的工具可以在无监督的情况下独立自动定义感兴趣区(ROI)。47,49 因此,其在操作上具有时间效率。最近一项调查显示,大多数放射肿瘤学家支持将自动化工具安全整合到放疗计划中。50 然而,就目前的形式而言,尚无完全自动化的分割方法经过临床使用验证,应仅在学术研究中使用。
定义感兴趣区(ROI)和标准化命名
ROI需要一致的命名及其内容的定义。这在基于放疗的回顾性研究中可能是一个特殊问题。这是因为在遵循不同的非标准化方案时会引入变异。例如,可见肿瘤可以被标记为宏观肿瘤体积或大体肿瘤体积。当ROI内容未标准化时也会引入变异。例如,在III期非小细胞肺癌(NSCLC)中,分析的体积通常限于原发肿瘤,尽管一些研究包括区域淋巴结转移。这是一个重要的考虑因素,因为某些影像组学特征(如球形度)对是否纳入淋巴结病变敏感。51 然而,其背后的决策过程经常未被记录,因此不清楚这是基于实用性还是生物学推理做出的决定。
调整ROI的一个实际原因是纳入锥形束CT(CBCT)扫描时。在这种情况下,普遍认为由于图像质量较差,应排除淋巴结转移。调整ROI的生物学原因包括在宏观肿瘤周围添加边缘。52 据假设,这一扩展体积代表肿瘤微环境。从该区域提取的特征可以描述影响放疗反应的免疫和血管机制、免疫细胞浸润以及药物递送。
减少或管理ROI分割变异性的方法部分取决于所使用的分割方法:
分割应遵循已建立的指南和图谱,这些指南和图谱定义了解剖标志和边界,例如英国SABR联盟(SABR UK Consortium)制定的那些。53
应使用单一方案定义的标准化命名和定义。
纳入经过验证的自动化或半自动化流程,以产生标准化、可重复的分割。
如果对分割体积进行调整以形成新的ROI,则方案需要说明是否需要进行编辑。例如,如果肿瘤体积被扩展,且新ROI包括胸壁等结构,那么如果仅分析肺实质,这些结构可能需要从ROI中编辑去除;如果肿瘤侵犯构成分析的一部分,则可能需要纳入。
质量保证流程应予以记录。经过本地或外部同行评审流程的手动分割可能比未经评审的分割标准更高。在一些放疗临床试验中,该流程可能由研究方案强制要求。
如果无法进行同行评审或没有一致的记录,则应考虑其他质量保证措施。例如,可以随机抽取一部分扫描图像,并通过不同方法生成第二组感兴趣区(ROI)。这可包括由独立从业人员进行手动分割,或采用替代的半自动或自动方法。然后可以使用组内相关系数(该系数衡量提取特征的变化)和重叠率来计算分割的相似性。54
当进行多扫描分析时,需要考虑如何在每幅扫描图像上定义ROI。每幅扫描图像可以单独考虑,并且需要对每幅扫描图像执行分割过程。对每幅扫描图像进行手动分割(和质量保证)可能耗时较长,因此应考虑前文所述的半自动和自动方法。或者,可以使用软组织或骨性标志匹配将分割从一幅扫描图像转移到另一幅扫描图像。这种方法省时,但会出现ROI位置和大小的变化,而这些变化不会被考虑在内。
图像处理(RQS 1,IBSI指南)
图像处理是一个多步骤过程,旨在通过数据转换、降噪和协调步骤来提高图像质量。9 IBSI描述了一种方法学,这应被视为当前标准——关键步骤总结于表4中。21有不同的图像处理软件可用于执行该过程。所需步骤因成像模态和图像采集过程而异。
减少图像处理变异性的方法:
遵循系统化方法,如IBSI指南所述的方法。
记录处理步骤、所做的任何调整及其依据。
选择使用社区公认的开源软件,例如用于PyRadiomics的3D-slicer插件,确保记录名称和版本。
记录软件名称和版本。
特征提取或计算(IBSI指南)
描述将成像数据转换为可量化特征的过程。有两种方法学途径——传统方法和无特征方法。IBSI为如何执行传统手工特征提取提供了指导,包括用于提取手工特征的额外图像处理方法。21特征按类型分组,例如基于形态学、强度或纹理的特征(总结于表2,更详细的总结见补充表3)。ROI掩膜特征通常基于形态学和强度,以及位置和相对网格距离、特征聚合和距离加权方法。
有不同的特征提取平台可用,虽然有些平台符合IBSI标准,但对于最优选择尚无共识。这些平台包括由各个机构开发的内部软件,因此并非总是可以免费获取,还包括开源和商业平台。比较软件性能和可靠性的研究有限。大多数比较研究使用回顾性队列,并侧重于头颈癌患者的扫描。55,56仅发现三项仅以肺癌人群为对象的研究。57–59一项研究使用三种不同的软件平台构建模型来预测EGFR状态。58选择了不同的特征,提示软件之间的可靠性较差。其他研究目前正在进行中。第一项纳入前瞻性队列,旨在构建不同的影像组学模型来预测临床结局。57第二项是一项回顾性分析,正在使用不同的方法从术前PET-CT扫描中提取特征。59这些特征正与基因突变和循环肿瘤细胞一起分析,以构建预测临床结局的模型。特征提取软件的可靠性因编码错误的发现以及带有更新代码的新版本发布而进一步复杂化。55
