文献速递胸部技术与安全CTPET

影像组学预测非小细胞肺癌治疗反应:现状、挑战与未来展望

Radiomics in predicting treatment response in non-small-cell lung cancer: current status, challenges and future perspectives.
PubMed 文献 · Eur Radiol · 2020-08-18

本综述通过PubMed检索纳入14篇文献,评估影像组学预测非小细胞肺癌治疗反应的研究质量。采用影像组学质量评分(RQS)评估,中位总分仅+2.5分(范围-5至+9),主要反映缺乏可重复性和临床评估。结论认为影像组学研究尚未转化为临床应用,需标准化和外部验证。

要点

  • 影像组学预测NSCLC治疗反应的研究报告了多种特征,但研究间缺乏可重复性。
  • 采用RQS评估,14项研究中位总分仅+2.5分(范围-5至+9,满分+36)。
  • 未来研究应标准化影像组学特征和软件,并在前瞻性设置中进行外部验证。

关键影像表现/征象

  • 纳入研究报告了包括峰度、灰度均匀性和小波HLL均值等一阶、二阶和高阶特征,以及基于PET的代谢参数。
  • 在同步放化疗后手术患者中,小波HLL均值对病理完全缓解有中等预测价值(AUC 0.63,p=0.01)。
  • 由10个原发肿瘤和10个淋巴结影像组学特征构建的模型预测病理反应显著优于常规特征(AUC 0.68,p<0.05),临床与影像组学联合模型预测大体残留病灶最佳(AUC 0.73,p<0.05)。
  • 在接受联合放化疗的患者中,峰度可独立预测病理反应(OR 1.107,p=0.009);在接受酪氨酸激酶抑制剂治疗的患者中,强度变异性可独立预测病理反应(OR 1.093,p=0.028)。
  • PET早期SUVmax变化对病理完全缓解有极好预测价值(κ一致性0.55,p=0.008)。

诊断标准与关键数值

  • RECIST标准基于肿瘤单维尺寸评估治疗反应,是肿瘤试验中广泛使用的影像学反应标志物。
  • 在局部晚期或转移性NSCLC接受酪氨酸激酶抑制剂治疗中,基线PET代谢参数(如SUVmax和总病灶糖酵解)与RECIST反应不相关。
  • 从基线至治疗6周的系列PET中SUVmax变化可预测12周时RECIST反应(p=0.007)。
  • 在同步放化疗患者中,基线SUVmax对RECIST反应预测不佳(AUC 0.64);从基线至第一周期化疗的SUVmax和FDG净流入常数(Ki)变化对RECIST反应预测极好(AUC分别为0.91和0.92)。
  • 在局部晚期或转移性NSCLC接受酪氨酸激酶抑制剂治疗中,基线PET/CT反映肿瘤异质性的特征(一阶标准差、熵和均匀性)与RECIST反应相关(p<0.01)。

临床应用与阅片要点

  • 影像组学模型报告的预测性能多基于判别统计量,校准统计量使用不足,仅3项研究使用了重采样方法。
  • 仅1项研究进行了外部验证(使用另一机构的单数据集),13项研究(93%)缺乏验证。
  • 两项研究报道粗粒度和对比度是RECIST反应的良好预测因子(AUC≥0.80),但这两个高阶特征已被证明是最不可重复的影像组学特征之一。
  • 部分研究缺乏适当的特征降维,如Hunter等(2015)使用35个影像组学特征构建模型,样本量仅64例患者,过拟合风险高。
  • 作者认为未来影像组学研究应聚焦于实施标准化影像组学特征和软件,并在前瞻性设置中进行外部验证。

局限性

  • 本综述不是系统综述,可能遗漏相关研究,因未检索其他医学数据库和灰色文献。
  • 由于个体研究间存在广泛异质性,无法进行Meta分析。
  • 纳入研究间存在广泛异质性,源于患者人群、癌症分期、治疗方式、随访时间尺度和影像组学工作流程方法的差异。
  • 纳入研究的科学和报告质量相对较低,可能增加了影像组学特征与治疗反应之间假阳性关联报告的可能性。
全文中译9 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:Eur Radiol. 2020 Aug 18;31(2):1049–58. doi: 10.1007/s00330-020-07141-9

