超声影像组学鉴别高/低级别浆液性卵巢癌的初步研究
这是一项单中心回顾性初步研究,纳入153例(120例高级别、33例低级别)经病理确诊的浆液性卵巢癌患者,共332张术前超声图像。研究提取75个影像组学特征并构建多个机器学习模型,经内部验证后,临床-影像组学模型ROC-AUC为0.80,超声模型为0.78,两者无统计学差异。结论认为当前影像组学方法未能在常规超声基础上提供足够的术前鉴别价值。
要点
- 临床-影像组学模型(年龄+纹理特征F_szm.zs.var)与单纯超声模型效能相近,未体现影像组学增益。
- LGSC更常见乳头状突起(36.4% vs 10.0%)、高回声灶(63.6% vs 0%)及卵巢新月征(18.8% vs 3.4%)。
- 两个模型AUC均在0.80以下,不能单独作为术前鉴别高低级别浆液性卵巢癌的可靠依据。
核心结论
- 尽管HGSC与LGSC之间存在可检测的影像组学特征差异,当前影像组学及影像学方法未能在常规超声基础上提供可靠的术前鉴别额外价值。
- 临床-影像组学模型表现与超声模型相似(optimism-corrected ROC-AUC,0.80 vs 0.78;P = 0.726)。
- 临床-影像组学模型优于影像组学模型(0.80 vs 0.69;P = 0.042)及影像组学-超声模型(0.80 vs 0.68;P = 0.048)。
研究设计与样本
- 单中心、分析性、观察性、回顾性初步研究,由意大利MITO多中心协作组开展,地点为罗马A. Gemelli大学医院。
- 纳入2014年1月至2022年6月期间经组织学确诊为HGSC或浸润性LGSC、且有术前超声DICOM图像的153例患者。
- 共120例HGSC和33例浸润性LGSC,每位患者选取优势肿块分析,共332张图像;97%为经阴道超声采集。
- 超声检查由EFSUMB II级经验的超声医师完成,采用GE Voluson E10、Samsung W10/HERA I10/HS70A/WS80A、Canon Aplio系列及Esaote等多厂商设备。
- 对仅包括肿块实性成分的ROI进行手动分割,提取符合IBSI指南的75个影像组学特征,最终58个特征进入分析。
关键影像表现/征象
- 乳头状突起在HGSC中见于10.0%(12/120),在LGSC中见于36.4%(12/33)。
- 高回声灶在LGSC中见于63.6%(21/33),在HGSC中均未观察到。
- 卵巢新月征在HGSC中见于3.4%(4/119),在LGSC中见于18.8%(6/32)。
- HGSC多表现为中等至丰富血流信号,LGSC更多与少至中等血流信号相关(P = 0.004)。
- 两者形态相似,大多数肿块表现为实性或囊实性(多房实性)。
诊断标准与关键数值
- 影像组学模型(3个纹理特征F_cm.info.corr.2、F_rlm.r.perc、F_szm.zs.var):optimism-corrected ROC-AUC为0.69(95% CI,0.57-0.77)。
- 临床-影像组学模型(F_szm.zs.var+年龄):optimism-corrected ROC-AUC为0.80(95% CI,0.72-0.90)。
- 影像组学-超声模型(F_cm.info.corr.2+color score):optimism-corrected ROC-AUC为0.68(95% CI,0.56-0.77)。
- 超声模型(color score+乳头状突起+卵巢新月征):optimism-corrected ROC-AUC为0.78(95% CI,0.68-0.88)。
- HGSC患者平均年龄59.7岁,LGSC为47.5岁(P < 0.0001);HGSC中77.5%为绝经后,LGSC中30.3%(P < 0.0001)。
临床应用与阅片要点
- 日常阅片中见到卵巢实性或囊实性肿块时,乳头状突起、高回声灶、卵巢新月征及血流分级是鉴别高低级别浆液性癌的有用常规超声指标。
- 年龄是重要的临床变量:HGSC与LGSC之间平均年龄相差约12岁,可加入常规判别思路。