无特征提取描述了一种替代方法,使用深度学习(DL)模型(如卷积神经网络)来分析成像数据集。11,12,60与传统影像组学提取预定义的手工特征不同,卷积神经网络用于直接从三维体积成像数据中学习和提取特征。每个网络由识别不同形状、纹理和结构模式的人工神经元组成。网络可以通过以下方式训练:
监督学习:使用带有感兴趣结局标签的成像数据进行配对来训练模型。11
无监督学习:模型在没有预定义标签的情况下学习模式,发现数据集内的潜在结构。11
半监督学习:一种混合方法,使用一小部分标注数据来指导学习过程,同时利用更大规模的无标注数据。11这在医学成像中特别有用,因为获取高质量标注数据集需要大量资源和时间。
此外,DL方法可以通过分析整个成像数据集而无需手动ROI分割来最小化人为参与。12,60这可以减少分割变异性,但也带来挑战,例如确保稳健的数据集标注、计算效率和可解释性。一般来说,基于DL的方法需要大型、标注良好的数据集、计算资源和专业知识。特征通过神经网络的多层逐步学习,可分为三个复杂度递增的层次:
低层特征:在早期网络层中检测到的基本模式,代表边缘、纹理和强度梯度。60
中层特征:通过将低层特征整合为更复杂的表征而形成。60这些中层特征编码结构信息,如形状结构、局部纹理和空间强度模式。
高级特征:在神经网络的全连接层中学习到的复杂、非线性表示,整合了整个感兴趣区(ROI)的信息。60 这些高维特征通常是抽象的,使得解释具有挑战性。为了提高可解释性,可以使用可视化技术(如显著性图,例如Grad-CAM、LIME)以图形方式显示结果,这些技术突出显示影像数据中的ROI,并提供对模型决策过程的见解。61
减少特征提取变异的方法:
使用符合IBSI的开源软件平台,确保记录名称和版本。PyRadiomics和MATLAB是最常用于从接受放疗的肺癌患者CT扫描中提取特征的工具。17,62
考虑使用多个符合IBSI的软件平台评估提取特征的可靠性。
确保报告特征计算超参数,并在可能的情况下与不同软件包中使用的常见默认值进行统一。
使用指南(如IBSI发布的指南)确保标准化命名和特征提取方法。
避免使用已显示低可重复性的特征,如IBSI所识别的那些特征。
RQS 2.0(开发中)将包含关于手工特征和深度学习特征提取的进一步指导。20 发布后,它将推广“FUTURE-AI”(公平性、普遍性、可追溯性、可用性、鲁棒性和可解释性)方法,该方法应就如何减少特征提取变异提供进一步指导。
统计分析和显著性判定(RQS 4-10,IBSI指导)
进行统计分析以识别提取特征与结局之间的关联。TRIPOD声明是一个22项清单,可用于支持医疗保健中预测模型的开发。63 其中一些步骤由RQS和IBSI重点强调。关键步骤总结于表5。
研究分析和模型部署(RQS 7,12-16)
模型部署允许使用未见队列在不同设置中评估性能。它还允许研究人员突出重要结果、讨论其发现的更广泛影响并提出未来方向。
结果的外部验证
使用独立患者队列量化系统误差。80,83 可以计算混淆矩阵和评估指标以评估模型是否真正有效且可泛化。评估指标是基于真/假阳性/阴性率的复合指标,包括准确率、召回率和精确率。多个独立队列更可取,可以是前瞻性、回顾性、真实世界登记或其他研究的队列。尽管这是模型开发中不可或缺的一步,但很少被执行。这是由于获取适当队列的挑战。未证明有效性的模型仍应报告,以供未来研究参考。
马斯特里赫特的一个研究小组在对锥形束CT(CBCT)进行回顾性研究时强调了这一点的重要性。84 利用I-IV期非小细胞肺癌(NSCLC)患者构建了临床结局的预测模型,并使用三个独立数据集进行验证。令人失望的是,他们未能验证其模型。他们强调异质性采样、图像采集差异和分割技术是造成这一结果的原因。尽管结果阴性,本文仍可作为如何开展纵向CBCT影像组学分析的方法学范例。
基础影像组学科学的转化
传统上,生物标志物研究由临床前实验驱动,使得在转化和验证之前能够描述作用机制。一组体素能够描述潜在微观信息这一概念并非没有批评者。因此,应努力将影像组学生物标志物与潜在细胞过程建立生物学联系,而非依赖黑箱式的分析方法。85 这使研究人员能够:(1) 加强已识别的影像组学生物标志物与结局之间的关联,(2) 在研究界和临床界获得更广泛的认可,(3) 使影像组学研究更符合其他生物标志物学科所采用的报告和评价标准。86
