整合超声影像组学与临床病理参数的机器学习模型预测结直肠癌肝转移根治性肝切除后肝内复发
这项回顾性研究纳入两个中心共278例结直肠癌肝转移患者,基于术前超声影像组学特征与临床病理参数构建cRadiomics机器学习模型,用于预测根治性肝切除后2年内肝内复发。cRadiomics模型在主队列测试集AUC为0.811(95%CI 0.755-0.861),外部验证队列AUC为0.784(95%CI 0.644-0.880),均显著优于影像组学模型和临床模型。
要点
- cRadiomics模型整合超声影像组学与临床病理参数,预测CRLM根治性肝切除后2年内肝内复发。
- 主队列测试集AUC 0.811(95%CI 0.755-0.861),外部验证队列AUC 0.784(95%CI 0.644-0.880)。
- 模型纳入6项临床参数和7个影像组学特征,包括瘤内、瘤周及无病肝实质的纹理特征。
核心结论
- cRadiomics模型整合超声影像组学与临床病理参数,提高了对结直肠癌肝转移根治性肝切除后2年内肝内复发的预测能力。
研究设计与样本
- 回顾性研究纳入278例符合标准的CRLM患者(年龄55±12岁;男性188例),来自两个中心,包括主队列224例(2010年7月至2021年2月)和外部队列54例(2015年2月至2020年10月)。
- 患者按2年随访期间的复发状态分层,收集术前超声图像和临床病理参数。
- 从肝转移灶、瘤周区域和无病肝实质中提取影像组学特征,使用LASSO分析和支持向量机算法构建临床、影像组学和临床-影像组学联合(cRadiomics)三种预测模型。
- 模型性能通过主队列的五折交叉验证和外部队列的外部验证评估,指标包括ROC曲线、AUC、准确度、敏感度和特异度。
关键影像表现/征象
- 从肝转移灶提取3个纹理特征(自相关、尺寸区域非均匀性、短游程强调),瘤周区域提取2个纹理特征(聚类突出、区域非均匀性),肝实质提取2个纹理特征(小区域强调、均匀性)。
- 自相关和均匀性与肝切除后肝内复发呈负相关,相关系数分别为−0.12和−0.24。
- 短游程强调与均匀性显示强负相关,相关系数为−0.65。
诊断标准与关键数值
- cRadiomics模型在主队列测试集AUC为0.811(95%CI 0.755-0.861),外部验证队列AUC为0.784(95%CI 0.644-0.880)。
- 主队列测试集中cRadiomics模型准确度为0.735(95%CI 0.674-0.793),敏感度为0.738(95%CI 0.652-0.810),特异度为0.731(95%CI 0.625-0.813)。
- 外部验证队列中cRadiomics模型准确度为0.763(95%CI 0.634-0.864),敏感度为0.762(95%CI 0.605-0.879),特异度为0.765(95%CI 0.501-0.932)。
临床应用与阅片要点
- cRadiomics模型在主队列测试集和外部验证队列中AUC均显著优于影像组学模型(AUC 0.744和0.724;p < 0.01)和临床模型(AUC 0.706和0.696;p < 0.05)。
- cRadiomics模型在外部验证队列测试中校准斜率为0.784,截距为0.122,Brier分数为0.250,优于影像组学模型和临床模型。
- 作者认为该模型在提高CRLM患者临床决策、实现个性化管理和风险适应性随访方面具有很大潜力。
局限性
- 原文未报告局限性。
全文中译12 节 · 点击展开
引言
结直肠癌(CRC)是全球第三大最常被诊断的癌症,也是癌症相关死亡的第二大原因[1]。由于肝脏在解剖上邻近且与门体循环相连,肝脏是CRC转移的首选部位。近50%的患者在疾病过程中发生肝转移[2, 3]。CRC肝转移(CRLM)的治疗选择包括肝切除术、全身化疗、放疗、肝动脉栓塞和热消融技术,如微波凝固治疗和射频消融[4]。肝切除术仍然是CRC肝转移(CRLM)的标准治疗,在接受完全切除的患者中,20%–50%可获得长期生存和潜在治愈[5]。然而,既往研究表明,仅10%–20%的CRLM患者最初符合治愈性切除条件[6, 7]。对于可切除的肝转移,患者应接受围手术期化疗,包括术前三个月FOLFOX4(5-氟尿嘧啶、亚叶酸和奥沙利铂),术后再行三个月化疗。对于不可切除的肝转移,给予新辅助化疗以将最初不可切除的CRLM转化为可切除病例[8, 9]。然而,延长化疗可导致化疗诱导的肝损伤,如肝脂肪变性,这可能损害术前影像学检查检测病灶的敏感性[10, 11]。尽管治疗进展降低了术后复发风险,但约50%–70%的患者仍会发生复发,其中大多数发生在切除后两年内。这些患者中有三分之一为局限于肝脏的复发[12–14]。这种高复发率与仅37%–58%的5年生存率降低相关[15]。因此,及时诊断和可靠的复发预测对于精准医学和个体化随访至关重要,从而最终改善结局和生活质量。
