文献速递泌尿生殖腹部CT

基于深度学习特征的模型用于CT图像术前预测膀胱尿路上皮癌淋巴血管侵犯

Deep learning feature-based model for predicting lymphovascular invasion in urothelial carcinoma of bladder using CT images.
PubMed 文献 · Insights Imaging · 2025-05-18

本研究回顾性纳入4个医疗中心577例膀胱尿路上皮癌患者,利用术前肾脏期CT图像最大肿瘤切片训练6种CNN模型,并以ResNet50为基础构建堆叠集成深度学习模型;ResNet50模型在验证集AUC为0.818、测试集AUC为0.708,结合临床危险因素的联合模型验证集AUC为0.794、测试集为0.767。

要点

  • 模型输入为术前肾脏期CT横断、冠状、矢状面最大肿瘤切片,ResNet50分支表现最优。
  • ResNet50堆叠模型验证集AUC 0.818(0.714, 0.922),测试集AUC 0.708(0.563, 0.853)。
  • 联合模型验证集AUC 0.794(0.682, 0.906),测试集AUC 0.767(0.635, 0.899)。

核心结论

  • 基于CT深度学习特征的堆叠集成模型可术前预测膀胱尿路上皮癌淋巴血管侵犯状态,提供无创、低成本工具辅助临床制定个体化治疗策略。

研究设计与样本

  • 回顾性收集4个医疗中心2013至2023年间接受根治性膀胱切除术且病理确诊的膀胱尿路上皮癌患者577例,中心1(398例)为训练集,中心2(39例)与中心3(56例)为验证集,中心4(84例)为测试集。
  • 采用术前20天内增强CT的肾脏期图像,以横断、冠状、矢状面最大肿瘤切片训练InceptionV3、DenseNet121、ResNet18、ResNet34、ResNet50与VGG11六种CNN模型并提取深度学习特征。
  • 以病理报告确认的淋巴血管侵犯状态为参考标准,经PCA降维至64个成分、SMOTE过采样、LASSO筛选及Pearson相关分析(阈值0.8)后,用决策树、XGBoost与LightGBM以5折交叉验证构建堆叠集成模型。
  • 通过单因素和多因素logistic回归筛选临床危险因素并构建临床模型,再将临床危险因素与深度学习评分经logistic回归构建联合模型。

关键影像表现/征象

  • Grad-CAM显示各深度学习模型主要关注肿瘤边界和内部区域,ResNet50的注意区域更合理。
  • 部分模型的高注意力(红色)区域偶尔出现在周围黑色背景,提示模型注意力可能存在错位。

诊断标准与关键数值

  • ResNet50堆叠模型验证集AUC 0.818(0.714, 0.922)、ACC 0.779(0.775, 0.782)、敏感度0.818、特异度0.767;测试集AUC 0.708(0.563, 0.853)、ACC 0.786(0.782, 0.790)、敏感度0.533、特异度0.841。
  • 联合模型验证集AUC 0.794(0.682, 0.906)、ACC 0.832(0.829, 0.834)、敏感度0.591、特异度0.904;测试集AUC 0.767(0.635, 0.899)、ACC 0.738(0.734, 0.743)、敏感度0.800、特异度0.725。
  • 临床模型验证集AUC 0.776(0.667, 0.875),测试集AUC 0.665(0.471, 0.855)。
  • 以Youden指数最大处确定深度学习评分最佳截断点。
  • 病理T分期、病理N分期、肿瘤位置、组织学分级和肿瘤生长方式与淋巴血管侵犯显著相关(p < 0.05),其中病理T分期、肿瘤位置和肿瘤生长方式为独立危险因素。

临床应用与阅片要点

  • 模型基于术前肾脏期CT,可在术前无创提示淋巴血管侵犯状态;作者认为模型预测阳性时可指导根治性膀胱切除术中更细致广泛的淋巴结清扫。
  • 作者认为联合模型结合术后临床特征与深度学习模型可提供更准确诊断,在需要时指导膀胱内灌注和化疗管理。
  • 作者指出免疫组化染色是淋巴血管侵犯病理检测的金标准,但昂贵耗时,且不适用于术中冰冻切片检查和经济欠发达地区。
  • 作者认为深度学习模型在这些情况下可为临床医生提供及时、低成本的决策支持工具。

局限性

  • 本研究为回顾性研究,不可避免地引入选择偏倚和隐藏混杂因素。
  • 本研究纳入4个独立机构,但地区有限,模型的泛化能力需在其他区域数据集上进一步验证。
全文中译14 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:Insights Imaging. 2025 May 18;16:108. doi: 10.1186/s13244-025-01988-6

