文献速递腹部泌尿生殖MRCT

可解释的多模态影像组学用于直肠癌肝转移早期预测:一项多中心研究

Explainable multi-modal radiomics for early prediction of liver metastasis in rectal cancer: a multicentric study.
PubMed 文献 · Insights Imaging · 2025-06-27

本研究为回顾性多中心研究,纳入431例病理确诊直肠癌患者,从直肠MRI及转移前全肝CT提取影像组学特征,构建融合模型预测3年内肝转移。融合模型训练组AUC 0.85(95%CI 0.80-0.90),内部验证组0.75(95%CI 0.64-0.86),外部验证组0.73(95%CI 0.61-0.85),风险评分对无肝转移生存有独立预后价值。

要点

  • 融合直肠原发肿瘤MRI与转移前全肝CT影像组学特征可提升直肠癌肝转移预测效能。
  • 融合模型训练组AUC 0.85,内部验证组0.75,外部验证组0.73。
  • 模型风险评分可独立预测无肝转移生存,高风险组LMFS显著缩短。

核心结论

  • 整合原发肿瘤与转移前肝脏影像组学的多模态可解释模型提升了直肠癌肝转移预测效能并具有预后价值。

研究设计与样本

  • 回顾性多中心研究,纳入431例病理确诊直肠癌患者,来自两个中心,中心A 2012年1月至2020年12月,中心B 2016年5月至2020年12月。
  • 中心A患者按7:3随机分为训练组237例和内部验证组104例,中心B 90例作为独立外部验证组。
  • 从直肠MRI的T2WI、DWI及转移前全肝CT提取影像组学特征,采用ANOVA F值与递归特征消除筛选,SMOTE重采样后以支持向量机建模。

诊断标准与关键数值

  • 融合模型(MRI+CT)训练组AUC 0.85(95%CI 0.80-0.90),内部验证组AUC 0.75(95%CI 0.64-0.86),外部验证组AUC 0.73(95%CI 0.61-0.85)。
  • 联合模型(融合影像组学+临床变量)训练组AUC 0.91(95%CI 0.87-0.94;准确率80.5%;敏感度68.6%;特异度85.2%),内部验证组AUC 0.79(95%CI 0.69-0.89;准确率77.9%;敏感度63.0%;特异度83.7%),外部验证组AUC 0.73(95%CI 0.62-0.84;准确率73.3%;敏感度56.0%;特异度80.0%)。
  • MRI影像组学模型训练组AUC 0.84(95%CI 0.78-0.90),内部验证组0.65(95%CI 0.53-0.77),外部验证组0.70(95%CI 0.59-0.82)。
  • CT影像组学模型训练组AUC 0.73(95%CI 0.65-0.80),内部验证组0.66(95%CI 0.54-0.78),外部验证组0.70(95%CI 0.57-0.83)。
  • 临床模型训练组AUC 0.77(95%CI 0.70-0.84),内部验证组0.67(95%CI 0.56-0.79),外部验证组0.55(95%CI 0.41-0.69)。

临床应用与阅片要点

  • 训练组中融合模型较MRI模型和CT模型具有更优判别能力(DeLong检验均p<0.05),内部验证组同样成立。
  • 风险评分最佳截断值0.549,据此将患者分为高、低风险组,高风险组无肝转移生存显著短于低风险组。
  • SHAP分析显示融合模型中「glcm_Imc2」为最具判别力的特征,特征值降低对应模型输出概率升高。
  • 列线图可视化联合模型,按各变量分值量化贡献,便于临床直观解读预测结果。

局限性

  • 尽管进行了外部验证,本回顾性研究可能引入选择偏倚和隐藏混杂因素。
  • 尽管使用图像重采样技术标准化CT和MRI图像,不同成像参数固有的变异性仍是重大挑战。
  • 本研究仅提取T2WI、DWI MRI序列及门静脉期CT的影像组学特征,遗漏其他期相或序列,未来研究应涵盖更广泛的期相和序列。
  • 由于患者生存数据有限,未研究总生存期,未来研究应关注更多预后终点指标。
全文中译16 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 Jun 27;16:142. doi: 10.1186/s13244-025-02010-9

