基于CT的深度学习特征与转录组异质性相关并结合营养生物标志物改善食管鳞状细胞癌3年总生存预测
这项回顾性多中心研究纳入662例术后食管鳞状细胞癌患者和16例TCGA患者,构建结合CT深度学习特征与营养指标(低骨骼肌质量)的模型预测3年总生存。联合模型内部验证C-index 0.753、外部验证0.725,优于临床模型和深度学习模型;DLS风险分组间存在代谢通路转录组差异。
要点
- 联合模型内部验证C-index 0.753(95%CI 0.697–0.808),外部验证0.725(95%CI 0.613–0.838)。
- DLS模型内部验证C-index 0.743(95%CI 0.683–0.803),外部验证0.692(95%CI 0.576–0.809)。
- 注意力图显示模型聚焦灰度图上中高信号强度的肿瘤亚区,而非最暗区域。
核心结论
- 联合模型可实现食管鳞状细胞癌术前3年总生存预测,DLS风险分层反映转录组代谢异质性并增强影像特征生物学可解释性。
研究设计与样本
- 回顾性多中心研究,纳入3家医院662例术后食管鳞状细胞癌患者及TCGA数据库16例患者,2015年1月至2022年1月。
- 中心1和中心2共574例按7:3随机分为训练组402例和内部验证组172例,中心3的88例为外部验证组。
- CT采用Siemens SOMATOM Force和SOMATOM Definition扫描仪,基于Crossformer架构提取深度学习特征,两位胸部放射科医师手动分割三维感兴趣区。
- 在L3椎体水平测量骨骼肌指数评估低骨骼肌质量,采用性别特异性SMI阈值定义。
- 主要终点为3年总生存,中位随访时间50.1个月(四分位距43.3–62.3)。
关键影像表现/征象
- 注意力图可视化显示模型一致聚焦于灰度图像上中高信号强度的肿瘤亚区,而非最暗区域,可能对应强化成分、存活肿瘤核心或结构交界。
- 基于DLS定义的高风险组在胆固醇生物合成、类固醇激素代谢、氧化磷酸化和谷胱甘肽代谢通路活性显著更高(p < 0.05)。
- 高风险组上调基因包括KRT17、AKR1B10和GSTM3,富集于角质化、氧化还原代谢和炎症通路。
- 免疫相关分析显示组间无显著差异。
诊断标准与关键数值
- 病理T分期、病理N分期、神经侵犯、血管侵犯和低骨骼肌质量为独立临床预后因素。
- 临床模型内部验证C-index 0.687(95%CI 0.627–0.748),外部验证0.645(95%CI 0.539–0.752)。
- DLS模型内部验证C-index 0.743(95%CI 0.683–0.803),外部验证0.692(95%CI 0.576–0.809)。
- 联合模型内部验证C-index 0.753(95%CI 0.697–0.808),外部验证0.725(95%CI 0.613–0.838)。
- 基于DLS风险评分分层,训练组和内部验证组高低风险组3年OS差异有统计学意义(p < 0.001),外部验证组差异无统计学意义(P = 0.22)。
临床应用与阅片要点
- 模型基于术前静脉期CT图像和L3椎体水平骨骼肌指数,可在术前无创评估3年总生存风险。
- 联合模型整合了深度学习特征、病理T/N分期、神经侵犯、血管侵犯和低骨骼肌质量等独立预后因素,并提供列线图辅助个体化风险评估。
- 外部验证组中临床模型高低风险组OS差异无统计学意义(P = 0.22),作者指出可能反映模型对独立患者人群的泛化能力有限。
- 外部验证的决策曲线净获益随阈值变化,作者指出提示泛化能力有限。
- 作者指出未来工作应采用多组学方法以更好理解肿瘤生物学并提高预测模型的临床可解释性和实用性。
局限性
- 作为回顾性多中心分析,可能受选择偏倚和数据异质性影响。
- 外部验证样本相对较小,需在更大、更多样化队列中进行前瞻性验证。
- 随访时间有限,治疗数据仅记录为二分类变量(特指术后辅助治疗如化疗、放疗或放化疗),缺乏治疗特异性细节。
