文献速递儿科影像骨肌技术与安全MR

瘤内与瘤周MRI影像组学预测儿童横纹肌肉瘤新辅助化疗反应

Intratumoral and peritumoral radiomics for the pretreatment prediction of response to neoadjuvant chemotherapy in rhabdomyosarcoma: a multicenter retrospective cohort study.
PubMed 文献 · Insights Imaging · 2026-01-05

这项多中心回顾性研究纳入519例儿童横纹肌肉瘤患者,从T1CE和T2Fs序列提取瘤内及2mm瘤周影像组学特征,构建12个XGBoost模型预测新辅助化疗反应。T1CE瘤内联合瘤周模型外部验证AUC达0.837和0.843,显著优于单纯瘤内模型。瘤周结构不规则性和强化异质性特征与化疗抵抗相关。

要点

  • T1CE序列瘤内联合2mm瘤周模型预测化疗反应最优,外部测试AUC为0.837和0.843
  • 瘤周结构不规则和强化异质性特征是化疗抵抗的关键预测因子
  • 单纯瘤内模型外部测试AUC仅0.464,提示临床阅片需关注瘤周微环境改变

核心结论

  • T1CE序列瘤内联合2mm瘤周影像组学模型可稳健预测儿童横纹肌肉瘤新辅助化疗反应
  • 瘤周结构不规则性(SurfaceVolumeRatio高值)与化疗抵抗相关,瘤周高强化区(Maximum高值)与化疗敏感相关
  • 多序列融合模型及临床-影像组学联合模型未提供增量预测价值

研究设计与样本

  • 多中心回顾性队列研究,纳入519例RMS患者,来自北京儿童医院、北京同仁医院和顺义妇儿医院三个中心
  • 训练集290例(BCH 70%),内部验证集125例(BCH 30%),外部测试集1为61例(TRH),外部测试集2为43例(SMCH)
  • 三中心均使用3.0T MRI,序列为T1增强(T1CE)和T2脂肪抑制(T2Fs),体素统一重采样至1.0×1.0×1.0mm³
  • 肿瘤由放射科医生手动分割,2mm瘤周区域自动生成后手动修整排除正常组织
  • PyRadiomics提取1015个特征,经ICC≥0.80、显著性检验、共线性剔除及LASSO回归筛选后构建12个XGBoost模型

关键影像表现/征象

  • T1CE瘤周小波变换HLH一阶统计量Maximum高值(瘤周高强化区扩大)SHAP负值,提示与化疗敏感相关
  • T1CE瘤周原始形状SurfaceVolumeRatio高值(瘤周形态不规则)SHAP正值,提示与化疗抵抗相关
  • T1CE瘤内小波变换LHH邻域灰阶差分矩阵Busyness高值SHAP负值,提示与化疗敏感相关
  • T1CE瘤周小波变换HLL邻域灰阶差分矩阵Contrast及GLSZM ZoneVariance呈现非线性阈值效应

诊断标准与关键数值

  • T1CE_IntraPeri2mm模型训练集AUC为0.917(95%CI:0.8848–0.9483),内部验证AUC为0.760(95%CI:0.6736–0.8463)
  • T1CE_IntraPeri2mm模型外部测试集1 AUC为0.837,外部测试集2 AUC为0.843(95%CI:0.7157–0.9700),敏感度0.667,特异度0.857,F1=0.690
  • T1CE_IntraPeri2mm相比基线模型NRI=0.34(p<0.05),IDI=0.177(p<0.05)
  • T2Fs_IntraPeri2mm外部测试集1 AUC为0.706(95%CI:0.5616–0.8498),测试集2 AUC为0.760(95%CI:0.6031–0.9159)
  • T1CET2Fs_IntraPeri2mm外部测试集1 AUC为0.837(95%CI:0.7222–0.9515),测试集2 AUC为0.838(95%CI:0.6870–0.9892)

