晚期胃癌新辅助化疗后病理降期的CT影像组学预测与早期检测
该研究基于292例接受新辅助化疗的晚期胃癌患者,从基线和再分期静脉期CT提取1231个影像组学特征,构建预测模型(PR)和检测模型(DR)。PR模型在测试组I和II的AUC分别为0.750和0.889,DR模型AUC分别为0.922和0.850,优于RECIST(NRI 39.5%和35.4%);联合PR和DR的改进DR模型AUC达0.961和0.921。结论提示CT影像组学可用于病理降期的预测和早期检测,辅助手术决策。
要点
- 基线静脉期CT影像组学可预测新辅助化疗后病理降期,高特异度(0.958/0.966)有助于识别非应答者。
- 再分期CT影像组学可早期检测病理降期,性能优于RECIST,尤其早期阶段RECIST无诊断价值。
- 联合基线与再分期影像组学评分可进一步提升病理降期检测的AUC。
核心结论
- 基于基线和再分期增强CT的影像组学模型对晚期胃癌新辅助化疗后病理降期具有预测和早期检测价值,可辅助手术决策。
研究设计与样本
- 回顾性单中心研究,纳入292例接受新辅助化疗的晚期胃癌患者,分为主要队列(206例)和两个测试队列(I组46例,II组40例)。
- 从基线和再分期静脉期CT提取1231个影像组学特征,采用28种特征选择与分类器交叉组合建模,以病理降期为参考标准。
- PR模型基于基线CT预测病理降期,DR模型基于再分期CT检测病理降期,并与RECIST方法比较。
关键影像表现/征象
- 影像组学特征中,小波变换和能量相关特征在PR和DR模型中权重最高,可能反映肿瘤细胞密度降低、纤维化等组织学改变。
- 原文未报告常规影像征象(如信号/密度/回声特点)与病理降期的关联。
诊断标准与关键数值
- DR模型优于RECIST:测试组I的NRI为39.5%(p<0.05),测试组II的NRI为35.4%(p<0.05)。
- 测试组I中DR模型敏感度0.867、特异度未报告、准确率0.897,RECIST敏感度0.625、准确率0.775;测试组II中RECIST的AUC为0.617(95%CI 0.462–0.757,p=0.0557)。
临床应用与阅片要点
- 基线CT影像组学可在治疗前识别可能不降期的患者,避免无效新辅助化疗的毒性。
- 再分期CT影像组学可早期检测病理降期,尤其适用于RECIST无诊断价值的早期治疗阶段。
- 联合基线和再分期影像组学评分可提高检测性能,辅助手术时机决策。
局限性
- 病理降期患者比例较低(58.7%?原文为37.0%),组间不平衡可能影响模型性能。
- 排除低质量CT图像可能导致图像选择偏倚。
- 尽管采用双 reviewer 共识,仍存在观察者间差异,需额外评估。
- 回顾性单中心研究,需前瞻性多中心研究验证。
全文中译16 节 · 点击展开
引言
进展期胃癌(AGC)占所有胃癌(GC)病例的50%–80% [1]。大部分肿瘤(35%–51%)在新辅助化疗后未能达到病理降期(pDS),且肿瘤进展常见(15%)[2, 3]。因此,早期且准确的患者分层有助于为AGC患者筛选适合新辅助治疗的良好候选者。
计算机断层扫描(CT)在治疗过程中常规用于肿瘤监测 [4]。基线增强CT(CECT)是临床实践中新辅助化疗前诊断胃癌TNM分期的首选影像学检查。再分期CECT用于评估新辅助化疗后的肿瘤降期 [4]。然而,基线CT上相同分期的患者可能表现出不同的化疗敏感性。据报道,基于肿瘤大小的测量灵敏度较低(37%–50%)[5],而视觉评估的肿瘤再分期不准确(37%–57%)[6]。
影像组学 [7] 定义为定量影像特征提取,有助于探索放射学异质性。基于CT的影像组学分析在AGC患者的分期预测和治疗选择中有用 [8–10],在预测化疗反应中也有用 [9, 10]。例如,治疗前CT纹理分析可提供关于GC新辅助治疗缓解率的信息 [9]。影像组学分析显示化疗缓解者与未缓解者之间存在差异 [10]。然而,对于接受新辅助化疗的AGC患者,pDS的准确预测尚待阐明。此外,基于CT的影像组学在早期检测达到pDS方面的价值——pDS是及时治疗决策的关键生物标志物——尚未被明确探讨。
