文献速递妇产影像腹部MR

基于MRI的影像组学分析提高早期宫颈癌患者术前间质浸润深度的诊断效能

MRI-based radiomics analysis improves preoperative diagnostic performance for the depth of stromal invasion in patients with early stage cervical cancer.
PubMed 文献 · Insights Imaging · 2022-01-29

该回顾性研究纳入234例2018 FIGO IB1-IIA1期宫颈癌患者,基于矢状位T2WI提取影像组学特征并构建模型,在验证队列中影像组学模型、最大肿瘤直径(MTD)及联合模型的AUC分别为0.879、0.844和0.886,影像组学模型与联合模型的敏感度和特异度均为87.9%和84.6%,优于放射科医师(高年资敏感度75.7%、特异度69.2%;低年资敏感度63.6%、特异度53.8%),作者认为影像组学分析在术前诊断中或深层间质浸润方面表现优于放射科医师,列线图可个体化评估概率。

要点

  • MRI上最大肿瘤直径是早期宫颈癌中或深层间质浸润的独立危险因素(多因素分析)。
  • 基于矢状位T2WI的影像组学模型诊断中或深层间质浸润的AUC为0.879,高于两位放射科医师的主观判读。
  • 列线图整合影像组学特征与最大肿瘤直径,可个体化预测中或深层间质浸润概率。

核心结论

  • 基于MRI的影像组学分析在早期宫颈癌中或深层间质浸润的术前诊断中表现优于放射科医师,列线图可个体化评估概率。

研究设计与样本

  • 回顾性研究,纳入2018年3月至2021年3月在本机构行根治性子宫切除术及盆腔淋巴结清扫的FIGO IB1-IIA1期宫颈癌患者234例,随机按8:2分为训练队列188例和验证队列46例。
  • 以术后病理为金标准,间质浸润深度按肿瘤深度占宫颈半径的百分比记录,浅1/3为浅层间质浸润,中或深1/3为中或深层间质浸润。
  • 术前盆腔MRI使用Signa Excite 1.5 T扫描仪140例、Discovery MR 750 W 3 T扫描仪64例、Discovery MR 750 3 T扫描仪30例(GE Medical Systems),从矢状位T2WI提取影像组学特征。
  • 影像组学特征经三步筛选(显著性检验p<0.05、Pearson相关系数>0.85剔除、五折交叉验证LASSO),最终保留5个特征构建逻辑回归模型。
  • 由两位分别有5年和10年妇科MRI判读经验的放射科医师独立评估验证队列46例患者的中或深层间质浸润。

关键影像表现/征象

  • 中或深层间质浸润组与浅层间质浸润组之间,2018 FIGO分期和MRI上最大肿瘤直径在单因素分析中有统计学意义,多因素分析仅MRI上最大肿瘤直径是独立危险因素。
  • 典型病例图中,中或深层间质浸润病例的列线图预测概率分别为98%(35岁,IB2期,鳞癌,MTD 28.0 mm)和77%(49岁,IB1期,鳞癌,MTD 14.1 mm)。
  • 浅层间质浸润病例的列线图预测概率分别为33%(34岁,IB2期,鳞癌,MTD 20.1 mm)和13%(52岁,IB1期,腺癌,MTD 12.2 mm)。

诊断标准与关键数值

  • 验证队列中影像组学模型AUC为0.879(95%CI 0.775–0.983),敏感度87.9%,特异度84.6%,阳性预测值93.5%,阴性预测值73.3%。
  • 验证队列中MRI上最大肿瘤直径以22.1 mm为截断值时,AUC为0.844(95%CI 0.719–0.969),敏感度69.7%,特异度76.9%。
  • 验证队列中联合模型(影像组学特征+最大肿瘤直径)AUC为0.886(95%CI 0.784–0.988),敏感度87.9%,特异度84.6%。
  • 验证队列中高年资放射科医师敏感度75.7%、特异度69.2%、阳性预测值86.2%、阴性预测值52.9%,低年资放射科医师敏感度63.6%、特异度53.8%、阳性预测值77.8%、阴性预测值36.8%。
  • 两位放射科医师间观察者一致性为一般(κ=0.362)。

临床应用与阅片要点

  • 作者认为影像组学模型有潜力辅助临床,降低中或深层间质浸润的误诊率并提高肿瘤管理决策信心。
  • 作者指出影像组学模型较好的阴性预测值和阳性预测值验证了其辅助放射科医师和肿瘤科医师医患沟通的潜力,即若影像组学模型诊断为中或深层间质浸润,临床医师可能更有信心地建议首选放化疗而非手术。
  • 作者认为列线图整合影像组学特征与独立危险因素,便于临床个体化预测早期宫颈癌中或深层间质浸润概率。

