对比增强计算机断层扫描对肝内胆管癌的整合预后评估:影像组学的附加价值
该回顾性研究对78例病理证实的肝内胆管癌患者,在基线肝静脉期CT上由两名不同经验阅片者进行体积分割,提取影像组学特征并构建影像组学标签,比较含与不含影像组学标签的风险模型对1年生存的预测效能。结果显示影像组学标签可分层总生存,纳入后模型AUC从0.71升至0.81(R1 p<0.001,R2 p=0.001),但最佳截断值因阅片者而异(R1 0.39,R2 0.57),提示观察者间变异影响参考值应用。
要点
- 影像组学标签RSign可对肝内胆管癌患者的总生存进行风险分层(R1 HR 1.37,R2 HR 1.28)。
- 含RSign*的模型2对1年生存分类的AUC为0.81,优于不含影像组学的模型1的AUC 0.71。
- RSign*最佳截断值因阅片者不同而异(R1 0.39,R2 0.57),限制了参考值的通用性。
核心结论
- 将影像组学特征整合为统一的RSign评分可对肝内胆管癌患者的总生存进行分层。
- 二分类的RSign*可区分生存分层,将其纳入风险模型显示出附加价值。
- RSign*的截断值在阅片者之间不同,提示参考值的使用受到观察者间变异的妨碍。
研究设计与样本
- 回顾性分析2007年1月至2018年12月病理证实的肝内胆管癌患者78例,中位随访262天(IQR 73–957)。
- 在基线肝静脉期CT上进行体积分割,由两名不同经验阅片者(R1为15年腹部影像经验放射科医师,R2为第4年放射科住院医师)独立完成。
- 提取108个影像组学特征,包括形状、一阶、GLCM、GLRLM、GLSZM、NGTDM和GLDM特征。
- 主要结局为总生存,采用Cox比例风险模型和逻辑回归构建风险模型,并用200次随机样本的bootstrap程序验证。
关键影像表现/征象
- 形态学CT特征包括肿瘤最大径、肝卫星灶、淋巴结转移和远处转移,两名阅片者间不一致率分别为7.8%、7.8%、10.3%和6.4%。
- 37/108(34%)影像组学特征因手动分割显示高变异性,44个(41%)为中等,27个(25%)为低。
- 不同采集协议下影像组学特征变异显著者,RF-R1为5/108(5%),RF-R2为11/108(10%)。
- RSign*定义的高风险患者分布为R1 38/78(49%)、R2 43/78(55%)。
- 高风险患者中位总生存较低风险患者显著缩短(145天 vs 465天,p<0.001)。
诊断标准与关键数值
- RSign由5个影像组学特征合成,范围−5.24至3.69。
- RSign*最佳截断值:R1为0.39,R2为0.57。
- RSign单变量分层总生存:R1 HR 1.37(95%CI 1.15–1.62,p<0.001),R2 HR 1.28(95%CI 1.09–1.50,p=0.002)。
- 多变量Cox回归中RSign*保留于两阅片者模型:R1 HR 1.53(95%CI 1.24–1.88),R2 HR 1.28(95%CI 1.07–1.52)。
- 模型1(卫星灶和远处转移)对1年生存分类AUC为0.71(两阅片者),模型2(加RSign*)R1 AUC 0.81(p<0.001)、AIC 89,R2 AUC 0.81(p=0.001)、AIC 90.2。
临床应用与阅片要点
- 影像组学标签RSign可基于肝静脉期CT提取的5个特征合成单一连续评分,用于肝内胆管癌的预后分层。
- RSign*截断值因阅片者经验不同而异,提示手动分割的观察者间变异可能影响绝对阈值的临床转化。
- 作者指出,RSign*纳入风险模型可改善1年生存分类,但绝对截断值的应用依赖于优化的分割方法。
局限性
- 本研究仅探讨了一个对比增强期相。
- 未能进行外部验证。
- 患者绝对数量少构成效能限制,因此不能排除二阶或更高阶影像组学特征上的II型错误。
- 研究人群小,仅能使用一个参考RSign*,导致二分类分层。
全文中译20 节 · 点击展开
引言
胆管癌是胆道系统最常见的恶性肿瘤,也是第二常见的原发性肝脏恶性肿瘤,占原发性肝胆恶性肿瘤的15%~20%,主要累及老年男性[1],在亚洲国家的患病率最高[2]。解剖分布决定了不同的治疗选择:肝内胆管癌是最常见的原发部位[3],尤其是“肿块型”生长模式(肝内肿块型胆管癌,IMCC)占病例的60%以上[4]。美国癌症联合委员会(AJCC)/国际抗癌联盟(UICC)第8版分期系统用于预后分层和治疗选择[5]。值得注意的是,AJCC分期系统纳入了通过对比增强计算机断层扫描(CT)对肝内胆管癌的临床特征描述[6–8]。