临床应用与阅片要点

  • T1CE_IntraPeri2mm分类阈值为0.434–0.520,DCA显示临床决策阈值0.2–0.5范围内净获益最高
  • 阅览T1增强MRI时应重点观察瘤周2mm区域的形态规则性和强化均匀性
  • 单纯瘤内模型特异性-敏感性严重失衡(0.933 vs 0.250),应避免仅依赖瘤内特征判断疗效
  • 亚组分析显示T1CE_IntraPeri2mm预测性能在ERMS、ARMS和ScRMS病理亚型间保持稳定

局限性

  • 回顾性研究设计,三中心设备和扫描方案存在差异但不影响模型稳定性
  • 融合基因阳性患者占28.90%,入选病例以>5cm肿瘤和不利解剖部位为主,未覆盖全部RMS谱系
全文中译15 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:Insights Imaging. 2026 Jan 5;17:3. doi: 10.1186/s13244-025-02178-0

引言

横纹肌肉瘤(RMS)是儿童和青少年中最常见的软组织肉瘤,约占所有儿童恶性肿瘤的3–4% [1, 2]。目前RMS的治疗策略以化疗为主要手段,用于减瘤以及清除宏观和微观转移灶,并辅以手术(在可行的情况下)和放射治疗(RT)来处理局部微小残留病灶 [3]。鉴于大多数RMS患者在诊断时难以实现完全切除,通常在病理确诊后给予新辅助化疗(NAC),后续治疗则根据个体反应进行调整。NAC具有降低手术并发症和改善临床结局的潜在优势;然而,并非所有RMS病例均反应良好 [4]。预测新辅助治疗效果的能力仍具挑战性,但早期识别无反应者对于避免不必要且可能有害的干预措施以及为可能从NAC中获益的患者优化资源配置至关重要 [5, 6]。因此,开发可靠的方法来评估影像学在评价肿瘤对新辅助治疗反应中的预测价值是适时且具有现实意义的。此类进展可能改变RMS的管理模式,促进为每位患者制定更有效和个体化的治疗方案。

RMS肿瘤在磁共振成像(MRI)上常表现为异质性,其瘤内模式多样,难以通过传统的人工观察加以辨别和描述 [7]。影像组学作为影像研究中的一个新兴领域,为应对这些挑战提供了解决方案,其工具可在不同成像模态下对软组织肉瘤的影像表型进行广泛、客观且无偏倚的量化 [8]。自2010年该领域出现 [9] 并于2015年在肉瘤研究中应用增多以来 [10],影像组学在构建预测模型方面已显示出潜力,可用于区分良性与恶性软组织肿瘤、预测组织学分级(STS中的关键预后因素)、评估对NAC或放疗的反应,以及估计生存率和远处转移风险 [8, 11]。值得注意的是,来自其他癌症的证据表明,病灶周围纹理特征与治疗耐药性和不良预后之间存在显著关联,提示其具有作为影像生物标志物的潜力 [12, 13]。然而,瘤周影像组学的转化价值在软组织肉瘤中仍未得到充分探索——尽管RMS在儿童颅外实体瘤中发病率排名第三,但针对该病种的影像组学研究(包括瘤内异质性解码和瘤周微环境表征)仍属空白。迄今为止,人工智能在RMS中的应用主要集中在组织病理学分析方面 [14–16]。例如,Banerjee等人尝试在多参数MRI图像上采用基于深度学习的计算机辅助诊断(CADx)方法区分胚胎型RMS(ERMS)和腺泡型RMS(ARMS)亚型,但其研究仅纳入21例儿童患者 [17]。

鉴于该领域研究有限,且迫切需要有效的工具来预测横纹肌肉瘤(RMS)对新辅助化疗(NAC)的反应,我们开展了一项涵盖519例RMS患者的多中心回顾性研究——这是迄今为止针对该恶性肿瘤的最大放射组学队列。基于该队列,我们旨在识别预测NAC反应的最佳影像生物标志物,最终指导儿童RMS的个体化治疗策略。