局限性

  • 原文未报告局限性。
全文中译17 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. 2022 Jan 29;13:17. doi: 10.1186/s13244-022-01156-0

要点

影像组学特征在术前诊断间质浸润深度方面具有重要价值。

MRI上的最大肿瘤直径是间质浸润的危险因素。

结合影像组学特征和危险因素的列线图可促进临床应用。

引言

宫颈癌(CC)对全球女性健康构成了沉重负担。它是第四大最常见的女性恶性肿瘤,也是第四大最常见的癌症相关死亡原因。全球每年报告约604,127例宫颈癌新发病例,死亡341,831例[1, 2]。早期(2018年国际妇产科联盟(FIGO)IB-IIA期)宫颈癌的治疗包括手术和初次放化疗,治疗策略的确定在很大程度上取决于肿瘤相关预后因素[3, 4],包括宫颈间质浸润深度(DOI)[5, 6]。根据广泛性子宫切除术的Querleu-Morrow分型,无中或深1/3间质浸润且肿瘤大小小于2 cm的早期宫颈癌患者可选择行局限性广泛性子宫切除术以避免并发症[7, 8]。然而,大多数伴有中或深1/3间质浸润的患者通常接受广泛性子宫切除术和辅助放疗,尤其是在存在其他危险因素时,如特殊病理类型(腺癌、腺鳞癌和神经内分泌癌等)、淋巴血管间隙浸润或肿瘤体积较大[3, 9]。此外,对于伴有中或深1/3间质浸润及上述危险因素的患者,推荐同步放化疗而非手术,因为其可达到与广泛性子宫切除术联合辅助放疗相同的治疗效果,并可避免手术相关不良反应[5, 10–12]。尽管目前最准确的DOI诊断是通过术后病理分析获得的,但术前准确诊断DOI的新方法对于为决策提供更可靠的证据并提高早期宫颈癌患者管理信心至关重要。

与经验相关的常规影像学方法准确性有限,如超声、磁共振成像(MRI)和正电子发射断层扫描-计算机断层扫描(PET/CT),可在治疗前用于诊断早期宫颈癌的DOI[13–15]。经阴道超声检查显示准确率为63.6%,而MRI在具有7年妇科癌症影像经验的放射科医师中诊断敏感性为70%,但在具有4年经验的放射科医师中仅为50%[13, 14]。PET/CT由于40.8%的高假阳性率,不是诊断DOI的理想方法[15]。既往研究发现,一些临床特征(包括影像学上的肿瘤直径)与早期宫颈癌患者的DOI相关,但其在术前诊断中或深1/3间质浸润中的价值尚待研究[16, 17]。

另一种可用于诊断DOI的术前方法是放射组学。放射组学分析可将医学图像转换为高维、可挖掘的数据,以评估肉眼观察无法识别的肿瘤异质性。放射组学衍生数据与临床数据的结合是增强临床管理的一种有前景的方法[18]。由于MRI是描述CC范围以进行治疗规划的最佳成像方式,目前已开展了多项基于MRI的放射组学分析,用于预测预后因素(如淋巴结转移、宫旁浸润和淋巴血管间隙浸润)、治疗反应和患者生存[19–26]。与临床特征类似,针对早期CC中1/3或深1/3间质浸润术前诊断的放射组学研究开展有限。

因此,在本研究中,我们探讨了基于MRI的放射组学分析和临床特征在中1/3或深1/3间质浸润术前诊断中的价值。本研究旨在开发并验证诊断模型,以促进早期CC患者管理中的决策制定。