放射组学从医学图像中提取广泛的定量特征,以检测肿瘤内肉眼几乎无法察觉的细微微结构变化,提供与肿瘤生物学、治疗反应、潜在复发风险和预后相关的见解[16, 17]。基于术前全肝增强计算机断层扫描(CT)图像,放射组学模型在预测直肠癌手术后两年内异时性转移方面显示出有前景的性能[18]。Simpson等证明,基于CT的放射组学特征可识别肝切除术后有复发风险的患者,包括6个月内早期CRLM复发[19, 20]。
近期研究报告称,基于超声的影像组学作为影像组学的一个有前景的分支,已被应用于评估局灶性肝脏病变,如肝细胞癌[21]、肝转移瘤[22]和弥漫性肝脏疾病[23]。本研究旨在开发并验证一种机器学习模型,用于预测结直肠癌肝转移患者根治性肝切除术后肝内复发。该模型整合了来自肿瘤、瘤周区域和大致无病灶肝实质的超声影像组学特征与临床病理参数。本研究的发现可能有助于改善临床决策,并为CRLM患者实现个性化管理和风险适应性随访。
材料与方法
研究人群
本研究按照《赫尔辛基宣言》进行,并获得中山大学肿瘤防治中心医学伦理委员会批准(编号:B2023-605-01)。由于本回顾性研究为观察性设计,免除知情同意。然而,每位参与者在入院时均签署了由中山大学肿瘤防治中心伦理委员会认证和批准的《临床样本与医学数据采集与应用知情同意书》。回顾性从中山大学肿瘤防治中心(SYSUCC,中国广州)临床数据库中连续招募2010年7月至2021年2月期间接受CRLM初次切除的患者。在这些患者中,选取符合条件的个体组成主要队列,用于模型训练和内部评估。纳入标准为:(1)年龄≥18岁,(2)病理确诊为结直肠腺癌,(3)肝转移灶接受根治性切除,(4)术前接受肝脏超声检查。排除标准为:(1)肝外转移至肺、骨、脑、腹膜和远处淋巴结,(2)临床信息不完整,(3)超声图像质量差,(4)肝外复发,(5)其他恶性肿瘤病史。2015年2月至2020年10月期间,根据相同标准从中山大学附属第六医院(SYSUASH,中国广州)筛选符合条件的患者,构成独立队列,用于对主要队列所衍生模型进行外部验证。患者筛选流程见图1。
临床数据收集
回顾性从病历中收集CRLM患者的临床资料,包括患者相关因素、原发肿瘤因素、肝转移因素及治疗相关因素。同时性肝转移定义为在原发病灶诊断时或诊断前发现的肝转移,而异时性转移定义为结直肠癌手术后发现的转移[24]。部分CRLM患者不仅接受了肝切除术,还接受了术中开放消融。“完全消融”定义为消融后1个月随访增强CT或磁共振成像(MRI)上整个消融区域无强化[25]。术前癌胚抗原(CEA)和糖类抗原19-9(CA19-9)水平取自实验室检查。肝内复发定义为根治性切除后两年内,在腹部增强CT或增强MRI上发现具有结直肠肝转移典型影像学特征的新发肝内病灶或转移灶,或非典型表现经组织病理学检查证实。
超声图像采集与预处理
还从病历系统中收集了以DICOM格式保存的术前肝脏灰阶超声图像,这些图像使用Philips IU22(Philips Medical Systems)、GE Logiq E9(GE Healthcare)及类似诊断仪器采集。在一名具有10年超声经验的资深放射科医师监督下,一名具有3年经验的初级放射科医师为所有患者勾画了肿瘤、瘤周及肝实质感兴趣区(ROI)。对于每个病灶,在最大横截面的灰阶超声图像上沿肿瘤边界手动勾画ROI。瘤周ROI由病灶边界自动向外扩展1 cm,而指定直径(2 cm)的实质ROI则在肝实质区域手动绘制,确保所选区域无可见病变或解剖结构。因邻近肝包膜或其他解剖边界而无法实现1 cm瘤周扩展的病例被排除。所有ROI均由资深放射科医师审核,必要时进行调整以确保勾画准确。随后,所有图像均接受标准化预处理,包括使用固定箱宽进行强度离散化。放射组学特征使用3D Slicer(版本5.0.3)中的PyRadiomics扩展提取,并使用z-score进行标准化,以确保患者间的可比性。
模型开发
