文献速递泌尿生殖技术与安全MR

结合MRI影像组学、缺氧基因特征评分与临床变量预测前列腺癌放疗后生化复发无生存

Combining MRI radiomics, hypoxia gene signature score and clinical variables for prediction of biochemical recurrence-free survival after radiotherapy in prostate cancer.
PubMed 文献 · Radiol Med · 2025-07-02

这项回顾性双中心队列研究纳入178例接受放疗的前列腺癌患者,评估将治疗前T2加权MRI影像组学特征和缺氧基因特征评分加入临床模型后对生化复发无生存(BCRFS)的预测价值。结果显示,临床-影像组学联合模型C-index为0.70,较临床模型0.69有所提升(AIC比较P=0.027),而加入缺氧基因特征评分未进一步改善模型性能(P=0.625)。

要点

  • 临床-影像组学联合模型C-index 0.70[0.66-0.73],临床模型C-index 0.69[0.64-0.7]。
  • 加入影像组学特征较临床变量单独模型显著改善拟合(P=0.027)。
  • 加入缺氧基因特征评分未显著改善模型性能(P=0.625)。

核心结论

  • 将治疗前前列腺MRI衍生的影像组学特征加入临床模型可提高预测前列腺癌放疗后BCRFS的准确性,但加入缺氧基因特征未提高模型准确性。

研究设计与样本

  • 回顾性队列分析,纳入2007年12月1日至2013年8月31日在两家癌症中心接受放疗的178例活检证实前列腺癌患者。
  • 所有患者接受雄激素剥夺治疗,放疗方案为EBRT 74 Gy/37次(n=143)或EBRT 37.5 Gy/15次+高剂量率近距离放疗单次15 Gy(n=35)。
  • 使用1.5 T MRI扫描仪,至少包含覆盖全前列腺的轴位T2加权序列;在轴位T2w序列上使用RayStation(v9.1)进行前列腺分割。
  • 采用PyRadiomics(v3.0.1)提取影像组学特征,提取前应用Nyúl方法进行直方图标准化。
  • 生化复发定义为PSA较最低点升高≥2 ng/ml;中位随访84个月(范围3–140)。

关键影像表现/征象

  • 从每个分割感兴趣区提取8类影像组学特征,共提取1314个特征,经体积相关性筛选后保留1068个,经冗余去除后保留55个。
  • 最终临床-影像组学联合模型选择的特征包括年龄、ISUP分级、肿瘤分期及小波衍生的灰度共生矩阵(GLCM)影像组学特征。
  • 在所有特征选择方法中均被选中的两个影像组学特征为GLSZM Large Area High Gray Level Emphasis和First Order Mean。

诊断标准与关键数值

  • 生化复发(BCR)定义为放疗后PSA较最低点升高≥2 ng/ml。
  • 临床模型C-index为0.69[0.64-0.7];临床-影像组学模型C-index为0.70[0.66-0.73];临床-影像组学-缺氧模型C-index为0.70[0.65-0.73];临床-缺氧模型C-index为0.68[0.63-0.7]。
  • 临床-影像组学模型AIC最低(AIC=478.71),为最佳拟合模型;与临床模型比较P=0.027。
  • 加入缺氧基因特征评分未改善模型性能(P=0.625);临床-缺氧模型与临床模型比较P=0.774。
  • 特征选择中采用ICC阈值>0.8消除互相关特征,采用bin数256与体素大小1的组合获得最多稳健影像组学特征。

临床应用与阅片要点

  • 本研究表明治疗前T2w MRI全前列腺影像组学特征可为临床变量提供额外信息,辅助预测放疗后生化复发风险。
  • 小波衍生GLCM特征及GLSZM、First Order Mean等特征在模型中具有价值。
  • 缺氧基因特征评分在本放疗队列中未显示额外预测价值。