材料与方法

患者

我院机构审查委员会批准了这项回顾性研究,因此免除了知情同意要求。本研究按照人工智能的TRIPOD声明和CLAIM指南开展和准备[27, 28]。纳入本研究的患者为根据2018年FIGO分期系统定义的临床分期为FIGO IB1–IIA1期CC,且于2017年3月至2021年3月期间在我院接受根治性子宫切除术和盆腔淋巴结清扫术的患者。纳入标准如下:(1)术前14天内进行了盆腔MRI检查,包括矢状位T2加权成像(T2WI);(2)可获得DOI的病理学评估;(3)术前活检证实为鳞状细胞癌(SCC)、腺癌(AC)或腺鳞癌(ASC)。排除标准如下:(1)在MRI检查前或MRI与手术之间接受了新辅助化疗、放疗或宫颈锥切术等治疗的患者;(2)矢状位T2WI上肿瘤不可见(考虑到确定不可见肿瘤ROI的挑战);(3)图像质量不足以提取放射组学特征。本研究共纳入234例患者。本研究流程图见图©1。符合条件的患者数据按8:2的比例随机分为训练队列(188例,平均年龄44.63 ± 9.61岁)和验证队列(46例,平均年龄46.56 ± 10.36岁)。所有纳入患者的临床特征,包括年龄、2018年FIGO分期、绝经状态、术前活检组织学类型以及MR图像上病灶最大时的最大肿瘤直径(MTD),均从病历中获取。2018年之前患者的临床和影像记录由一位具有10年经验的妇科肿瘤学家审查,并根据2018年FIGO分期标准重新分期[29]。

本研究的金标准为术后病理检查结果。DOI以肿瘤深度占宫颈半径的百分比(毫米,mm)来测量,并在病理报告中记录为“肿瘤深度/宫颈半径(mm)”[6]。浅层1/3间质浸润定义为“浅层间质浸润”,中层或深层1/3间质浸润定义为“中层或深层间质浸润”[9]。

图1 研究流程图 查看原图 ↗

MRI采集

术前盆腔MRI检查分别使用Signa Excite 1.5 T扫描仪对140例患者、Discovery MR 750 W 3 T扫描仪对64例患者、Discovery MR 750 3 T扫描仪对30例患者进行(GE Medical Systems,Milwaukee,WI,USA)。盆腔MRI采用仰卧位体部阵列线圈进行。共有216例患者接受了静脉注射对比剂,并采集了增强图像。T2WI是检测肿瘤大小和局部病变范围的主要手段。选择矢状位T2W图像提取影像组学特征,因为与其他T2W平面相比,其在多中心之间具有更好的一致性。各设备的详细矢状位T2W MRI采集参数如下:Signa Excite 1.5 T(TR/TE,3400/88 ms;FOV,270 × 270 mm2;矩阵,288 × 192;层厚/间隔,5.5/1 mm)、Discovery MR 750 W 3 T(TR/TE,4273/79 ms;FOV,280 × 280 mm2;矩阵,288 × 192;层厚/间隔,4.5/1 mm)和Discovery MR 750 3 T(TR/TE,3607/111 ms;FOV,220 × 220 mm2;矩阵,288 × 192;层厚/间隔,5/1 mm)。从图像归档和通信系统中检索所有患者的矢状位T2W医学数字成像和通信(DICOM)图像用于图像特征提取。

图像分割

使用InferScholar Center软件(Infervision Medical Technology Co., Ltd.,版本3.2)进行三维手动分割[30]。首先,将每例患者的初始DICOM图像数据集匿名化后上传至该软件。然后,由一名具有10年妇科MRI判读经验的放射科医师在每个矢状位T2WI层面上沿肿瘤轮廓勾画感兴趣区(ROI)。在此过程中,该放射科医师还参考了其他序列图像(T1W和扩散加权成像)以确保图像分割的准确性。每次分割随后由一名具有17年妇科MRI判读经验的资深放射科医师验证。任何关于分割的分歧均通过协商解决以达成共识。两名放射科医师均知晓CC诊断,但对临床和组织病理学数据设盲。

影像组学特征提取

手动分割后,根据像素间距和层厚对原始DICOM图像和分割结果进行归一化,以减少不同MR图像系统的各种采集参数对影像组学特征稳定性的影响[31]。随后,从每个ROI中提取影像组学特征,包括一阶特征、形状特征、灰度共生矩阵(GLCM)特征、灰度依赖矩阵(GLDM)特征、灰度游程长度矩阵(GLRLM)特征、灰度大小区域矩阵(GLSZM)特征和邻域灰度差矩阵(NGTDM)特征。形状特征从原始图像中提取,其他六组特征从原始图像和处理后图像中提取。然后,使用z-score归一化对每个特征进行标准化,以获得标准的图像强度正态分布,从而促进良好的特征稳健性[32]。使用Pycharm(版本2019.1.3;https://www.jetbrains.com/)对原始图像和ROI进行归一化并提取影像组学特征。