材料与方法

患者信息

研究设计如图1所示。这项回顾性研究纳入了来自中国三个学术医疗中心的三个队列。2013年9月至2024年6月期间在北京儿童医院(BCH)接受治疗的RMS患者被纳入研究,并随机分为训练集(70%,n = 290)和内部验证集(30%,n = 125)。外部测试队列1(n = 61)于2016年1月至2024年6月在北京同仁医院(TRH)收集。外部测试队列2(n = 43)于2020年1月至2024年6月由北京儿童医院顺义妇儿医院(SMCH)完成。患者选择流程图如图2所示。这项回顾性研究获得了各参与机构的伦理审查委员会批准(BCH:[2022]-E-097-Y;TRH:TREC2024-KY093;SMCH:2024-020-1),并免除了知情同意要求。关于样本量计算的详细信息以及患者纳入标准和入组患者反应评估标准,详见补充方法。

图1 研究流程图。ROI,感兴趣区;T1CE,T1加权对比增强;T2Fs,T2加权脂肪抑制;Intra,瘤内区域;Peri,瘤周区域;ICC,组内相关系数;LR,逻辑回归;XGBoost,极端梯度提升;MLP,多层感知器;ROC,受试者工作特征曲线;AUC,受试者工作特征曲线下面积;HL检验,Hosmer–Lemeshow拟合优度检验;DCA,决策曲线分析;NRI,净重分类改善;IDI,综合判别改善;LRT,似然比检验;SHAP,SHapley加法解释 查看原图 ↗
图2 患者招募流程图。RMS,横纹肌肉瘤;IRS,Intergroup Rhabdomyosarcoma Study术后分组系统;NAC,新辅助化疗 查看原图 ↗

图像采集、预处理与分割

本研究纳入的患者分别在BCH使用3.0-T MRI扫描仪(Discovery MR 750,通用电气)、在TRH使用3.0-T MRI扫描仪(Magnetom Skyra,西门子医疗)以及在SMCH使用3.0-T MRI扫描仪(Signa HDxt,通用电气)接受了MRI扫描。由于回顾性研究的固有局限性,所收集的MRI序列类型因解剖部位而异。因此,我们选择了所有患者均可获得的T1CE和T2Fs序列。各采集序列的详细扫描参数见补充表S1。为减轻不同扫描设备和方案带来的图像质量差异,我们利用SimpleITK库中的Resample函数对MRI图像进行重采样,将体素大小统一为1.0 × 1.0 × 1.0 mm³,并采用三次B样条插值(即sitk.sitkBSpline)以确保重采样图像的质量。肿瘤分割由放射科医师手动完成。从肿瘤边界自动生成2-mm瘤周区域,并经人工修正以排除正常组织。详细方法见补充方法。

影像组学流程

特征提取与选择

本研究在T1CE和T2FS MRI序列上,分别从瘤内(Intra)、瘤周2-mm边缘(Peri2mm)以及瘤内-瘤周2-mm边缘融合(ImageFusion2mm)区域中提取定量影像特征。使用PyRadiomics(v3.1.0)从每个感兴趣区(ROI)中共提取1015个影像组学特征,包括形状、统计和纹理特征。采用特征拼接将瘤内、瘤周及多序列特征整合为高维向量。每个序列构建4个特征集,并通过整合生成4个跨序列特征组,共计12个特征组。基于重测/评估者间ICC(≥ 0.80)、z-score标准化、显著性检验(p < 0.05)、共线性消减(r ≥ 0.90)以及带交叉验证的Lasso回归进行特征选择。详细的特征提取与选择方法见补充方法。12个特征组最终选出的特征见补充表S2和补充图S1。

模型构建

最初,我们对筛选出的12个特征组进行了5折交叉验证,以评估多个分类器在不同数据划分下的稳定性。筛选出四种性能一致的分类器:逻辑回归(LR)、ExtraTrees、极端梯度提升(XGBoost)和多层感知机(MLP)。随后,我们进一步比较了这四种分类器在训练集、验证集和测试集上的受试者工作特征曲线下面积(AUC)表现,以评估其泛化能力(补充图S2)。最终,XGBoost在验证集和测试集上均表现出最佳性能,被选为构建12个影像组学模型的最终机器学习算法。临床特征进行了数值映射,并使用与影像组学模型类似的机器学习算法进行分析。为构建临床模型,首先采用单因素逻辑回归,随后将显著因素(p < 0.1)纳入多因素分析。最终筛选出两个特征:融合基因和病理类型(补充表S3)。基于临床相关性,我们进一步纳入了与RMS预后明确相关的变量,即年龄、大小、部位、T、N、M和IRS。考虑到既往文献已确立年龄与RMS之间的关联,年龄作为分类变量纳入。然而,由于IRS-III/IV(本研究纳入)与M之间存在共线性,最终纳入的临床变量为年龄、病理类型、融合基因、大小、部位、T、N和M。在多种算法中,XGBoost表现最佳(补充图S3)。