影像学在IMCC的诊断、分期和预后评估中起着关键作用[7, 9–11]。然而,CT的视觉评估和手动标注存在主观变异性:这可能导致临床管理中的性能差异[7, 12, 13]。已有报道通过影像组学特征(RF)对CT数据进行定量分析以实现胆管癌的标准化特征描述,特别是超越视觉形态学标准准确预测淋巴结转移[14, 15]。影像组学在肝脏恶性肿瘤中的应用已被深入探索,用于组织学类型的无创鉴别或淋巴结转移的预测,属于所谓软结局指标的范畴[16–20]。少数作者对影像组学用于预测生存和无病生存提出了质疑[21, 22]。
IMCC的准确无创预后描述指标被认为对个体化治疗策略具有重要临床支持价值,因为IMCC是肝内胆管癌中可选择手术治疗的一种类型,因此影像组学可能成为术前临床管理中的相关补充手段。已发表的研究大多集中于按临床治疗方式(即手术或栓塞)选择的人群[23, 24]。然而,影像组学在更广泛人群中的应用仍然缺乏,尤其是在贯穿治疗决策全过程的管理中。
本研究旨在检验影像组学对IMCC的预后评估价值,并开发一个结合临床参数和影像组学的预后模型,用于预测IMCC患者在所有治疗选择范围内的生存。
材料与方法
研究人群
回顾性检索2007年1月至2018年12月期间在*盲法*经组织学证实为IMCC的患者。机构审查委员会批准了本研究(方案号43,024),并获取了入组患者的知情同意。
纳入标准为:(a)IMCC的免疫病理学诊断;(b)年龄>18岁;(c)基线肝静脉期CT。排除标准为:(a)既往接受过治疗;(b)沿胆管浸润型或管内生长型;(c)临床数据缺失;(d)CT成像存在运动伪影。收集人口学及临床数据,包括组织学分级和治疗情况。所有患者均接受增强CT检查,注射高浓度碘对比剂(400 mg I/mL,Iomeron 400,Bracco,意大利),用量90–130 mL(根据患者体重),流速3–4 mL/s。增强扫描由腹主动脉(腹腔干水平)密度达150 HU触发,门静脉期于延迟60 s时采集。
形态学CT描述指标
两名阅片者(R1,具有15年腹部影像学经验的放射科医师;R2,放射科住院医师第4年)独立审阅CT扫描(对临床和病理信息设盲)并收集以下标准临床参数:肿瘤大小:轴位平面最大直径(手动卡尺测量);
卫星肝病灶;
淋巴结转移定义如下:短径>10 mm,
中央坏死(低密度区),
与肝脏相比的对比增强情况[25];
肝或淋巴结以外器官的远处转移。
出现分歧时,二分类变量由阅片者之间达成最终共识。否则,肿瘤大小手动卡尺测量的差异在病灶大于25 mm时超过5 mm、或在病灶小于25 mm时超过20%,即视为实质性差异(参照:R1放射科医师)。此类差异通过联合阅片会议解决。若差异低于既定阈值,则取两名阅片者测量值的均值。
容积分析:分割与影像组学特征提取
记录DICOM头文件以评估采集和重建参数之间的变异性。
每名阅片者独立使用专用软件(3D Slicer 4.10.2版)手动勾画感兴趣体积(VOI),在门静脉期勾画肿瘤边界。通过SlicerRadiomics®计算108个RF[26],包括形状、一阶、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)、邻域灰度差矩阵(NGTDM)和灰度依赖矩阵(GLDM)特征。由R1和R2分割获得的RF子集分别命名为RF-R1和RF-R2。
统计分析
连续数据以中位数、第一和第三四分位数(四分位距,IQR)报告。分类数据以出现频率报告。
本研究的主要结局为总生存期(OS),计算为CT日期与死亡日期之间的天数。末次随访设定为5年,数据锁定日期为2019年10月22日。临床参数与OS之间的关联酌情采用Mann–Whitney U检验或Pearson卡方检验。
影像组学特征的变异性
RF跨采集和重建参数的变异性采用Kruskal–Wallis检验和Spearman相关性检验。重建算法设置B30s和B40s未纳入统计分析,因为每种仅出现一次。
射频(RF)的观察者间变异性通过基于单一评估者、绝对一致性、双向混合效应模型的组内相关系数(ICC)进行检验。采用单一评估者ICC是因为机器学习模型是针对每个分割独立开发的。ICC值<0.5被视为高变异性,0.5–0.75为中等,0.75–0.9为低,>0.90为极低[27]。具有高变异性的RF被排除在预后建模之外。
影像组学签名