- 由于研究回顾性性质及缺乏重复扫描或分割扰动,无法正式评估DL特征的可重复性,应在未来前瞻性研究中解决。
- 尽管转录组分析揭示风险组间代谢差异,但样本量小且缺乏实验验证,限制了这些发现的机制解释。
全文中译14 节 · 点击展开
引言
食管癌是全球癌症相关死亡的第六大原因,其中食管鳞状细胞癌(ESCC)是最常见的组织学亚型,且与不良预后相关[1]。尽管外科和围手术期治疗有所改善,长期生存仍不理想,许多病例的5年总生存(OS)率低于20%,3年OS低于50%[2]。目前的预后评估主要依赖术后病理参数,如TNM分期、分化和血管侵犯,这些参数无法捕捉患者间的生物学异质性[3, 4]。相同病理分期患者之间显著的生存差异凸显了需要术前工具来支持个体化风险分层和治疗规划[5]。
近期研究已认识到营养不良和低骨骼肌质量(LSMM)——以进行性骨骼肌丢失为特征——是ESCC不良结局的关键预测因素[6, 7]。早期评估营养状态可能指导预康复并减少围手术期并发症。LSMM已在包括ESCC在内的多种实体恶性肿瘤中被验证为独立预后因素[8]。然而,许多基于深度学习的生存模型忽视了这一维度。深度学习能够从常规CT图像中提取高维特征,为评估肿瘤形态和异质性提供了一种无创方法[9–11]。在ESCC中,深度学习模型已显示出结局预测的潜力,但大多数现有模型缺乏对营养风险和LSMM等关键术前因素的整合,从而限制了其在真实临床环境中的适用性[12, 13]。为填补这些空白,我们提出一种联合模型,将基于CT的深度学习特征与包括LSMM在内的营养指标相结合,用于ESCC 3年OS的术前预测。该方法旨在将影像表型与患者层面的临床风险相衔接,增强预测工具的稳健性和临床实用性,尤其是在纳入LSMM等已验证临床标志物时。
此外,肿瘤代谢重编程在癌症进展和治疗耐药中发挥关键作用[14, 15]。代谢异质性影响肿瘤微环境,并与生存、免疫浸润和治疗反应密切相关[16, 17]。探索基于深度学习风险分组之间的转录组差异可能揭示表型的生物学基础。本研究不仅开发了一个预后模型,还通过转录组分析阐明了其深度学习评分的代谢基础,支持可解释性和临床转化。
材料与方法
患者人群
这是一项多中心回顾性研究,共纳入2015年1月至2022年1月期间来自三个医学中心和癌症基因组图谱(TCGA)数据库的678例食管鳞状细胞癌(ESCC)患者。其中,来自中心1和中心2的574例患者按7:3的比例随机分为训练队列(n = 402)和内部验证队列(n = 172)。来自中心3的88例患者被分配至外部验证队列。此外,纳入TCGA数据库中的16例ESCC患者用于分析深度学习(DL)模型背后的生物学机制(患者筛选流程图见图1)。TCGA患者的临床信息和转录组数据从GDC数据门户(https://portal.gdc.cancer.gov/)获取,CT图像从癌症影像档案(TCIA;https://www.cancerimagingarchive.net/)检索获得。纳入标准如下:(1)术后病理证实为ESCC;(2)术前一周内完成增强CT检查,图像质量可接受;(3)术前一周内具备平扫CT图像,包括L3椎体层面;(4)临床和随访信息完整。排除标准如下:(1)术前接受任何形式的抗肿瘤治疗;(2)存在其他恶性肿瘤或远处转移;(3)CT图像质量差或临床/随访数据不完整。本研究获得南京医科大学附属淮安第一医院伦理委员会批准,豁免知情同意。伦理批准号:KY-2022-045-01。
患者的临床和随访数据
收集所有患者的基线临床特征、术后病理和生存数据。术前营养状态通过使用CT图像评估L3椎体层面的骨骼肌指数(SMI)进行评价。低骨骼肌质量(LSMM)使用性别特异性SMI阈值进行定义,并分析其与预后的关联[18, 19](详细定义见补充材料1)。主要终点为3年总生存期(OS),定义为从手术切除日期至任何原因死亡的时间间隔。患者术后随访长达3年或至2024年12月,以先发生者为准。对于未发生事件的患者,生存数据在该时间段内最后一次确认随访时进行删失。随访数据通过电子病历和电话访谈获取。
CT图像采集和DL特征提取
