文献速递泌尿生殖腹部MR

MRI衍生PRECISE评分与delta-radiomics模型预测主动监测前列腺癌进展的比较

Comparative performance of MRI-derived PRECISE scores and delta-radiomics models for the prediction of prostate cancer progression in patients on active surveillance.
PubMed 文献 · Eur Radiol · 2021-07-13

该研究纳入64例活检证实的主动监测前列腺癌患者,比较PRECISE评分与基于T2WI和ADC的delta-radiomics模型预测组织病理学进展的性能。PRECISE特异度94.7%、PPV 90.9%最高,随机森林敏感度92.6%、NPV 92.6%最高,AUC无显著差异(PRECISE 84.4% vs 81.5%、78.0%、80.9%)。结论为两者性能相当,delta-radiomics有望成为客观标准化工具。

要点

  • PRECISE评分特异度和PPV高,适合确认进展;delta-radiomics敏感度和NPV高,适合排除进展。
  • PRECISE与三种delta-radiomics模型的AUC无显著差异,联合应用可能互补。
  • delta-radiomics作为客观定量工具,有望减少对读者经验的依赖。

核心结论

  • PRECISE评分与delta-radiomics模型在预测主动监测前列腺癌组织病理学进展方面性能相当,AUC无显著差异。
  • PRECISE特异度94.7%、PPV 90.9%最高,随机森林敏感度92.6%、NPV 92.6%最高,提示两者可能协同。

研究设计与样本

  • 单中心回顾性概念验证研究,纳入64例活检证实的主动监测前列腺癌患者(进展组27例,稳定组37例),中位随访46个月。
  • 所有患者基线和末次MRI均在同一台3T MR750扫描仪(GE Healthcare)完成,使用32通道接收线圈,序列包括T2WI和DWI/ADC。
  • 参考标准为重复靶向活检的组织病理学进展(从诊断活检的grade group进展),稳定组要求放射学(PRECISE 3)和组织病理学均稳定。
  • PRECISE评分由4名5–16年经验的泌尿放射科专家前瞻性应用,未对临床信息(PSA、PSA密度动态)设盲。
  • delta-radiomics特征基于基线和末次MRI的T2WI及ADC提取,采用parenclitic networks、LASSO logistic回归和随机森林三种算法建模,并用留一交叉验证评估。

关键影像表现/征象

  • 原文未报告影像征象相关结果。

诊断标准与关键数值

  • PRECISE评分以4为截断值二分类(1–3为稳定/消退,4–5为放射学进展)预测组织病理学进展,AUC 84.4%,特异度94.7%,PPV 90.9%。
  • 随机森林delta-radiomics模型预测组织病理学进展的敏感度92.6%、NPV 92.6%,AUC 80.9%。
  • parenclitic networks模型AUC 81.5%,LASSO回归模型AUC 78.0%。
  • PRECISE与parenclitic networks、LASSO、随机森林的AUC比较P值分别为0.643、0.342、0.572,均无显著差异;三种delta-radiomics模型间AUC比较P值范围0.342–0.768。

临床应用与阅片要点

  • PRECISE评分高特异度和PPV可用于确认放射学进展,但其中等PPV提示需结合临床信息(如PSA动力学)辅助判断PRECISE 4。
  • delta-radiomics高敏感度和NPV可作为客观定量工具辅助排除进展,减少对专家读者的依赖。
  • PRECISE评分由专家读者应用且未对临床信息设盲,非专家使用时性能可能降低,需注意。
  • delta-radiomics仅基于病灶内纹理特征,未纳入全腺体或临床病理预测因子,实际应用需进一步验证。

局限性

  • 样本量较小(64例),受严格纳入标准限制(需MR可见病灶且末次MRI一年内有重复靶向活检)。
  • 单中心回顾性研究,PRECISE评分未对临床信息设盲,可能人为提高其性能。
  • delta-radiomics仅分析病灶内纹理特征,未采用全腺体分割或habitat radiomics,分析复杂度被人为降低。
  • 需更大样本和多中心研究验证delta-radiomics的临床转化可行性。
全文中译13 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. 2021 Jul 13;32(1):680–9. doi: 10.1007/s00330-021-08151-x

引言

前列腺癌(PCa)是全球第二常见、第五致命的男性癌症[1]。在美国和英国,近半数男性表现为低危和中危局限性病变[2, 3],对此推荐的管理选择是主动监测(AS)[4–6]。同时,因疾病进展导致的5年累积AS退出率为27%[7],其部分原因是各指南和各中心之间对AS方案及疾病进展定义缺乏共识[8–11]。虽然肿瘤进展是AS的预期自然结局,但目前缺乏客观的无创诊断工具,能够对PCa进展风险进行持续再评估。如果此类工具被证实准确且可标准化,则可帮助临床医生就是否需要在不重复活检的情况下转为根治性治疗做出更明智的决策,从而降低相关并发症风险及对医疗系统的费用负担。