引言

膀胱癌是全球第十大常见癌症,每年约有573,000例新发病例和213,000例死亡[1]。尿路上皮癌约占膀胱癌的95%[2]。淋巴血管侵犯(LVI)与膀胱尿路上皮癌(UCB)的预后密切相关。多项研究已确定LVI是膀胱癌复发、癌症特异性生存和总生存的独立预测因素[3–5]。肿瘤中存在LVI提示更高的侵袭潜能[6, 7]。

膀胱癌的病理报告应包括LVI状态: absent(不存在)、present(存在)或indeterminate(不确定)[8]。使用常规苏木精-伊红(HE)染色准确识别LVI具有挑战性。金标准是使用内皮标志物如CD31和CD34的免疫组织化学(IHC)染色[9]。然而,IHC染色耗时且昂贵[8],在时间紧迫的情况和经济欠发达地区不切实际。因此,开发基于术前影像的AI模型以实现LVI的快速诊断是非常必要的。

随着技术的进步,AI在医学中得到了广泛应用,前景广阔[10, 11]。影像组学是AI应用的主要领域之一,为临床医生提供医学图像中可能无法用肉眼观察到的特征,从而帮助他们更准确地诊断疾病和判断预后[12, 13]。多项研究已应用影像组学预测各种肿瘤的LVI状态[14–17]。然而,据我们所知,目前仍没有基于CT的模型用于预测UCB的LVI状态。

传统影像组学方法通过经典图像处理技术(如滤波、纹理分析和形态学分析)从图像中提取大量定量特征。这些特征包括形状、边缘、纹理和强度分布。传统方法通常依赖于手动提取特征,研究人员必须根据其经验选择合适的特征[12, 18]。这一过程不仅耗时,而且容易受到主观影响,可能遗漏一些重要特征。相比之下,深度学习,尤其是卷积神经网络(CNN),可以自动从图像数据中学习和提取特征。它能够识别难以手动捕捉的复杂模式,从而提高特征提取的效率和准确性[19, 20]。自动学习到的特征通常比人工设计的特征更具代表性和鲁棒性,能够更好地捕捉图像中的复杂模式。因此,深度学习在许多应用场景中提供更高的预测准确性和可靠性。

考虑到上述因素,我们开发了一种基于深度学习特征的模型,使用术前CT图像来预测UCB患者术后病理LVI状态。

方法

患者

本研究经伦理批准(K2024-187-01),豁免知情同意。本研究遵循CLEAR清单指南[21]。我们回顾性收集了来自四家医疗机构接受根治性膀胱切除术并经病理确诊的UCB患者数据。研究时间段为:中心1(重庆医科大学附属第一医院)2013年至2023年,中心2(重庆医科大学附属永川医院)2016年至2023年,中心3(重庆医科大学附属第二医院)2013年至2023年,中心4(重庆大学附属三峡医院)2013年至2022年。纳入标准为:(1)病理确诊为尿路上皮癌,(2)行根治性膀胱切除术,(3)术前20天内行增强CT扫描。排除标准为:(1)LVI状态不明确;(2)接受新辅助化疗;(3)合并其他恶性肿瘤;(4)CT数据缺失或不符合要求;(5)临床信息不完整。共纳入577例患者,其中中心1(n = 398)为训练集,中心2(n = 39)和中心3(n = 56)为验证集,中心4(n = 84)为测试集。纳入和排除流程图见图1。

图1 患者招募过程的详细流程图。UCB,膀胱尿路上皮癌;LVI,淋巴血管侵犯 查看原图 ↗

临床和病理数据

从电子病历系统收集临床和病理数据,包括年龄、性别、病理TNM分期和病理分级。病理肿瘤分期依据美国癌症联合委员会分期手册(第8版)。所有UCB患者的LVI状态均由病理报告确认。

图像采集

CT扫描图像从图像归档和通信系统(PACS)下载,并以原始医学数字成像和通信(DICOM)格式保存。收集肾实质期(NP)CT图像用于后续分析。不同中心的详细CT成像参数见补充表S1。

患者和CT形态学特征

记录所有患者的基本信息。两名放射科医师独立且回顾性地判读本研究纳入的所有CT图像,并对其他患者信息设盲。分歧通过讨论解决。记录的特征包括(多发肿瘤时取最大者):(1)最大直径(cm),(2)肿瘤数目(单发或多发),(3)肿瘤边缘(清晰或模糊),(4)肿瘤位置(左侧壁、右侧壁、前壁、后壁、顶壁、膀胱颈),(5)肿瘤生长方式(向膀胱壁内生长或突入膀胱腔),(6)钙化(有或无)。