引言

直肠癌(RC)是全球胃肠道最常见的恶性肿瘤之一,肝脏是其转移的主要部位,与较低的生存率相关[1]。在诊断时,约50–60%的结直肠癌患者已发生结直肠肝转移,其中约15–20%随后发生异时性肝转移(LM)[2]。然而,由于当前影像技术往往仅在肿瘤相对较大(> 1 cm³)时才能检出,约90%的RC伴LM患者未能获得准确的早期诊断,导致临床结局不佳[3, 4]。因此,有必要开发预测模型来预测RC患者的LM风险,以识别可能从肝切除术中获益的潜在患者。

研究表明,高晚期T分期、淋巴结转移和男性是RC发生LM的危险因素[5–7],但其预测准确性有限。盆腔MRI仍是RC局部 staging 的金标准;增强腹部CT是LM检出的首选 modality [8],而影像组学作为一个快速发展的领域,可提取高维特征,提供超越传统影像的见解[9–11],有助于增进我们对肿瘤生物学和细胞微环境的理解。

肿瘤在转移前于靶器官中建立转移前微环境(PMN),其特征为分子和细胞改变,形成有利的微环境——被称为“肥沃土壤”——以支持转移定植并促进远处器官转移。基于这一理论,假设在最终发生LM的患者中,肝脏中PMN相关的微环境改变在影像学评估检出之前即已发生[12, 13]。当前研究已尝试通过分析肝实质CT影像组学来预测LM [14–22]。然而,现有使用直肠CT或MRI影像组学预测RC中LM的研究主要关注原发肿瘤微环境,忽视了转移前肝脏中发生的变化。此外,现有影像组学研究尚未同时探索肿瘤微环境和转移前肝脏微环境,这限制了影像组学更广泛的临床适用性。

为应对这些挑战,我们开发并验证使用直肠MRI和转移前全肝CT的多模态影像组学模型,以预测RC患者的LM。此外,我们旨在解释我们的模型以增强模型的可解释性。

方法

研究人群

这项回顾性多中心研究遵循《赫尔辛基宣言》所规定的伦理原则。该研究经机构伦理审查委员会批准,因其回顾性研究性质,豁免了知情同意要求。我们筛查了2012年1月至2020年12月期间来自A中心(复旦大学附属肿瘤医院)的431例直肠癌(RC)患者,以及2016年5月至2020年12月期间来自B中心(山西省肿瘤医院)的患者。具体的纳入和排除标准见图1。最终,A中心的患者按7:3的比例随机分配至训练队列和内部验证队列。B中心的患者作为独立外部验证队列。临床数据获取方法和治疗策略记录于附录E1和E2,而肝转移(LM)的诊断标准和随访方案概述于附录E3。

图1 各数据集患者入组流程图 查看原图 ↗

图像采集与分割

整体工作流程示意图见图2。直肠MRI和增强腹部CT扫描在治疗开始前2周内进行,两次检查之间的最大间隔为1周。详细的MRI和CT扫描参数列于表S1和S2。

直肠肿瘤由两名初级放射科医师(Y.F.和Y.W.,具有4年经验)逐层勾画。无病变的全肝实质三维(3D)感兴趣体积(VOI)经自动分割后由一名初级放射科医师(Y.F.)进行手动调整。所有分割均由两名高级放射科医师(T.T.和Y.C.,具有20余年经验)审核。具体勾画细节见附录E4。