在本研究中,我们旨在开发CT影像组学模型,用于预测和早期检测AGC新辅助化疗的pDS。具体而言,我们的第一个目标是检验使用基线CECT在新辅助化疗前预测pDS的影像组学价值。我们的第二个目标是评估再分期CECT在化疗开始后早期检测pDS的作用。
材料与方法
患者入组与人群
我们收集了2012年1月至2016年12月期间在金陵医院接受化疗后手术的469例经组织学确诊的胃癌患者(入院时临床分期为cT3/4N0/+M0)(图1)。纳入标准为:经组织学确诊为胃癌且入院时无远处转移,在本院接受1–4个周期新辅助化疗后行胃切除术及淋巴结清扫,或化疗后出现远处转移的患者。排除标准如下:(1)CT成像与手术间隔超过1个月;(2)新辅助化疗后未记录到胃切除术或肿瘤远处转移;(3)复发性胃癌或在新辅助化疗前患有其他恶性肿瘤;(4)病理数据不完整;(5)CT图像质量差。随后,两名经验丰富的放射科医师(Q.M.X.和C.S.Z.,分别具有4年和9年胃部CT成像经验)对每幅基线或再分期CT图像的图像伪影和胃充盈程度(图S1)进行评估,以确保图像质量满足图像分割和特征提取的要求(图1,排除标准中的最后一步)。表S1展示了图像质量评估标准及各等级的患者数量。最终,292例患者共241幅基线CT(主要队列,n = 159;测试队列I,n = 39;测试队列II,n = 43)和247幅再分期CT(主要队列,n = 161;测试队列I,n = 40;测试队列II,n = 46)用于影像组学分析。机构审查委员会批准了这项回顾性研究,该研究符合《健康保险可携性与责任法案》。患者知情同意的要求被豁免。
研究设计
我们将队列分为三个子集:一个主要队列和两个测试队列(图1)。主要队列(n = 206,2012年1月–2015年12月)和测试队列I(n = 40,2016年1月–2016年12月)的患者接受了完整疗程的新辅助化疗(3–4个周期)后行手术。测试队列II(n = 46,2012年1月–2016年12月)的患者因化疗中止(1–2个周期)而接受了早期探查性手术。我们使用主要队列进行影像组学模型的开发和内部验证,测试队列I用于评估模型在完整疗程前后的预测能力,测试队列II则专门用于评估模型在治疗疗程早期阶段的性能。基于基线CT(入院时采集)构建的预测影像组学(PR)模型旨在治疗前预测pDS(图2)。基于再分期CT(化疗后完成)的检测影像组学(DR)模型用于在新辅助化疗开始后早期检测pDS(图2)。我们还比较了DR模型与临床常规RECIST(实体瘤疗效评价标准)方法[11]在两个测试队列中的能力。
CT图像采集参数
患者在化疗前1周内接受基线CT扫描,并在新辅助化疗与手术之间的3周间隔内接受再分期CT检查。扫描使用Siemens Somatom Definition双源螺旋CT(SOMATOM Definition、SOMATOM Definition Flash;Siemens Healthcare)进行。要求患者在CT检查前至少6小时禁食固体食物,然后饮用600–1000 ml水,并注射10 mg山莨菪碱,以确保胃壁充分扩张。此外,要求患者在扫描期间屏气,以防止呼吸伪影。所有患者均取仰卧位,扫描范围从膈顶至耻骨联合下缘,覆盖上腹部或全腹部。平扫后,使用高压注射器(Ulrich,Medical)经静脉注射碘对比剂(碘佛醇,300 mgl/ml,GE Healthcare)。输注量为1.5 ml/kg,流速为3–4 ml/s。动脉期序列在注射后延迟30 s获得,静脉期在注射后延迟60 s获得。必要时进行延迟扫描,延迟时间为180 s。
腹部CT参数如下:管电压120 kVp,管电流230 mA,层厚1/1.5 mm,视野35–50 cm,矩阵512 × 512,旋转时间0.5 s,螺距1.2。卷积核值为B31f(SOMATOM Definition)/I30f(SOMATOM Definition Flash,使用迭代算法),准直为64 × 0.6mm/128 × 0.6mm。CT采集以螺旋数据集方式进行,影像审阅采用1或1.5 mm连续轴位重建。