图像预处理和感兴趣区分割

CT图像以窗位30、窗宽250进行标准化。采用线性插值法将CT图像重采样至体素大小0.7 × 0.7 × 0.7 mm。两名经验丰富的放射科医师使用ITK-SNAP软件(v.4.0.0;http://www.itksnap.org)在CT图像上沿膀胱癌边缘勾画感兴趣区(ROI)。ROI勾画差异由两名放射科医师讨论解决。

深度学习模型构建

分别从3D掩模的横断面、冠状面和矢状面中选取最大的肿瘤切片,去除背景并仅保留肿瘤掩模区域。将训练集中的所有横断面、冠状面和矢状面切片分别输入CNN模型进行训练。每个维度的模型在训练过程中作为独立分支分别优化网络参数。

本研究用于迁移学习的深度学习模型包括InceptionV3、DenseNet121、ResNet18、ResNet34、ResNet50和VGG11。这些模型在ImageNet数据集上进行了预训练以获得初始权重。在模型训练方面,InceptionV3的输入尺寸调整为299 × 299像素,其他CNN模型为224 × 224像素,所有图像均进行z-score归一化。采用了数据增强策略,包括随机水平和垂直翻转。训练过程中,CNN模型的参数通过反向传播迭代更新,采用交叉熵损失函数。学习率设为0.01,使用随机梯度下降(SGD)优化器更新参数。批量大小设为64,并采用L2正则化和早停策略以防止过拟合。训练在NVIDIA 4090D(24G)上进行。详细的模型训练过程见补充材料。

在对深度学习模型进行迁移学习训练后,从模型的最后一个平均池化层提取深度学习特征。使用梯度加权类激活映射(Grad-CAM)进行模型可视化,使模型的决策过程更加透明并研究其可解释性。利用CNN最终卷积层的梯度进行加权融合,获得突出分类重要区域的类激活图。

将从三个平面的模型中提取的特征通过计算均值进行融合。融合特征随后按以下步骤处理。首先,对训练集应用主成分分析(PCA)将特征维度降至64个成分。随后对验证集和测试集应用相同的PCA变换,确保所有数据集降维的一致性。其次,对训练集执行合成少数类过采样技术(SMOTE)以解决类别不平衡问题[22]。第三,对特征进行归一化。第四,我们应用LASSO进一步选择特征。最后,我们使用Pearson相关分析(阈值 = 0.8)去除高度相关的特征。基于所选特征,在训练集上使用5折交叉验证构建决策树、XGBoost和LightGBM模型。采用堆叠集成学习技术,将每折中三个模型的预测结果作为元模型(逻辑回归)的输入特征,从而得到最终的堆叠集成模型。详细的模型构建过程见图2。

图2 预测模型开发的工作流程图。选取横断面、冠状面和矢状面中最大的肿瘤切片用于训练CNN模型(InceptionV3、DenseNet121、ResNet18、ResNet34、ResNet50和VGG11)。Ft,从横断面提取的特征;Fc,从冠状面提取的特征;Fs,从矢状面提取的特征 查看原图 ↗

临床模型与联合模型构建

采用单因素逻辑回归分析筛选p < 0.05的临床特征。随后对单因素分析确定的临床特征进行多因素逻辑回归分析,以确定临床数据中潜在的LVI危险因素,p < 0.05认为差异有统计学意义。基于上述LVI临床危险因素,采用逻辑回归算法构建临床模型。通过逻辑回归算法,利用临床危险因素和堆叠模型预测值(DL评分)构建联合模型。

统计学方法

采用曲线下面积(AUC)、准确率(ACC)、灵敏度和特异度评估模型性能。采用决策曲线分析衡量模型的临床实用性。统计分析使用SPSS(版本25.0)和R(版本4.4.0)进行。基线分析中的连续变量和分类变量分别采用单因素方差分析和卡方检验进行分析。采用Delong检验比较AUC,p < 0.05表示差异有统计学意义。绘制受试者工作特征曲线,计算约登指数(约登指数 = 灵敏度 + 特异度 − 1)以确定DL评分的最佳截断点,约登指数最大处即为最佳阈值。