局限性

  • 研究为回顾性设计,MRI数据来自不同机构的多台扫描仪,因此应用了图像协调方法以减少偏倚。
  • 基因特征需要使用表达谱平台测量相对mRNA丰度,受活检样本保存技术(如新鲜冷冻或FFPE)、FFPE块存放时间及技术批次效应影响,可能限制不同机构队列间缺氧评分生成的可靠性。
  • 两种基因特征均基于新鲜冷冻样本的基因表达数据推导,但本研究使用FFPE材料获取。
  • 当前样本量仍小。
  • 缺氧特征在其他先前研究中显示对BCRFS有预后价值(多数为前列腺切除队列),但在本研究中未显示预后意义。
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:Radiol Med. 2025 Jul 2;130(8):1139–48. doi: 10.1007/s11547-025-02037-4

引言

前列腺癌是男性最常见的恶性肿瘤,也是癌症相关死亡的主要原因[1]。放射治疗(RT),包括外照射放射治疗(EBRT)和近距离放射治疗(BT),是局限性前列腺癌的有效治疗方法[2]。尽管诊断成像和RT递送技术取得了进步,30–50%的高危疾病男性在治疗后10年内经历生化复发(BCR),最常见的原因是前列腺内复发[3, 4]。BCR与前列腺癌在局部复发、远处转移和死亡方面的较差结局相关[5]。预测个体患者前列腺癌进展的可能性可以帮助肿瘤学家个性化治疗方案,并根据复发风险分层调整随访预约的强度。这将允许更早地检测疾病进展或复发,并促进及时干预。

目前,局限性前列腺癌的风险分层主要依赖于活检的病理发现和标准成像评估来确定疾病扩散。使用血清前列腺特异性抗原(PSA)水平、肿瘤分期(T分期)和Gleason分级的信息,可以根据局部治疗后生化复发的概率分为三个主要组(低风险、中风险和高风险)[6]。将基因组学纳入风险预测工具的早期努力是有希望的,Spratt等人提出了一个整合现有基因组和临床信息的系统以改善风险分层[7]。他们的联合临床-基因组风险系统比单独使用标准国家综合癌症网络(NCCN)风险组更好地预测转移,并重新分类了30%的患者。

缺氧,即低氧状态,是大多数实体肿瘤中常见的微环境特征,它激活多种生物过程如糖酵解和血管生成,诱导参与这些通路的多个基因的表达(mRNA丰度)和转录组谱的变化[8]。能够测量RNA表达的高通量表达谱技术允许开发缺氧相关基因特征,这些特征在前列腺癌队列中具有预后性并与RT抵抗和转移性疾病相关[9–12]。

传统上,测量肿瘤中的氧水平使用针电极进行,然而这是侵入性的、技术要求高,且不能代表整个前列腺[13]。磁共振成像(MRI)在前列腺癌的诊断和治疗计划中具有重要作用,并具有监测治疗后评估局部复发的潜力[14]。当与放射组学——一种用于推导成像生物标志物的定量图像分析技术[15]——结合时,基于MRI的放射组学预后模型已显示与仅临床信息相比,对多种癌症类型的生存结局预测有所改善[16–18]。此外,将能够检测与更具侵袭性前列腺疾病相关的特征(表型)的MR成像[19]与基于基因的生物标志物结合,在帮助预测生存或治疗抵抗等临床结局方面显示出前景[20, 21]。

近期研究表明,由MRI提取的影像组学特征(RF)与基于哌莫硝唑的缺氧生物标志物之间存在潜在关联,显示利用T2加权(T2w)序列开发影像组学缺氧模型可能是可行的[22]。关于结合影像与缺氧相关基因组生物标志物用于结局预测的效用,目前证据有限。据我们所知,仅有一项研究(在宫颈癌中)评估了整合影像与基因表达特征用于无创评估缺氧相关治疗抵抗[21]。识别影像“放射基因组学”(影像组学与基因组学联合)缺氧特征可能有望提供一种无创方式来分析整个前列腺并预测结局。