- 当前证据不足以支持用影像组学纹理分析替代或补充常规超声对HGSC与LGSC的术前鉴别。
- 该研究中超半数LGSC表现为少血流,而HGSC多中等至丰富血流,评估血流信号有助于提示病理级别。
局限性
- 样本量较小(LGSC仅33例),且为单中心回顾性设计,结果需外部验证。
- 模型中LGSC占比仅22%,存在类别不平衡,ROC-AUC可能高估判别能力。
- 超声设备来自多个厂商且频率范围不同,可能引入采集异质性。
- 仅分割了实性成分进行影像组学分析,未纳入肿瘤整体形态及囊性区域的信息。
全文中译13 节 · 点击展开
引言
卵巢癌在发达国家是第二常见的妇科恶性肿瘤,在发展中国家则位居第三 1 。大多数卵巢恶性肿瘤(95%)为上皮性 2 ,其中浆液性癌占上皮性卵巢癌的80%。然而,高级别浆液性卵巢癌(HGSC)与低级别浆液性卵巢癌(LGSC)在发病机制、化疗反应及预后方面均有所不同 3 。HGSC占所有浆液性卵巢恶性肿瘤的75%,通常就诊时已为晚期 2 ,诊断时平均年龄为55–65岁 4 。HGSC通常呈p53、WT1、p16和BRCA1强阳性表达,而雌激素—孕激素受体表达较少 2 , 3 , 4 , 5 。LGSC在所有上皮性卵巢癌中占比不足5% 2 , 3 , 4 , 5 。LGSC患者较HGSC患者年轻,非浸润性LGSC诊断时平均年龄为45岁,浸润性LGSC为53岁 4 。LGSC与BRCA突变无关,而与BRAF、KRAS和ERBB2突变相关 6 , 7 。LGSC弥漫性表达CK7、PAX8、ER、PR和WT1蛋白,p16表达呈斑片状,p53呈野生型模式 8 。
浆液性癌患者可无临床症状,也可表现为早饱、腹胀、呼吸困难、尿急和疼痛。晚期病例可出现胸腔积液和肠梗阻 9 。LGSC的5年无进展生存率和总生存率高于HGSC,但至10年时两者预后趋于重叠 10 。
完全细胞减灭(残留肿瘤 = 0)是治疗目标,但在HGSC和LGSC中,肿瘤残留 < 1 cm仍被视为满意的细胞减灭 11 。然而,由于LGSC对化疗敏感性较低,此类病例必须尽最大努力进行手术。HGSC的治疗格局明显比LGSC更为广泛。标准一线治疗包括细胞减灭术和以铂类为基础的化疗,而贝伐珠单抗靶向治疗及聚(ADP-核糖)聚合酶(PARP)抑制剂维持治疗可根据疾病特征以及BRCA突变和同源重组缺陷状态用于特定患者。此外,免疫治疗在铂耐药卵巢癌的特定亚组中已显示出临床获益。上述差异凸显了准确区分HGSC与LGSC的重要性,因为这两种疾病需要根本不同的治疗策略 12 。超声被认为是诊断卵巢肿块的一线影像学方法,在鉴别良恶性病变方面具有较高的准确性。影像组学是一个新兴领域,从放射影像中提取高维数据以描述组织特征、形状和纹理 13 , 14 ,从而传递有关肿瘤生物学、行为及病理生理学的有意义信息 15 。我们假设影像组学特征可以通过不同的影像表型反映组织病理学、遗传学和临床异质性,从而增强卵巢肿块的术前诊断能力。本研究旨在识别基于超声的影像组学特征,以区分HGSC与浸润性LGSC,并开发包含影像组学特征的机器学习模型来进行鉴别。
方法
研究设计
本研究是一项由意大利卵巢癌与妇科恶性肿瘤多中心试验(MITO)组设计并实施的单中心、分析性、观察性、回顾性试点研究。所有程序均按照《赫尔辛基宣言》中概述的原则进行,并获得了意大利罗马Fondazione Policlinico Universitario ‘A. Gemelli’ IRCCS当地研究伦理委员会的伦理批准(方案编号:3963)。
从妇科肿瘤科数据库中筛选出2014年1月至2022年6月期间转诊至Fondazione Policlinico Universitario ‘A. Gemelli’ IRCCS的所有组织学诊断为高级别浆液性癌(HGSC)或浸润性低级别浆液性癌(LGSC)的患者。符合以下标准的患者有资格纳入研究:(1)年龄至少18岁;(2)组织学诊断为HGSC或浸润性LGSC;(3)初次诊断前在我院进行了术前超声检查;(4)可获得DICOM格式的术前超声图像。符合以下任一情况的患者被排除出研究:(1)没有DICOM格式的术前超声图像,或DICOM图像质量差导致无法显示和勾画卵巢肿块,或图像中包含测量卡尺、文字或彩色多普勒取样框;(2)没有新辅助化疗前获取的术前基线超声图像(新辅助化疗可能改变肿瘤特征,包括形态和血管分布,从而影响影像组学特征);或(3)已出现病理性复发。部分入选患者此前已纳入正在进行的国际卵巢肿瘤分析(IOTA)前瞻性观察研究(IOTA第5期16和IOTA第7期;后者已在ClinicalTrials.gov注册(NCT02847832))。