图2 整体研究设计概览。SVM,支持向量机;RFE,递归特征消除;SMOTE,合成少数类过采样技术 查看原图 ↗

影像组学特征提取与选择

影像组学特征分别从T2WI、DWI和CT中使用PyRadiomics软件包(版本2.1.2;https://pyradiomics.readthedocs.io)提取。影像组学特征提取的详细信息见附录E5。最终,基于分割的原发直肠肿瘤从T2WI和DWI中共提取1046个影像组学特征,而从分割的转移前肝脏CT图像中提取了1106个影像组学特征。

模型构建与评估

提取原发肿瘤和转移前肝脏的影像组学特征后,应用标准缩放器通过去除均值并缩放至单位方差来标准化每个影像特征。为降低MRI和CT图像特征的维度,采用两步特征选择方法筛选最优影像组学特征。首先,选择方差分析F值最高的前20%影像组学特征。随后,使用递归特征消除(RFE)去除冗余特征。RFE特征选择配置了线性支持向量机(SVM)估计器。鉴于训练队列中LM与非LM患者之间存在类别不平衡,应用合成少数类过采样技术(SMOTE)通过增加少数类病例数对队列进行重采样。然后使用SVM分类器构建预测模型以区分LM与非LM患者。MRI影像组学模型和CT影像组学模型使用相同的特征处理技术和SVM分类器开发。为进一步提升模型性能,应用特征级融合策略,结合MRI和CT影像组学模型的预测评分。在此步骤中,将CT和MRI特征拼接以创建融合特征池。应用与单独MRI和CT影像组学模型中相同的特征工程技术,如特征选择、SMOTE重采样和SVM分类,来训练和开发融合特征模型。影像组学模型的开发流程如图2所示。

最后,我们构建了七个模型,包括T2WI模型、DWI模型、肝脏CT模型、直肠MRI(T2WI + DWI)模型、融合模型(MRI + CT)、临床模型和联合模型(融合影像组学特征和临床变量)。通过最小绝对收缩和选择算子(LASSO)回归分析从训练队列中筛选与3年LM相关的临床变量。临床模型使用LASSO回归筛选的特征开发, specifically those with non-zero regression coefficients。所有模型均使用训练队列的特征构建,然后应用于内部验证和外部验证队列。

为评估我们所提出的影像组学模型的性能,计算了受试者工作特征(ROC)曲线下面积(AUC)及相应的95%置信区间(CI)。采用DeLong检验比较不同影像组学模型的ROC曲线。此外,计算了准确度、敏感度、特异度、阳性预测值和阴性预测值等多项定量指标以评估我们所提出的影像组学模型的性能。进行决策曲线分析(DCA)以评估模型在不同阈值概率下的临床实用性。

我们还研究了联合模型预测的不同LM概率患者在这些队列中是否可根据不同的生存风险进行分层。基于使用联合模型的最大选择秩统计方法确定的最佳截断值,将患者分为LM低风险组和高风险组。

模型解释与可视化

为了解释和理解放射组学模型中的放射组学特征,我们应用了Shapley(SHAP)值,这是一种解释基于树的机器学习模型输出的博弈论方法[23]。SHAP值图可以展示特征对模型的正向和负向贡献(即本研究中预测LM的概率)。此外,生成了热图以可视化所有队列中每位患者的变量分布。联合模型通过列线图进行可视化展示。

统计分析

符合正态分布的连续变量以均值±标准差表示;否则以中位数和四分位距(IQR)表示。分类变量以数量和百分比(n,%)表示。数值变量采用Wilcoxon符号秩检验或Kruskal-Wallis检验,分类变量采用χ2检验。采用Kaplan-Meier法生成生存曲线,并进行log-rank检验。单因素和多因素分析采用Cox比例风险模型。所有统计检验均为双侧检验,显著性水平为p < 0.05。数据分析使用R软件(版本4.2.2,www.r-project.org)。