所有CT扫描均使用Siemens SOMATOM Force和SOMATOM Definition扫描仪采集(详细参数见补充材料2)。静脉期图像通过体素重采样、灰度离散化和归一化进行预处理。两名经验丰富的胸部放射科医师使用ITK-SNAP(v3.8.0,http://www.itksnap.org)在轴位CT图像上手动分割三维感兴趣区域(ROI),并在冠状位和矢状位视图上进行调整。Crossformer通过卷积和注意力机制提取多尺度特征。主成分分析(PCA)将其降维至256维表征用于建模。
差异基因表达和通路功能分析
使用“limma”包识别高危组与低危组之间的差异表达基因(DEGs),并通过火山图和聚类热图进行可视化。构建蛋白质-蛋白质相互作用(PPI)网络以识别关键功能模块。为探索代谢异质性,对精选的代谢相关基因集进行单样本基因集富集分析(ssGSEA),包括胆固醇生物合成、类固醇代谢、谷胱甘肽代谢和氧化磷酸化等通路。使用Wilcoxon检验比较富集评分分布,并应用Spearman相关性评估DLS与通路活性之间的关联,揭示影像特征如何反映潜在的代谢状态(图2)。
统计分析
统计分析使用R语言(v4.1.3;www.R-project.org)和SPSS(v25.0;IBM)进行。连续变量根据情况使用独立t检验或Mann-Whitney U检验进行比较。单因素和多因素Cox回归分析确定独立预后因素。最小绝对收缩和选择算子(LASSO)-Cox回归(“glmnet”)、列线图构建与校准(“rms”)以及Kaplan-Meier(KM)生存分析在R中进行。风险分层基于分别从各Cox模型得出的深度学习(DL)、临床和联合特征,最佳截断值在训练集中使用survminer R包确定,并应用于验证队列和外部队列。在训练队列和验证队列中,使用一致性指数(C-index)、校准曲线和决策曲线分析(DCA)评估模型性能。
结果
患者临床特征
本研究共纳入来自三个医疗中心的662例食管鳞状细胞癌(ESCC)患者。其中,574例患者来自中心1和中心2,记录到212例死亡(36.90%)。中心3纳入88例患者,其中20例(22.70%)在随访期间死亡。此外,纳入TCGA数据库中的16例患者,随访期间观察到9例(56.30%)死亡。三个医疗中心患者的基线特征总结于表1。中位随访时间为50.1个月(四分位距:43.3-62.3)。
临床模型的构建与评估
在训练队列中,评估了临床和病理变量对ESCC患者3年总生存期(OS)的影响。单因素(补充图1)和多因素(表2)Cox回归分析确定病理T分期、病理N分期、神经侵犯、血管侵犯和LSMM为独立预后因素。基于这些变量,开发了一个临床预测模型,用于术前评估ESCC患者的3年OS风险。该模型在内部验证队列中的C-index为0.687(95% CI:0.627-0.748),在外部验证队列中为0.645(95% CI:0.539-0.752)。基于临床模型风险评分的风险分层显示,在训练队列和内部验证队列中,高危组与低危组之间的3年OS存在显著差异,如KM生存曲线所示(p < 0.001;图3)。
深度学习模型的构建与评估
首先使用最小冗余最大相关算法对初始深度学习(DL)特征进行降维,以消除冗余。随后,使用LASSO-Cox回归模型筛选与3年OS显著相关的关键特征。在最优λ值处,共识别出8个DL特征(补充图2)。然后,根据各特征相应的回归系数对其进行加权,计算个体化深度学习评分(DLS),并用于构建基于DLS的预后模型。该模型对ESCC患者的3年OS表现出较强的预测性能,内部验证队列的C指数为0.743(95% CI:0.683–0.803),外部验证队列为0.692(95% CI:0.576–0.809)。根据风险评分将患者分为高风险组和低风险组。KM生存分析显示,两组间3年OS差异具有统计学意义(p < 0.05;图4)。
联合模型的构建与评估
