CT影像组学检测前列腺癌CT不可见骨转移的可行性研究
本研究以68Ga-PSMA PET为参考标准,回顾性纳入67例前列腺癌患者共205个CT不可见骨转移灶及86个正常骨区域,提取1218个CT影像组学特征,经降维筛选11个特征训练梯度提升树模型,在原始非增强数据集上分类准确率0.90(95%CI 0.82-0.98),敏感度91%、特异度88%,提示影像组学可区分CT肉眼不可见的骨转移与正常骨。
要点
- CT影像组学可区分CT肉眼不可见的前列腺癌骨转移与正常骨,辅助报告漏诊风险。
- 模型在原始数据集准确率0.90、敏感度91%、特异度88%,但校准图提示过拟合。
- 未来可结合自动骨分割实现机会性筛查,但需外部验证和大样本重训练。
核心结论
- 基于CT影像组学的梯度提升树模型可准确区分前列腺癌CT不可见骨转移与正常骨,原始数据集准确率0.90(95%CI 0.82-0.98),敏感度91%、特异度88%。
研究设计与样本
- 单中心回顾性概念验证研究,纳入67例前列腺癌患者(平均年龄71±7岁),共205个68Ga-PSMA阳性但CT不可见的骨转移灶和86个正常骨区域。
- 参考标准为68Ga-PSMA PET/CT,CT参数为140 kVp、自动管电流80 mA/层、层厚1.25 mm,使用3D Slicer半自动分割全骨,提取1218个影像组学特征。
- 采用MWMOTE数据增强平衡类别,按0.8:0.2随机分为训练集(328个观察)和测试集(82个观察),经ICC筛选、Boruta算法和相关性聚类降维后选11个特征训练梯度提升树。
关键影像表现/征象
- CT上骨转移灶无肉眼可见异常或仅有非常细微的影像学改变,无法通过常规视觉分析识别。
- 影像组学特征包括GLDM、GLSZM、GLCM及小波变换和拉普拉斯高斯滤波后的一阶统计量等纹理特征。
- 原始非增强数据集上模型分类准确率0.90(95%CI 0.82-0.98),敏感度91%、特异度88%。
诊断标准与关键数值
- 模型在测试集(增强后数据)分类准确率0.84(95%CI 0.74-0.91,p<0.001),敏感度78%、特异度90%。
- 模型在原始非增强数据集分类准确率0.90(95%CI 0.82-0.98),敏感度91%、特异度88%。
- 特征可重复性以ICC≥0.90为阈值,ICC<0.90视为不可重复。
临床应用与阅片要点
- 阅片时需注意CT对无骨质结构破坏的小骨转移灶敏感度低,影像组学可作为辅助工具提示可疑区域。
- 全骨分割而非仅病灶分割的策略更贴近临床筛查场景,但需注意模型过拟合风险。
- 未来可探索自动骨分割联合影像组学分类器,实现前列腺癌骨转移的机会性筛查。
局限性
- 回顾性单中心设计,样本量较小(67例),缺乏外部验证数据集。
- 以68Ga-PSMA PET/CT为参考标准,未与人类阅片者进行对比。
- 数据集中同一患者存在多个观察值,训练时无法校正该潜在偏倚,可能导致过拟合。
- 未纳入临床参数,且使用不同PET/CT扫描仪(系统灵敏度不同)。
全文中译12 节 · 点击展开
引言
前列腺癌(PCa)是男性最常见的实体肿瘤,是发达国家癌症相关死亡的第三大常见原因[1]。PCa的转移扩散主要至骨骼,其中骨盆、椎骨和肋骨是最常受累的骨骼[2, 3]。约12%的患者在诊断时即存在骨转移[2],导致生活质量受限,5年生存率仅为6%[4–6]
计算机断层扫描(CT)是一种有用且广泛可用的骨骼筛查影像工具,可确定皮质骨破坏的范围、病理性骨折的存在并规划手术治疗[7, 8]。然而,CT在检测无明显骨结构病理改变的微小骨转移方面存在不足,即使能显示也仅为非常细微的影像学表现[9, 10]。使用68Ga-PSMA作为放射性示踪剂的正电子发射断层扫描(PET)联合CT(PET/CT)已成为诊断PCa患者骨转移的有用技术,表现出稳健的性能,以患者为基础的敏感性和特异性分别为98.7–100%和88.2–100%[11–13]。有趣的是,当以纯定性方式分析CT图像时,68Ga-PSMA常显示骨转移而CT未见可见异常[14]。