对每个RF与OS之间进行Pearson相关性分析。RF在RF-R1和RF-R2两个子集中分别根据其相关系数按降序排列:选择两位读者均归属的高度相关RF。对所选RF应用主成分分析(PCA),以降低影像组学预测因子的维度,并提取单一影像组学签名(RSign),以唯一风险尺度综合代表所有RF。相关性分析和PCA均通过Weka v.3.8.3完成[25]。
使用单变量Cox比例风险模型验证RSign是否为OS的预测因子。使用OS的中位数将患者离散为两组,即短期生存者和长期生存者。进行受试者工作特征(ROC)分析以确定RSing的最佳截断值,从而将患者最优分层为两个风险组:选择使ROC曲线与随机机会线之间垂直距离最大(Youden指数)的值作为RSign的最佳截断值(RSign*)。计算两个风险组的Kaplan–Meier生存曲线,然后使用log-rank检验进行比较。
风险模型
开发Cox比例风险模型以评估RSign和临床参数(包括形态学CT描述符)作为OS预测因子的价值。p值>0.10的预测因子被排除在后续最终模型之外。识别在临床应用中具有潜在混杂效应的显著变量并将其排除在最终分析之外,特别是对接受切除术且未接受化疗的IMCC亚组进行了事后分析(见“限于切除亚组的分析”,补充材料)。最终Cox比例风险模型基于单变量分析中显著的预测因子构建。生存分析的统计结果使用200个随机样本的bootstrap程序进行验证。随后进行logistic回归以构建模型,通过比较以下模型来估计归因于RSign的性能改善:模型1:临床参数,包括年龄、性别、分级和形态学CT描述符。
模型2:模型1的临床参数加RSign。
使用1年OS对OS进行离散化以进行logistic回归分析。通过ROC曲线下面积(AUC)比较logistic模型[26]。logistic分类使用十折交叉验证程序进行。使用Akaike信息准则(AIC)和似然比检验进行模型比较[28]。
统计分析通过SPSS Statistics 23(IBM Corp.,Armonk,N.Y.,USA)和R 4.0.2(http://www.R-project.org)进行[29]。
结果
共纳入78例患者(年龄范围35–89岁,男性43例),中位随访时间为262天(IQR 73–957)(表1)。62/78(79%)例患者死亡,值得注意的是46/78(59%)例在CT后1年内死亡。在数据集锁定时间,16/78(20.5%)例患者的生存数据为右删失。
CT的标准临床参数显示,最大径不一致率为7.8%,卫星灶为7.8%,淋巴结转移为10.3%,远处转移为6.4%;共识偏向于R1阅片结果(补充表1)。
放射组学特征的变异性
不同采集方案间的变异性在RF-R1中显著者为5/108(5%),在RF-R2中为11/108(10%)(补充表2–3)。
分割所致的变异性在37/108(34%)个RF中为高,44个(41%)为中等,27个(25%)为低(补充表4)。选取变异性为中至低的71个RF进入建模流程。
风险分层
放射组学特征标签
排名前六位的RF在阅片者间一致,包括形状类和一阶类型(表1)。在一阶RF中,我们发现中位数与均值之间存在冗余:选择中位数是因为其排名更高且ICC更高。将含5个RF的模型合成为一个独特的连续标度,表达RSign值(范围−5.24–3.69)。RSign的中位数在阅片者间不同,但IQR保持相当相似,ICC非常好,为0.79(表1)。
按RSign连续范围(每增加1个单位)进行的单变量风险分层在R1(HR 1.37 95%CI 1.15–1.62,p < 0.001)与R2(HR 1.28 95%CI 1.09–1.50,p = 0.002)之间表现略有不同,但两位阅片者均保持统计学显著性。单变量Cox回归为两位阅片者选择了相同的显著变量,即:RSign、卫星灶和远处转移。RSign的AUC在R1为0.73,在R2为0.66,风险类别二分化的最佳截断值为:R1的RSign* = 0.39。
R2的RSign* = 0.57。
根据RSign*参考值,高危患者的分布如下:R1为38/78(49%),R2为43/78(55%)例患者。按RSign*划分的风险类别中,高危患者的中位OS显著短于低危患者(145天 vs 465天,p < 0.001),Kaplan–Meier生存曲线显示两位阅片者的风险分层均显著不同(图2)。
风险模型
基于RF-R1或RF-R2的多变量Cox比例风险回归分析显示,除RSign*外,显著变量不同(表2)。值得注意的是,RSign*在两位阅片者中均被保留(p ≤ 0.001),在结局的显著预测因素中HR最高(R1 HR 1.53 95%CI 1.24–1.88,R2 HR 1.28 95%CI 1.07–1.52——表2)。风险模型组成如下:模型1:卫星灶和远处转移。