统计分析

连续变量采用Shapiro–Wilk检验评估正态性,正态分布数据使用独立t检验,非正态数据使用Mann–Whitney U检验。分类变量通过卡方检验或Fisher精确检验进行分析。预测性能通过受试者工作特征(ROC)曲线评估,模型间AUC差异采用DeLong检验。Bootstrap法(1000次迭代)生成所有指标的95%置信区间(CIs)。净重分类改善指数(NRI)和综合判别改善指数(IDI)用于量化相对于临床基准的增量价值,同时采用似然比检验(LRT)评估添加影像组学特征的显著性。模型校准通过Bootstrap校准曲线和Hosmer-Lemeshow拟合优度检验进行验证。临床效用通过决策曲线分析(DCA)在概率阈值(10–90%)范围内进行检验。特征贡献和非线性交互作用使用SHapley Additive exPlanations(SHAP)进行解释。分析在Python 3.7.12中进行,使用scikit-learn 1.0.2(机器学习)、statsmodels 0.13.2(统计检验)和PyRadiomics 3.1.0(特征提取)。

本影像组学研究的报告质量采用以下指南进行评估:影像组学质量评分(RQS)2.0 [18]、医学影像人工智能清单(CLEAR)[19]以及放射学与影像科学机器学习评估工具包(METRICS)[20]。完整的检查清单分别见补充附录1、2和3。

结果

基线特征

在545例因横纹肌肉瘤(RMS)接受新辅助化疗(NAC)的患者中,7例因临床资料不完整被排除,23例因图像质量差或图像序列缺失被排除,5例因NAC前有治疗史被排除,3例因并发其他恶性肿瘤被排除(图1)。患者特征见表1。中位年龄为59.00(34.00–101.00)个月,男性占队列的60.31%(313/519)。病理上,胚胎型RMS最为常见(51.64%,268/519),其次为腺泡型RMS(40.66%,211/519)和硬化型/梭形细胞型横纹肌肉瘤(ScRMS,7.71%,40/519)。28.90%(150/519)的病例检测到融合基因阳性。大多数肿瘤>5 cm(65.32%,339/519),且位于不利解剖部位(定义为脑膜旁、四肢、泌尿生殖道膀胱/前列腺及其他部位;65.32%,339/519)。在TNM分期方面,浸润性肿瘤(T2)占76.69%(398/519),非浸润性肿瘤(T1)占23.31%(121/519)。51.25%(266/519)的患者存在淋巴结受累(N1),48.75%(253/519)无淋巴结转移(N0)。23.89%(124/519)的病例发现远处转移(M1)。各组间任何特征均无显著差异(p>0.05),表明各亚组间分布均衡。

表1 患者临床特征 查看原表 ↗

T1CE影像组学模型的性能

在基于T1CE的影像组学模型评估中(补充表S5、S6),T1CE_IntraPeri2mm模型在各队列中均表现出优越性能。该模型在训练队列中达到AUC 0.917(95% CI:0.8848–0.9483),经DeLong检验显著优于T1CE_Intra模型(p<0.001)。在验证队列中,其AUC为0.760(95% CI:0.6736–0.8463),并在外部测试2队列中展现出卓越的泛化能力:AUC=0.843(95% CI:0.7157–0.9700),敏感性=0.667,特异性=0.857,F1分数=0.690。统计比较(补充表S6)显示,与基线模型相比,T1CE_IntraPeri2mm的净重分类指数(NRI=0.34,p<0.05)和综合判别改善指数(IDI=0.177,p<0.05)均有显著提升。相比之下,T1CE_Intra在外部测试2中表现不佳(AUC=0.464,95% CI:0.2905–0.6381),且敏感性-特异性严重失衡(0.933 vs. 0.250),在成对DeLong检验中持续劣于T1CE_IntraPeri2mm(p<0.05)。其他候选模型(如T1CE_ImageFusion2mm)在多个队列中显示负向或无显著意义的NRI/IDI改善。因此,推荐T1CE_IntraPeri2mm作为T1CE序列的最优模型,在预测准确性、泛化能力和统计显著性之间取得了平衡。