机器学习技术的最新发展和计算能力的巨大增长推动了影像组学领域的发展[15]。影像组学的原理包括从各种医学图像来源中提取高维数据,随后分析各类影像组学特征,旨在支持临床决策并克服仅靠视觉图像解读的局限性[16]。多项研究已表明,基于影像组学的机器学习方法不仅能够量化影像结果,还具有在无可见异常的情况下检测病理发现的潜力[16–18]。我们假设,将CT衍生的影像组学应用于前列腺癌转移性骨病可能揭示人眼无法视觉检测的重要影像信息。
因此,本概念验证研究的目的是在转移性前列腺癌患者中探究CT图像数据的影像组学是否能够区分CT上不可见的骨转移与未受影响的骨骼。
方法
基于数据库检索,共识别出196例在胸椎和/或腰椎和/或骨盆骨存在68Ga-PSMA阳性骨转移的患者,这些患者于2016年5月至2019年6月期间在一家三级转诊中心接受了影像检查。一位具有10年肿瘤影像学经验的高级放射科医师排除了这196例患者中的127例(65%),因为这些患者的骨转移在CT上also清晰可见。两名患者拒绝将其医疗数据用于研究(图1)。最终纳入67例患者(平均年龄71 ± 7岁;范围:55–84岁)。在研究时,PSMA PET/CT的适应证为根治性前列腺切除术后PSA ≥ 0.2 ng/mL升高的前列腺癌生化复发,或放疗后PSA较最低值升高2 ng/mL或以上。如今,在特殊情况下,PSMA PET/CT也被使用并将对初诊前列腺癌患者予以报销。
患者人口统计学数据和所有分割骨体积的解剖位置分别见表1和表2。我们的研究获得了机构审查委员会和当地伦理委员会的批准。所有患者在研究前均提供了书面知情同意书。
图像采集
患者在图像采集前60分钟接受单次注射68Ga-PSMA(平均剂量±标准差,130±11 MBq,范围114–158 MBq)。为减少膀胱、输尿管和肾脏中的示踪剂活性,在注射放射性示踪剂前30分钟静脉注射呋塞米(0.13 mg/kg),患者在注射放射性示踪剂前饮用200 mL水,并要求患者在扫描前排空膀胱。PET/CT采集在Discovery VCT 690 PET/CT(GE Healthcare)(n = 38)或Discovery MI PET/CT(GE Healthcare)(n = 29)上进行,采用六床位采集(采集时间2.5分钟)。作为PET/CT一部分的CT使用以下扫描参数进行:管电压140 kVp,管电流采用自动剂量调制80 mA/层,准直512 × 0.976,螺距1.0,旋转时间0.5秒,覆盖速度78 mm/s,视野(FOV)50 cm。横断面像素大小为1.00、层厚为1.25 mm的图像使用标准卷积核在轴面重建。
图像分割和影像组学特征提取
图像分割由两名独立且盲法的读者(分别具有1年和4年肿瘤影像学经验)使用常用开源软件平台(3D Slicer,版本4.11;www.slicer.org;[19])半自动完成(图2)。加载医学数字成像和通信(DICOM)文件(完整CT图像集)后,使用标准分割编辑器工具手动分割包含68Ga-PSMA阳性骨转移的整个骨骼(例如整个椎体或整个髂骨)(67例患者中共205处转移)(图2)。此外,为研究影像组学分类器是否是将所有分割骨体积分类为转移与无转移的可行选择,对每例患者在PET/CT上表现正常的胸椎/腰椎和骨盆骨骼区域进行了手动分割(67例患者中共86块正常骨骼)。
在特征提取之前,对分割图像进行预处理,以尽量减少对比度和亮度变化对纹理特征的影响[20, 21]:使用sitkBSpline作为SimpleITK常量,将图像空间重采样至2 × 2 × 2 mm;信号强度值经相对强度重缩放后离散化为25的箱宽。voxelArrayShift设置为1000。所有分割骨体积分别纳入分析。随后,使用作为插件集成到3D Slicer中的开源工具pyRadiomics提取共计1218个影像组学特征[21]。提取的影像组学特征包括5个不同类别:直方图、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)。在每个特征矩阵上,额外应用了小波滤波(每层8个分解)和5种不同的高斯拉普拉斯滤波器(sigma值分别为1、2、3、4和5)。由于仅对整个骨骼进行了分割,因此未提取形状特征。