组织学诊断和国际妇产科联盟(FIGO)分期17从患者的医疗记录中获取。所有超声检查均在我院进行,病灶超声描述语在扫描时前瞻性赋值。影像组学和数据分析均在罗马Fondazione Policlinico ‘A. Gemelli’ IRCCS回顾性完成。
超声成像
手术前180天内进行了经阴道和经腹部盆腔超声检查。所有超声检查均由经验丰富的检查者(根据欧洲医学与生物学超声学会联合会(EFSUMB)的II级标准)使用不同厂商的高端超声设备完成 18 :Voluson E10(GE Healthcare,Zipf,奥地利)、Samsung W10、HERA I10、HS70A或WS80A(三星麦迪逊有限公司,首尔,大韩民国)、Canon Aplio系列(佳能医疗系统公司,大田原,日本)或Esaote系统(Esaote S.p.A.,热那亚,意大利)。经阴道探头的频率在5.0至9.0 MHz之间变化,经腹部探头的频率在3.5至5.0 MHz之间变化。所有超声图像均按照当前标准化检查技术获取 15 。所有卵巢肿块均采用IOTA工作组建立的术语和定义进行描述 19 。对于双侧卵巢肿块的患者,仅分析优势肿块。当优势肿块获取了多幅图像时(从不同扫查平面获取的图像或为捕捉超声图像形态复杂性而获取的多幅图像),所有图像均用于影像组学分析;单个病例可用的最大图像数量为五幅。
图像后处理与分割
在Fondazione Policlinico Universitario ‘A. Gemelli’ IRCCS,附件肿块的经腹部和经阴道灰阶超声图像在2019年之前存储于外部硬盘中,之后存储于图像存档与通信系统中。本研究回顾性收集DICOM(.dcm)格式的图像用于后续分析。所有图像文件此前均已根据现行隐私法规进行了匿名化处理 20 。
所有超声图像均从红、绿、蓝格式转换为灰阶,随后进行分割以确定感兴趣区(ROI)(图1)。每幅图像中的ROI由一名受过培训的妇科医生(G.Z.)使用Aliza Medical Imaging & DICOM Viewer软件(版本2.3.10,Aliza Medical Imaging,波恩,德国)进行手动分割,该医生具有EFSUMB II级妇科超声经验。ROI的勾画仅包含肿块的实性成分。对于有囊性区域的附件肿块,检查者将任何直径> 5 mm的囊肿排除在ROI之外(图1),因为我们希望仅分析实性组织的超声特征。
影像组学特征提取
使用 MODDICOM 从 ROI 中提取影像组学特征,MODDICOM 是由 Fondazione Policlinico Universitario ‘A. Gemelli’ IRCCS 的影像组学研究核心设施实现的一个开源 R 库 21 。特征提取完全符合图像生物标志物标准化倡议(IBSI)指南 22 。提取了以下特征族:基于强度的统计特征(F_stat)、基于灰度共生矩阵的纹理特征(F_cm)、基于灰度大小区域矩阵的纹理特征(F_szm)和基于灰度游程矩阵的纹理特征(F_rlm)。基于强度的统计特征与 ROI 内灰度直方图的统计特性相关,并在全局尺度上提供定量测量,而纹理特征描述 ROI 内灰度级的局部分布。对于具有多幅可用图像的患者,对图像间的特征值进行平均,以避免模型训练期间的冗余和偏倚。
统计分析和影像组学建模
分类临床、超声和组织学数据报告为 n(%),而连续变量总结为均值 ± SD。
开发了四种机器学习模型以区分 HGSC 和 LGSC:一种影像组学模型,仅基于影像组学特征;一种临床–影像组学模型,纳入患者年龄和影像组学特征;一种影像组学–超声模型,将超声变量与影像组学特征整合;以及一种超声模型,仅由超声变量构建。