T2Fs影像组学模型的性能

在基于T2Fs的影像组学模型(补充表S6、S7)中,T2Fs_IntraPeri2mm模型表现出最佳的跨队列稳健性。其在训练队列中达到AUC 0.928(95% CI: 0.8985–0.9582),敏感度(0.925)和特异度(0.793)均衡,F1分数为0.810。值得注意的是,其预测性能在外部测试中进一步提升:外部测试1中AUC = 0.706(95% CI: 0.5616–0.8498),敏感度 = 0.636,特异度 = 0.769;在测试2中达到最佳性能(AUC = 0.760,95% CI: 0.6031–0.9159),各项指标均衡(敏感度 = 0.667,特异度 = 0.786,F1分数 = 0.645)。统计比较(补充表S7)显示,T2Fs_IntraPeri2mm在外部测试2中显著优于T2Fs_ImageFusion2mm(DeLong p = 0.04;NRI = −0.329,p = 0.033;IDI = −0.119,p = 0.007),且在各外部队列中NRI/IDI趋势持续为正值。T2Fs_ImageFusion2mm虽然在训练中表现卓越(AUC = 0.968),但在验证(AUC = 0.598)和外部测试2(AUC = 0.558)中性能显著下降,提示存在过拟合。T2Fs_Intra模型在测试2中表现出敏感度-特异度失衡(0.667 vs. 0.500),AUC欠佳,为0.636。基于跨队列泛化能力和统计学显著性,推荐T2Fs_IntraPeri2mm作为T2Fs序列的最优模型。

T1CET2Fs影像组学模型的性能

在基于T1CET2Fs的影像组学模型(补充表S8、S9)中,T1CET2Fs_IntraPeri2mm模型表现出最佳的跨队列性能。在训练队列中,其AUC为0.927(95% CI: 0.8965–0.9574;补充表S8),相较T1CET2Fs_INTRA的风险分层改善虽未达统计学显著性(DeLong p = 0.061;NRI = 0.352,p = 0.067;IDI = 0.098,p = 0.1)(补充表S9)。该模型在验证中保持稳定(AUC = 0.855,95% CI: 0.7756–0.9340),敏感度(0.684)和特异度(0.920)均衡,并在外部测试队列中具有良好的泛化能力:测试1(AUC = 0.837,95% CI: 0.7222–0.9515;F1 = 0.762)和测试2(AUC = 0.838,95% CI: 0.6870–0.9892;特异度 = 0.964,PPV = 0.909)。相比之下,T1CET2Fs_INTRA表现出明显的过拟合(外部测试1 AUC = 0.517,95% CI: 0.3528–0.6810;外部测试2 AUC = 0.664),而T1CET2Fs_ImageFusion2mm则出现严重失效(测试1 AUC = 0.500;测试2 IDI = −0.201,p = 0.001)。统计比较证实了T1CET2Fs_IntraPeri2mm的优越性:相较于T1CET2Fs_ImageFusion2mm有显著改善(NRI = 0.514,p = 0.002;IDI = 0.201,p = 0.001),且相较于T1CET2Fs_Peri2mm具有均衡的敏感度-特异度权衡(外部测试2敏感度 = 0.667 vs. 0.867;特异度 = 0.964 vs. 0.643)。因此,T1CET2Fs_IntraPeri2mm因其稳健的泛化能力被推荐用于临床部署。