采用主要队列的数据建立预后模型。在模型开发过程中,使用最小绝对收缩和选择算子(LASSO)筛选放射组学特征和临床病理参数,以识别肝内复发的强预测因子。采用Spearman分析评估LASSO筛选出的每对特征变量之间的相关性,以及这些变量与复发结局之间的相关性,唯一目的是评估LASSO所选特征的效用及其冗余性。此后,使用支持向量机机器学习算法构建三个预后模型:基于临床病理参数的临床模型、基于超声放射组学特征的放射组学模型,以及整合两者的联合模型(cRadiomics)。图2展示了模型开发流程的概述。
模型评估
采用内部验证和外部验证评估模型的分类性能。对于内部验证,在主要队列上进行二十五折交叉验证(FFCV)(多次运行FFCV可实现稳健比较,因为每次运行涉及随机数据拆分,重复该过程可考虑此类随机性从而提高结果可靠性)。完成二十轮FFCV后,将参与FFCV内部训练或测试的样本的预测概率汇总在一起,生成复合受试者工作特征(ROC)曲线[26],由此计算一组定量指标用于性能评估,包括准确率、灵敏度、特异度和ROC曲线下面积(AUC)。对于外部验证,所有模型在全部主要队列数据上重新训练;所得模型随后在外部队列上使用与内部验证相同的指标进行评估(由于在内部验证期间通过重复FFCV运行在主要队列上训练了多个模型,这些源自内部验证的模型被排除在外部测试之外,以减轻实际部署场景中的存储和计算负担。相反,在全部主要队列上重新训练产生单个模型用于外部验证——这一过程反映了实际实践,确保高效的模型开发和部署。有关内部/外部验证的更多细节见补充材料)。除评估模型的分类性能外,我们还通过校准图、校准斜率/截距和Brier评分[27]评估其校准度。
统计分析
连续临床变量以均数 ± 标准差表示,并采用 Mann–Whitney U 检验进行比较;分类变量以频数(比例,%)表示,并采用卡方检验进行分析,但术前 CEA(< 200 或 > 200 ng/mL)除外,其采用 Fisher 精确检验进行评估。采用 Spearman 分析评估 LASSO 筛选出的每一对特征变量之间的相关性,以及这些变量与复发结局之间的相关性。准确率、灵敏度、特异度和 AUC 的 95% 置信区间(CI)采用 Clopper–Pearson 方法计算 [28]。采用 DeLong 检验衡量 AUC 值之间差异的显著性。双侧 p 值小于 0.05 视为具有统计学意义。数据处理和模型开发使用 Python(版本 3.8.1)中的 scikit-learn(版本 0.23.2)进行。
结果
患者特征
共纳入来自 SYSUCC 的 224 例患者(年龄,54 ± 11 岁;男性 154 例)。主要队列患者包括 154 例(68.8%)男性和 70 例(31.2%)女性,均接受了治愈性肝切除术,伴或不伴额外的术中开放消融。截至随访结束时,129 例(57.6%)患者发生肝内复发,而 95 例(42.4%)无复发证据。发生肝内复发的患者更可能出现同时性肝转移(n = 109,84.5% vs n = 63,66.3%;p = 0.001)、双叶肝转移(n = 68,52.7% vs n = 21,22.1%;p < 0.001)以及肿瘤数目 ≥ 3(n = 79,61.2% vs n = 37,38.9%;p = 0.001)。这些患者也倾向于接受辅助化疗(n = 122,94.6% vs n = 74,77.9%;p < 0.001)、靶向治疗(n = 57,44.2% vs n = 25,26.3%;p = 0.006)和术中消融(n = 48,37.2% vs n = 19,20%;p = 0.005)。此外,病理淋巴结阳性(N1–N2)(n = 75,58.2% vs n = 37,38.9%;p = 0.005)和术前 CA19-9 > 200 U/mL(n = 13,10.1% vs n = 2,2.1%;p = 0.018)在肝内复发患者中较为常见。两组之间在年龄、性别、原发肿瘤部位、CRLM 最大直径和其他临床变量方面未观察到显著差异(均 p > 0.05)。由于两个队列中微卫星不稳定(MSI)缺失值比例相对较高(23.0%),未将其纳入组间统计比较或多变量建模。
通过筛选来自 SYSUASH 的患者,共纳入 54 例患者(年龄,58 ± 13 岁;男性 34 例)作为外部队列,其中 51 例患者被诊断为同时性 CRLM,44 例患者接受了同期切除。大多数患者(74.1%)的肿瘤数目 <3。38 例患者在肝切除术后两年内发生肝内复发。患者基线特征总结于表 1。