在现阶段,这一未满足的临床需求部分通过日益依赖磁共振成像(MRI)作为AS随访的组成部分而得到解决[12–15]。PRECISE评分系统于2017年开发[16],旨在标准化AS患者系列MRI扫描的报告,以检测具有临床意义的影像学变化,这些变化足以触发额外检查或转为立即根治性治疗。此后,多个研究组[17–21]已证明PRECISE具有较高的阴性预测值,提示若疾病被认为影像学稳定,可用于避免常规重复活检。然而,PRECISE在预测组织病理学疾病进展方面的阳性预测值相对中等,这强调了该系统相对主观的性质,尤其是在判定PRECISE 4类病变为显示“具有临床意义”的影像学进展时[12]。此外,PRECISE仅由学术中心的专家阅片者进行验证,这可能限制其可推广性,并导致由非专家放射科医生使用时性能降低。

定量成像技术可能通过提供更客观、不依赖专业经验的措施来反映AS期间PCa自然病程中发生的潜在生物学变化,从而具有临床实用性。其中一种技术是delta-radiomics,它分析两个时间点获得的MRI衍生纹理特征的变化[22]。在AS背景下,可比较同一患者任意两次连续MRI扫描之间的delta-radiomic特征,以提供感兴趣病变内潜在组织学变化的定量读数。因此,在本概念验证研究中,我们比较了由专家阅片者应用的PRECISE与几种MRI衍生的delta-radiomics模型在预测入组AS患者组织病理学PCa进展方面的诊断性能。

方法

患者人群

当地机构审查委员会(英国东英格兰NRES委员会)豁免了知情同意的要求,因为这是作为前列腺诊断路径服务评估的一部分而获取的回顾性数据分析。该研究连续纳入了经活检证实为前列腺癌(PCa)并参加当地主动监测(AS)项目的患者,最短随访时间为2年,其首次和末次3T MRI扫描均在同一台磁共振设备上完成,且在末次MRI后一年内至少进行了一次重复靶向活检。排除标准为:无MR可见病灶、既往或期间接受过PCa或良性疾病治疗、以及存在全髋关节置换或其他骨盆金属植入物。2012年11月至2018年11月期间,本中心共有281例参加AS的患者接受了筛查,其中217例被排除。

剩余64例患者根据其疾病进展状态分为两组。AS进展组(n = 27)定义为因重复靶向活检证实组织病理学进展(较诊断性活检的grade group进展)而转为根治性治疗。对照组(n = 37)包括在AS过程中影像学(PRECISE评分3 [16])和组织病理学均保持稳定的患者。

MRI采集参数

患者使用32通道接收线圈在3-T MR750扫描仪(GE Healthcare)上接受前列腺MRI检查。除非临床禁忌,在成像前静脉注射丁溴东莨菪碱(Buscopan,20 mg/mL;Boehringer)以减少蠕动 [23];未采取额外的患者准备措施。多参数MRI方案包括轴位T1、多平面高分辨率T2加权2D快速恢复FSE、自旋回波平面回波成像脉冲DWI以及动态对比增强成像,采集参数汇总于补充表S1。

活检技术

根据临床建议,由3名具有8–20年MRI/超声融合经验的泌尿外科医生分别实施经直肠(DynaCAD,InVivo Corp)或经会阴(Biopsee,Oncology Systems Limited)活检。经直肠途径取12条系统穿刺组织,经会阴途径按照Ginsburg方案 [24] 取24条系统穿刺组织。此外,对MRI上勾画的病灶对应区域额外取2–4条独立靶向穿刺组织,如先前所述 [25]。重复靶向活检按当地方案规定的时间点(12个月和36个月)进行,除非因临床怀疑进展而提前触发,包括连续三次PSA水平高于预设阈值或怀疑影像学进展(PRECISE评分4–5)。基线时,分别有13例和51例活检采用经直肠和经会阴途径。随访时,分别有18例和46例活检采用经直肠和经会阴途径。

图像分割与分析

肿瘤感兴趣区(ROI)由一名接受过专科培训的泌尿放射科医师(T.B.,具有13年前列腺MRI报告经验)和一名影像学研究研究员(N.S.,具有4年经验)在解剖T2WI(图1)和ADC图上绘制。分割使用开源软件ITK-SNAP [26] 以共识方式完成,所有病例均由两名读者共同勾画。通过使用SciPy 1.3.2版本多维图像处理包中的“Scipy.ndimage.morphology”函数(binary_opening和binary_closing)对ROI进行形态学扰动,评估读者图像分割的可靠性。