引言

影像组学是利用数学算法从医学影像中提取数据以进行高级图像分析[1]。影像组学的基本概念是,医学影像包含肉眼无法辨别的定量信息,这些信息可能反映组织的潜在病理生理学特征。在癌症影像学中,定量影像组学特征具有表征肿瘤表型的潜力。影像组学的一个重要目标是根据从医学影像中提取的肿瘤表型特征,构建治疗反应的预测模型。这对于追求个体化医疗至关重要,个体化医疗是根据个体患者及其肿瘤的特征来制定治疗方案。

在世界范围内,肺癌是最常见的癌症,也是癌症死亡的主要原因。2018年,有209万人被诊断为肺癌,176万人死于肺癌[2]。非小细胞肺癌(NSCLC)是最常见的肺癌类型,占所有肺癌诊断的87%[3]。NSCLC采用多种治疗方式:手术;放疗,包括立体定向消融放疗;以及全身治疗,包括细胞毒性化疗、酪氨酸激酶抑制剂和免疫检查点抑制剂[4]。NSCLC患者进行基线计算机断层扫描(CT)和/或氟脱氧葡萄糖正电子发射断层扫描/计算机断层扫描(FDG PET/CT)成像以进行诊断和分期。还进行定期随访成像以评估治疗反应和监测复发。

可使用病理学或放射学标准评估治疗反应。病理学反应是一个“硬”终点;然而,它只能在16%接受手术切除的NSCLC患者中进行评估[5]。因此,放射学反应是NSCLC治疗反应评估的主要手段。实体瘤疗效评价标准(RECIST)提供了一种客观、标准化的方法,基于肿瘤大小的单维评估来报告治疗反应[6]。RECIST标准被嵌入肿瘤试验终点的定义中,如缓解率和无进展生存期[7]。在临床实践中,治疗反应的放射学评估主要依赖于肿瘤大小,并辅以对其他肿瘤特征(如均匀性和形状)的定性评估。

从定量的角度来看,这种方法不仅基础,而且忽略了医学图像中的大量信息。影像组学方法有可能在治疗过程的早期识别治疗反应的定量标志物。这可以使治疗在疾病过程的早期得以调整、加强或改变,以改善患者预后。

尽管放射组学展现出巨大前景,但尚未转化为临床实践[8]。在本文献综述中,我们总结了放射组学在非小细胞肺癌(NSCLC)治疗反应预测中的当前应用,并评估了该领域研究的科学质量和报告质量。该领域的其他综述侧重于新型放射组学技术[9]和预后预测[10];然而,我们的重点是在治疗病程早期预测治疗反应,据我们所知,这是第一篇评估该领域研究质量的论文。我们讨论了放射组学转化差距背后的研究挑战,并对未来方向进行了展望。

材料与方法

检索策略与研究选择

使用PubMed数据库进行了全面的文献检索,采用了广泛的关键词和医学主题词(MeSH)术语。检索策略的完整细节见表1。

我们纳入了所有评估从基线或早期治疗CT或PET/CT扫描中提取的定量特征与接受任何模式治疗的任何分期NSCLC患者治疗反应之间关系的研究。我们采用以下排除标准:(1)未将放射学或病理学反应作为终点评估的研究;(2)纯粹关注放射组学方法学方面的研究;(3)从治疗后进行的影像中提取定量特征的研究,即非预测性研究;(4)体模或动物模型研究;(5)无原始数据的文章,如综述和社论。未基于语言、地理位置或发表时间排除任何研究。共筛选了178篇标题/摘要,检索到34篇符合条件的研究全文。14篇发表于2003年至2018年的同行评审文章被纳入本综述。筛选和 eligibility 评估的完整细节见图1。

表1 用于检索PubMed数据库的关键词和MeSH术语 查看原表 ↗
图1 研究选择过程的流程图 查看原图 ↗

数据提取与分析

从每项纳入研究中提取以下数据:样本量、NSCLC分期、治疗方式、随访时间、影像模态、定量特征、治疗反应终点和性能指标。

使用放射组学质量评分(RQS)[11]对研究进行系统评估。RQS是一种放射组学专用的质量评估工具,仿照个体预后或诊断多变量预测模型的透明报告(TRIPOD)报告指南[12]。RQS包含16个组成部分,其完整定义见其他文献[11]。