结果

患者特征

患者的基线临床特征见表1。本研究纳入的577例患者中,年龄范围为30至90岁(平均66.08岁),其中男性509例(88.2%),女性68例(11.8%)。各组间临床特征相似。在所有患者中,87例(15.1%)为LVI阳性。训练集中50例(12.6%)为LVI阳性。验证集中22例(23.2%)为LVI阳性,测试集中15例(17.9%)为LVI阳性。

表1 三组患者的基线临床特征 查看原表 ↗

深度学习模型性能

经过图像预处理和数据增强后,本研究共纳入2925张图像。其中,2388张图像分配用于模型训练,285张图像用于模型验证,252张图像留作外部测试以评估模型的泛化能力。我们基于深度学习特征训练了多个集成模型,利用术前CT图像预测UCB的LVI状态。通过迁移学习训练的ResNet50深度学习模型的整体性能参数优于其他深度学习模型。在验证集中,基于ResNet50网络的堆叠机器学习模型的AUC为0.818(0.714,0.922),ACC为0.779(0.775,0.782),灵敏度为0.818,特异度为0.767。在测试集中,AUC为0.708(0.563,0.853),ACC为0.786(0.782,0.790),灵敏度为0.533,特异度为0.841。各模型的性能见表2和图3。

所有深度学习模型的Grad-CAM见图4,表明深度学习模型主要关注肿瘤边界和内部区域,且ResNet50的关注区域更为合理和优越。

表2 CNN模型的性能比较 查看原表 ↗
图3 不同深度学习模型在(a)训练集、(b)验证集和(c)测试集中的受试者工作特征曲线 查看原图 ↗
图4 所有深度学习模型在CT图像三个维度的LVI阳性和阴性样本中的关注区域 查看原图 ↗

临床模型和联合模型的性能

对临床特征进行单因素和多因素logistic回归分析。病理T分期、病理N分期、肿瘤位置、组织学分级和肿瘤生长方式与LVI显著相关(p < 0.05),如表3所示。在这些因素中,病理T分期、肿瘤位置和肿瘤生长方式被确定为LVI的独立危险因素。

基于临床危险因素,使用logistic回归算法构建了临床模型。在验证集和测试集中,临床模型的AUC分别为0.776(0.667,0.875)和0.665(0.471,0.855)。更详细的模型性能见补充表S5。

基于临床危险因素和DL评分,使用logistic回归算法构建了联合模型。在验证集中,联合模型的AUC为0.794(0.682,0.906),ACC为0.832(0.829,0.834),灵敏度为0.591,特异度为0.904。在测试集中,AUC为0.767(0.635,0.899),ACC为0.738(0.734,0.743),灵敏度为0.800,特异度为0.725。模型的性能见表4和图5。

表3 临床特征的单因素logistic回归分析和多因素logistic回归分析 查看原表 ↗
表4 DL模型与联合模型的性能比较 查看原表 ↗
图5 DL模型和联合模型分别在(a)训练集、(b)验证集和(c)测试集中的受试者工作特征曲线。DL,DL模型(基于ResNet50的堆叠模型) 查看原图 ↗

讨论

LVI的存在显著影响癌症患者的预后。大量研究表明,LVI是膀胱肿瘤的独立预后因素和生物标志物[23–25]。此外,LVI的重要性已在多种类型的癌症中得到研究;LVI独立影响低分期宫颈鳞状细胞癌的局部区域复发和转移以及所有肿瘤的疾病特异性死亡率[26];LVI在浅表性食管癌的预后预测中发挥关键作用[27];LVI的存在是宫颈鳞状细胞癌患者的预后标志物[28];LVI已被确定为胃癌患者的独立预后因素[29]。

在这项多中心研究中,我们提出了一种基于深度学习特征的集成学习模型,利用术前CT图像预测UCB患者的LVI状态。与其他模型相比,本研究构建的ResNet50深度学习模型对UCB中LVI状态表现出良好的判别能力。尽管基线分析中的一些临床特征在三组之间具有统计学差异,这可能是由于人口学差异所致,但DL模型在不同数据中保持稳定,进一步证明了其稳健性(AUC = 0.818 [0.714, 0.922];0.708 [0.563, 0.853])。与临床模型(表S5)相比,DL模型在验证集和测试集中均表现出更好的性能和更强的泛化能力。