联合模型以元模型的形式实现:首先在经LASSO筛选的DL特征上训练仅含DL的Cox模型,获得DLS(线性预测值)。随后,将DLS作为单一协变量,与显著的临床预测因素(T分期、N分期、神经侵犯、脉管侵犯和LSMM)一起纳入多因素Cox模型,以估计ESCC的3年OS。构建列线图以促进个体化风险评估。联合模型优于临床模型和DLS模型,在内部验证队列和外部验证队列中的C指数分别为0.753(95% CI:0.697–0.808)和0.725(95% CI:0.613–0.838)(表3)。KM曲线显示风险组间生存差异显著(p < 0.05;图5)。校准曲线和DCA在内部验证中显示出良好的一致性和临床净获益。然而,外部净获益随阈值变化,表明泛化性有限(补充图3)。时间依赖性ROC分析进一步证实了在1年、2年和3年OS方面稳定的预测性能(补充图4)。
DL模型揭示ESCC中的代谢通路异质性
对16例TCGA-ESCC患者进行了探索性转录组分析,根据DL模型将其分为高风险组和低风险组。DEGs揭示了不同的转录组谱。高风险组中上调的基因包括KRT17、AKR1B10和GSTM3,富集于角化、氧化还原代谢和炎症通路,提示代谢重编程和上皮重塑。PPI网络显示以这些基因为中心的紧密连接功能模块。对精选代谢基因集进行的ssGSEA表明,高风险组在胆固醇生物合成、类固醇激素代谢、氧化磷酸化和谷胱甘肽代谢方面表现出显著更高的活性。这些结果通过富集热图进行可视化,展示了高风险亚组中不同的代谢活性和聚类模式(图6)。额外的免疫相关分析(如肿瘤免疫估计资源和免疫排斥)显示组间无显著差异,但为完整性起见呈现在补充图5和6中。总之,DLS定义的高风险ESCC患者表现出提示脂质代谢增强、氧化应激调节和侵袭性分子表型的转录组特征,为基于影像的风险分层提供了机制性见解。
讨论
在本研究中,我们开发了一个整合基于CT的DL特征和术前营养指标的多模态预测模型,用于估计ESCC患者的3年OS,并系统探索了DL模型背后的转录组基础。结果表明,联合模型在多个验证队列中均优于临床模型和DL模型。此外,根据DLS风险评分定义的高风险亚组患者表现出代谢重编程,其特征是多个关键代谢通路活性增强。这些发现为ESCC患者提供了一种具有生物学可解释性的无创预后工具,同时也为影像表型与肿瘤代谢异质性之间的潜在联系提供了新见解。
本研究开发的DL模型在内部和外部验证队列中均表现出良好的预测性能,C指数分别为0.743(95% CI:0.683–0.803)和0.692(95% CI:0.576–0.809)。为进一步探究模型的潜在决策过程,我们对Crossformer架构生成的注意力图进行了可视化(补充图7)。注意力图显示,模型始终关注灰度图像上中等至高信号强度的肿瘤亚区域,而非最暗区域。这些区域可能对应于强化成分、有活力的肿瘤核心或结构界面,提示模型优先关注生物学活跃或形态学上独特的区域。该可视化提供了对模型关注点的直观理解,并有助于提高深度学习框架的可解释性。
代谢重编程日益被认为是癌症进展的标志性特征。在ESCC中,肿瘤细胞利用增强的脂质合成、氧化磷酸化和谷胱甘肽代谢来维持生长并抵抗凋亡[20, 21]。在本研究中,DLS较高的TCGA-ESCC患者在胆固醇生物合成、类固醇代谢和氧化还原相关通路中表现出显著升高的活性(p < 0.05),反映了侵袭性肿瘤表型和增强的抗氧化能力[22, 23]。DEGs分析进一步鉴定出高风险组中代谢相关酶和角蛋白家族基因(如KRT17、AKR1B10、GSTM3)的富集,支持活跃的代谢重塑[24, 25]。PPI分析揭示了与角化和氧化还原调控相关的紧密连接模块。值得注意的是,既往研究表明影像组学特征可能捕捉代谢或免疫状态。Lin[26]证明基于MRI的鼻咽癌模型反映了干扰素活性和T细胞浸润。Wang[27]将基于CT的影像组学特征与肝细胞癌转录组学TACE反应相关联。Grossmann[28]报告了肺癌中的影像组学-免疫关联。虽然仍需进一步验证,但我们的发现提示DL衍生的影像特征可能作为一种“数字活检”,反映肿瘤对缺氧和氧化应激的代谢适应。与依赖手工特征的传统影像组学方法相比,我们基于深度学习的模型利用从原始CT数据中自动提取的高维表征。DLS无需显式特征工程即可捕捉转录组水平的代谢异质性,提示其具有更广泛的适用性和更强的潜力。