结果

患者的临床特征

最初从两个中心共纳入431例RC患者[中位年龄59.0(范围50.0–65.0)岁;男性296例(66.8%)]。最终训练队列和内部验证队列分别由来自A中心的237例和104例患者组成,外部验证队列包括来自B中心的90例患者。表1总结了不同队列患者的临床病理信息。最常见的临床分期为III期,在训练队列、内部验证队列和外部验证队列中的频率分别为80.97%、78.9%和81.73%。在431例患者中,122例在基线治疗后3年内发生LM,分别占28.27%、28.85%和27.78%,各队列间无差异(p = 0.986)。内部和外部验证队列的详细临床特征见表2。

表1 不同队列的患者特征 查看原表 ↗
表2 LM组与非LM组临床和病理特征的比较 查看原表 ↗

临床模型性能

通过训练队列的LASSO回归分析,对与3年LM状态相关的临床变量进行了初步筛选。最终确定了九个临床变量,包括年龄、CEA、CA19_9、距肛缘距离、长度、N分期、MRF、mrTD和mrEMVI,用于构建预测3年LM的临床模型(图S1)。

训练队列的AUC为0.77(95% CI,0.7–0.84)。随后在内部验证队列中验证的AUC为0.67(95% CI,0.56–0.79),在外部验证队列中为0.55(95% CI,0.41–0.69)(图3)。

图3 七种模型预测3年内肝转移的性能,包括T2WI模型、DWI模型、肝脏CT模型、直肠MRI(T2WI + DWI)模型、融合模型(MRI + CT)、临床模型和联合模型(融合影像组学特征和临床变量)。A–C 展示训练队列、内部验证队列和外部验证队列的受试者工作特征曲线。七种模型在训练队列、内部验证队列和外部验证队列中的受试者工作特征曲线下面积(AUC)。D–F 颜色编码的圆形条形图直观展示各模型在训练队列、内部验证队列和外部验证队列中的AUC值。G–I 雷达图展示各模型在训练队列、内部验证队列和外部验证队列中的比较区分性能。ACC,准确率;AUC,曲线下面积;CI,置信区间;PPV,阳性预测值;NPV,阴性预测值 查看原图 ↗

影像组学特征构建

图S2展示了T2WI模型、DWI模型、肝脏CT模型、直肠MRI(T2WI + DWI)模型和融合特征模型(代表直肠MRI和腹部CT影像组学特征)中所选影像组学特征的箱线图,分别共选择了14、6、6、16和13个影像组学特征。具体特征列于表S3。

基于影像组学模型的预测性能

表3和图3全面总结了所有模型在训练队列、内部验证队列和外部验证队列中的性能指标。基于MRI和CT影像组学特征开发的两个LM预测模型均显示出可接受的预测效能。基于MRI的影像组学模型在训练队列、内部验证队列和外部验证队列中的AUC分别为0.84(95% CI:0.78–0.90)、0.65(0.53–0.77)和0.70(0.59–0.82)。基于CT的模型在相应队列中的AUC分别为0.73(0.65–0.80)、0.66(0.54–0.78)和0.70(0.57–0.83)。相比之下,联合模型表现出更优的区分能力,在训练队列、内部验证队列和外部验证队列中的AUC分别为0.91(95% CI:0.87–0.94)、0.79(0.69–0.89)和0.73(0.62–0.84)。DeLong检验证实,联合模型在训练队列和内部验证队列中均优于基于MRI和基于CT的影像组学模型(均p < 0.05)(表S4)。

表3 所有模型的预测性能 查看原表 ↗

联合模型对LM的预测性能

联合模型由LASSO回归筛选的临床变量和MRI与CT生成的融合影像组学特征构建。联合模型预测LM的AUC在训练队列中为0.91(95% CI,0.87–0.94;准确率80.5%;灵敏度68.6%;特异度85.2%),在内部验证队列中为0.79(95% CI,0.69–0.89;准确率77.9%;灵敏度63.0%;特异度83.7%),在外部验证队列中为0.73(95% CI,0.62–0.84;准确率73.3%;灵敏度56.0%;特异度80.0%)(图3,表3)。DCA显示,联合模型在一定阈值范围内提供了更高的净获益(图S3)。为增强临床适用性,联合影像组学模型通过列线图进行可视化(图S4),每个变量的贡献通过评分量表量化。