本研究旨在探讨将前列腺MRI影像组学与缺氧相关基因特征信息同临床数据相结合,用于预测接受放疗的前列腺癌男性患者生化无复发生存(BCRFS)的价值。

方法

研究设计

本回顾性队列研究纳入2007年12月1日至2013年8月31日期间在英国两家NHS医院接受根治性放疗的前列腺癌患者。本研究经英国西北研究伦理委员会批准(IRAS 15/NW/0559)。所有患者均同时接受雄激素剥夺治疗。

纳入标准为:(a)器官局限或局部晚期前列腺癌(未检出淋巴结病变或远处转移)的男性患者,年龄至少18岁;(b)活检确诊的高危前列腺癌;(c)以前列腺癌根治性放疗(EBRT ± BT)治疗;(d)有可用的治疗前MRI;(e)有可用的福尔马林固定、石蜡包埋(FFPE)活检组织以进行Ragnum和West缺氧基因特征评估;(f)有可用的临床特征(患者年龄、国际泌尿病理学会(ISUP)分级、PSA和T分期)及临床结局数据。

放疗后生化复发(BCR)定义为PSA较最低值升高≥ 2 ng/ml。

收集所有患者的诊断性MR图像、患者及肿瘤特征(ISUP分级和T分期)以及缺氧基因特征。遵循更新的2024年医学影像人工智能检查清单(CLAIM)(补充材料),该工具用于评估涉及影像和机器学习(ML)技术的多变量预测模型的质量[23]。

MRI采集

所有患者均在1.5 T MRI扫描仪上接受前列腺成像,至少包括涵盖整个前列腺的轴位T2w序列。成像使用多台不同的MRI扫描仪进行。具体扫描仪采集参数见补充材料。

缺氧相关基因特征

使用了两种不同的缺氧基因特征:一种基于哌莫硝唑染色的32基因特征(Ragnum),另一种基于前列腺癌细胞系中缺氧诱导表达的28基因特征(West)。两种特征在多个前列腺切除队列中均对生化复发具有预后价值[11, 12]。对于本研究所涉及的队列,特征评分是从存档的治疗前肿瘤样本提取RNA后,使用Affymetrix GeneChip Clariom™ S微阵列生成的基因表达数据中得出的。通过质量控制检查的表达数据被标准化为表达矩阵[24]。基因富集分析和基因特征的构建此前已有描述[12]。

方法学流程

图1展示了方法学流程的流程图。

图1 流程图展示研究流程,从图像分割、图像归一化、影像组学特征提取、图像后处理、特征选择步骤到整合缺氧和影像组学数据与临床数据的模型构建。COMBAT,合并批次时消除批次效应;MRMR,最小冗余最大相关 查看原图 ↗

图像分割与直方图归一化

整个前列腺腺体及前列腺肿瘤(如可见)由一位经验丰富的放射科医师手动分割,并由一位泌尿放射学专家确认。所有分割均在轴位T2w序列上使用RayStation(v9.1)完成。导出的DICOM图像使用Python(v. 3.0.1,dicom2nifti包)转换为神经影像信息技术倡议(NIfTI)文件,并导出至PyRadiomics(v3.0.1)进行分析[25]。在射频特征提取之前,使用Nyúl方法对所有MR图像进行直方图标准化归一化,以使动态信号强度范围具有可比性[26]。

影像组学特征提取

使用PyRadiomics(v3.0.1)从每个分割的兴趣区域(ROI)中提取八类射频特征(25)。PyRadiomics默认从零而非最小分割值应用固定箱宽,这与影像生物标志物标准化倡议(IBSI)有所不同,且PyRadiomics的峰度未经校正,所得值比IBSI峰度高三个单位,但这些参数可手动调整。除此之外,PyRadiomics遵循IBSI指南,该指南对影像组学分析涉及的每个步骤进行了全面审查,包括影像组学术语和所需校准数据集[27]。所有提取的射频特征及所应用的滤波器详见补充材料表2。