最优影像组学模型比较

在T1CE_IntraPeri2mm、T2Fs_IntraPeri2mm及多序列融合模型T1CET2Fs_IntraPeri2mm的性能评估中,T1CE_IntraPeri2mm模型表现出更优的跨队列稳定性和临床实用性(图3A–L)。三个模型在训练队列中的AUC相当(0.917–0.928;DeLong p > 0.05;表2),但T1CE_IntraPeri2mm在外部测试2队列中获得了最佳泛化能力(AUC = 0.843,95% CI:0.7157–0.9700;图3D),从训练到外部测试2的AUC下降幅度最小,且特异性(外部测试1/测试2:0.846/0.857)和分类阈值(0.434–0.520;表2)保持稳定。决策曲线分析(DCA)显示,T1CE_IntraPeri2mm在外部测试2的临床决策阈值范围(0.2–0.5)内提供了最高的净获益(图3H),同时校准曲线最接近理想对角线(图3L),优于T2Fs_IntraPeri2mm(AUC = 0.760;DeLong p = 0.362;表3)和融合模型T1CET2Fs_IntraPeri2mm(特异性异常升高至0.964但敏感性未改善)。跨队列AUC曲线(图3A–D)进一步验证了T1CE_IntraPeri2mm的稳健性,而融合模型在外部测试2的AUC无显著差异(0.838 vs. T1CE,p = 0.512;图3D)。尽管融合了多序列特征,融合模型在似然比检验(LRT p = 1.0;表S2)、NRI(−0.107,p > 0.05)或IDI(−0.056,p > 0.05;表3)中均未显示显著改善。基于跨队列稳健性、均衡的敏感性/特异性(外部测试2:0.667/0.857)和临床决策效能(图3D、H、L),T1CE_IntraPeri2mm被确定为最优模型。此外,亚组分析表明,T1CE_IntraPeri2mm的预测性能(AUC、敏感性、特异性)在RMS的不同病理表型中保持稳健一致(补充表S10)。

图3 三种最优影像组学模型在训练、内部验证、外部测试1和外部测试2队列中的ROC曲线(A–D)、DCA(E–H)及校准曲线(I–L);ROC,受试者工作特征曲线;T1CE,T1加权对比增强;T2Fs,T2加权脂肪饱和;Val,验证;DCA,决策曲线分析 查看原图 ↗
表2 三种最优模型在三个数据集中的性能 查看原表 ↗
表3 三种最优模型在三个数据集中使用DeLong检验、净重分类改善、综合区分改善和似然比检验的比较 查看原表 ↗

临床-影像组学联合模型

临床-影像组学联合模型(Combined)相较于单独影像组学模型(T1CE_IntraPeri2mm)未显示出具有统计学或临床意义的增量获益(补充表S11、S12)。在外部测试2队列中,联合模型的AUC改善可忽略不计(0.843 vs. 0.838;DeLong p = 0.891),且未能优化敏感性-特异性平衡(敏感性0.667 vs. 0.667,特异性0.857 vs. 0.964),F1分数变化不显著(0.690 vs. 0.769)(补充表S10)。统计检验显示,联合模型在净重分类(NRI = 0.01,p = 0.754)或综合区分(IDI = 0.003,p = 0.814)方面均无显著提升(补充表S11)。值得注意的是,联合模型从训练到测试2的AUC下降幅度更大,且阈值波动性更高,提示特征融合可能存在过拟合风险。

模型解释

SHAP可解释性分析阐明了瘤周与瘤内影像组学特征对化疗反应预测的差异性贡献(图4)。在瘤周特征中,T1CE_peri_wavelet_HLH_firstorder_Maximum(对比增强T1加权成像中小波变换瘤周区域的最大信号强度)的高值表现出显著负向SHAP值,表明扩大的高信号瘤周区域与化疗敏感性相关。相反,T1CE_peri_original_shape_SurfaceVolumeRatio(瘤周形态的表面积体积比)的高值显示正向SHAP贡献,提示不规则的瘤周结构模式与化疗耐药相关。在瘤内特征中,T1CE_intra_wavelet_LHH_ngtdm_Busyness(小波变换瘤内区域的局部信号繁忙度)的高值表现出负向SHAP效应,反映了其与化疗敏感性的潜在生物学相关性。值得注意的是,瘤周异质性指标T1CE_peri_wavelet_HLL_ngtdm_Contrast和T1CE_peri_log_sigma_3_0_mm_3D_glszm_ZoneVariance显示出非线性阈值效应,提示其与治疗反应之间存在复杂的交互作用,而这种作用可能依赖于微环境免疫状态。这些发现验证了模型的多尺度决策逻辑:瘤周结构特征(形态/信号分布)与瘤内异质性共同驱动化疗反应预测。