基于CT的放射组学分析
图像分割
放射科医师(Q.M.X.和C.S.Z.)在不获取患者任何临床信息的情况下独立进行图像分割。一名初级放射科医师(Q.M.X.)使用复杂图像后处理软件(Dr. Wise TM Software http://label.deepwise.com/)在门静脉期基线和再分期CT成像研究上逐层手动分割肿瘤区域作为感兴趣区(ROI)。一名高级放射科医师(C.S.Z.)重新评估并确保分割质量,直至达成共识。
放射组学特征提取
我们使用Python包pyradiomics(版本2.2.0)[12]从肿瘤VOI中提取放射组学特征。我们对原始CT图像应用了小波滤波和高斯拉普拉斯滤波[13],采用不同的sigma值以增强放射组学特征的区分度。具体而言,小波滤波在信号的每个维度上应用高通或低通滤波器,因此我们在每个层级获得了8个分解;高斯拉普拉斯滤波以较高的sigma强调较粗的纹理,以较低的sigma强调较细的纹理。随后,我们使用Python包SimpleITK [14]中的sitkBSpline插值器将所有图像重采样为三个维度上均为1.0 mm的新像素间距,以排除不同尺度造成的干扰。最后,我们从上述原始图像和滤波后图像中提取了1231个预定义特征,包括6个类别,即一阶统计量、基于形状的特征、灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRLM)、灰度尺寸区域矩阵(GLSZM)和灰度依赖矩阵(GLDM)(表S2)。
模型开发
我们在主要队列(n = 206)中开发了四种机器学习预测模型[15–18],并应用了七种特征选择方法[19–25]进行比较。我们对PR模型和DR模型均使用了嵌套交叉验证,以寻找最佳超参数并优化特征数量(图3)(详见补充附录1)。首先,在外层循环中使用分层抽样将整个数据集随机划分50次,其中10%的数据集用作测试集,其余90%用作训练集,形成50组。在内层循环中,对训练集应用九折交叉验证,以寻找有助于构建在验证集上平均性能最佳的最佳模型的超参数。然后,在外层循环中在独立测试集上评估该模型,以优化特征数量。因此,我们获得了50个测试集的平均评分,并最终获得了结合上述构建的全部50个模型预测结果的模型。我们尝试了四种分类模型以寻找最佳模型,包括随机森林、逻辑回归、线性SVC和K近邻分类器。同时,我们尝试了多种特征选择方法用于模型构建,包括F检验、互信息、递归特征消除、Pearson相关系数、Wilcoxon秩和检验、基于L1的线性SVC特征选择和基于L1的逻辑回归特征选择。对于上述每种特征选择方法,我们尝试了不同数量的特征。在嵌套交叉验证结构中,模型在测试集上的受试者工作特征曲线下面积(AUC)平均值被用于评估模型性能。最后,我们计算了这两个评分的平均值,得到了PR模型和DR模型的合并结果,以提高模型的检测能力。
放射组学模型的验证及其与临床常规方法的比较
两个测试队列用于验证每个预测任务(图1和图2)。测试队列I(n = 40)用于评估放射组学模型在3–4个周期化疗后的评估性能。而测试队列II(n = 46)用于评估模型早期检测达到pDS的能力(图S2)。
我们在两个外部验证队列中,对DR模型与基于肿瘤直径缩小评估化疗反应的常规RECIST方法进行了比较。CT图像上RECIST的标准见补充附录2。
治疗方案
AGC患者的新辅助化疗采用SEEOX方案(n = 186,63.7%)和SOX方案(n = 106,36.3%)。两种治疗方案均包括3个周期(每周期给药2周、停药1周),随后在3周内进行手术。然而,我们发现12例患者因无反应或其他原因需要增加一个周期。此外,有46例患者接受少于3个周期,主要原因是不能耐受(治疗方案的详细内容见补充附录3)。
pDS的判定