临床背景、实用性及与金标准的比较
讨论结果时应考虑研究目的,以及当前疾病和治疗格局,是否与金标准进行了比较。这提供了重要的背景信息,并促进围绕临床实用性和统计效能的讨论。重要的是,即使发现了显著性,也不要夸大非效能检验的结果。此外,这提供了一个突出研究优势和劣势的机会。患者报告结局指标(PROMs)可用于增强围绕患者体验和症状的讨论。在讨论影响力时,患者和公众参与(PPI)视角对于确保相关性可能具有不可估量的价值。最终,讨论需要为未来以患者为中心的研究提供明确的指引。
成本效益分析
由于影像组学分析使用标准诊疗影像且可高度自动化,它具有高度成本效益的潜力,且患者不便极小。在讨论临床应用时,必须考虑财务、时间和资源成本/节约。应强调任何明确的获益,以突出研究的实际意义。当代医疗成本急剧增加,使得资助昂贵的新干预措施更具挑战性。医疗资助方依赖复杂的成本效益计算,其中包括生活质量等额外维度,这些通过PROMs收集。如果收集了这些数据,那么具有卫生经济学知识的专家可以确定展示数据的最佳方法。他们还可以参与围绕医疗成本复杂性及影像组学模型潜在影响的讨论。
发表、开放科学与信息共享
开放科学和开放数据是确保肺癌研究界能够以最小障碍且不受版权限制地便捷获取研究的关键概念。它可以涵盖研究过程的各个方面,包括研究方案、方法学、原始数据、统计分析和软件代码。透明度和协作工作使其他研究小组能够更公开地评估和验证研究产出。此外,信息共享和公开讨论鼓励合作工作以及研究网络的发展。
讨论
本实用指南面向早期职业研究者,以批判性视角撰写,考虑了现有研究的局限性。它全面审视了当前格局,同时深入探讨了未来方向。它补充了现有指南,提供了更全面的工作流程,旨在解决常见问题并提高质量。此外,它引入了一种整体性方法,重点关注患者和利益相关者的参与,设定相关临床问题,并对研究产出采用更审慎的实用方法。
尽管已发表了大量研究,但一种被广泛接受的、用于指导肺癌管理的放射组学生物标志物尚未出现。5 既往研究的局限性已被讨论,此外,对有形的临床适应证的讨论往往有限。使用检索词“肺癌”和“放射组学”在clinicaltrials.gov上检索,确定了15项注册研究(汇总见补充表4)。其中8项研究包含前瞻性队列,57,87–93 而仅4项从多个机构招募患者。59,88,92,94 未检索到由放射组学驱动的、招募肺癌患者的随机研究。当使用检索词“癌症”和“放射组学”并筛选干预性研究时,鉴定出一项招募肉瘤患者的干预性研究。HEAT试验正在使用基于MRI的缺氧放射组学模型为诊断为肉瘤的患者提供适应性放疗。95 将探索性放射组学研究转化为干预性研究的进展缓慢,这表明了对当前已发表研究缺乏信心,并凸显了采用更标准化方法的重要性。
具体到肺癌,存在与呼吸运动引起的运动相关的独特挑战。目前,很少有研究分析在呼吸周期中采集的CT图像上的特征稳定性,并比较放疗期间进行的诊断性胸部CT与CBCT之间的稳定性。因此,需要进一步研究以加深我们对放射组学特征的时间和空间稳定性及可重复性的理解。
我们鼓励早期职业研究者在规划和开展研究时采纳本实用指南中描述的方法。我们支持对方法的持续讨论和完善,这应通过协作努力、信息共享文化和遵循最佳实践来推动。此外,我们预期自动化流程将获得更广泛的接受和依赖,以提高效率。正是通过产出高质量、透明的研究,才能建立对已识别放射组学特征的信心,最终推进其在实现个性化医疗目标中的潜在作用。
补充材料
引用
- Horne A, Abravan A, Fornacon-Wood I, et al. Mastering CT-based radiomic research in lung cancer: a practical guide from study design to critical appraisal. Br J Radiol. 2025. PMID: 40100283. doi:10.1093/bjr/tqaf051
- 全文:PMC12012345(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12012345/
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。