筛选出的特征
通过LASSO识别出最显著的预测因子,同时使用Spearman相关分析测量各对已识别变量之间的相关性。术前CA19-9 > 200 U/mL、病理性淋巴结阳性、肝转移的位置和时机、术前化疗及靶向药物的使用与肝内复发相关性良好,而双叶肝转移是最强的危险因素,显示出最高的Spearman相关系数(r = 0.29)(图3)。共提取了837个影像组学特征,包括162个一阶特征和675个纹理特征[29]。最终筛选出三个肝脏肿瘤纹理特征(自相关、尺寸区域非均匀性、短游程强调)、两个瘤周纹理特征(聚类突出、区域非均匀性)和两个肝实质纹理特征(小区域强调、均匀性)。自相关和均匀性与肝切除术后肝内复发呈负相关,相关系数分别为−0.12和−0.24。短游程强调和均匀性显示出−0.65的强负相关值。术前CA19-9水平大于200 U/mL与病理N分期呈中度正相关(图4)。
模型性能与比较
在内部验证中,cRadiomics在主队列的训练数据上达到了0.841的AUC(95% CI:0.836–0.845),而Radiomics和临床模型分别为0.784(0.779–0.789)和0.749(0.744–0.754)(ps < 0.01)(图5a和表2)。在此比较的校准方面,cRadiomics的校准斜率为0.974,截距为0.015,Brier分数为0.163,优于其他两个模型,具体而言,Radiomics为0.950、0.023和0.195,临床模型为0.908、0.055和0.181(图5c和表2)。在主队列的测试数据上,cRadiomics达到了0.811的AUC(95% CI:0.755–0.861),而Radiomics和临床模型分别为0.744(0.683–0.801)和0.706(0.641–0.764)(ps < 0.01)(图5b和表3)。在此背景下的校准方面,与其他模型相比,cRadiomics表现出较低的校准斜率(0.811 vs 0.832和0.960)和较高的截距(0.108 vs 0.102和0.085),而其Brier分数较高(0.183 vs 0.192和0.204)(图5d和表3)。各模型多次运行FFCV所得AUC的箱线图展示了cRadiomics优于其他模型的性能(图S1)。
在外部验证中,cRadiomics 在主队列的训练数据上达到了 0.820(95% CI:0.765–0.869)的 AUC,显著高于其他两个模型[放射组学模型和临床模型分别为 0.790(0.731–0.842)和 0.737(0.674–0.793),ps < 0.05](图 6a 和表 4)。关于该比较中的校准,cRadiomics 的校准斜率为 1.016,截距为 0.010,Brier 评分为 0.184,优于其他模型,具体而言,放射组学模型为 0.952、0.066 和 0.210,临床模型为 0.908、0.084 和 0.224(图 6c 和表 4)。在外部队列上进行测试时,cRadiomics 达到了 0.784(95% CI:0.644–0.880)的 AUC,也显著高于其他两个模型所达到的 AUC[AUC:放射组学模型和临床模型分别为 0.724(0.584–0.835)和 0.696(0.564–0.820),ps < 0.05](图 6b 和表 5)。在此背景下的校准方面,cRadiomics 的校准斜率为 0.784,截距为 0.122,Brier 评分为 0.250,优于其他两者[放射组学模型为 0.446、0.294 和 0.285,临床模型为 0.772、0.211 和 0.336(图 6d 和表 5)。
除了最高的 AUC 值和有前景的校准外,cRadiomics 在主队列的测试数据中达到了 0.735(95% CI:0.674–0.793)的准确率,在外部队列的测试数据中达到了 0.763(0.634–0.864)的准确率,灵敏度分别为 0.738(0.652–0.810)和 0.762(0.605–0.879),特异度分别为 0.731(0.625–0.813)和 0.765(0.501–0.932)(表 3 和表 5)。这些发现表明,该模型不仅能准确区分不同病例,还能在不同数据子集中保持稳健可靠的预测能力,表明其具有改善临床决策和实施个性化随访管理的临床应用潜力。