随访MRI研究采用补充表S2 [16] 中描述的5点PRECISE量表进行评分。PRECISE评分由四名亚专科泌尿放射科医师前瞻性应用,其具有5–16年前列腺MRI报告经验,每人均已阅片> 2,000例并被认为是专家 [27, 28]。在报告时,读者未对临床信息设盲,包括PSA和PSA密度动态变化。出于预测建模的目的,PRECISE评分以截断值4进行二分类,因为1–3和4–5分别表示先前特征消退/疾病稳定和影像学疾病进展。

图1 基线活检前(a、c、e)与随访(b、d、f)MRI扫描所获得的前列腺T2加权图像比较,患者均纳入主动监测。图像(a、b)来自一名疾病稳定为3 + 3 = 6的患者,其在3年随访期内既未显示影像学进展也未显示组织病理学进展(PRECISE 3)。图像(c、d)来自一名同时具有影像学进展(PRECISE 5)和组织病理学进展(3 + 3 = 6至4 + 3 = 7)的患者。图像(e、f)来自一名确诊组织病理学进展(3 + 3 = 6至3 + 4 = 7)但影像学疾病稳定(PRECISE 3)的患者。在所有呈现的病例中,临床结局均被所使用的全部三种delta-影像组学模型成功预测 查看原图 ↗

Delta-影像组学分析

用于开发 and 验证AS期间PCa进展预测模型的影像组学流程总体工作流程如图2所示。T2WI和ADC衍生的纹理特征(汇总于补充表S3)使用PyRadiomics 2.0版本和Python 3.7.5版本提取 [29, 30]。使用不进行任何重采样的3D特征计算以避免插值伪影。根据影像生物标志物标准化倡议(IBSI)[30],在任意强度单位(如MRI)的情况下,使用bin数量优于bin宽度。因此,未应用再分割(即在纹理特征计算之前从掩膜中移除指定范围外的体素)。

特征稳健性通过应用ROI形态学扰动并评估个体特征与MRI采集参数之间的关系进行评估 [31–33],详见电子补充材料的校准与预处理部分。该程序还通过考虑手动图像分割期间的读者内和读者间依赖性来模拟ROI变异性 [34]。仅在两个时间点均被认为稳健的特征被纳入delta-影像组学预测建模。

图2 流程图,概述本研究中使用的Delta放射组学分析的关键阶段,包括校准、预处理、Delta放射组学特征计算以及使用留一交叉验证(LOOCV)方法进行的预测建模。ADC,表观扩散系数;ICC,组内相关系数;MRI,磁共振成像;T2WI,T2加权成像 查看原图 ↗

Delta放射组学预测建模

Delta放射组学特征计算为最终特征与基线特征之间的算术差。对于每个放射组学特征(分别对T2WI和ADC),设fbase和ffinal分别为其在基线扫描和最终扫描时的值,Δf的计算方式为:

随后使用三种机器学习方法进行预测建模:旁系网络(parenclitic networks)[35]、最小绝对收缩和选择算子(LASSO)逻辑回归[36]以及随机森林[37]。对于后者,我们使用了500棵树,最大深度为10(为保证可重复性,设置了random_state参数为42)。以PCa进展的二分类结局作为结局变量,所有Delta放射组学特征作为预测因子。每个特征的预测性能使用留一交叉验证(LOOCV)方案进行评估。对每个样本进行预测时,将其从数据集中排除(保留),在剩余(独立)样本上训练分类器,然后使用训练好的模型对保留样本生成预测。

统计与计算分析

使用D'Agostino-Pearson检验评估数据的正态分布(阈值p ≥ 0.05)。患者年龄、PSA、腺体体积、PSA密度和AS随访时间的组间比较使用Mann-Whitney U检验。放射组学特征与个体MRI采集参数之间的关系使用Spearman相关分析进行评估。