读者内和读者间可重复性分析
为确定读者内可重复性,第一位读者(具有1年肿瘤影像学经验)在间隔4周后以随机顺序重复对10个随机选择的子集进行分割。第二位读者(具有4年肿瘤影像学经验)对相同的图像体积进行分割,以确定读者间可重复性。
数据增强
为考虑数据集中轻微的不平衡(不平衡比:0.42),我们进行了数据增强步骤,以实现更好的类别平衡并避免模型过拟合。数据增强使用R(R Foundation;版本3.4.0)[23]中的imbalance包[22]并应用多数加权少数过采样技术(MWMOTE)进行。应用MWMOTE技术后,数据集由骨转移(n = 205)和正常骨(n = 205)观察值数量相等的样本组成。
将数据集拆分为训练数据集和测试数据集
为确保训练统计模型的泛化性,随后使用0.8:0.2的比例将平衡数据集随机拆分为单独的训练数据集(n = 328个观察值,n = 164个骨转移和n = 164个正常骨)和测试数据集(n = 82个观察值,n = 41个骨转移和n = 41个正常骨)。结果部分所述的整个降维和特征选择过程仅在训练数据集上进行。
统计分析、降维和特征选择
统计分析在R(R Foundation;版本3.4.0)中使用R Studio(RStudio;版本1.0.136 [24])进行。所有连续数据以均值 ± 标准差(SD)表示。分类变量以百分比表示。
通过计算组内相关系数(ICC)评估影像组学特征的观察者内和观察者间一致性。使用0.90的截断值选择高度可重复的特征。
放射组学特征选择和降维仅在增强后的训练数据集上进行。第一步,通过计算观察者内和观察者间可重复性,共排除1218个特征中的367个,ICC < 0.90被视为不可重复。使用Z-score标准化对所有特征进行归一化后,将剩余的851个特征输入Boruta降维和特征消除算法(如前所述[25, 26]),最终选出105个特征,这些特征被认为对分类准确性最为重要(补充图1)。由于Boruta算法不考虑数据中的共线性,下一步计算相关矩阵以检测高度相关特征的聚类(定义为Pearson r ≥ 0.60;图3)。在对检测到的11个相关聚类分别拟合独立的随机森林模型后,从每个聚类中仅选择平均精度下降指数最高的一个特征用于进一步分析。
结果
在多步降维过程结束时,选择以下11个最重要且独立的特征用于进一步统计分析:log.sigma.5.0.mm GLDM依赖非均匀性归一化、wavelet-LHL变换GLSZM灰度级非均匀性(GLN)、log.sigma.4.0.mm GLSZM区域百分比、log.sigma.5.0.mm GLCM逆方差、wavelet-HHL变换一阶均值、wavelet-LHH变换一阶熵、wavelet-LLL变换GLSZM大面积低灰度级强调(LALGLE)、wavelet-HHH变换GLSZM大面积高灰度级强调(LAHGLE)、wavelet-HLL变换GLCM聚类阴影、log.sigma.5.0.mm GLDM依赖方差,以及wavelet-LHH变换GLDM大依赖低灰度级强调(LDLGLE)。
基于放射组学的机器学习分类器训练
为了使用训练数据集将患者的骨骼分类为骨转移和正常骨,在选定的11个影像组学特征上训练了一个梯度提升树。对模型进行了调优,得到以下最优调优参数:nrounds = 50,max_depth = 3,eta = 0.4,gamma = 0,colsample_bytree = 0.8,min_child_weight = 1,subsample = 0.75。采用留一交叉验证在独立测试数据集上验证模型性能,该数据集此前未向算法展示过。由于数据集相对较小,这种方法确保在模型的每一轮训练中使用最大量的数据。此外,这种方法避免了划分的随机性,因为模型是在所有可能的观测组合上进行训练的。训练后的模型在测试数据集中的分类准确率为0.84(95%置信区间[CI]:0.74–0.91,p < 0.001),敏感性为78%,特异性为90%(图4a)。校准图(图4b)表明模型存在一定程度的过拟合。进一步的特征缩减未带来模型的任何额外改善。