在本综述中,每项研究根据RQS各组成部分被赋予一定分值并求和得出总分(范围−8至+36)。研究评分基于其与治疗反应终点相关的方法学,而非研究中所探索的任何其他终点。RQS的某些组成部分按以下方式解读。若提及标准化成像方案但正文、补充信息或所引用文献中未提供图像采集参数,则成像不可重复,因此“图像方案质量”评分为0分。若仅测试单一或极少数量化特征,过拟合风险极小,因此“特征降维或多重检验校正”评分为+3分。若仅使用训练数据进行交叉验证或嵌套交叉验证,则缺少未经重新训练的真正验证,因此“验证”评分为−5分。若讨论了潜在效用但未分析对健康结局的影响,则未证明临床效用,因此“潜在临床效用”评分为0分。

结果

表2总结了NSCLC中治疗反应的影像学预测因素。

表2 治疗反应的影像学预测因素 查看原表 ↗

预测病理学反应

病理学完全反应定义为所有标本中均无肿瘤细胞。它是局部晚期NSCLC的重要预后因素,与更高的总生存率和更低的局部及远处复发率相关[27]。

三项回顾性研究探讨了基于CT的影像组学特征是否能预测病理学反应。

在接受联合放化疗后手术切除的NSCLC患者中,高阶纹理特征小波HLL均值对病理学完全反应具有中等预测能力(AUC 0.63,p = 0.01)[14]。

同一课题组的进一步研究表明,淋巴结纹理特征比原发肿瘤纹理特征更好地预测病理学完全反应[13]。由十个原发肿瘤和十个淋巴结影像组学特征构建的模型在预测病理学反应方面显著优于传统特征(AUC 0.68,p < 0.05),而临床与影像组学联合模型在预测大体残留病灶方面表现最佳(AUC 0.73,p < 0.05)[13]。

Chong等(2014)在两个分别接受联合放化疗和酪氨酸激酶抑制剂治疗后手术切除的患者队列中进行了多因素分析。在接受联合放化疗的患者中,峰度可独立预测病理学反应(OR 1.107,p = 0.009);在接受酪氨酸激酶抑制剂治疗的患者中,强度变异性可独立预测病理学反应(OR 1.093,p = 0.028)[15]。

Aukema等(2010)进行了一项前瞻性研究,探讨基于PET的定量特征与接受联合放化疗后手术切除的NSCLC患者病理学反应之间的关系。最大标准化摄取值(SUVmax)的早期变化对病理学完全反应具有极好的预测能力(κ一致性0.55,p = 0.008)[16]。

预测影像学反应

基于RECIST标准的影像学评估在肿瘤学试验中被广泛用作治疗反应的标志物。一项近期研究纳入23,259例接受化疗和/或靶向治疗的癌症患者(36%为肺癌),显示单维肿瘤大小变化与总生存期之间存在线性关系[28]。肿瘤体积变化是评估治疗后影像学反应的另一种有效工具,在局部晚期NSCLC患者中,已显示其与病理完全缓解的相关性优于单维RECIST[29]。

四项研究探讨了基于PET的代谢参数。在接受酪氨酸激酶抑制剂治疗的局部晚期或转移性NSCLC中,基线PET代谢参数(如SUVmax和总病灶糖酵解(TLG))与RECIST反应不相关[18, 19]。然而,从基线至治疗6周的系列PET成像中SUVmax的变化可预测12周时的RECIST反应(p = 0.007)[18]。在接受同步放化疗的患者中也显示了类似结果。在该组中,基线SUVmax不是RECIST反应的良好预测因子(AUC 0.64)[22]。一项前瞻性研究显示,从基线至第一个化疗周期的系列PET成像中SUVmax和FDG净流入常数(Ki)的变化是RECIST反应的极佳预测因子(AUC分别为0.91和0.92)[23]。