后处理

测试了不同数量的箱(8、16、32、64、128、256)和各向同性体素大小(1、2、3),以基于箱数与体素大小的组合评估最稳健的量化/重新分箱设置,该组合产生了最大的影像组学特征集。还使用组内相关系数(ICC)阈值> 0.8来消除互相关特征。鉴于MRI强度单位的任意性,箱数优于箱宽。对提取的射频特征应用COMBAT协调化(v0.2.10),以考虑射频特征受其影响的扫描仪型号、采集协议和重建设置的变异[28, 29]。

特征选择

射频特征选择侧重于预测生化复发的能力。无监督特征选择

对于每个放射组学特征(RF),使用Spearman秩相关系数(p)评估其与肿瘤体积的相关性,p值>0.5的特征被剔除。使用Pearson相关系数评估RF的冗余性(与其他RF的线性相关性)。如果两个RF之间的相关系数为0.5或更高,则认为它们相关,并剔除相关对中与其他RF平均相关性最高的特征。

监督式特征选择

按照先前发表的方法[30],使用三种不同技术进行监督式特征选择以作比较。所实施的方法选择的特征为:(1)在单变量Cox回归模型中与结局(即BCRFS)显著相关(p < 0.05),(2)在似然比(LR)检验中显著改善临床变量的多变量Cox回归模型(p < 0.05),以及(3)基于最小冗余最大相关(MRMR)排序[31]具有正贡献。

每种特征选择方法独立地在200个样本上实施,这些样本来自40次五折分层交叉验证(SCV)运行,并对生化复发次数进行事件匹配,即数据被分为五个子集,四个用于训练,一个保留用于测试,子集之间的事件数保持平衡。训练重复五次,每个子集独立地作为测试集保留。子集的划分重复40次,总共200个案例用于测试模型性能。在每次交叉验证训练运行中,所选特征与临床变量(年龄、ISUP分级、PSA、T分期、肿瘤体积和治疗)结合,形成临床-放射组学多变量Cox模型。然后将该模型应用于测试数据。纳入其他特征选择方法(单变量、MRMR)的临床变量使得与多变量特征选择技术的比较更加公平。计算训练模型和测试模型的Harrell一致性指数(C-index),记录SCV运行的中位数和95% CI。特征选择技术的选择基于计算所有临床-放射组学模型在训练(Ctrain)和测试(Ctest)数据上的中位C-index的性能排名[32]。对于所选技术,记录每次训练运行中所选特征并按出现频率排序。记录排名靠前的特征,数量上限为所有运行中所选特征数的中位数。

模型构建

使用所选特征选择技术的特征结果,构建四种不同的多变量Cox比例风险模型进行比较:1)仅临床,2)临床+缺氧,3)临床+放射组学,4)临床+缺氧+放射组学,以证明与仅使用临床信息(根据放射组学质量评分指南[15]作为金标准)相比,加入缺氧和放射组学数据是否改善了整体模型性能。提取赤池信息准则(AIC),并使用方差分析(ANOVA)检验比较模型2)至5)与模型1)(仅临床模型作为基线)相比,回归模型性能是否存在显著差异。AIC提供了一种数学方法来评估模型对其生成数据的拟合程度[33]。较小的AIC值表明预测结局的拟合优度更好。

内部测试时,计算了每个模型在500次Bootstrap重采样中的C指数中位数和95%置信区间(CI)。计算C指数,并将每个Bootstrap模型拟合到原始数据。分析时,将T分期分为T1/2组和T3组。影像组学特征经标准化处理,使均值为零、方差为一。

统计分析在R语言(v.4.0.2)中进行。采用双侧检验,统计学显著性定义为p < 0.05。

结果

临床特征

2007年12月1日至2013年8月31日期间,共有178例经组织学确诊的前列腺癌患者接受治疗,其中接受体外放疗(EBRT)(74 Gy,分37次)者143例(n = 143),接受体外放疗(37.5 Gy,分15次)联合高剂量率(HDR)近距离放疗(BT)推量(单次15 Gy)者35例(n = 35)。所有患者均接受了雄激素剥夺治疗(ADT)。