除DL模型外,本研究还基于独立预后因素构建了一个临床模型。该模型纳入的变量——如病理T分期、病理N分期、神经周围侵犯和淋巴血管侵犯——反映了肿瘤的局部侵袭性及其向周围组织的侵袭潜能,提示不良预后风险较高[29–31]。此外,LSMM作为营养缺乏和全身性炎症的标志物,是OS的独立预测因子,并显著改善了联合模型的分层性能。既往研究表明,LSMM与免疫功能受损、治疗耐受性差以及ESCC和其他恶性肿瘤的不良结局相关[32–34]。其整合使模型能够纳入宿主相关的脆弱性,将风险评估扩展到以肿瘤为中心的因素之外。在训练队列和内部验证队列中,KM生存分析显示高危组和低危组之间具有显著区分度(两个队列中P < 0.0001),表明临床模型在开发数据集内具有稳健性。然而,在外部验证队列中,两组之间未观察到OS的统计学显著差异(P = 0.22),可能反映该模型对独立患者人群的泛化能力有限。这一差异可能归因于外部队列中患者特征、治疗方案或样本量差异的异质性。
与以往仅基于临床病理特征或手工放射组学特征的预后模型相比,我们的联合模型表现出更优的性能和更广泛的临床适用性。例如,Zhang [35]利用SEER数据开发了一个临床模型,C-index约为0.609,但该模型缺乏分子或影像生物标志物,且泛化能力有限。Huang [36]提出了一种基于CT图像的深度学习模型,用于预测接受免疫化疗的ESCC患者的结局。尽管该模型达到了中等预测能力(内部队列C-index约0.74,外部队列约0.61),但未纳入关键临床或营养变量,这可能损害了稳健性。相比之下,我们的模型整合了基于DL的影像特征、独立临床预后因素和营养状态,在内部和外部验证中分别获得了更高的C-index值0.753和0.725。这种整合方法提高了预测准确性和生物学可解释性,支持其临床转化的潜力。
本研究存在局限性。首先,作为一项回顾性多中心分析,可能受到选择偏倚和数据异质性的影响。其次,外部验证样本量相对较小,需要在更大、更多样化的队列中进行前瞻性验证。第三,随访时间有限,治疗数据仅记录为二分类变量,具体指术后辅助治疗(如化疗、放疗或放化疗),因此缺乏治疗特异性粒度。第四,由于研究的回顾性性质以及缺乏重复扫描或分割扰动,我们无法正式评估深度学习(DL)特征的可重复性,这一问题应在未来前瞻性研究中加以解决。最后,尽管转录组分析揭示了风险组之间的代谢差异,但样本量小且缺乏实验验证,限制了对这些发现的机制解释。
结论
我们开发并验证了一个多模态模型,用于预测食管鳞状细胞癌(ESCC)患者的3年总生存期(OS)。基于深度学习评分(DLS)的风险分层揭示了亚组之间的代谢通路差异,为影像表型提供了生物学见解。未来工作应采用多组学方法以更好地理解肿瘤生物学,并提高预测模型的临床可解释性和实用性。
补充信息
补充材料
引用
- Jia J, Cheng Y, Wang J, et al. CT-based deep learning signatures associated with transcriptomic heterogeneity and combined with nutritional biomarkers improve prediction of 3-year overall survival in esophageal squamous cell carcinoma. Insights Imaging. 2026. PMID: 41586987. doi:10.1186/s13244-025-02189-x
- 全文:PMC12835474(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12835474/
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。