随机森林和LASSO回归在Python 3.9.0中实现,使用pandas 1.2.4版本、scikit-learn 0.24.2版本、glmnet_python 1.0版本和rpy2 3.4.2版本模块。在旁系网络中,使用“e1071”R包的默认设置为每对特征训练一个带径向基函数的支持向量机(SVM)。然后为每个样本构建一个网络,其中顶点对应特征,边权重为SVM分类器预测的疾病进展概率。计算顶点度数的均值,然后使用“stats”R包的默认设置构建广义线性模型(GLM)分类。基于PRECISE和基于Delta放射组学的预测模型的性能通过判别力指标进行评估。特异度和敏感度使用非参数分层重采样结合百分位数法(2,000次bootstrap重复)[38]得出。此外,计算每个模型的ROC曲线下面积(AUC),并使用DeLong渐近精确法计算95%置信区间以评估每个AUC的不确定性[39]。AUC值之间使用DeLong相关/配对AUC检验进行比较[39]。阳性和阴性预测值(PPV和NPV)及其95%置信区间使用标准方法[40]计算。统计分析在R 3.5.1版本(R Foundation for Statistical Computing)中进行,使用“pROC”和“reportROC”包。

结果

患者特征

本研究纳入了2013年5月至2018年5月期间在我中心参加主动监测(AS)项目的64例患者。患者队列的关键临床病理特征总结于表1。27例患者出现组织病理学疾病进展,37例患者疾病稳定。未进展者的中位随访时间为47个月(IQR,44–60个月),进展者的进展时间显著更短,为43个月(IQR,24–29个月;p = 0.009)。进展者的PSA和PSA密度显著高于未进展者(分别为p = 0.01和p = 0.002),而年龄、腺体体积和PI-RADS评分在两组间相似,无显著差异(表1)。入组时活检中,51/65(79%)和14/65(21%)的病灶分别为ISUP分级分组1和2的肿瘤,46/65(71%)和19/65(29%)的目标病灶分别位于外周带和移行带。

表1 研究队列的基线临床病理特征总结。p值展示的是使用Mann-Whitney U检验进行的进展者与未进展者之间的组间比较。AS,主动监测;PSA,前列腺特异性抗原 查看原表 ↗

Delta影像组学分析:校准与预处理

在校准与预处理阶段确定的每个分箱数对应的高稳健特征数量列于表2。Spearman相关分析显示,任何纹理特征与MRI采集参数之间均无显著关系(所有p > 0.05,未进行多重校正)。因此,所选分箱数为128,在两个时间点上重叠的T2WI和ADC衍生纹理特征分别为34个和53个(补充表S4)。

表2 在基线和最终时间点,通过改变影像组学特征提取量化步骤中的分箱数,T2加权和ADC MR图像中具有高稳健性(ICC > 0.8)的特征数量。ADC,表观扩散系数;T2WI,T2加权成像 查看原表 ↗

PRECISE与delta影像组学预测疾病进展的比较

表3展示了PRECISE和三种机器学习方法(平行网络、LASSO回归和随机森林)的性能特征总结。对敏感性、特异性、PPV和NPV的分析未能确定最佳方法:PRECISE评分具有最高的特异性(94.7%)和PPV(90.9%),而随机森林具有最高的敏感性(92.6%)和NPV(92.6%)。PRECISE的AUC(84.4%)为所有方法中最高,平行网络、LASSO回归和随机森林分别为81.5%、78.0%和80.9%(图3)。然而,这一差异不显著:PRECISE与平行网络比较p = 0.643,PRECISE与LASSO回归比较p = 0.342,PRECISE与随机森林比较p = 0.572。三种delta影像组学模型的AUC之间未报告显著差异(p值范围0.342–0.768)。

表3 PRECISE 的汇总性能特征,以及与 parenclitic 网络、LASSO 回归和随机森林 delta 影像组学模型在预测接受主动监测的前列腺癌患者组织病理学进展方面的比较。AUC,受试者工作特征曲线下面积;LASSO,最小绝对收缩和选择算子;NPV,阴性预测值;PPV,阳性预测值;PRECISE,前列腺癌序贯评估放射学变化估计 查看原表 ↗
图3 PRECISE、parenclitic 网络、lasso 回归和随机森林预测接受主动监测的前列腺癌患者组织病理学进展的受试者工作特征(ROC)曲线。内嵌图例表示每种方法的 ROC 曲线下面积 查看原图 ↗

讨论

这项概念验证研究探讨了由泌尿放射学专家在常规临床实践中应用的 MRI 衍生 PRECISE 评分系统与使用 parenclitic 网络、LASSO 回归和随机森林机器学习方法开发的三种 delta 影像组学模型之间的比较性能。主要性能指标是预测入组 AS 的 PCa 患者组织病理学进展的能力。尽管 PRECISE 的性能特征似乎略微优越,但本研究中使用的所有方法所达到的 AUC 之间没有显著差异。这些结果为未来研究铺平了道路,这些研究将评估 MRI 衍生 delta 影像组学作为一种替代定量手段的作用,用于 MRI 引导的 AS 患者随访,该手段可能可标准化且较少依赖阅片者经验。

