基于动脉期CT的影像组学列线图用于鉴别卵巢原发癌与继发癌
回顾性纳入2010年1月至2018年12月本院110例卵巢癌患者,基于动脉期CT提取影像组学特征并构建列线图,联合Rad-score、CEA和CA125鉴别原发与继发卵巢癌;训练队列AUC为0.854,敏感度78.8%、特异度90.7%,优于单纯影像组学或临床模型。
要点
- 联合模型(Rad-score+CEA+CA125)训练队列AUC为0.854,敏感度78.8%、特异度90.7%。
- 影像组学特征模型训练队列AUC为0.734(95%CI 0.620–0.847),验证队列AUC为0.733(95%CI 0.549–0.917)。
- Rad-score在训练队列P=0.001、测试队列P=0.015,原发与继发卵巢癌间存在显著差异。
核心结论
- 基于动脉期CT影像组学特征联合CEA和CA125的列线图,可能有助于鉴别原发性和继发性卵巢癌。
- 联合模型诊断性能优于单纯影像组学特征模型或临床特征模型。
研究设计与样本
- 回顾性研究,共纳入本院110例卵巢癌患者(62例原发卵巢癌、48例继发卵巢癌),随机分为训练队列76例和测试队列34例。
- 采用Brilliance ICT(Philips Medical Systems,荷兰)行腹部CT平扫及动脉期增强扫描,对比剂为碘剂320 mg I/mL,注射速率3.0 mL/s、剂量2 mL/kg。
- 使用ITK-SNAP手动勾画肿瘤囊性和实性成分,由一名16年影像诊断经验的放射科医师(C.L.)分割并由H.Z.(15年经验)复核。
- 使用A.K.软件(Artificial Intelligence Kit V3.0.0.R,GE Healthcare,中国)提取影像组学特征,经ANOVA+KW检验、二分类逻辑回归(相关系数>0.9剔除)和LASSO Cox逻辑回归筛选特征。
- 参考标准为临床诊断的原发或继发卵巢癌,采用多变量逻辑回归构建联合模型并列线图,以AUC评估判别能力、校准曲线评估校准度。
关键影像表现/征象
- 继发卵巢癌48例中包括胃癌转移20例、结直肠癌转移15例、乙状结肠癌转移13例,其中18例在原发恶性肿瘤发现前已检出卵巢肿块。
- 共提取396个影像组学特征,经降维后保留2个特征:Percentile15和Inverse Difference Moment_AllDirection_offset1_SD。
- Rad-score计算公式为:−0.220 + 0.621×Percentile15 + 0.994×InverseDifferenceMoment_AllDirection_offset1_SD。
- 列线图根据Rad-score、CEA和CA125水平对应的总分预测继发卵巢癌概率,校准曲线显示预测风险与观察结局具有良好一致性。
诊断标准与关键数值
- 影像组学特征模型训练队列AUC为0.734(95%CI 0.620–0.847),敏感度51.5%、特异度83.7%;验证队列AUC为0.733(95%CI 0.549–0.917),敏感度60%、特异度89.5%。
- 联合模型(Rad-score+CEA+CA125)训练队列AUC为0.854,敏感度78.8%、特异度90.7%;测试队列AUC为0.751。
- CEA正常参考范围为0–10 U/ML,CA125正常参考范围为0–35 U/ML,CA199正常参考范围为0–37 U/ML。
- 训练队列中CEA和CA125在原发性与继发性卵巢癌间差异有统计学意义(均P<0.05)。
- Rad-score在原发与继发卵巢癌间训练队列P=0.001、测试队列P=0.015。
临床应用与阅片要点
- 作者认为,整合临床与影像组学特征的联合模型可作为无创、可靠的工具,用于治疗前鉴别原发性和继发性卵巢癌。
- 作者成功开发并验证了便捷的预测列线图,可用于识别继发性卵巢癌患者。
- 原文未据此给出推荐。
局限性
- 样本量不足,鉴别性能可能受限;未来需进一步研究纳入更多来自多机构的患者,以全面评估影像组学模型的泛化能力。
- 因回顾性研究性质,可能存在选择偏倚,因此需要前瞻性外部验证。
- 手动勾画ROI耗时,且可能无法完全避免部分容积效应带来的干扰。
全文中译11 节 · 点击展开
引言
卵巢癌是美国女性癌症死亡的第五大原因;全球范围内发现近30万新发卵巢癌患者和19万例死亡[1],五年生存率约为40%[2]。卵巢继发性癌占所有卵巢恶性肿瘤的10–25%。最常见的引起卵巢转移的癌症包括乳腺癌、结直肠癌、子宫内膜癌、胃癌和阑尾癌[3]。原发性卵巢癌(POC)与继发性卵巢癌(SOC)具有相似的形态学特征,然而在诊断影像学上难以区分[4, 5]。一旦确定为SOC,治疗策略将发生重大改变[6]。因此,区分SOC与POC对于确定精准、个性化的治疗和延长患者生存的随访计划至关重要。