我们通过比较化疗前cTNM分期(其中c表示临床)[26, 27]和化疗后ypTNM分期(其中y表示新辅助治疗后,p表示病理分期)[28],将患者分为两个临床组以判定pDS:pDS组(图S3)和非pDS组(图S4)。两名放射科医师(Q.M.X.和C.S.Z.)通过共识在基线CT上评估cTNM分期,我们从手术记录中获取ypTNM分期。pDS定义为新辅助化疗后肿瘤经病理证实降期且不可切除因素被去除,而非pDS意味着治疗后肿瘤分期未改变、肿瘤进展或仍不可切除。补充附录4描述了基于CT的cTNM分期评估标准及肿瘤可切除性(图S5)。
统计分析
我们使用SPSS v15.0(SPSS Inc.)和MedCalc统计软件进行统计分析。列出AUC值及其95% CI、灵敏度、特异度和准确率以评估模型性能。我们使用Delong检验计算每个AUC值的95%置信区间(CI)以及影像组学模型与临床方法之间的净重分类改善(NRI)指数。受试者工作特征(ROC)曲线通过绘制真阳性率(灵敏度)对假阳性率(1-特异度)来显示模型性能。采用卡方检验和Fisher确切检验比较分类数据。若双侧p值小于0.05,则认为组间差异有统计学意义。
结果
患者特征
该队列有218名(74.7%)男性和74名(25.3%)女性,中位年龄为61岁(四分位距,39.0–61.0岁)。男性中位年龄为61岁(四分位距,53.0–67.0岁),女性中位年龄为57岁(四分位距,47.8–64.0岁)。该队列中男性和女性之间未发现年龄的统计学差异。分化状态与化疗敏感性显著相关(表1)。在新辅助化疗前,60例患者(20.5%)为临床分期(cStage)II,220例(75.4%)为cStage III,12例(4.1%)为cStage IV。治疗后,40例(14.7%)为ypT0N0-3M0(ypTNM指化疗后肿瘤病理分期),34例(11.6%)为ypStage I,85例(29.1%)为ypStage II,127例(43.5%)为ypStage III,8例(2.7%)为cStage IV(表2)。总共108例患者(37.0%)为pDS(图S2),而184例患者(63.0%)为非pDS(图S3)。三个队列之间在化疗反应方面无显著差异(p = .863)。在这些患者中,47例被诊断为难以切除(图S4),原因是肿瘤浸润或淋巴结融合并包裹邻近结构(胃左动脉,n = 27;肝十二指肠韧带,n = 3;胰腺,n = 6;肝脏,n = 8;十二指肠,n = 2;横结肠,n = 1)。
影像组学模型的性能
我们在原发队列中基于再分期CT(161次再分期CECT扫描)系统检查了28种特征选择和分类方法的组合(图S6)。表S3显示了平均AUC范围为0.765至0.919的优越预测结果。我们发现有三种交叉组合机器学习方法达到高AUC(> 0.900),分别为(a)Wilcoxon特征选择方法和线性SVC分类器,(b)F检验特征选择方法和线性SVC分类器,以及(c)F检验特征选择方法和逻辑回归分类器。在这三个模型中,最优模型由Wilcoxon特征选择器和线性SVC分类器组成。
基于这一最优组合,我们的PR影像组学模型(在159次基线CECT上训练)使用67个影像组学特征具有预测性(AUC 0.779,95% CI:0.774,0.784)(图S5a)。此外,我们的DR模型(在161次再分期CECT上训练)使用92个影像组学特征显示出有希望的结果(AUC 0.919,95% CI:0.900,0.939)(图S5b)。
影像组学模型的验证及与临床方法的比较
我们的PR模型在测试队列I(AUC 0.750,ACC 0.769)和测试队列II(AUC 0.889,ACC 0.837)(分别为39例和43例基线CECT)中展现出良好的治疗前实现pDS的预测能力,具有高特异性(0.958和0.966)(表3)。DR模型在两个测试队列(分别为40例和46例再分期CT)中对pDS也具有良好的诊断价值(AUC 0.922,ACC 0.897,以及AUC 0.850,ACC 0.860)(表3)。该模型优于临床RECIST方法(NRI = 39.5%,Z = 2.04,p < .05 和 NRI = 35.4%,Z = 1.63,p < 0.05)。