对于影像组学模型的开发,首先通过单变量分析进行特征选择,采用Wilcoxon–Mann–Whitney检验,P值<0.05认为具有统计学意义,随后使用Boruta算法进行多变量选择 23 。为进一步降维并减轻特征间线性相关引起的冗余,计算了成对Pearson相关系数,并以0.7为阈值排除变量间的相关性:对于绝对相关>0.70的每对特征,去除与其余特征平均绝对相关较高的那个特征。每次去除后重新计算平均绝对相关,从而考虑相关结构的变化,避免依赖于固定的变量去除顺序。相同的特征选择流程被应用于构建临床–影像组学模型,使用影像组学特征与患者年龄的合并数据集。但在该情况下,Pearson相关阈值设为0.6,以使变量数量满足“每十个事件一个变量”规则,确保逻辑回归模型中每个预测变量至少有10个事件,避免过拟合。对于超声模型,超声变量酌情使用卡方检验或Fisher精确检验进行选择,以P值0.05作为特征纳入的截断值。对于影像组学–超声模型,影像组学特征首先使用Wilcoxon–Mann–Whitney检验(P<0.05)进行选择,而超声变量酌情使用卡方检验或Fisher精确检验进行评估。随后将选出的影像组学特征和候选超声变量共同输入Boruta算法。使用成对Pearson相关绝对值截断值0.7去除高度相关的影像组学特征。采用点二列相关评估连续型影像组学特征与通过Fisher精确检验或卡方检验识别的二分类超声变量之间的关联,同时使用Kruskal–Wallis检验探讨连续型影像组学特征与非二分类离散超声变量之间的关联。
对于每个模型,均进行逻辑回归,可选择额外采用基于赤池信息准则(AIC)的逐步特征选择程序以防止过拟合,并遵循“每十个事件一个变量”规则。模型性能以区分度进行评价。我们计算了受试者工作特征(ROC)曲线下面积(AUC),95%置信区间通过百分位数自助法计算 24 。基于混淆矩阵的模型性能指标使用“最佳阈值”(即根据约登指数 25 提供最大正确分类数的阈值)计算。这些指标包括准确度、敏感度和特异度,均报告使用Jeffreys方法计算的95%置信区间 26 。
由于数据集存在中等程度的类别不平衡(22% LGSC 对比 78% HGSC),对于所有模型,我们还计算了精确率-召回率(PR)曲线的AUC,95%置信区间通过bootstrap法计算,并将两种评估方法(ROC-AUC 对比 PR-AUC)进行了比较 27 。PR曲线更适合不平衡数据集,因为它关注的是精确率(阳性预测值)和召回率(灵敏度),而并非在此类情况中占主导地位的真阴性。正如Ozenne等人 27 所示,当患病率较低时,ROC-AUC可能会高估性能,而PR-AUC更能反映模型识别真阳性的能力。
建模结果按照TRIPOD指南 28 通过bootstrap重采样方法进行了内部验证,对数据进行了1000次迭代。在每次迭代中,在bootstrap样本上实施logistic回归模型,并计算经乐观校正的指标。该过程针对每个已开发的模型执行。这些经乐观校正的指标以95%置信区间报告,使用百分位数法计算,即取经乐观校正值的第2.5和97.5百分位数。临床-影像组学模型与各比较模型(影像组学、超声及影像组学-超声)之间经乐观校正AUC差异的统计学显著性使用经验双侧P值评估。该P值计算为AUC差异bootstrap分布中较小尾部概率的两倍,不假设任何特定方向的优效性。这种非参数方法避免了对AUC差异分布的假设,遵循标准的bootstrap假设检验方法学 29, 30 。
结果
研究人群
共有2647例经组织学诊断为HGSC或浸润性LGSC并转诊至本机构的患者接受了入组资格筛选。在排除2494例患者后——原因包括缺乏在新辅助化疗开始前获取的合适术前基线超声图像、疾病复发、无可视附件肿块、超声图像质量差或缺乏DICOM格式图像——153例患者构成研究队列并纳入最终分析:120例HGSC和33例浸润性LGSC(图2)。