所有患者的临床和治疗特征列于表1。所有患者均有完整的临床、缺氧和影像组学数据。中位随访时间为84个月(范围3–140)。生化复发(BCR)率为32%(n = 60)。中位生化无复发生存期(BCRFS)为74个月(范围2–132)。

表1 研究队列的人口学特征 查看原表 ↗

影像组学特征选择

bin数256与体素大小1的组合产生了数量最多的稳健影像组学特征。共提取1314个影像组学特征(RF),经体积相关性筛选后剩余1068个,去除冗余后剩余55个。最小冗余最大相关(MRMR)法选中的影像组学特征中位数为7个,多变量法为3个,单变量法为3个。单变量技术在训练数据和测试数据中均具有最佳模型性能,测试C指数为0.61,优于多变量模型(C指数0.60)和MRMR模型(C指数0.59)。

图2显示了在所有交叉验证运行中(共200次),每个特征被选中的频率(%)。频率越高,表明该特征在特征选择过程中越稳定。

图2 条形图显示每种特征选择方法在所有交叉验证运行中(共200次)每个影像组学特征被选中的频率(%)。LHH、HHL、HLH、LLL,三维小波影像组学特征;GLRLM,灰度游程长度矩阵;GLCM,灰度共生矩阵;GLDM,灰度依赖矩阵;GLSZM,灰度区域大小矩阵 查看原图 ↗

预测模型性能

在完整数据集上评估时,所有四种预测模型的中位C指数和置信区间(CI)如图3所示。

基于C指数,临床-影像组学联合模型(C指数0.7[0.66–0.73])和临床-影像组学-缺氧模型(C指数0.70[0.65–0.73])并列具有最高的模型性能。仅临床模型(C指数0.69 [0.64–0.7])和临床-缺氧模型(C指数0.68 [0.63–0.7])的模型性能较低。

各模型及基于AIC的总体模型拟合情况列于表2。

临床与影像组学联合模型的AIC最低(AIC = 478.71),模型拟合最佳。使用方差分析(ANOVA)检验比较联合模型与仅临床模型的AIC时,临床-影像组学模型在统计学上显著更优(p = 0.027,(p = exp(-ΔAIC/2)[34])。仅加入缺氧信息(临床+缺氧模型)未能改善模型性能(p = 0.774)。

图3 所有4种模型的C指数和置信区间(CI),显示并列最佳模型为临床+影像组学(0.7)和临床+影像组学+缺氧(0.7) 查看原图 ↗
表2 四种模型(仅临床、临床加缺氧、临床加影像组学、临床加缺氧加影像组学联合模型)各自选用的特征及总体模型性能评分(AIC统计量) 查看原表 ↗

讨论

本研究表明,将治疗前T2w MRI衍生的影像组学特征与标准临床变量相结合,有助于提高预测前列腺放疗和ADT后BCRFS的性能,具有可行性。虽然缺氧相关基因特征已被证明在以手术为主要治疗方式的男性中具有预后价值,但在这一双机构队列中,它们未能进一步提高模型性能。本研究的一个优势是拥有来自两个中心的配对影像和基因组数据的独特数据集。

本研究结果得到现有文献的支持,其中基于MRI的影像组学分析在前列腺癌中的应用已被证明在癌症诊断和Gleason评分预测方面具有可行性[35–38]。最近,已有报道使用前列腺MRI影像组学评估放疗后BCR风险的预测模型。Gnep等人证明,T2w MRI衍生的Haralick纹理特征(量化相邻体素之间的空间关系)与BCR的发生相关[39](48)。很少有研究探讨MRI衍生影像组学在评估前列腺癌无进展生存期中的作用,然而一项纳入191例患者的初步报告将影像组学和临床数据结合为混合预测模型,在训练组和内部测试组中分别获得了0.926和0.917的优异AUC性能,显示出作为无创诊断工具进行风险分层的潜力[16]。在本研究使用的所有特征选择方法中均被选中的两个RF是GLSZM大面积高灰度级强调和一阶均值,后者量化图像中的灰度级区域(共享相同灰度级强度的连通体素数量)[25]。最近一项纳入63例接受碳离子放疗的前列腺癌男性的研究发现,与灰度级区域相关的类似RF能够同时预测肿瘤代谢组学,例如甲硫氨酸幅度的改变和BCR。本研究还支持了全前列腺腺体影像组学特征可以提供额外信息以帮助预测BCR的观点。