图4 T1CE_IntraPeri2mm模型的SHAP汇总图。T1CE,T1加权对比增强;peri,瘤周区域;HLH,高-低-高;HLL,高-低-低;ngtdm,邻域灰度差矩阵;glszm,灰度级尺寸区域矩阵;LHH,低-高-高;intra,瘤内区域;gldm,灰度依赖矩阵;LLL,低-低-低 查看原图 ↗

讨论

本项多中心研究是迄今为止儿童横纹肌肉瘤(RMS)中规模最大的影像组学研究,系统评估了瘤内和瘤周MRI特征对新辅助化疗(NAC)反应的预测价值。尽管既往软组织肉瘤(STS)影像组学研究已展示了预测NAC反应的潜力[10, 17, 21],但针对特定组织学亚型的模型仍然匮乏。鉴于STS的极度异质性——WHO 2020分类中涵盖超过100种不同实体[22]——这一空白尤为关键。由于RMS占0~14岁儿童STS病例的50%[2],我们的亚型特异性分析填补了一项重要的未满足需求。我们的研究结果表明,整合瘤周微环境特征(尤其是来源于T1CE序列的特征)的影像组学模型,相较于传统的瘤内模型或临床模型,取得了更优的预测性能。最优的T1CE_IntraPeri2mm模型展现出稳健的跨队列泛化能力(AUC:0.760–0.917),优于多序列融合方法,并为肿瘤异质性与治疗耐药之间的生物学交互提供了关键见解。这些结果与肿瘤学领域新出现的证据一致,即瘤周影像组学特征可捕捉对治疗反应至关重要的微环境改变[23–25]。

瘤周增强模型所显示的预测优势提示其与肿瘤-间质相互作用存在潜在的生物学关联[26]。SHAP分析揭示,瘤周小波变换最大强度(T1CE_peri_wavelet_HLH_firstorder_Maximum)和表面积体积比(T1CE_peri_original_shape_SurfaceVolumeRatio)是关键预测因子,表明肿瘤周边的代谢活性和形态不规则性均影响治疗结局。两者的协同预测能力提示,治疗抵抗不仅源于瘤周高代谢驱动的治疗逃逸,还可能源于不规则边界几何形态导致的药物渗透受损和放疗覆盖不足。这一发现可为个体化治疗策略的未来研究提供参考。

多序列分析揭示了RMS中特征融合策略的局限性。尽管T1CE与T2Fs序列在理论上具有互补性,但融合模型T1CET2Fs_IntraPeri2mm在外部测试中未显示优于单序列模型的显著优势,这与胶质母细胞瘤[27]和乳腺癌[28]中的研究结果相矛盾。我们认为,基于T1CE的模型与融合模型性能相当的原因在于:(1)生物学冗余——T1CE的对比机制已编码关键治疗相关生物标志物;(2)噪声干扰——T2Fs的非特异性病理信号;(3)维度膨胀——特征拼接增加了复杂性而未获得相应的信息增益,在RMS这类有限队列中存在过拟合风险。这些发现与Lambin对不加选择的多参数融合所提出的警示一致[29],提倡基于生物学驱动的序列选择。T1WI(尤其是增强序列)的一致优势与软组织肉瘤(STS)影像组学共识相呼应:核心序列(如T1CE、T2FS)在勾画肿瘤边界和异质性方面表现优异[21,30]。例如,Crombé等利用增强T1WI/T2WI的delta影像组学预测STS化疗反应[30],而Peeken等联合T1CE-FS/T2FS进行高级别STS结局预测[31]。然而,过度的多序列整合可能因MRI对比机制(T1弛豫与T2质子密度)和空间分辨率的固有差异而加剧方案标准化挑战,这在RMS等罕见儿童肿瘤中尤为突出,其中维度灾难已经出现(如Fields等在44例患者中使用11个序列获得AUC=0.44)[21]。因此,优先选择生物学相关的单一序列(如T1CE)可增强模型稳健性,同时兼顾儿科成像中的临床效率和患者舒适度,为优化影像组学研究范式提供关键指导。