对于部分患者,主导肿块可获得多张超声图像,每例患者中位图像数为2张(IQR,1-3)。在这些情况下,每个肿块最多分析5张图像,共计分析332张图像。大多数图像经阴道获取(322/332(97%)),10/332(3%)经腹部获取。检查所用超声设备的分布如下:GE Voluson E10(n = 80例患者)、Samsung W10(n = 14例患者)、Samsung HERA I10(n = 29例患者)、Samsung HS70A(n = 7例患者)、Samsung WS80A(n = 18例患者)、Canon Aplio系列(n = 4例患者)和Esaote系统(n = 1例患者)。
临床、超声及组织病理学数据
所有患者以及HGSC组和LGSC组患者的临床和组织病理学特征总结见表1。诊断为HGSC的患者年龄大于LGSC患者,平均年龄分别为59.7岁和47.5岁(P < 0.0001)。HGSC患者中绝经后比例高于LGSC患者(93/120(77.5%)vs 10/33(30.3%);P < 0.0001)。HGSC患者的CA 125水平显著高于LGSC患者(P = 0.008)。
各组患者的基因谱见表1。120例HGSC患者中有85例接受了BRCA基因突变检测:45/85(52.9%)为野生型,40/85(47.1%)为突变型。33例LGSC患者中有16例接受了BRCA基因突变检测:11/16(68.8%)为野生型,5/16(31.3%)为突变型,但两组间这一差异无统计学意义。肿瘤抑制因子p53在95/99(96.0%)的HGSC病例中发生突变,而在所有接受检测的21例LGSC病例中均为野生型(P < 0.0001)。两组中大多数肿瘤(> 60%)均诊断为FIGO III期。
HGSC和LGSC的超声特征总结见表2。两种肿瘤类型表现出相似的形态学特征,大多数肿块表现为实性或 multilocular‐solid(多房实性)。然而,两组在乳头状突起、高回声灶、彩色评分及卵巢新月征的存在方面差异显著。HGSC中乳头状突起的出现频率低于LGSC(12/120(10.0%)vs 12/33(36.4%);P < 0.0001)。高回声灶见于21/33(63.6%)的LGSC病例,而HGSC病例中无一例出现(P < 0.0001)。同样,卵巢新月征在HGSC中的检出率低于LGSC(4/119(3.4%)vs 6/32(18.8%);P = 0.002)。在血供方面,HGSC多表现为中等至丰富血流,而LGSC更常伴有少量至中等血供(P = 0.004)。
影像组学分析
特征提取
每幅图像共计算了75个影像组学特征。未能产生结果的特征被排除,最终纳入分析的影像组学特征为66个。在不同患者间具有空值或恒定值的特征也被排除,使特征数量减少至58个。
特征选择与建模
对于影像组学模型,特征选择过程通过单变量分析将特征数量从58个减少至14个,再通过Boruta算法减少至13个。我们计算了相关矩阵以确定特征之间的两两关联并去除冗余(图3)。由于存在较高的两两相关性,10个特征被移除,从而将数量进一步减少至3个有意义的纹理特征:“灰度共生矩阵相关信息测度2”(‘F_cm.info.corr.2’)(P = 0.01)、“灰度游程矩阵游程百分比”(‘F_rlm.r.perc’)(P = 0.02)和“灰度大小区域矩阵区域大小方差”(‘F_szm.zs.var’)(P = 0.003)。仅使用这三个特征来建立影像组学模型。能够区分HGSC和LGSC的三个所选影像组学特征的分布如图4所示。
对于临床-影像组学模型,经过特征选择过程后,仅保留了一个影像组学特征(F_szm.zs.var)和年龄。具体而言,从59个变量(包括年龄)开始,单变量分析后保留了15个特征,应用Boruta算法后保留了14个,最后在阈值为0.6的Pearson相关分析后数量减少至3个。经过逐步AIC回归后,最终模型仅包含两个变量:F_szm.zs.var和年龄。
对于影像组学-超声模型,首先对影像组学特征应用了与影像组学模型相同的流程。然后将为影像组学模型选择的三个影像组学特征与通过Fisher精确检验和卡方检验识别的三个有意义的超声变量(彩色评分、乳头状突起的存在、卵巢新月征的存在)组合。在得到的六个变量中,一个(F_szm.zs.var)因双列相关被排除,最终逐步AIC回归为影像组学-超声模型选择了两个变量:F_cm.info.corr.2和彩色评分。