影像和基因组生物标志物具有不同的优势,目前缺乏研究探讨它们在前列腺癌中的相互关系及其对生存结局的影响,以了解如何充分利用任何协同潜力,这是当前研究的基本原理。在宫颈癌中,一项研究对118例患者结合影像和基因表达特征的多模态预测模型进行了评估,以评估缺氧相关治疗抵抗,联合模型能更好地预测无进展生存期[21]。在我们的前列腺癌研究中,添加两个前列腺特异性缺氧相关基因特征并未改善BCRFS的预测,但前提是当前样本量仍然较小,且缺氧特征并无预后价值,尽管先前其他研究显示这些特征在多个外部患者队列中对BCRFS具有预后价值,尽管大多数患者接受了前列腺切除术治疗[11, 12]。与仅限于采样区域的活检来源缺氧基因特征相比,影像允许更全面的前列腺评估,后者可能无法捕捉整体空间和时间肿瘤异质性[40]。然而影像的一个局限性是难以识别前列腺内优势病灶(DIL),尤其是在ADT之后,这将使从DIL中勾画和提取放射组学特征具有挑战性[41]。整个肿瘤体积内存在缺氧的区域差异,这种异质性可能限制来自肿瘤有限部分的基因特征的效用[42]。这可能有助于解释为什么在本研究中添加缺氧相关基因特征并未改善结局预测的性能。然而,最近在放疗队列中测试这些特征的工作报告称,在接受放疗和ADT治疗的男性中缺乏预后意义,并提示使用激素治疗可能降低了缺氧的影响[43]。因此,添加缺氧特征缺乏获益也可能是因为它们在接受ADT联合放疗的男性中表现不佳,这与本研究队列高度相关。

来自活检的肿瘤ISUP分级对BCR具有预后价值,正如先前文献所强调的[44]。ISUP分级是分类变量,De Nunzio等人的一项研究发现活检病理与前列腺切除标本之间的不一致率较低,意味着五级ISUP系统在正确界定肿瘤侵袭性方面具有高度特异性(91%),然而缺氧基因特征评分更容易受到样本制备和由于较长储存时间导致的潜在RNA降解所引起的波动的影响[45, 46]。基于这一认识,研究两种不同的缺氧特征对于理解缺氧评分与其他临床、生化和病理标志物在多变量预测模型中的关系和相互作用非常重要。

影像特征可能与潜在的生物学变化相关,本研究中观察到的具有潜在预测价值的前列腺风险因素(RFs)可能是肿瘤侵袭性和缺氧的替代指标。对RFs进行小波变换进一步分离了感兴趣区域内低频和高频信号的空间分布和频率分布,从而描绘这些变化[47]。区分这些特性可能提高混合影像组学预测模型的整体性能,正如本研究所展示的,表现最佳的影像组学特征均为小波特征。近期研究报道了全前列腺腺体或索引病灶的T2加权MRI影像组学特征与肿瘤缺氧之间的关联,证明了从解剖MRI构建影像组学缺氧模型的可行性[22, 48]。一项对15例患者的研究发现,在局限性前列腺癌中提取的双参数前列腺MRI影像组学特征与差异表达的缺氧相关基因之间存在相关性,后者与不良生存结局相关[49]。影像与基因特征之间的潜在联系需要在前列腺癌中进一步研究,以寻找可用于患者预后评估的替代指标。