在六个深度学习模型中,模型的性能排序遵循以下模式:ResNet50 > ResNet34 > ResNet18,表明随着模型深度的增加,性能逐渐提升。ResNet模型(ResNet18、ResNet34和ResNet50)引入了带有跳跃连接的残差块,缓解了更深网络中的梯度消失问题。随着深度增加,模型获得了学习更复杂和细粒度特征的能力。因此,ResNet50比ResNet34和ResNet18具有更多层数,能够捕获更多种类的数据模式,增强泛化能力并获得更优性能。如图4所示,模型主要关注肿瘤的边界和内部;偶尔在周围黑色背景中出现高关注区域(红色),提示模型的注意力可能存在错位。然而,没有任何模型能够保证其注意力在任何情况下都完全对准目标区域。

应用SMOTE后,深度学习模型的性能总体下降(表S3),我们认为这是消除类别不平衡所致偏差的结果。然而,经过SMOTE处理后,模型的校准曲线更接近对角线(图S3、S5),表明SMOTE对模型校准有积极作用。应用SMOTE后,模型在临床上更可靠,并显示出更好的临床实用性。

放射组学可以从医学图像中提取和分析高通量定量数据,为识别肿瘤生物学行为提供无创工具。近年来,越来越多基于CT或MRI的放射组学模型被用于预测肿瘤患者的LVI状态。Du等[15]开发了一种基于超声的放射组学模型,用于术前预测浸润性乳腺癌患者的淋巴血管侵犯。Liu等[16]开发了一种深度学习模型,用于诊断临床分期肺腺癌患者的LVI并预测预后。Wang等[30]建立了一种基于增强CT的机器学习模型,有效预测食管鳞状细胞癌患者的术前LVI状态。这些研究表明,从术前影像和临床特征预测肿瘤LVI状态是可行的。同样,在本研究中,联合模型在预测UCB的LVI状态方面取得了高性能(AUC = 0.794 [0.682, 0.906];0.767 [0.635, 0.899])。联合模型在训练集和验证集上的性能略低于ResNet50,但这一差异无统计学意义。然而,在测试集上,联合模型优于深度学习模型,可能归因于本研究所开发的DL评分的稳定性和高性能。因此,我们认为联合模型既优于也更为稳健于单独的深度学习模型。因此,本研究选择纳入临床因素的联合模型作为最终模型。

此前,Ceachi等[9]开发了一种基于尿路上皮癌病理切片的AI模型用于LVI诊断,但该研究为单中心研究,泛化能力未经证实。然而,本研究涉及四个独立中心,验证了模型的稳健性和泛化能力。此外,我们模型的输入为术前CT图像,排除了手术和标本制备过程可能带来的诊断干扰。

LVI病理检测的金标准是使用内皮标志物的IHC染色,但该方法昂贵且耗时。IHC染色不适用于术中冰冻切片检查,也不适用于经济欠发达地区,在这些地区并非所有患者都能负担该项检查。在这些情况下,我们的深度学习模型为临床医生提供了一种及时且具有成本效益的决策支持工具。

尽管目前没有直接证据证明LVI在淋巴结转移中的作用,但现有研究普遍认为LVI与UCB中的淋巴结转移之间存在强相关性[31]。一些研究表明LVI是UCB淋巴结转移的独立危险因素[32, 33],而另一些研究则表明LVI在淋巴结阴性患者中具有独立预后意义[5, 34–36]。本研究的初步结果表明LVI与UCB淋巴结转移之间存在相关性(单因素逻辑回归中的病理N分期,p < 0.05)。DL模型可辅助外科医生在术前预测LVI状态。当模型预测为阳性结果时,可指导外科医生在根治性膀胱切除术中行更详细和更广泛的淋巴结清扫[31]。联合模型将术后临床特征与DL模型相结合,提供更准确的诊断,在需要时指导医生进行膀胱内灌注和化疗管理。作为一种无创检查工具,DL模型和联合模型可在术前手术规划和术后化疗管理中发挥多重作用,显著辅助医生管理伴有LVI的UCB。

本研究存在一些局限性。首先,这是一项回顾性研究,不可避免地引入了选择偏倚和隐藏的混杂因素。其次,本研究纳入了四个独立机构;然而,地区有限,模型的泛化能力需要在其他区域数据集上进一步验证。

总之,我们开发了一种基于深度学习特征的堆叠集成模型,可利用CT图像术前判断UCB患者的LVI状态。该模型提供了一种无创、具有成本效益的工具,可帮助临床医生为患者制定个性化医疗策略。

补充信息

电子补充材料

引用

  1. Xiao B, Lv Y, Peng C, et al. Deep learning feature-based model for predicting lymphovascular invasion in urothelial carcinoma of bladder using CT images. Insights Imaging. 2025. PMID: 40382748. doi:10.1186/s13244-025-01988-6
  2. 全文:PMC12086130(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12086130/

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。