特征选择与影像组学模型构建

由于并非所有提取的影像组学特征均与中或深部间质浸润相关,因此进行了三步特征选择以验证具有高预测能力的重要特征。首先,对每个特征进行显著性检验,保留具有统计学显著性(p < 0.05)的特征。其次,将所有保留的特征进行两两匹配,若两个特征之间的Pearson相关系数> 0.85,则剔除显著性检验中p值较高的特征,剩余特征按以下方式处理。最后,应用基于五折交叉验证的最小绝对收缩和选择算子(LASSO)从剩余特征中选择非零系数的特征。LASSO正则化涉及参数λ以控制所选特征的数量。在本研究中,最优λ选择为训练队列数据中二项偏差最低者,从而保留相对较少的特征以拟合进一步模型。影像组学特征选择后,使用训练队列数据构建基于逻辑回归的影像组学模型以预测中或深部间质浸润。影像组学特征选择和逻辑回归模型构建使用Rstudio(V.3.5.0;https://www.r-project.org/)。

独立危险因素识别与联合模型构建

通过对五个临床特征(年龄、2018 FIGO分期、绝经状态、术前活检组织学类型和MRI上的MTD)的患者数据进行单因素和多因素分析,识别预测中或深部间质浸润的独立危险因素。使用训练队列数据构建纳入独立危险因素和所选影像组学特征的联合模型。

列线图的开发

为将诊断模型应用于临床,采用多变量逻辑回归分析,基于训练队列数据构建列线图,以直观呈现联合模型。列线图作为一种个体化工具,将影像组学特征与独立危险因素相结合,用于预测早期宫颈癌(CC)中或深间质浸润的概率。列线图中的影像组学特征为所选影像组学特征及其相应系数的线性和。

放射科医师的主观评估

为比较影像组学模型与放射科医师的诊断性能,两名分别具有5年和10年妇科MRI判读经验的放射科医师独立判定验证队列(n = 46)中每例患者是否存在中或深间质浸润。他们对患者信息不知情,但知晓CC诊断,并通过浏览所有MR序列做出判断。

统计分析

统计分析使用R 3.5.0版(https://www.r-project.org/)和SPSS 21.0.0.0版(https://www.ibm.com)进行。采用独立样本t检验比较浅间质浸润组与中或深间质浸润组之间以及训练队列与验证队列之间连续变量(年龄和MRI上的MTD)的差异。采用卡方检验评估分类变量的显著性,包括2018 FIGO分期、绝经状态和术前活检组织学类型在浅间质浸润组与中或深间质浸润组之间的差异。训练队列与验证队列之间中或深间质浸润患病率的差异也采用卡方检验进行比较。对于频率小于5的变量,采用Fisher精确检验。通过输入单因素分析发现的有显著性变量,采用前向Wald法的多变量逻辑回归分析确定中或深间质浸润的独立危险因素。计算受试者工作特征(ROC)曲线的曲线下面积(AUC),以评估影像组学模型、独立危险因素和联合模型在验证队列中的诊断性能。计算其敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)以进一步评估其性能,并使用1000次重复自举法估计95%置信区间(CI)。两名放射科医师之间的观察者间一致性采用Cohen's κ系数检验评估(< 0.20,一致性差;0.21–0.40,一致性一般;0.41–0.60,一致性中等;0.61–0.80,一致性好;> 0.80,一致性几乎完美)。统计学显著性设定为p < 0.05。

结果

临床特征

在纳入的234例患者中,70例(29.9%)为浅层间质浸润,164例(70.1%)为中或深层间质浸润。训练队列与验证队列之间中或深层间质浸润的发生率无显著差异(p = 0.859)。绝经前病例占所有患者的70.5%。IB1、IB2、IB3和IIA1期宫颈癌(CC)患者的比例分别为41.4%、50.9%、3.0%和4.7%。大多数患者(69.2%)术前证实为鳞状细胞癌(SCC)。MRI上的最大肿瘤直径(MTD)为23.10 ± 9.28 mm(范围5.8–63.0 mm)。训练队列与验证队列之间临床特征无显著差异(p > 0.05)(表1)。