超声模型包含三个超声特征:彩色评分、乳头状突起的存在和卵巢新月征的存在。
有关模型变量及其系数的详细信息见表S1–S4。影像组学、临床-影像组学、影像组学-超声和超声模型的表现,以ROC-AUC、准确度、灵敏度、特异度和PR-AUC表示,包括模型训练表现和通过自助重采样内部验证的乐观校正表现指标,报告于表3和图S1中。临床-影像组学模型的表现与超声模型相似(乐观校正ROC-AUC,0.80 vs 0.78;P = 0.726),且优于影像组学模型(乐观校正ROC-AUC,0.80 vs 0.69;P = 0.042)和影像组学-超声模型(乐观校正ROC-AUC,0.80 vs 0.68;P = 0.048)。所有模型中的原始PR-AUC和PR-AUC自助法均值曲线均持续高于基线,表明每个分类器均优于随机猜测(图5)。
讨论
在本研究中,我们表明从超声图像中提取的影像组学特征在HGSC与浸润性LGSC之间存在差异。然而,影像组学特征并未在常规超声所提供的信息之外增加额外信息。临床-影像组学模型的性能与超声模型相似,且优于影像组学和影像组学-超声模型。
既往研究侧重于浆液性肿瘤的术前诊断,旨在确定区分HGSC与LGSC的超声特征。Moro等4描述了来自两个机构的300例HGSC和31例浸润性LGSC的超声特征,其中一个机构也向本研究提供了肿瘤病例。当前分析中的病例均未纳入既往研究。他们观察到的超声特征与我们系列中观察到的特征一致,但高回声灶除外:HGSC通常为多房-实性(其研究中为32.7%,本研究为30.8%)或实性(64.0% vs 64.2%),仅小部分病例有乳头状突起(7.0% vs 10.0%)。同样,浸润性LGSC为多房-实性(54.8% vs 42.4%)或实性(32.3% vs 45.5%),但超过三分之一的病例有乳头状突起(37.5% vs 36.4%)和高回声灶,后者在我们的队列中报道更为频繁(38.7% vs 63.6%)。这些发现与2014年世界卫生组织(WHO)分类中报告的组织学特征一致,该分类描述HGSC和LGSC在大多数情况下均为实性肿块。然而,与我们的发现相反,WHO报告约50%的病例有双侧附件肿块,而在我们的队列中,21.7%的HGSC和30.3%的LGSC观察到双侧受累。这一差异可能反映了研究人群的不同,且我们分析中纳入的LGSC病例数相对较少可能限制了研究结果的可推广性。
近年来,一些研究者开发了基于超声的影像组学模型用于附件肿块分类,主要用于区分良性与恶性肿块 32 , 33 ,少数用于预测特定组织学类型(如区分 I 型与 II 型上皮性卵巢癌 34 )。在一项回顾性研究中,Tang 等 35 从 206 个病灶中提取影像组学特征,随机分为训练集(53 例 I 型 + 71 例 II 型)和测试集(36 例 I 型 + 46 例 II 型),并使用 Lasso 回归 10 折交叉验证方法筛选出差异最大的 7 个特征。他们仅包含影像组学特征的模型表现与我们的模型相似(ROC-AUC,0.73 对 0.69),尽管他们的 ROC-AUC 是在测试集上获得的,而我们的来自内部验证。当从其他成像模态提取影像组学特征时,其表现优于我们的模型。Wang 等 36 利用 CT 扫描的影像组学特征建立了 logistic 回归模型以区分 HGSC 与非 HGSC,在测试队列中达到 ROC-AUC 0.84。他们研究的样本量大于我们(665 例患者对 153 例患者)。这可能表明增加患者数量可以提高模型性能。
我们的研究结果表明,即使采用先进的影像组学方法,术前区分 HGSC 与 LGSC 仍具有挑战性。迄今为止,在缺乏组织学确认的情况下,无论是基于影像还是基于影像组学的模型均未达到足以指导临床决策的可靠性。任何潜在的临床应用都需要显著提高诊断性能,尤其是在提高 HGSC 灵敏度方面。此外,旨在区分 HGSC 与 LGSC 的模型的临床效用本质上受限于 LGSC 的罕见性,其占上皮性卵巢癌不到 5%。更大规模的系列研究和更大的样本量可能有助于开发比本队列所得模型准确性更高的新模型。尽管如此,我们认为本研究是朝着全面分析所有卵巢组织学类型迈出的有价值的初步步骤。这种涵盖所有组织学类型的方法,可能为未来开发基于人工智能(AI)的模型铺平道路,该模型不仅能区分良性与恶性病变,还能预测组织学类型,并有可能整合分子分析以支持个性化患者咨询。