模型2:卫星灶、远处转移和RSign*。
模型1对1年生存分类的AUC为0.71(两名读者),模型2中有所提高(R1:AUC 0.81;R2:AUC 0.81)(图3),因此提示RSign具有独立预后价值。AIC显示模型2相对更优(图3),因此提示尽管模型复杂度增加,纳入RSign*仍是值得的。Logistic模型比较的似然比检验在统计学上显著支持纳入RSign*(R1:p值 < 0.001,R2 p值 = 0.001)。模型1与模型2之间增量价值的图形示例见图4。
仅限于切除亚组的分析
28例患者接受了切除术,未接受化疗。17/28(61%)例患者死亡,值得注意的是10/28(36%)在CT检查后1年内死亡。使用来自总体人群的RSign*,高危患者的中位OS(601天)显著短于低危患者(1419天,p ≤ 0.001),但Kaplan–Meier生存曲线差异不显著(图5)。
在这个选定的小人群中,单因素分析未保留任何预测因子。多因素Cox比例风险回归分析仅对R1选出了性别和RSign(表3)。同样,RSign在OS分层中表现突出(R1 1.81 95%CI 1.10–2.99,p = 0.02;R2 HR 1.22 95%CI 0.91–1.63,p = 0.19),尽管置信区间增宽,这是人群缩小预期的统计学结果。
讨论
在本研究中,我们表明体积CT影像组学与IMCC患者的预后相关,并且RF可以综合为RSign,通过一个独特的量表用于生存分层。我们规定了通过RSign定义高危和低危患者的阈值,称为RSign*。包含RSign*的风险模型优于不含影像组学的模型。此外,RSign*的分层在接受手术的患者亚组中也显示出区分生存的趋势。
RF的变异性和选择
胆管癌的预后较差,其最佳临床管理因治愈性方法与最小化侵入性操作之间的差距而受到挑战。2017年,Raoof提出了一种基于术后变量的风险模型,用于预测切除后肝内胆管癌的生存(MEGNA评分)[30]。虽然作者显示了MEGNA评分与AJCC分期系统相比的准确性,但作者强调了需要术前工具来为手术和辅助治疗的决策提供信息。由于对影像学预后因素(包括影像组学)的研究,肝内胆管癌的术前特征描述迅速发展。
2019年,Ji提出了一种基于8个放射组学特征(RF)联合CA19.9的列线图,用于预测预后,尤其是用于超出形态学标准的淋巴结转移分层[15]。该研究纳入了具有完整治疗选择范围的广泛人群,与我们的研究一致。2020年,Chu报道RF可对术后不良结局进行分层[23]。Ji和Chu均报道了极佳的观察者间一致性,但他们仅分析了经验丰富的阅片者。特别是,Chu报道了极佳的一致性(98.7%的RF ICC > 0.5)[23],这与我们的结果存在显著差异,我们的结果显示一名住院医师与一名经验丰富的腹部放射科医师之间的变异性更高(71%的RF ICC > 0.5)。这种差异凸显了对于高技能肿瘤边界分割需要经验丰富的阅片者。值得注意的是,肝脏局灶性异常的分割相比其他器官更具挑战性,在其他器官中半自动分割已应用于CT临床实践,并在技师中也展示了良好的诊断性能(如肺结节)[31–33]。然而,尽管三分之一的RF存在较高的观察者间变异性,我们观察到排名前六的RF在阅片者之间是一致的,并被选择用于构建放射组学模型以最小化手动分割的交互影响。值得注意的是,所选RF可以解读为形态学印象。例如,特征“表面积体积比”同时代表大小和形状:该RF预期会随病灶大小(病灶越大值越低)和生长模式(表面越不规则值越高)而变化。尽管如此,“表面积体积比”依赖于手动分割,ICC低至0.54,因此凸显了标准化分割的重要性。所选的六个RF在类型上(包括密度百分位数的一阶RF)与先前一项聚焦于门静脉期CT中RF预测手术实用性的研究相似[23]。这种重叠特征(门静脉期和一阶放射组学)提示,相对简单的RF在像我们这样的未经选择的人群中(包括手术候选者和晚期疾病患者)也应被视为具有相关性。与这一观察一致,先前的研究报道了密度指标与肝内胆管癌突变或蛋白表达之间的关联[34, 35]。