基于SHAP的模型解释

SHAP分析显示,“glcm_Imc2”是融合影像组学模型中用于LM/非LM分类最具判别力的特征(图S5),特征值降低对应更高的模型输出概率。

融合模型训练队列中两个代表性病例的SHAP瀑布图(图4)展示了分类机制。在LM病例中(图4A、B),SHAP值(0.997)超过基线值(0.444),主要由“firstorder_Kurtosis”(0.61)驱动。相反,非LM病例(图4C、D)显示较低的SHAP值(0.355 vs. 基线0.444),其中“glszm_SmallAreaEmphasis”(0.17)降低了转移可能性。

图4 本图展示了融合影像组学模型如何在预测3年内肝转移方面区分两名患者。A 患者A的SHAP力场图,该患者被分类为LM组,其中高特征值(CT-wavelet-LLH一阶峰度)促成了肝转移分类可能性的增加。B 患者A的相应图像分割示例,包括直肠T2WI、DWI和转移前CT扫描。C 患者B的SHAP力场图,该患者被分类为非肝转移组,其中低特征值(CT-wavelet-LLL glszm_SmallAreaEmphasis)促成了评估。D 患者B的相应图像分割示例,包括直肠T2WI、DWI和转移前CT扫描 查看原图 ↗

基于影像组学模型的预后价值

RadLM评分由融合影像组学模型开发,患者的临床病理特征在热图中共同可视化(图5A)。使用从训练队列得出的最佳截断值(0.549),患者被分层为高风险和低风险亚组。Kaplan–Meier分析显示,高风险亚组的无肝转移生存期(LMFS)显著短于低风险组,这在训练队列和内部验证队列中均一致(图5B、C)。多变量Cox回归分析在调整潜在混杂因素后确定RadLM评分为独立预后因素,详细结果见表4。随后对手术患者的亚组分析进一步验证了RadLM评分对转移风险的预测能力,证明其预后独立于术后化疗效果,详见表S5。

图5 A 热图展示了训练、内部验证和外部验证队列中患者临床、MRI和病理特征的分布。热图中的每一行代表一个不同因素,颜色定义见右侧和上方的图例。B、C Kaplan–Meier曲线显示训练和内部验证队列中基于RadLM评分的无肝转移生存期。组间比较采用Log-rank检验 查看原图 ↗
表4 中心A中用于LM预测的Cox回归分析 查看原表 ↗

讨论

在本研究中,我们开发了一种可解释的多模态影像组学模型,以提高RC患者LM预测准确性。通过整合原发肿瘤和转移前肝脏区域的影像组学特征,该模型对LM发生显示出优越的预测性能。SHAP分析通过量化特征贡献提高了可解释性。该模型还有效地将RC患者分层为高风险和低风险组,强调了我们的多模态方法的预后价值。

据我们所知,这是首项整合直肠MRI与转移前肝脏CT影像组学特征以预测RC患者LM发生的研究,强调了多模态、多器官融合影像组学分析的重要性。以往主要使用单模态成像(原发肿瘤或肝脏影像组学特征)的研究显示,对肿瘤微环境异质性的表征不足,尤其在预测远处转移方面存在局限[18, 19, 21, 22]。此外,这些研究通常缺乏外部验证,或其模型性能劣于我们的研究。因此,与传统的单模态方法相比,我们的整合模型在临床适用性方面具有优势。通过整合原发肿瘤和转移前肝脏的影像组学特征,该方法揭示了肿瘤微环境特征,并评估了靶器官中的转移增殖潜能。同样,一项关于肺癌脑转移的研究表明,结合原发器官和转移前器官的特征可提供对转移潜能的见解[24]。总体而言,整合直肠肿瘤和转移前肝脏影像组学特征通过互补信息提高了LM预测准确性。