具体而言,在测试队列I中诊断治疗后pDS时,该DR影像组学模型比使用RECIST的临床方法更准确、更敏感(ACC 0.897和0.775,SEN 0.867和0.625)。同时,DR模型在测试队列II中对pDS的早期检测也表现良好,而RECIST未显示出诊断价值(AUC 0.617,95% CI:0.462–0.757,p = 0.0557)。此外,在两个测试队列中使用PR和DR模型结果的平均分数改进的DR模型对pDS的判别能力有所提高(AUC 0.961,ACC 0.897,以及AUC 0.921,ACC 0.907)。图4显示了PR、DR、改进的DR模型和RECIST方法的四条受试者工作特征(ROC)曲线。图5还列出了PR和DR模型中权重排名前六的影像组学特征。影像组学计算公式列于补充附录5中。
讨论
我们使用基线和再分期增强CT(CECT)的预测影像组学(PR)模型和检测影像组学(DR)模型在晚期胃癌(AGC)病理降期(pDS)的预测和早期检测中表现强劲。这两个模型揭示了潜在的危险因素和新辅助化疗的当前获益,有可能辅助手术决策。
我们的PR模型在入院时对患者进行分层,以减少对无应答患者无效治疗带来的额外毒性[2, 3]。我们改进的DR影像组学模型可在每个化疗周期结束后早期检测应答,使那些达到pDS的应答候选者能够及时做出手术决策。该模型可在完整化疗疗程结束后术前区分无应答者,以避免不恰当的手术治疗。值得注意的是,我们的模型对以下患者做出了正确预测:(a) 最初被认为不可切除肿瘤的患者(pDS n = 9,非pDS n = 3);(b) 因毒性在化疗中途停止并接受早期探查性手术、且被发现已达到pDS的患者(pDS n = 4);以及(c) 在不恰当手术中被确认患有不不可手术疾病的患者(非pDS n = 3),这是已知的转移触发因素,需要姑息治疗[29]。在我们的影像组学发现中,基于小波和基于能量的特征获得了最高的特征权重,这与既往报道一致[15, 30, 31]。这些特征提供了关于肿瘤细微组织学变化的详细信息[7, 8],包括肿瘤细胞密度降低、纤维化、黏液湖和慢性炎性浸润[32]。此外,我们的DR模型优于基于CT的实体瘤疗效评价标准(RECIST)方法,这与AGC患者常用的内镜评估一致[33]。这表明CT影像组学可能有可能超越内镜或CT胃造影,成为AGC疗效评估的有用方法。
我们的研究存在局限性。第一,我们的队列中包含达到pDS的患者较少(58.7%);组间不平衡可能影响预测模型的性能。第二,质量评分低的图像被CT图像质量评估流程排除,这可能导致潜在的图像选择偏倚。第三,尽管分析的CT图像由两名评价者协商一致检查,但评价者间变异仍然存在,需要进一步评估。最后,尽管进行了测试队列以提高可靠性,我们的研究基于回顾性分析,进一步开展更多病例分层的即前瞻性多中心研究将有助于验证我们的发现。
总之,我们证明使用基线和再分期CECT的基于CT的影像组学模型在新辅助化疗前、中、结束时对pDS具有预测价值,这可能潜在地支持AGC患者的临床决策。未来研究有必要探索我们模型的普适性,并将我们的发现转化为临床实践。
补充信息
ESM 1(DOCX 3571 kb)
引用
- Xu Q, Sun Z, Li X, et al. Advanced gastric cancer: CT radiomics prediction and early detection of downstaging with neoadjuvant chemotherapy. Eur Radiol. 2021. PMID: 33909133. doi:10.1007/s00330-021-07962-2
- 全文:PMC8523390(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8523390/
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。