对比增强计算机断层扫描(CT)是常规用于无创诊断卵巢癌的工具[7]。放射组学是一个新兴的转化研究领域,旨在从临床图像中提取可挖掘的高维数据,随后进行数据分析以支持决策[8–10]。它已成功应用于肿瘤学研究,特别是用于区分原发性和转移性癌症[11, 12]。由于POC与SOC之间的形态学差异可能以肉眼不可见的方式反映在CT中,我们假设通过应用放射组学,我们可以提取并量化POC与SOC之间CT图像的差异。
在这项回顾性研究中,我们旨在评估对比增强CT图像放射组学分析在识别POC与SOC之间计算机提取的纹理差异方面的可行性,这些差异在常规CT上可能肉眼不可辨。
方法
患者
本机构审查委员会批准了这项回顾性研究,并豁免知情同意。我们审查了2010年1月至2018年12月的POC和SOC电子数据库,并从图像归档和通信系统(PACS)中检索了入组患者的图像。本研究的排除标准如下:(1)图像质量差的患者;(2)未进行增强扫描的患者;(3)边界不清且无法勾画的患者。符合条件的患者包括62例POC患者和48例SOC患者,被随机分为训练队列和验证队列。我们收集了48例SOC患者,包括20例胃癌转移、15例结直肠癌转移和13例乙状结肠癌转移。在48例SOC患者中,18例患者在原发性恶性肿瘤发现之前即发现卵巢肿块。图像后处理过程如图1所示,整个研究的流程图如图2所示。
CT图像采集
术前腹部CT扫描采用Brilliance ICT(飞利浦医疗系统,荷兰)进行。扫描方案包括平扫和增强CT,经静脉注射碘对比剂(320 mg I/mL),注射速率为3.0 mL/s,剂量为2 mL/kg,使用自动高压注射器,注射后行动脉期扫描。扫描参数为管电压120 kVp,螺距值0.99,矩阵512×512,层厚和层间隔均为5 mm,毫安值根据患者体型自动调节(范围为220至400 mA)。
病灶分割与特征选择
入组患者的增强CT图像以医学数字成像和通信(DICOM)格式导出。然后采用ITK-SNAP进行肿瘤分割。我们使用多边形模式在每个层面上手动勾画肿瘤的囊性和实性成分。所有分割均由一位具有16年影像诊断经验的放射科医师(C.L.)完成,并由H.Z.(15年经验)复核。
放射组学特征包括直方图、形状因子、灰度大小区域矩阵(GLSZM)和游程矩阵(RLM),由AK软件(Artificial Intelligence Kit V3.0.0. R,GE Healthcare,中国)提取[13]。特征选择前的预处理分为三个步骤。首先,我们试图使用方差分析+KW检验来识别对模型有贡献的特征。然后我们使用二元逻辑回归分析排除相关系数大于0.9的特征。最后,使用LASSO Cox逻辑回归模型选择最有用的预测特征。然后,通过所选特征的线性组合按其各自系数加权,为每位患者计算放射组学评分(Rad-score)[14]。
个体化放射组学列线图的构建
多因素逻辑回归分析用于评估区分POC和SOC的显著临床因素。应用放射组学特征标签,使用训练队列构建区分模型。然后我们将Rad-score与临床指标相结合,建立联合模型。CEA值的正常参考范围为0–10 U/ML,CA125值的正常参考范围为0–35 U/ML,CA199值的正常参考范围为0–37 U/ML。最后,我们基于联合模型构建了可视化列线图。使用校准曲线评估列线图。进行Hosmer–Lemeshow检验以评估列线图的拟合优度。
统计分析
连续变量和分类变量分别使用t检验和卡方检验进行比较。多因素逻辑回归分析用于选择独立预后因素。在主要队列和验证队列中评估模型的性能。通过曲线下面积(AUC)衡量特征标签的区分度。统计分析使用SPSS(版本19.0,IBM,Armonk,NY,美国)进行。始终计算双侧p值,P < 0.05认为差异有统计学意义。
结果
训练队列和验证队列中患者的特征
共有110例卵巢癌患者符合本研究条件。110例患者被分为训练队列(N = 76)和测试队列(N = 34)(图2)。训练队列和验证队列中入组患者的基线资料见表1。训练队列中POC患者占56.6%(43/76),验证队列中占55.9%(19/34)。训练队列中POC患者的平均年龄为54.74 ± 11.01岁,SOC患者为50.79 ± 10.24岁(P = 0.114)。在训练队列和验证队列中,POC与SOC之间在CEA和CA125水平上发现显著差异(均P < 0.05)。
影像组学标签的构建