本研究建立的T1CE_IntraPeri2mm模型在预测RMS新辅助化疗(NAC)反应方面显示出显著的临床效用。该模型利用常规MRI序列识别无反应者的特异度为0.857,可实现风险适应性治疗分层,使耐药患者能够早期终止无效化疗,同时对敏感亚组加强肿瘤控制[3, 32]。这一分层原则与儿童肿瘤协作组(COG)临床试验框架一致[33, 34],对推动RMS精准医疗至关重要。值得注意的是,尽管影像组学模型优于传统体积评估,其中等水平的灵敏度提示未来需整合液体活检或分子生物标志物(如PAX-FOXO1融合状态)以优化预测能力[35–37]。RMS疗效评估中的独特挑战进一步凸显了其临床意义。与以病理完全缓解(pCR)为终点的成人软组织肉瘤不同[8, 31],RMS管理需要在肿瘤控制与儿科患者长期生活质量之间谨慎平衡[5, 38]。传统体积评估常因肿瘤坏死异质性、细胞抑制效应和假性进展而失效[11, 39]。我们的模型通过多参数特征提取克服了这些局限性,能够在NAC期间进行可靠的早期分层——这对于解剖部位复杂(颅底、眼眶)、延迟切除不可行的肿瘤尤其有价值[40, 41]。尽管既往研究报告早期体积缩小与生存结局之间的相关性不一致[42–44],但我们的模型具有较高的特异度,为治疗方案调整提供了关键时间窗口:耐药病例早期转为放疗/手术[45],对反应者则强化NAC以最大限度控制肿瘤。值得注意的是,临床-影像组学整合模型未显示性能提升,这与成人肉瘤研究中临床参数(肿瘤大小、部位)增强模型效能的结果形成对比[46]。这一差异可能源于儿童RMS特有的生物学特征,即分子特征(如融合基因状态)在预后主导作用上超过传统临床因素[37]。我们的发现强调了在儿科预测模型开发中采用年龄特异性生物学原理的必要性,并促使未来研究聚焦于多组学整合策略。

本研究存在若干局限性,值得讨论。首先,虽然多中心设计和较大样本量增强了普适性,但回顾性研究的本质引入了固有的选择偏倚,可能影响特征的可重复性。其次,手动肿瘤分割虽经资深放射科医师审核,但与自动化方法相比仍耗时且具有主观性——未来整合深度学习分割可提高可重复性。第三,鉴于NAC反应与RMS生存结局之间相关性的争议 [33, 34],我们关注早期体积反应(第3周期后)而非生存终点,因此在临床解读时需谨慎。第四,排除功能性MRI序列(弥散加权成像/动态对比增强,DWI/DCE)限制了与源自多参数方案的新兴影像组学生物标志物的直接比较。最后,所识别的瘤周特征的生物学合理性需要通过空间分辨转录组学或多重免疫组化定位间质免疫浸润等技术进行空间验证。

总之,这项多中心研究确立了基于常规T1CE MRI的瘤周影像组学作为儿童RMS NAC反应的稳健预测指标,克服了传统临床评估的局限性。通过解码肿瘤-微环境相互作用的影像学特征,我们的研究结果为这一脆弱人群的图像引导个体化治疗奠定了基础,同时强调了将年龄特异性生物学原理纳入儿童预测模型的必要性。

电子补充材料

补充信息

引用

  1. Zhang, Peng, Su, et al. Intratumoral and peritumoral radiomics for the pretreatment prediction of response to neoadjuvant chemotherapy in rhabdomyosarcoma: a multicenter retrospective cohort study. Insights Imaging. 2026. PMID: 41492040. doi:10.1186/s13244-025-02178-0
  2. 全文:PMC12770143(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12770143/

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。