此外,我们的研究提供了肝脏转移前微环境变化的有力证据。理论上,原发肿瘤主动且特异性地诱导PMN形成,为播散性肿瘤细胞的定植准备远处器官微环境[25]。肝脏的影像组学特征反映其组织异质性,这可能提示微转移或隐匿性转移的存在。近期研究表明,成像技术可无创监测PMNs的变化,可能有助于更准确地识别易发生远处转移的高危癌症患者[25–27]。我们的发现支持这一理论,因为与仅基于原发肿瘤的模型相比,在融合模型中加入CT影像组学特征显著增强了其预测性能(图3)。此外,我们的肝脏图像分析超越了既往研究。现有肝实质研究主要使用基于强度特征的基本统计方法,而未识别与LM相关的特征标签[14–17, 20],而我们的融合模型纳入了13个与LM相关的影像组学特征,超越了既往的临床相关性。Lee等的单层方法[28]限制了对肝脏的全面评估,而我们以最少人工干预的自动分割确保了准确、可重复的全器官特征提取。这种以转移前微环境为重点的策略可提高其他癌症或靶器官研究中的预测性能。

我们应用SHAP来阐明融合影像组学模型中特征的影响,以提高可解释性。既往研究往往缺乏可解释性,限制了临床应用。在这些特征中,来自小波变换图像的“glcm_Imc2”对模型决策的影响最为显著,因为它通过评估两个灰度分布之间的相关性来量化纹理复杂度[11]。既往研究表明,该特征能有效区分肿瘤生长的推进前沿与浸润前沿,从而可能揭示转移前肝脏微环境的变化[29]。基于这些发现,我们假设“glcm_Imc2”可作为LM的预测生物标志物。此外,列线图提供了联合模型的可视化表示,使临床医生能够直观地解读预测结果。该模型纳入了已确定的危险因素,如高龄、低位直肠肿瘤位置和升高的RadLM评分,从而识别出具有较高转移潜能的患者。

最后,我们评估了融合影像组学模型生成的预测评分在预测LMFS中的预后意义。我们假设这些评分也可作为LMFS的预测因子,考虑到LM的发生是RC预后的关键因素。分析显示,即使在调整临床病理变量后,该模型的风险分层仍可独立预测LMFS。因此,这种整合的多模态影像组学模型能够早期识别高危患者,提示这些患者可能需要加强随访计划和更早的治疗干预。

尽管有这些发现,本研究仍存在若干局限性。第一,尽管进行了外部验证,本回顾性研究仍可能引入选择偏倚和隐藏的混杂因素。第二,尽管利用图像重采样技术对CT和MRI图像进行了标准化,不同成像参数固有的变异性仍是一个重大挑战。第三,本研究仅从T2WI和DWI MRI序列及门静脉期CT扫描中提取影像组学特征,遗漏了其他成像期相或序列。未来研究应涵盖更广泛的成像期相和序列。最后,由于患者中生存数据有限,未对总生存期进行研究。未来研究应关注更多预后结局指标。

总之,我们开发并验证了一种多模态影像组学模型,通过整合转移前肝脏和原发肿瘤的影像组学特征,增强了预测RC患者LM发生的能力。此外,我们利用SHAP值来解释我们的模型。因此,这种多模态、可解释的模型有潜力协助临床医生评估LM风险,从而促进RC患者的个体化治疗计划和随访策略。

补充信息

电子补充材料

引用

  1. Feng Y, Gong J, Wang Y, et al. Explainable multi-modal radiomics for early prediction of liver metastasis in rectal cancer: a multicentric study. Insights Imaging. 2025. PMID: 40579653. doi:10.1186/s13244-025-02010-9
  2. 全文:PMC12205110(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12205110/

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。