使用AK软件共提取396个影像组学特征。经过降维处理(包括ANOVA和KW检验)、单因素logistic回归(14个特征)去除相关系数大于0.90的冗余特征(5个特征)(图3a),并经过λ值为0.0245、log(λ)值为3.71的LASSO算法后,识别出两个显著的影像组学特征[15, 16](图3b)。经LASSO降维后,保留了两个潜在的影像组学特征,包括Percentile15和Inverse Difference Moment_AllDirection_offset1_SD。所选特征的贡献及其相应的回归系数见图3c。训练集和验证集ROC曲线的两个特征见图3d–e。这些特征通过以下公式计算得到的rad-score呈现:
rad-score = − 0.220 + 0.621*Percentile15 + 0.994*InverseDifferenceMoment_AllDirection_offset1_SD。
每位患者的Rad-score以瀑布图形式呈现,显示POC与SOC在训练队列(P = 0.001)和测试队列(P = 0.015)中均有显著差异(图3f–g)。影像组学标签还显示出良好的预测效能,训练队列中AUC为0.734(95% CI 0.620–0.847,敏感度 = 51.5%,特异度 = 83.7%),验证队列中AUC为0.733(95% CI 0.549–0.917,敏感度 = 60%,特异度 = 89.5%)。
列线图的构建与验证
通过逻辑回归,rad-score、CEA 和 CA125 被确定为区分 POC 和 SOC 的独立因素。然后,我们将上述因素整合到一个预测模型中。如图 4a–b 所示,联合模型优于仅影像组学特征模型和仅临床特征模型,在训练队列中 AUC 较大,为 0.854,在测试队列中为 0.751。最后,通过结合上述影像组学特征和 2 个临床因素,构建了用于个体化区分的基于影像组学的列线图(图 5a)。各变量累计的总分对应患者的预测概率。影像组学列线图的校准曲线在训练队列和验证队列中均显示出良好的一致性。(图 5b–c)。
讨论
由于 POC 和 SOC 代表不同的来源和组织病理学,由于二者的治疗和预后相当不同,区分这两组尤其关键 [10, 17]。POC 与 SOC 具有重叠的形态学特征,使得通过传统成像方式进行鉴别诊断相当困难。在本回顾性研究中,我们在训练队列中开发并验证了一种诊断模型,即基于影像组学特征的列线图,用于个体化区分 POC 和 SOC。该列线图纳入了影像组学特征中的两项、CEA 状态和 CA125 状态。据我们所知,这是第一项开发基于影像组学的列线图以区分 POC 和 SOC 的研究。
影像组学旨在开发决策支持工具;因此,它涉及将影像组学数据与可获得的其他患者特征相结合,以提高决策支持模型的性能 [18–20]。随着临床数据的增长和先进机器学习方法的发展,它在精准诊断和肿瘤学中发挥着越来越重要的作用。此外,影像组学具有从 CT 中挖掘鉴别信息的能力 [21, 22]。
约80%的晚期卵巢癌患者血清CA-125升高,其被认为是诊断卵巢癌细胞的特异性标志物[23]。CEA是一种经典的广谱肿瘤标志物,主要用于消化道癌和肺癌的诊断。部分卵巢癌患者CEA水平升高[24]。然而,血清CA-125水平和CEA水平不能提供任何关于癌症位置或范围的信息[25]。因此,将影像组学特征与临床特征相结合可在鉴别POC和SOC方面提供附加诊断价值。这首先在我们的文章中得以证实,即联合模型的AUC远高于临床特征模型或影像组学特征模型。
本研究存在若干局限性。第一,由于样本量不足,鉴别性能可能受限。未来需要进一步研究纳入更多来自多机构的患者,以充分评估影像组学模型的泛化能力。第二,由于回顾性研究的性质,可能存在选择偏倚;因此,需要进行前瞻性外部验证。第三,ROI的手动分割耗时,且可能无法完全避免部分容积效应引起的干扰。
结论
总之,通过比较临床特征模型、影像组学特征模型和联合模型,我们发现联合模型取得了最佳的诊断性能。因此,我们认为整合临床和影像组学特征的联合模型可作为治疗前无创且可靠的工具用于鉴别POC和SOC。此外,我们成功开发并验证了一个便捷的预测列线图,可用于识别SOC患者。
引用
- Hu Y, Weng Q, Xia H, et al. A radiomic nomogram based on arterial phase of CT for differential diagnosis of ovarian cancer. Abdom Radiol (NY). 2021. PMID: 34086094. doi:10.1007/s00261-021-03120-w
- 全文:PMC8205899(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8205899/
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。