表1 训练队列与验证队列患者的特征 查看原表 ↗

影像组学特征选择与影像组学模型构建

在训练队列中,对每位患者矢状位T2图像上分割的肿瘤体积进行原始图像和感兴趣区(ROI)归一化后,提取了1,454个影像组学特征。为降低过拟合风险,基于训练队列数据的三步特征选择流程排除了不相关和冗余特征。第一步保留了944个在浅层间质浸润组与中或深层间质浸润组之间具有统计学显著性(p < 0.05)的影像组学特征。随后剔除冗余特征,130个代表性特征进入后续流程。最后,选择最优λ,并由此选出五个显著影像组学特征用于预测中或深层间质浸润(图2)。这些影像组学特征为glcm_Idmn_wavelet.LHL、glcm_Imc2_wavelet.LLH、gldm_SmallDependenceLowGrayLevelEmphasis_wavelet.HHH、glrlm_LongRunEmphasis_wavelet.HHH和shape_LeastAxisLength_original。使用五个选定的影像组学特征构建了影像组学模型。该模型对中或深层间质浸润显示出良好的诊断性能,在验证队列中曲线下面积(AUC)为0.879(0.775–0.983),敏感度为87.9%,特异度为84.6%。该模型在验证队列中的阴性预测值(NPV)为73.3%,阳性预测值(PPV)为93.5%。

图2 使用最小绝对收缩和选择算子(LASSO)回归方法进行影像组学特征选择。a 采用五折交叉验证在LASSO模型中选择最优λ为最低二项式。b 特征的LASSO系数分布图显示,垂直线绘制于五折交叉验证所选值处,最优λ产生5个非零系数 查看原图 ↗

独立危险因素识别与联合模型构建

单因素分析显示,2018 FIGO分期和MRI上的MTD是中或深层间质浸润的显著危险因素。多因素logistic回归分析显示,仅MRI上的MTD是中或深层间质浸润的独立危险因素(表2)。当MRI上MTD的截断值为22.1 mm时,预测中或深层间质浸润的AUC、敏感度和特异度分别为0.844(0.719–0.969)、69.7%和76.9%。还使用MRI上的MTD和五个选定的影像组学特征构建了联合模型,其AUC、敏感度和特异度分别为0.886(0.784–0.988)、87.9%和84.6%。结果见表3,受试者工作特征(ROC)曲线见图3。

表2 中或深部间质浸润独立危险因素的单因素和多因素logistic回归分析 查看原表 ↗
表3 放射组学模型、联合模型、MRI上的MTD以及放射科医师在验证队列中的诊断性能 查看原表 ↗
图3 联合模型、放射组学模型和MRI上肿瘤最大直径在验证队列中预测中或深部间质浸润的ROC曲线。高级放射科医师的性能以黑色十字表示,初级放射科医师的性能以红色十字表示 查看原图 ↗

列线图的开发

放射组学特征和MRI上的MTD用于开发列线图。列线图见图4。中或深部宫颈间质浸润和浅表宫颈间质浸润的代表性图像见图5。

图4 用于个体化预测早期CC中或深部间质浸润概率的列线图。列线图是训练队列中联合模型的可视化表示,该模型整合了放射组学特征和独立危险因素。列线图中的放射组学特征为所选5个放射组学特征及其相应系数的线性和。(Rsignature:放射组学特征;MTD:MRI上肿瘤最大直径) 查看原图 ↗
图5 中或深部宫颈间质浸润(a)和浅表宫颈间质浸润(b)的代表性图像。矢状位T2WI上框内病灶为宫颈肿瘤。a1 一名35岁、2018 FIGO IB2期、SCC患者,MRI上MTD为28.0 mm。列线图预测的中或深部间质浸润概率为98%。a2 一名49岁、2018 FIGO IB1期、SCC患者,MRI上MTD为14.1 mm。列线图预测的中或深部间质浸润概率为77%。b1 一名34岁、2018 FIGO IB2期、SCC患者,MRI上MTD为20.1 mm。列线图预测的中或深部间质浸润概率为33%。b2 一名52岁、2018 FIGO IB1期、AC患者,MRI上MTD为12.2 mm。列线图预测的中或深部间质浸润概率为13%。(MTD:肿瘤最大直径;FIGO:国际妇产科联盟;SCC:鳞状细胞癌;AC:腺癌) 查看原图 ↗

放射科医师的主观评估

两名放射科医师的观察者间一致性为一般(κ = 0.362)。诊断准确率高级放射科医师为73.9%,初级放射科医师为60.9%。在33例存在中或深部间质浸润的患者中,初级放射科医师识别出21例,高级放射科医师识别出25例。两名放射科医师的敏感度和PPV分别为63.6%和77.8%,以及75.7%和86.2%。高级放射科医师识别出的无中或深部间质浸润患者(9/13)多于初级放射科医师(7/13),高级放射科医师的特异度和NPV分别为69.2%和52.9%,初级放射科医师分别为53.8%和36.8%(表3)。

讨论

基于T2W图像的放射组学模型对早期CC中或深部间质浸润的术前诊断具有价值。MRI上的MTD被证明是中或深部间质浸润的独立危险因素。构建了列线图以促进个体化预测早期CC患者中或深部间质浸润概率的临床应用。