讨论
在我们的研究中,我们评估了基于CT影像组学的机器学习方法在使用68 Ga-PSMA PET/CT作为参考标准的情况下,能否实现对PCa患者转移性和无转移骨基质的区分。我们的概念验证研究的主要发现表明,使用在选定的11个最重要的CT衍生影像组学特征上训练的梯度提升树,达到了90%的诊断准确率,敏感性为91%,特异性为88%。
我们决定使用梯度提升树来训练我们的模型。梯度提升是集成学习范畴中的一种技术,它不是为单一模型寻找最优超参数,而是使用多个互补的弱模型来构建更强大的集成模型。对于影像组学中的多维数据集,集成学习技术已被证明是强大的技术,具有更高的准确率[16]。其缺点是过拟合倾向更高,尤其是在样本量较小的情况下。
特别是骨髓内无骨基质明显破坏的小病灶可能被CT漏诊[27]。同样,锝99m(99mTc)二膦酸盐骨扫描对骨转移的检出率有限,尤其是对骨转换低的小病灶[27]。一项纳入1102例PCa患者、包含12项使用99mTc骨扫描研究的荟萃分析显示,骨转移检测的敏感性仅为59%,特异性为75%[28]。由于骨扫描和CT都会低估转移性骨疾病的存在和范围,PET成像在这些患者中的应用日益增多,常导致疾病分期上调[27, 29, 30]。
根据我们的概念验证研究结果,CT成像作为一种廉价、易获取且省时的检查手段,可能是一种可行的选择,用于区分转移性前列腺癌(PCa)患者的骨转移与无转移骨,在这一中等规模的患者群体中显示出总体良好的诊断准确性,从而呈现出放射科医生肉眼可能无法看到的图像信息(图5)。然而必须指出,在考虑校准图时,训练模型表现出一定程度的过拟合。由于本概念验证研究纳入的病灶数量相对较少,这在一定程度上是意料之中的。因此,未来研究应在显著更大的数据集上重新训练该模型。
近期,Acar等人[10]的一项研究使用CT纹理分析和机器学习评估了68Ga-PSMA摄取的硬化性骨病变(转移性)与无摄取者(完全缓解)之间的潜在差异。与我们的研究(骨转移 vs. 无转移骨)相似,在他们的研究中,CT上转移性与完全缓解的硬化性骨病变之间的视觉区分无法实现。然而,他们在35个提取的纹理特征中的28个中检测到两组之间存在统计学显著差异,总体准确率良好,达73.5%[10]。
Xu等人的另一项研究开发了一种基于CT和18F-氟脱氧葡萄糖(FDG)PET图像的纹理分析和机器学习方法,用于区分恶性和良性骨与软组织病变[31]。CT衍生纹理特征的准确率单独计算为73%(敏感性81%,特异性61%),而当与额外获取的PET纹理特征联合时,准确率提高至83%(敏感性86%,特异性77%)。Xu等人[31]在分析中纳入了多种不同的良性和恶性骨病变类型,这可能是其性能略低于我们研究结果的一个解释。
我们研究的主要目的是解决CT中经常漏诊转移性骨病的诊断和临床困境,由于缺乏形态学改变,此类病变只能借助PET成像的额外信息才能被检出。从这一临床角度出发,我们不得不对转移性病变的整个骨骼(例如整个椎体)进行分割,以便使用放射组学分类器进行转移 vs. 无转移的分类。与我们的研究不同,Acar等人[10]和Xu等人[31]通过仅将目标病变纳入感兴趣体积进行了预选择,这提示我们的结果具有更大的价值。尽管我们研究的诊断准确性仅为良好,准确率为0.85(敏感性78%,特异性90%),但可以推测,人眼(在没有代谢信息的情况下)几乎无法检测到这些相对较小、无形态学改变或仅有轻微形态学改变的病变,尽管我们的研究缺乏与人类阅片者的比较。
