文献速递腹部CT

基于影像组学模型预测胰腺导管腺癌淋巴结转移的多中心研究

A radiomics-based model for predicting lymph nodes metastasis of pancreatic ductal adenocarcinoma: a multicenter study.
PubMed 文献 · Insights Imaging · 2025-06-27

该多中心回顾性研究基于增强CT动脉期构建影像组学模型预测胰腺导管腺癌淋巴结转移,训练、验证、测试队列AUC分别为0.84、0.82、0.78,模型预测的高风险与更差总生存显著相关,高风险亚组中清扫≥15枚淋巴结者总生存优于清扫<15枚者。

要点

  • 影像组学模型在测试队列预测淋巴结转移的敏感度85.5%、特异度53.3%、准确率71.0%。
  • 模型预测高风险组总生存差于低风险组,训练、验证、测试队列均有显著差异。
  • 临床利用队列中高风险亚组清扫≥15枚淋巴结者总生存优于<15枚者(中位13.6 vs 8.3个月,p=0.002)。

核心结论

  • 基于术前增强CT的影像组学模型在预测胰腺导管腺癌淋巴结转移和预后方面表现良好,可能有助于优化临床管理。
  • 模型预测的高风险亚组中,清扫≥15枚淋巴结的患者总生存优于清扫<15枚者,提示模型可能有助于筛选能从更广泛淋巴结清扫中获益的患者。

研究设计与样本

  • 多中心回顾性研究,纳入四中心经病理确诊的胰腺导管腺癌患者437例(平均年龄63.1岁±9.2标准差;253例男性)。
  • 训练队列192例、验证队列82例、测试队列100例,临床利用队列163例。
  • 基于增强CT动脉期图像提取106个影像组学特征,经方差分析及Pearson相关系数(阈值0.99)筛选后以逻辑回归构建模型。
  • 参考标准为术后病理报告的淋巴结状态;随访至2024年6月30日,术后前2年每3个月随访一次,之后每6个月一次。

诊断标准与关键数值

  • 影像组学模型最终由10个影像组学特征构建。
  • 训练、验证、测试队列预测淋巴结转移的AUC分别为0.84(95%CI: 0.78, 0.89)、0.82(95%CI: 0.72, 0.91)、0.78(95%CI: 0.68, 0.87)。
  • 测试队列敏感度85.5%、特异度53.3%、准确率71.0%。
  • 肿瘤≤3 cm亚组AUC为0.74(95%CI: 0.65, 0.82),>3 cm亚组AUC为0.85(95%CI: 0.80, 0.89)。
  • Rad-score最佳截断值为0.45(基于训练队列最大约登指数),≥0.45为高风险,<0.45为低风险。

临床应用与阅片要点

  • CT判断淋巴结状态采用5项标准:短轴直径>10 mm、不均匀强化、密度不均、内部坏死、淋巴结融合或边界模糊。
  • 模型预测高风险与较差总生存独立相关(多因素Cox HR: 1.60;95%CI: 1.24, 2.06;p<0.001)。
  • 临床利用队列高风险亚组中清扫≥15枚淋巴结者中位总生存13.6个月 vs 清扫<15枚者8.3个月(p=0.002);低风险亚组无差异(中位18.7 vs 20.6个月,p=0.539)。

局限性

  • 回顾性设计引入选择偏倚,且虽为多中心研究但样本量仍有限。
  • 模型不提供受累淋巴结的确切数量或具体位置信息。
  • 模型特异度相对较低,增加假阳性可能,可能导致不必要的治疗。
  • 影像组学特征缺乏生物学可解释性,妨碍模型临床适用性。
  • 需要在更大规模多中心队列中进行前瞻性验证以充分确立临床效用。
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 Jun 27;16:141. doi: 10.1186/s13244-025-02025-2

引言

胰腺导管腺癌(PDAC)仍然是最恶性的肿瘤之一,5年生存率约为13% [1]。快速进展和早期淋巴结转移(LNM)是PDAC的标志,已被确定为不良预后的独立预测因素 [2–4]。彻底清除转移性淋巴结(LNs)对手术治疗至关重要,并可显著影响患者结局。NCCN指南推荐至少应清扫15枚LNs。然而,尽管接受了更广泛的LNs清扫,生存率仍然较低,且一部分患者由于并发症发生率增加而不幸在术后早期死亡 [5, 6]。这表明切除的LNs数量可能并非结局的唯一决定因素;相反,清扫范围应在LNM风险与术后并发症增加的可能性之间取得平衡。此外,近期研究表明,新辅助治疗有潜力优化患者结局,尤其是对于LNM高风险患者 [7, 8]。因此,术前准确评估LNs状态对于确定最佳手术策略和制定个体化治疗方案至关重要。