在本研究中,PRECISE 评分在预测 PCa 组织病理学进展方面表现出高性能,AUC 为 0.84,这与 Dieffenbacher 等 [17] 和 Caglic 等 [21] 分别报道的 AUC 0.83 和 0.82 一致。应当注意,除阅片者的专业经验外,临床参数的可用性可能有助于补充临床决策并进一步提高性能,例如了解 PSA 动力学可能有助于判定为 PRECISE 4,而此时放射学进展特征在其他情况下可能模棱两可。在机器学习技术中,随机森林表现出最佳性能,具有最高的敏感性(92.6%)和 NPV(92.6%)。

据我们所知,这是首个将delta-影像组学应用于前列腺癌(PCa)主动监测(AS)中MRI随访场景的研究。独立的delta-影像组学模型仅考虑疾病来源于图像的定量纹理特征,并经过严格的交叉验证以减少过拟合,其性能具有可比性,这为未来试图引入准确且客观的工具来评估AS中PCa影像学进展的研究提供了潜力。此前在前列腺癌中使用MRI衍生的delta-影像组学预测肿瘤对放疗反应的研究[41, 42]也显示了有希望的结果。在其他肿瘤类型中,delta-影像组学研究同样集中于预测治疗反应,包括肺癌[22, 43]、直肠癌[44, 45]、胃癌[46]以及骨与软组织恶性肿瘤[47, 48]。由于AS的概念相对为前列腺癌所特有,使用delta-影像组学追踪在没有任何外部干预情况下自然发生的瘤内形态学变化,可能有助于深入了解某些纹理特征的生物学意义,这些特征与 underlying cytoarchitectural patterns 显示出强相关性;该技术还可能适用于其他肿瘤类型。

在本研究中,我们首次将parenclitic网络应用于delta-影像组学预测建模。这种新型机器学习方法的特别优势在于,它被认为在特征数量大而样本量有限的情境下有用[49],而这往往是影像组学研究的情况。parenclitic网络的另一个优势是能够将任何多变量数据嵌入拓扑指数的低维空间,从而避免过拟合的风险。在本研究中,所使用的任何机器学习算法之间均未观察到性能差异。临床应用的PRECISE系统性能略好,可能解释为在delta-影像组学建模中使用了严格且无偏的策略来减少过拟合。因此,这些概念验证结果为在更大队列中开发改进的delta-影像组学性能提供了希望。

我们的研究存在若干局限性。样本量相对较小,这是由严格的纳入标准所决定的,这些标准要求存在MRI可见病灶——这在主动监测(AS)队列中仅约占50%的患者[21]——并且要求在最近一次MRI后一年内进行重复靶向穿刺活检,这对于组织病理学确认进展是必要的。获取更大的队列还将使我们能够拟合单一的无序网络(parenclitic networks)模型并精细调整SVM的超参数。此外,选择以病灶为中心的delta-放射组学方法有若干原因。首先,MRI可见病灶的存在与AS中进展风险增加相关[21],因此对此类患者需要更密切的随访。其次,由于这是首次在此背景下使用delta-放射组学的研究,刻意侧重于仅分析瘤内而非全腺体纹理特征,以降低分析的复杂性。使用全腺体图像分割方法[50, 51]结合MRI衍生的栖息地放射组学[52, 53]是未来工作的方向,并将适用于所有纳入AS的患者。然而,这将需要更加严格的预处理、校准、建模和交叉验证步骤,以确保所得的预测模型不会因可能源于同时存在的良性疾病(如良性前列腺增生或前列腺炎)的时间变化特征而过拟合。最后,如前所述,报告临床医生并非前瞻性对临床信息设盲,这可能人为提高了PRECISE评分系统的性能。然而,将替代诊断方式与已在常规临床实践中应用的这些方式的真实世界性能进行基准比较,提供了理解其临床转化可行性的最快途径。

总之,MRI衍生的delta-放射组学表现出与专家前列腺MRI阅片者相当的性能,并为预测纳入AS项目的PCa患者组织病理学进展提供了一种客观且可标准化的方法。这些结果为未来的多中心研究铺平了道路,这些研究将探讨更复杂的预测模型的诊断效用,这些模型将delta-放射组学特征与不同中心PCa进展的标准诊疗临床病理预测因素相结合。

补充信息

ESM 1(DOCX 1238 kb)

引用

  1. Sushentsev N, Rundo L, Blyuss O, et al. Comparative performance of MRI-derived PRECISE scores and delta-radiomics models for the prediction of prostate cancer progression in patients on active surveillance. Eur Radiol. 2021. PMID: 34255161. doi:10.1007/s00330-021-08151-x
  2. 全文:PMC8660717(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8660717/

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。