本研究存在若干局限性。我们的研究为回顾性研究,MRI数据采集自不同机构的多台扫描仪,因此采用了图像协调化方法以尽量减少偏倚。使用基因特征也存在局限性,因为它们需要表达谱分析平台来测量相对mRNA丰度,而这受活检样本保存技术(如新鲜冷冻或FFPE)、FFPE块的存放时间以及技术性批次效应的影响,可能限制在不同机构队列之间生成缺氧评分的可靠性。两种特征均使用新鲜冷冻样本生成的基因表达数据衍生而来,但在我们的研究中使用的是FFPE材料。生成缺氧评分的其他局限性通过在单一中心进行RNA提取和基因表达谱分析而得以尽量减少,因此各队列使用了相同的方法和平台。使用两种缺氧特征也是本研究的一个优势,因为它们采用了不同的方法生成。Ragnum特征基于哌莫硝唑染色训练,West特征则首先通过前列腺癌细胞系的RNA测序在体外鉴定基因,然后通过基因共表达分析在体内衍生。

最后,结局指标的选择仍存在争议,因为在NRG Oncology/RTOG 9601 III期试验中,BCRFS并非复发性前列腺癌总生存期的替代终点[50]。BCR可能源于局部或全身性复发,而缺氧易导致这两种复发,且缺氧相关基因特征已被确定为前列腺癌无转移生存的独立危险因素[51],因此评估对其他生存终点的预测可能更易被临床肿瘤学界接受。然而,使用总生存期的挑战在于许多纳入患者的随访丢失,因为他们仅在初级保健机构内接受随访,无法追踪。

由于具有匹配基因组数据的参与者可获得的MRI具有历史性,因此仅使用了T2w成像。宫颈癌的研究发现,从弥散加权成像(DWI)——一种具有反映细胞密度的定量信息的功能序列——衍生的影像组学特征,在预测生存方面优于使用T2w MRI衍生放射组学特征(RFs)的模型[17]。在前列腺癌中,联合DWI和T2w的生存预测模型在预测3年无进展生存方面优于仅使用其中一种序列的模型[16]。可以合理假设DWI和表观弥散系数(ADC)信息会补充T2w序列提供的预后信息,T2w序列主要用于详述解剖结构,而DWI/ADC测量潜在的肿瘤细胞密度和水扩散,可提供关于细胞微环境甚至缺氧的额外信息[42]。先前一项将全 mount 前列腺病理标本与MRI图像进行映射的研究能够使用机器学习,仅基于MRI生成病理特征和高级别肿瘤区域的预测图,其中ADC特征最具预测性[52]。这对放射肿瘤学具有直接影响。理论上,使用放射基因组学或缺氧驱动的生物学适应性放疗治疗方法,可以促进更准确地将局灶性放疗加量递送至肿瘤的“缺氧”或最具侵袭性的部分,以改善肿瘤学结局,并避免接受低分割外照射放疗治疗局限性癌症的男性出现直肠和膀胱毒性[53]。为努力实现这一未来,首先需要严格的额外研究,以确定是否能发现基因组特征与基于成像的缺氧特征之间的联系。缺氧功能MRI序列在生成放射学缺氧图和实现缺氧区域检测方面的作用将是一个良好的起点,因为初步结果显示成像上的缺氧区域与哌莫硝唑染色的病理标本之间存在相关性[42]。未来的工作将把其他功能序列如DWI/ADC和动态对比增强(DCE)成像整合到预测模型中,以确定这是否能改善性能。

结论

使用治疗前前列腺MRI衍生的影像组学特征预测前列腺放疗后BCRFS在技术上是可行的,并且与临床变量联合时改善了模型性能。加入缺氧基因特征评分并未改善预测准确性。在临床转化之前,需要进行进一步的多中心测试以评估影像组学的可重复性。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 21 KB)

引用

  1. Zhong J, Davey A, Frood R, et al. Combining MRI radiomics, hypoxia gene signature score and clinical variables for prediction of biochemical recurrence-free survival after radiotherapy in prostate cancer. Radiol Med. 2025. PMID: 40601075. doi:10.1007/s11547-025-02037-4
  2. 全文:PMC12367909(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12367909/

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。