在PDAC中,术前确定LNM风险仍然是一项重大挑战。传统上,LN受累的评估主要依赖放射科医师的主观评价,缺乏敏感性和准确性 [9, 10]。此外,一些研究使用血清学或遗传学生物标志物作为LNM的预测指标,但其应用受到低效能和高成本的限制 [11, 12]。因此,迫切需要一种能够在术前准确预测LN状态的新技术。

放射组学通过自动化或半自动化分析从医学图像中提取复杂且多维的特征 [13, 14]。它已被广泛应用于肿瘤学研究,并被认为是精准医学中的关键工具 [15, 16]。放射组学已被应用于多种实体瘤类型以预测LNM,包括PDAC。然而,这些研究大多样本量小且为单中心开展,限制了其可重复性 [17–20]。此外,据我们所知,尚无研究探讨放射组学模型在识别可从更广泛LN清扫中获益的患者方面的效用 [21]。

因此,我们旨在开发一种基于对比增强计算机断层扫描(CECT)的放射组学模型,以术前预测LNM,并探讨其在患者预后中的预测价值。此外,我们在一个回顾性队列中探讨该模型识别可从清扫更多LNs中获益的患者的能力。

方法

患者

这项多中心回顾性研究经机构审查委员会的研究伦理委员会批准,并豁免书面知情同意要求。纳入2015年1月至2023年12月期间经术后病理检查诊断为PDAC的连续患者,来自四个中心:中国科学技术大学附属第一医院(中心1)、皖南医学院弋矶山医院(中心2)、江苏省苏北人民医院(中心3)和苏州大学附属第二医院(中心4)。研究纳入的所有患者均根据美国国家综合癌症网络(NCCN)指南接受了原发性根治性切除术。基于对胰头颈部肿瘤行胰十二指肠切除术、对胰体尾部肿瘤行远端胰腺切除术的基本原则,根据肿瘤实际浸润范围实施个体化切除。纳入标准为:(1)病理确诊为PDAC并接受根治性切除术;(2)术前14天内接受增强CT扫描。排除标准为:(1)接受过新辅助治疗;(2)有其他恶性肿瘤病史;(3)存在远处转移病灶;(4)临床资料不完整、图像无效或失访;(5)清扫淋巴结(LN)数量<15枚。此外,来自中心3和中心4、清扫LN<15枚的患者与清扫LN≥15枚的患者一起纳入临床利用队列。对来自中心1和中心2的患者按7:3随机拆分,分别形成训练队列和验证队列。同时,来自中心3和中心4、清扫LN≥15枚的患者构成独立测试队列(图1)。术后前2年每3个月随访一次,此后每6个月随访一次。患者末次随访于2024年6月30日进行。总生存期(OS)定义为从手术至死亡或末次随访的时间。

图1 四个医疗中心的患者筛选流程及数据分布概览 查看原图 ↗

数据收集

从电子病历中提取基线临床数据,包括年龄、性别、总胆红素、直接胆红素、白蛋白和血清糖类抗原19-9(CA19-9)。从报告中获取病理数据,包括肿瘤分化程度、清扫LN数量、转移LN数量、神经周围侵犯状态、淋巴血管侵犯状态和切缘状态。LN状态的参考标准根据术后病理报告确定。有关CECT图像的相关信息见补充材料。

图像评估

在对放射学报告和病理学报告设盲的情况下,两名放射科医师(L.Z.和B.Z.,分别具有3年和5年临床经验)评估CECT扫描,以记录肿瘤的位置和大小。CT确定的LN状态定义为放射科医师根据五项标准评估的分类:短轴直径>10 mm、强化不均匀、密度不均匀、内部坏死、LN融合或边界模糊。任何分歧均由一名资深放射科医师(C.X.,具有7年临床经验)解决,以达成最终共识判读。