讨论
尽管CRC患者的肝脏病灶被完全切除,临床结局仍存在显著异质性,尤其是在复发率和生存率方面。超过半数患者在随访期间出现复发,其中大多数发生在最初两年内[30, 31]。临床风险评分(CRS)是预测CRLM患者长期生存的常用预后模型之一[21]。其他预后系统,如肿瘤负荷评分、遗传与形态学评估评分以及复发风险综合评估评分,纳入了多种临床和分子标志物,包括双叶肝转移、CEA和CA19-9水平以及KRAS、NRAS、BRAF突变[32–34]。然而,随着越来越多的预后因素被不断识别,仅依靠这些系统来评估肝内复发风险正变得越来越不充分。
在本研究中,我们开发并验证了一种机器学习模型,该模型基于临床病理参数以及术前灰度超声图像上肝脏转移灶、瘤周区域和肉眼无病变肝实质的影像组学特征。该模型在预测结直肠癌肝转移(CRLM)根治性肝切除术后两年内肝内复发方面表现出良好的分类和校准性能。除病灶本身外,肿瘤边缘还可揭示肿瘤的生物学和病理学特征。2017年一项国际共识指南强调,CRLM的组织病理学生长模式——促纤维增生型、推挤型和替代型——具有重要的预后和预测价值[35]。促纤维增生型生长模式对化疗反应良好,而替代型生长模式对全身治疗反应较差,提示预后不佳。然而,生长模式的明确评估主要依赖术后组织病理学评估。一些研究通过对CRLM的MRI图像应用影像组学,在预测生长模式方面达到了较高准确率[36, 37]。重要的是,研究表明肝内微转移与较差的临床结局之间存在强相关性[38]。微转移可导致肝内血流动力学改变,但常规影像技术往往无法检出。CT或MRI纹理分析正作为一种无创技术出现,具有检测微转移或隐匿性CRLM所致细微变化的潜力[39–41]。同样,在我们的研究中,从灰度超声图像中提取的两个瘤周纹理特征(聚类突出度、区域不均匀性)和两个肝实质纹理特征(小区域强调、均匀性)被识别为与肝内复发相关。
所提出的模型将术前化疗和靶向药物的使用确定为肝内复发的危险因素。这可能是由于这些患者的肿瘤负荷较高,因为单因素分析显示肿瘤数目≥3、病理淋巴结阳性以及双叶肝转移与肝内复发显著相关。值得注意的是,化疗相关肝损伤,如脂肪性肝炎和肝窦阻塞,可改变肝实质,导致CT扫描上呈现不均匀外观,可能掩盖复发灶的检出[42]。这使术前影像中的精确病灶检测和手术中的准确定位变得复杂[43]。
尽管我们已经开发了一个有前景的模型来预测结直肠癌肝转移(CRLM)根治性切除后两年内的肝内复发,但我们的研究存在若干局限性。首先,作为一项回顾性研究,它存在不可避免的选择偏倚,这可能影响数据分析的可靠性。其次,并非所有通过超声成像可视化的肿瘤都表现出清晰且边界分明的边缘,这可能导致提取的影像组学特征数量减少。但与CT或MRI相比,超声是评估肝脏病变的一种便捷、无创且经济有效的模态。第三,影像组学特征的提取可能受到多种因素的影响,包括检查设备的类型和设置,以及所采用的数据分析算法。因此,有必要开展前瞻性、多中心研究来验证我们的发现,并进一步确立其在临床实践中的相关性。
总之,整合超声影像组学和临床病理数据的cRadiomics模型改善了结直肠癌肝转移根治性肝切除术后两年内肝内复发的预测,并且在改善临床决策、实现CRLM患者的个体化管理和风险适应性随访方面具有巨大潜力。
补充信息
电子补充材料
引用
- Hu T, Liu Z, Kuang P, et al. Predicting intrahepatic recurrence of colorectal cancer liver metastases after curative hepatectomy using a machine learning model with data integration of ultrasound radiomics and clinicopathological parameters. Insights Imaging. 2026. PMID: 41838246. doi:10.1186/s13244-026-02227-2
- 全文:PMC12992848(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12992848/
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。