三项研究探讨了基于PET的纹理和异质性参数。在接受酪氨酸激酶抑制剂治疗的局部晚期或转移性NSCLC中,基线PET/CT成像中反映肿瘤异质性的特征,如一阶标准差、熵和均匀度,与RECIST反应相关(p < 0.01)[18]。在接受同步放化疗的患者中,基线纹理特征如对比度、粗糙度和繁忙度可预测RECIST反应(AUC分别为0.80、0.82和0.72,p < 0.03)[20]。另一项研究显示,基线SUV的对比度和变异系数(AUC分别为0.80和0.78)以及从基线至治疗4周的系列PET成像中SUV对比度和变异系数的变化(AUC分别为0.86和0.80)均可预测12周时的RECIST反应[17]。

在接受一线铂类化疗的局部晚期或转移性NSCLC中,基线CT的灰度均匀度在组织学为腺癌的亚组中可预测RECIST反应(AUC 0.741,p < 0.01)[21]。

Ramella等(2018)显示,从治疗前CT图像提取的七个影像组学特征与五个常规临床特征相结合,可预测同步放化疗完成后的肿瘤体积(AUC 0.82)[24]。

其他研究团队构建了预测模型,旨在促进适应性放疗。一个由治疗前CT图像提取的35个定量特征构建的模型是放疗6周后肿瘤体积的良好预测因子(R 0.83)[26]。Zhang等(2018)显示,一个使用治疗前CT特征结合治疗中期CT进行“疗程中期校正”的模型,并在独立队列中验证,也是放疗后肿瘤体积的良好预测因子(AUC 0.85)[25]。

科学性与报告质量

十四项纳入研究的总分中位数为 + 2.5(范围 − 5 至 + 9),量表最高可得分为 + 36。对RQS评价标准和报告指南的依从性总结于表3。

其中有三项前瞻性研究(21%)和十一项回顾性研究。

在十四项研究中,十项(71%)报告了记录完善的图像采集方案,尽管没有一项使用公开可得的方案。六项研究(42%)由两名读者进行多次分割或采用自动分割。三项研究(21%)使用重测数据集检验特征对时间变异性的稳健性。然而,没有任何研究通过体模成像检验特征对扫描仪间变异的稳健性。

十项研究(71%)酌情采用了特征降维或多重检验校正,使用了留一交叉验证和随机森林分类等多种统计方法。四项研究(29%)使用非影像组学特征进行了多变量分析。两项研究(14%)使用预先指定的阈值进行了截断值分析。十项研究(71%)报告了判别统计量,例如AUC;然而,仅三项使用了重采样方法。仅一项研究报告了校准统计量。十三项研究(93%)未进行验证,仅一项研究使用来自另一机构的单一数据集进行了验证。三项研究(21%)公开了其代码或数据;然而,没有任何研究将其扫描图像或感兴趣区分割开源。

十一项研究(79%)讨论了所述影像组学特征的生物学相关性。两项研究(14%)比较了其提出的预测因素优于当前肿瘤分期“金标准”方法的程度。没有任何研究进行临床效用分析或成本效果分析。

表3 使用RQS进行的质量评估 查看原表 ↗

讨论

本综述总结了十四项探讨CT和PET/CT影像组学预测因素对NSCLC治疗反应的研究结果。对这些研究的科学质量和报告质量进行了评价。

纳入研究报告了多种预测标志物,从基于直方图的属性如峰度[15],到二阶纹理特征如灰度均匀性[21],到高阶特征如小波HLL均值[14],再到描述基于PET的净流入速率常数(Ki)变化的特征[23]。

同一影像组学特征很少被一项以上的研究认定为可预测NSCLC治疗反应。部分原因是个体研究之间存在广泛异质性。这些研究在不同患者人群中进行,癌症分期不同,在不同机构接受治疗,随访影像的时间尺度也不同。图像采集和重建方案因机构而异,导致定量影像特征发生变化,而这些变化并非源于潜在的生物学原因。这些研究探讨了疾病对多种治疗方式的反应,包括常规放疗、细胞毒性化疗、同步放化疗和酪氨酸激酶抑制剂。鉴于其作用机制不同,每种治疗方式的反应影像组学标志物不同在生物学上是合理的。Chong等(2014)在单家机构研究了IIIA期NSCLC患者,在接受化疗的患者和接受酪氨酸激酶抑制剂的患者中发现了不同的病理反应影像组学预测因子[15]。据我们所知,尚未研究接受免疫治疗的NSCLC中病理或影像学反应的影像组学预测因子。