模型开发与验证

基于nnU-Net架构的技术对PDAC原发肿瘤进行自动分割[22, 23]。两名腹部放射科医师(C.X.和B.Z.)中的一位对分割结果进行了重新评估和手动修改。随后,我们根据影像生物标志物标准化倡议标准从CECT扫描的动脉期提取影像组学特征,最终提取了106个特征[24]。采用方差分析基于F值筛选特征,并应用皮尔逊相关系数在阈值0.99处消除冗余特征。影像组学模型通过逻辑回归构建。上述所有过程均由Feature Explorer(版本0.4.0)完成,这是一款基于PyRadiomics的开源软件[25]。影像组学模型的预测性能在验证队列和测试队列中进行评估。基于肿瘤大小、位置、CA19-9和CT确定的淋巴结状态等术前变量,采用逻辑回归构建了传统临床模型。比较了影像组学模型、传统临床模型和独立CT确定的淋巴结状态之间的诊断准确性。此外,还在肿瘤大小≤ 3 cm和> 3 cm定义的亚组中检验了影像组学模型的稳健性。影像组学工作流程和研究流程图见图2。为确保影像组学研究遵循良好实践,我们使用影像组学质量评分(RQS)标准对本研究进行了评估,基于RQS标准的详细评分表见补充表6[15]。

图2 影像组学工作流程和研究流程图。LNM,淋巴结转移 查看原图 ↗

影像组学模型的预后价值

鉴于LNM对PDAC预后的显著影响,进一步研究了影像组学模型的预后价值。首先,在训练队列中通过约登指数确定Rad-score(一种代表影像组学模型计算的LNM概率的指标)的最佳截断值。随后,根据相同的截断值将训练、验证和测试队列中的患者分为LNM高风险或低风险。采用单因素和多因素Cox回归分析评估模型的预后预测性能。采用Kaplan–Meier分析结合对数秩检验比较训练、验证和测试队列中低风险和高风险亚组之间的OS。

影像组学模型的临床实用性

探讨该影像组学模型在识别可从更广泛淋巴结清扫中获益的患者方面的效能。来自中心3和中心4的患者,无论清扫淋巴结数量多少,均纳入组成临床利用队列。首先,根据先前确定的Rad-score最佳截断值将患者分为高风险组和低风险组。随后,在每个风险亚组内比较清扫≥ 15枚淋巴结与< 15枚淋巴结患者之间的OS。选择15枚淋巴结作为阈值是基于现有临床指南和既往研究,这些研究提示该数量是PDAC充分分期和预后的关键基准[26]。

统计分析

正态分布的连续数据以均值 ± 标准差(SD)表示;否则使用中位数和四分位距(IQR)。分类变量以数量和百分比(n,%)表示。连续变量采用Wilcoxon检验,分类变量采用卡方检验和Fisher精确检验。采用曲线下面积(AUC)、灵敏度、特异度和准确度评价影像组学模型、传统临床模型和CT确定的淋巴结状态的预测性能。采用Delong检验比较三种模型的AUC值。使用校准图对齐淋巴结转移(LNM)的预期概率和观察概率。采用决策曲线分析(DCA)衡量影像组学模型在不同阈值概率下产生的净获益。采用单因素和多因素Cox回归分析检验影像组学模型预测结果与总生存期(OS)之间的关联。采用Kaplan–Meier分析和log-rank检验比较按不同LNM风险分组的患者之间OS的差异。p < 0.05被视为差异有统计学意义。所有统计检验均为双侧检验。使用R(版本4.2.2)分析数据,使用GraphPad Prism(版本8.0.2)可视化结果。

结果

人口学和病理学特征

本研究共纳入437例经病理确诊的胰腺导管腺癌(PDAC)连续患者(平均年龄:63.1岁 ± 9.2 [SD];男性253例),其中374例(平均年龄:63.0岁 ± 6.9 [SD];男性218例)清扫淋巴结数≥ 15枚。这些患者被分为三个队列:训练队列(n = 192)、验证队列(n = 82)和测试队列(n = 100)。374例患者中有188例存在LNM,三个队列之间LNM阳性患者的比例无显著差异(p > 0.05)。各队列的详细人口学和临床-病理学特征见表1。此外,补充表1–3提供了各队列内有和无LNM患者之间临床-病理学特征的深入比较。