除了转移性骨病的早期发现外,及时准确地预测骨转移并识别骨转移高危患者将非常可取,并有助于筛选出最可能从靶向治疗中获益的患者。近期,Wang等[32]开发并验证了一种基于MRI的影像组学模型,用于个体化预测前列腺癌(PCa)患者治疗前的骨转移。T2w和动态对比增强(DCE)T1w图像结合临床危险因素在训练队列中显示出优异的预测性能,曲线下面积(AUC)为0.92(准确率:0.85;敏感性:0.81,特异性:0.89),并在验证队列中得到证实(AUC = 0.9;准确率:0.85;敏感性:0.82,特异性:0.88)。Zhang等[33]在其研究中证实了这些结果,并在新开发的基于MRI的影像组学列线图中额外纳入了DWI序列,训练队列AUC达0.93,验证队列AUC达0.92,为新诊断PCa患者的骨转移预测引入了一个稳健的模型。我们相信,本研究结果可为诊断和治疗策略增添附加价值,尤其是对于根据上述基于MRI的影像组学列线图具有高骨转移概率的患者。
目前更受青睐的PSMA放射性示踪剂是18F-PSMA,而不再是本研究使用的68Ga-PSMA。除了相较于68Ga-PSMA具有若干优势外,例如噪声更少(主要归因于较低的正电子能量和较高的正电子产额)以及膀胱内放射性活度更低,18F-PSMA的主要缺点是有时出现非特异性骨摄取[34, 35]。这种摄取据推测由脱氟所致,通常见于肋骨和骨盆,而这些部位是前列腺癌骨转移的好发部位[34, 35]。因此,基于CT的影像组学可能有助于临床18F-PSMA扫描,以区分非特异性PSMA摄取与骨转移。
尽管影像组学已展示出其在诊断、预后和预测方面的潜力,但该方法仍面临某些挑战。影像组学研究的可重复性往往较差,部分原因是大多数研究为回顾性设计,导致成像方案标准化不足,包括采集和重建参数[36]。相应地,已有研究表明自动图像分割可增强纹理特征的可重复性,因此将是提高影像组学分析标准化的首选技术[36]。此外,缺乏充分验证及由此导致的统计学I类错误阻碍了向常规临床实践的转化[37]。此外,影像组学特征的可重复性还可能取决于不同模态或扫描仪,且不一定能推广至各种疾病实体[38]。
除了上述所用方法的缺点外,我们承认本研究还有其他若干局限性。第一,回顾性研究设计存在固有缺陷。第二,无68Ga-PSMA摄取的骨盆骨和椎体被视为未受累、无转移的骨。第三,我们的数据集由来自同一患者不同观察的配对数据组成。由于方法学限制,在模型训练过程中无法校正这一潜在偏倚,这可能导致我们的模型潜在过拟合。第四,影像组学分析未纳入临床参数,尽管这可能具有进一步提高诊断准确性的潜力。第五,未使用外部验证数据集。另一个局限性是使用了具有不同固有系统灵敏度的不同PET/CT扫描仪。
总之,我们的概念验证研究表明,影像组学应用于CT图像在前列腺癌(PCa)患者中区分骨转移与无转移骨方面显示出有前景的结果。重要的是,影像组学使得在仅显示离散异常的CT图像上以定量方式实现这种区分成为可能。未来进阶应用包括面向所有新诊断前列腺癌患者的全自动骨分割框架,随后使用影像组学分类器,从而在骨转移早期检测中实现机会性筛查式方法。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 227 KB)
引用
- Hinzpeter R, Baumann L, Guggenberger R, et al. Radiomics for detecting prostate cancer bone metastases invisible in CT: a proof-of-concept study. Eur Radiol. 2021. PMID: 34559264. doi:10.1007/s00330-021-08245-6
- 全文:PMC8831270(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8831270/
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。