研究质量参差不齐,14项纳入研究在RQS指标上的评分为− 5至+ 9,而最高可能评分为+ 36。纳入研究的科学质量和报告质量相对较低,可能增加了所报告的影像组学特征与治疗反应之间假阳性关联的可能性。

仅三项研究为前瞻性研究,具有标准化癌症分期、治疗和随访的优势[16, 22, 23]。尽管许多研究清楚报告了其影像方案,但很少有研究采用重测 imaging、体模成像和多分割来评估特征稳健性。只有具有高重复性和高再现性的特征才能可靠反映潜在组织生物学,因而可用作治疗反应的预测因子。两项纳入研究报告称,粗糙度和对比度是RECIST反应的良好预测因子,AUCs ≥ 0.80 [17, 20];然而,这两个高阶特征已被证明是再现性最差的影像组学特征之一[30]。由于这些因素,个体研究报告的有希望的结果存在高偏倚风险,可能不具备外部有效性。

一些研究采用了适当的特征降维方法;例如,Coroller等(2016年和2017年)[13, 14]在分析前排除了高度相关且不可重复的特征。缺乏适当的特征降维,一些研究极易出现过拟合;例如,Hunter等(2015年)利用35个影像组学特征构建模型,样本量仅为64例患者[26]。普遍认为,每个影像组学特征至少需要十例患者,模型才具有可推广性[1]。研究大多使用判别统计量报告影像组学标志物的性能,而校准统计量利用不足。在报告截断值分析的研究中,仅有两项使用了预先设定的阈值[16, 23]。事后最优截断值选择结合大量候选影像组学特征已被证明会显著增加I类错误的风险(76%概率)[32]。除一项研究外[25],所有研究均缺乏外部验证。综上所述,这些因素很可能导致许多纳入研究的预测性能估计过于乐观。

研究者努力将影像组学特征与生物学特征相关联;然而,临床适用性的证据严重缺乏。没有研究进行临床效用分析或成本效益分析。除两项研究外[13, 14],所有研究均缺乏影像组学与当前“金标准”相比的增量价值评估。因此,所提出的影像组学预测因子尚未转化为临床实践,这并不令人意外。

本综述的主要优势在于文献覆盖面广、研究结果总结清晰以及使用了标准化的质量评估工具。一个重要局限性是这不是一项系统综述。由于未检索其他医学数据库和灰色文献,可能有一些相关研究未被纳入。由于各研究间的异质性,无法进行荟萃分析。

有观点认为,传统影像组学方法劣于人工智能(AI)方法,如使用卷积神经网络的深度学习[31],因为AI无需手动特征提取和选择,而后者可能引入人为偏倚。然而,AI方法需要显著更大的标注影像记录数据集,且决策背后的逻辑仍是一个“黑箱”[33]。将传统影像组学与AI相结合有望兼得两种技术的优势[34]。放射科医生在策划高质量影像数据集方面发挥着关键作用,需使用统一和结构化的报告词库以促进大型队列研究。在现实中,这在日常临床实践中具有挑战性。

结论

未来,建立肺癌治疗反应的可重复且可解释的影像组学标志物将十分重要。影像生物标志物标准化倡议(IBSI)已尝试通过定义标准化的影像生物标志物命名法并开发用于验证影像组学软件实现的工具,来解决影像组学缺乏标准化的问题[35]。为使影像组学模型成为具有临床意义的工具,未来研究需要采用符合IBSI标准的标准化方法。

未来的影像组学研究需要从假设生成转向假设检验。本综述中描述的有前景的预测特征必须使用来自不同机构的数据集进行验证,以确定其在众多人群中的诊断准确性。这需要跨机构的协作方式。预测模型必须在临床路径中前瞻性研究,以确定其临床获益。通过证明可重复性和临床实用性,影像组学模型可以证明其作为临床决策工具的潜力,从而促进NSCLC患者的个体化治疗。

引用

  1. Chetan MR, Gleeson FV. Radiomics in predicting treatment response in non-small-cell lung cancer: current status, challenges and future perspectives. Eur Radiol. 2020. PMID: 32809167. doi:10.1007/s00330-020-07141-9
  2. 全文:PMC7813733(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7813733/

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。