表1 训练、验证和测试队列患者的人口学和病理学特征 查看原表 ↗

LNM的预测性能

放射组学模型最终使用10个放射组学特征构建。训练队列、验证队列和测试队列的AUC分别为0.84(95% CI:0.78,0.89)、0.82(95% CI:0.72,0.91)和0.78(95% CI:0.68,0.87),显示出持续较强的预测准确性。校准曲线显示预测的LN状态与实际测量值之间高度一致(补充图1)。在全部三个队列中,放射组学模型的AUC值均显著高于CT确定的LN状态和传统临床模型(均p < 0.05)(图3)。放射组学模型在独立测试队列中的敏感性、特异性和准确性分别为85.5%、53.3%和71.0%,在敏感性和准确性方面均优于CT确定的LN状态和传统临床模型(表2)。DCA曲线显示放射组学模型在各队列中具有很大的临床实用性(补充图2)。此外,基于肿瘤大小的亚组分析显示,该模型在两个亚组中均保持良好性能,肿瘤≤ 3 cm的AUC为0.74(95% CI:0.65,0.82),肿瘤> 3 cm的AUC为0.85(95% CI:0.80,0.89)(补充图3)。

图3 放射组学模型、传统临床模型和CT确定的LN状态在训练队列(a)、验证队列(b)和测试队列(c)中预测淋巴结转移的AUC值。AUC,曲线下面积;95% CI,95%置信区间;LN,淋巴结。AUC报告时括号内为95% CI 查看原图 ↗
表2 放射组学模型、传统临床模型和CT确定的LN状态的性能 查看原表 ↗

放射组学模型的预后价值

使用训练队列中的最大约登指数确定Rad评分的的最佳截断值为0.45。三个队列中Rad评分≥ 0.45的患者被归为高风险亚组,而Rad评分< 0.45的患者被归为低风险亚组。单因素Cox回归分析显示,高风险亚组与较差结局显著相关(风险比(HR):1.76;95% CI:1.38,2.25;p < 0.001)。此外,在调整临床变量后,多因素Cox回归分析显示,放射组学模型预测的LNM仍是OS的独立预测因素(HR:1.60;95% CI:1.24,2.06;p < 0.001)(表3)。

Kaplan–Meier分析提示,在训练队列(中位OS:11.5 vs. 15.0个月,p = 0.006)、验证队列(中位OS:12.2 vs. 18.3个月,p = 0.009)和测试队列(中位OS:13.6 vs. 18.7个月,p = 0.004)中,预测为高LNM风险的患者OS较短(图4)。根据不同肿瘤大小进行的亚组分析也显示类似结果,即高LNM风险患者预后较差(均p < 0.05)(补充图4)。

表3 总生存期的单因素和多因素Cox回归分析 查看原表 ↗
图4 训练(a)、验证(b)和测试(c)队列中不同LNM风险患者之间总生存期的Kaplan–Meier分析。p值使用log-rank检验计算 查看原图 ↗

放射组学模型的临床实用性

为进一步评估放射组学模型的临床实用性,对来自中心3和中心4的163例患者(平均年龄:64.0 ± 9.0 [标准差];90例男性)的回顾性队列进行了分析。详细的人口学和病理学特征见补充表4。根据相同的截断值将患者分为高危和低危亚组。生存分析显示,清扫淋巴结≥ 15枚的患者总生存期优于清扫淋巴结< 15枚的患者(中位总生存期,13.6 vs. 8.3个月,p = 0.002)。相反,在低危亚组中,清扫淋巴结≥ 15枚的患者与清扫淋巴结< 15枚的患者之间未观察到差异(中位总生存期:18.7 vs. 20.6个月,p = 0.539)(图5)。

图5 放射组学模型预测的高危组(a)和低危组(b)中不同清扫淋巴结数目患者之间总生存期的Kaplan–Meier分析。p值采用log-rank检验计算。LNs,淋巴结 查看原图 ↗

讨论

在这项回顾性多中心研究中,我们开发了一种基于术前增强CT的放射组学模型来预测胰腺导管腺癌的淋巴结转移。我们的研究结果表明,放射组学模型优于传统临床模型,后者包括若干术前临床特征以及放射科医师视觉评估的CT确定的淋巴结状态。此外,该模型在不同肿瘤大小的亚组分析中也表现出稳健的预测效能,并且放射组学模型划分的预后结局与总生存期之间存在显著关联。我们的研究揭示了在放射组学模型分类为高危的患者中,清扫淋巴结数目与总生存期之间可能存在关联。这一发现可能有助于外科医生选择能够从更多淋巴结清扫中获益的患者。