我们研究的一个主要优势是所有超声检查均由在妇科肿瘤超声方面具有丰富经验和专门兴趣的检查者完成。所有附件肿块的分割均由一名 EFSUMB II 级检查者手动完成。另一个优势是影像组学分析按照 IBSI 指南进行,确保了方法学的稳健性,并便于与其他研究进行比较。超声图像使用不同的超声系统、探头和扫查技术获取,代表了“真实世界”场景,尽管 GE Voluson E10 系统占主导地位可能限制外推性,因为其图像质量和设备设置可能影响了结果。
我们的研究存在若干局限性,其中最主要的是其回顾性设计以及由于该组织学类型发病率低而导致的LGSC队列规模较小。仅纳入33例LGSC不足以进行稳健的模型训练和验证,并引起了关于可推广性的担忧。此外,我们数据集中经腹超声图像的数量非常少(10/332)。有限的样本量妨碍了对该亚组进行单独、可靠的分析。所提出的临床—影像组学模型达到了中等的乐观校正ROC-AUC(0.80)。采用PR-AUC以解决类别不平衡和疾病患病率低的问题。病变的手动分割在由经验较少的超声检查者操作时可能降低研究的可重复性,并引入操作者依赖性变异。多观察者分割可提供额外验证,但我们的方法优先考虑一致性和专业性,以确保分割可靠且可重复。当前基于超声的影像组学局限性涉及需要手动分割,这一过程耗时。半自动或自动软件可改善这一方面并优化影像组学流程的可重复性。我们目前正在开发一种用于自动分割的深度学习模型,以减少手动分割所需的时间与专业知识,从而提高影像组学在临床实践中的效率、一致性和可行性。对图像进行预处理以去除斑点噪声,以及进行强度归一化,可提高稳健性,因为纹理特征对噪声和超声设备特性敏感。需要进一步研究以明确超声图像影像组学分析的最佳方法学。
总体而言,我们的研究结果表明,尽管HGSC与浸润性LGSC之间可检测到影像组学特征差异,但当前的影像组学和基于影像的方法在常规超声基础上未能提供足够的附加价值以实现可靠的术前鉴别。未来需要在更大、更全面的数据集中整合所有卵巢组织学类型和多模态数据开展研究,以开发更准确且具有临床实用性的人工智能预测模型。
合作者
F. Borella,都灵大学外科学系,健康与科学城市大学医院,妇科与产科1科,意大利都灵
F. Buonomo,IRCCS“Burlo Garofolo”妇幼健康研究所,意大利的里雅斯特
R. Fruscio,米兰-比可卡大学医学与外科学系,妇产科临床,意大利蒙扎
F. Pozzati,IRCCS“A. Gemelli”大学综合医院基金会,妇女与儿童健康部,意大利罗马
M. Rosanna,IRCCS Regina Elena国家癌症研究所,妇科肿瘤科,意大利罗马
补充材料
表S1–S4 影像组学模型(表S1)、临床—影像组学模型(表S2)、超声模型(表S3)及影像组学—超声模型(表S4)的系数,包括估计值、标准误、Z值和P值。
图S1 影像组学、临床—影像组学、超声及影像组学—超声模型在模型训练(原始ROC曲线)和内部验证(乐观校正;平均bootstrap ROC曲线)中区分高级别与低级别卵巢浆液性癌性能的受试者工作特征(ROC)曲线,并附平均bootstrap ROC曲线周围的95%置信带。
引用
- Ciccarone, Zinicola, Tran, et al. Differentiating high- and low-grade serous ovarian carcinoma using radiomics: a pilot study. Ultrasound Obstet Gynecol. 2026. PMID: 42733285. doi:10.1002/uog.70331
- 全文:PMC13641727(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13641727/
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。