在我们回顾性数据库中,形态学变量和放射组学特征(RF)取自静脉期,而既往研究选择动脉期。Mosconi等人在接受经动脉放射性栓塞治疗的人群中报告,纹理RF最适合从动脉期提取[24]。在该研究中,静脉期对一阶特征(包括“Mean”)仍具有显著性,部分与我们的观察一致。值得一提的是,我们的结果与Mosconi的结果之间的一些差异可能归因于潜在的临床特征差异,这些特征可能影响对比剂药效动力学的影像表现,以及观察者间变异和技术细节(我们研究与Mosconi研究使用的对比剂不同,分别为400和350 mg I/mL)。尽管如此,这些研究的比较表明,一阶特征值得用于风险分层,并且这在我们的阅片者之间是一致的。我们的实验首次详细描述了放射组学在不同CT扫描仪和CT协议之间的变异性,这导致选择了最稳健的RF:这一选择保证了RSign用于临床的稳定性。
放射组学特征
我们提出一个简单的RSign,将5个RF整合为一个综合单一评分,这对于实际使用是最优的,类似于先前针对原发性肝脏恶性肿瘤放射组学提出的方法[15, 36, 37]。RSign对生存的单变量分层在本研究每位阅片者中赋予了相似程度的风险,R1约为1.4倍,R2约为1.3倍(表2)。当以“相对方法”分析RSign时也是如此,在RSign的整个范围内名义增量为1个单位。然而,“相对方法”对临床转化价值有限,因为临床决策最适合由绝对阈值定义的离散类别来支持。以绝对方法分析RSign在本研究中显示了观察者间变异性:RSign*在阅片者之间不同。对这种差异的解释据称见于上述不同的经验。据我们所知,文献中尚未报告按离散风险类别评估的个体表现。我们的数据填补了这一空白,显示了当不同经验的阅片者使用RF时绝对阈值的变异性。绝对阈值向实际应用的转化取决于优化的分割方法。Zhao表明,对肿瘤体积进行半自动分割可减轻观察者间变异性[38]。最终,半自动工具将处理分割偏倚,并在临床适用边界内协调风险分层的变异性。
我们使用多步骤统计流程将RSign*整合到包含标准临床变量的风险模型中。包含RSign*的风险模型优于不包含RSign*的模型,两位阅片者均有统计学显著改善。AIC分析在统计学上确认纳入RSign*是有价值的。值得注意的是,模型中保留的标准临床变量由CT上的形态学描述符代表。既往研究也保留了CT形态学领域的发现(例如淋巴结转移、肝转移)[15, 23, 24],并舍弃了人口学和实验室数据。独立研究之间的这种一致性凸显了CT成像在疾病病程分层中的最突出作用。
RSign在手术候选者中的应用
我们在接受切除的患者亚组中分析了我们的方法,目的是在IMCC的特定风险分层中检验我们的总体方法。选择该亚组是基于先前证据显示可手术性是独立的预后因素[39]。从我们研究整个人群中得出的5个RF对RSign的预测价值在接受手术的选定亚组中得到了确认。此外,RSign*能够在接受手术切除的患者中区分生存差异相当大的患者。这一观察表明RSign不依赖于当前的疾病管理和预后标准,并且据称它预示着RSign可补充形态学特征描述。
局限性
本研究存在局限性。首先,仅探讨了一个对比增强期相。其次,我们无法进行外部验证。第三,患者的绝对数量较少代表了统计效力限制,因此我们不能排除二阶或更高阶RF上的II型错误。最后,本研究人群较小,仅能研究一个参考RSign*,导致产生二分类分层。然而,最佳临床支持预期来自具有多个离散分层的工具,包括不确定类别。需要更大规模的研究来探讨RSign的多色解读。
总之,我们提出了一种与IMCC生存相关的RSign。所提出的RSign被离散化为放射组学风险类别,其预测价值在多变量风险模型中得到了补充。所报道的RSign*观察者间变异性提示需要对CT图像上的IMCC进行一致的分割。RSign*的广义推导显示其也有潜力用于接受手术的亚组人群。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 104 KB)
引用
- Silva M, Maddalo M, Leoni E, et al. Integrated prognostication of intrahepatic cholangiocarcinoma by contrast-enhanced computed tomography: the adjunct yield of radiomics. Abdom Radiol (NY). 2021. PMID: 34165602. doi:10.1007/s00261-021-03183-9
- 全文:PMC8435517(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8435517/
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。