术前准确识别淋巴结(LN)状态对于肿瘤分期和确定个体化治疗策略至关重要[27, 28]。放射科医生基于医学图像的主观评估一直是术前评估LN状态的主要方法[29]。然而,研究表明,放射科医生的主观评估只能筛查出有限比例的明显病变患者,同时缺乏可重复性和一致性。尽管正电子发射断层扫描-计算机断层扫描为转移性LN提供了更精确的识别,但其应用因高成本和有限的可及性而受到限制[30]。我们的放射组学模型基于动脉期图像,在测试队列中检测PDAC患者LNM的灵敏度达到85.5%,表明其作为术前识别实际转移受累患者的有价值工具的潜力。我们模型的高灵敏度至关重要,因为它能够识别可能从个体化治疗中获得显著生存获益的患者。然而,53.3%的特异度反映了一个必须考虑的局限性,这意味着假阳性的可能性较高。这可能导致不必要的广泛LN清扫。低特异度可能归因于缺乏来自LN的特征。未来的研究努力将集中于提高我们模型的特异度、实现胰周LN的自动分割以及整合LN特异性放射组学特征。总体而言,我们开发的放射组学模型是术前识别转移性LN患者的有用工具,展示了放射组学在反映PDAC侵袭性特征方面的价值[31, 32]。

尽管近年来PDAC的治疗有所改善,但PDAC的预后仍然较差[1]。准确的预后评估对于制定个体化治疗策略至关重要。尽管病理TNM分期系统是估计生存结局的有价值工具,但其应用延迟至术后病理分析[33, 34]。相比之下,本研究提出的放射组学模型提供了术前预后评估,能够及时识别LNM高风险患者并促进个体化治疗规划,特别是在选择可能从新辅助治疗中获得实质性获益的个体方面[35]。同时,我们的模型可以通过预后预测强调术后定期监测的必要性以及及时启动巩固治疗[36, 37]。

肿瘤引流淋巴结在调节宿主抗肿瘤反应和增强免疫疗法有效性方面发挥着重要作用[38–40]。因此,手术中淋巴结清扫的范围是一个备受关注的话题,尤其是在个体化治疗计划的背景下。我们探讨了模型预测的淋巴结转移(LNM)风险与清扫淋巴结数量之间是否存在关系。令人惊讶的是,我们发现生存差异与影像组学模型预测的高风险亚组中清扫的淋巴结数量相关。具体而言,高风险亚组中清扫≥ 15枚淋巴结的患者总生存期(OS)长于清扫< 15枚淋巴结的患者;相比之下,低风险亚组未显示这种关联。这一发现表明,被我们的模型识别为LNM高风险的患者可能通过更广泛的淋巴结清扫获得更好的生存结局。未来,随着人工智能和医学的进步,我们提出的模型可在前瞻性验证后整合到临床实践中。它可作为常规放射学工作流程中的可行工具。这种整合允许快速、准确地评估LNM风险,从而增强临床决策。

这项多中心回顾性研究的RQS为18,表明我们的研究仍存在一些局限性。第一,回顾性设计引入了选择偏倚,而且尽管研究是多中心的,样本量仍然有限。第二,虽然影像组学模型旨在个体化评估LNM风险,但它无法提供受累淋巴结的确切数量或具体位置信息。未来,我们希望与外科医生和病理学家更紧密地合作,实现手术切除淋巴结与影像数据之间的对应,从而使我们的模型能够发展出定位转移性淋巴结的能力。第三,模型相对较低的特异度增加了假阳性的可能性,可能导致不必要的治疗。第四,影像组学特征缺乏生物学可解释性阻碍了模型的临床适用性。未来研究应致力于通过将影像组学发现与生物学和分子数据相结合来弥合这一差距,以提高模型的可靠性。最后,需要在更大规模的多中心队列中进行前瞻性验证,以充分确立影像组学模型的临床实用性。

总之,本研究表明,基于术前增强CT(CECT)的影像组学模型是预测胰腺导管腺癌(PDAC)患者LNM的有效方法。该影像组学模型优于传统临床模型和放射科医师的主观评估。此外,该方法在预后预测和个体化手术管理方面具有潜力。

补充信息

电子补充材料

引用

  1. Zhu L, Zhao B, Xia T, et al. A radiomics-based model for predicting lymph nodes metastasis of pancreatic ductal adenocarcinoma: a multicenter study. Insights Imaging. 2025. PMID: 40579612. doi:10.1186/s13244-025-02025-2
  2. 全文:PMC12204970(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12204970/

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。