准确的中或深间质浸润术前诊断有助于制定最佳治疗决策,并促进医患之间关于治疗策略选择的沟通。对于早期CC患者,仅当患者被认为无辅助放化疗指征时才推荐手术[12]。在本研究纳入的234例患者中,164例(70.1%)存在中或深间质浸润,表明相当一部分早期CC患者术后存在接受辅助放化疗的风险,尤其是在存在其他危险因素时。基于传统MR图像,不同年资放射科医生之间DOI诊断的变异性相当大。此外,放射科医生的敏感度和特异度低于基于矢状位T2WI的影像组学模型。结果提示,影像组学模型有潜力通过降低中或深间质浸润的误诊率并提高肿瘤学管理决策信心来辅助临床实践。此外,影像组学模型更好的阴性预测值和阳性预测值验证了其辅助放射科医生和肿瘤科医生进行医患沟通的潜力,这意味着如果影像组学模型诊断患者为中或深间质浸润,临床医生可以更有信心地建议首选放化疗而非手术。

为确定中或深间质浸润的独立危险因素,对临床特征进行了单因素和多因素分析。MRI上的MTD是早期CC中或深间质浸润的唯一独立危险因素。该结果与既往研究一致,该研究中作者发现当截断值为20.5 mm时,超声二维MTD在预测深间质浸润方面表现出良好性能,AUC为0.83,敏感度为90.5%,特异度为61.1%[17]。然而,与我们所提出的影像组学模型相比,结合影像组学特征和MRI上MTD的联合模型仅在AUC上略有改善,敏感度和特异度相同。这提示肿瘤大小与DOI相关,但预测价值有限。

FIGO分期系统被认为是制定治疗方案和就CC预后向患者提供咨询的最有力工具,最新的2018 FIGO首次允许影像学发现用于疾病分期[33]。在既往研究中,当加入FIGO分期时,用于预测CC患者生存的影像组学模型表现出更好的性能[34]。在本研究中,2018 FIGO分期未纳入联合模型,因为其在单因素分析中显示浅层与中或深间质浸润组之间存在显著差异,但在多因素分析中则无显著差异。一个可能的原因是2018 FIGO早期CC分期包含了一些肿瘤直径信息,但由于肿瘤大小仅分为2 cm或4 cm,该信息有限。

放射组学特征从主要的T2WI序列中提取,因为该序列可提示宫颈癌(CC)的病变范围以及肿瘤与周围组织的关系[35]。肿瘤分割是放射组学分析流程中的关键步骤。由多位临床医生进行多次分割是一种提供可重复且可靠放射组学特征的方法。如既往研究报道,从T2WI提取的放射组学特征中,95.2%在三位观察者勾画的不同CC分割中显示出高可重复性(组内相关系数≥0.75)[36]。考虑到这一点,本研究未提供观察者间分割变异性,但每个分割体积均由一位资深放射科医生仔细验证,以确保放射组学特征可靠。此外,纳入了真实世界患者队列以减少选择偏倚,但本研究中的大多数CC患者被排除,是考虑到较长的时间间隔和术前治疗对病理结果准确性的潜在影响。真实世界患者队列中使用了三种不同的MRI设备,这可能对放射组学特征的稳定性产生潜在影响。因此,归一化的DICOM图像和分割结果使每个特征的均值为0、标准差为1,有助于正态分布[31, 37]。标准化过程被认为是一种有助于在CC中获得良好特征稳健性的有用方法,T2W放射组学特征中94.4–100%保持了这种稳健性[32]。此外,使用高维特征有助于模型获得良好性能。经小波变换后获得的五个选定特征中有四个是高维特征。这些特征难以通过简单观察来解读,但它们提供了关于宫颈肿瘤强度、形状、大小和体积的更为丰富的信息。

本研究存在若干局限性。首先,所有患者均来自单中心,样本量相对较小。尽管纳入了具有不同扫描参数的影像数据,但排除本机构大多数CC患者可能增加选择偏倚的风险。放射组学模型的诊断性能应在未来用更大规模的多中心数据加以验证。其次,放射组学特征仅来源于矢状位T2W图像。既往研究显示了扩散加权图像和对比增强图像在预测CC患者淋巴结转移和淋巴血管间隙浸润等预后因素方面的价值[20, 21]。最后,本研究中ROI分割仅由一位放射科医生完成。提取的放射组学特征对分割变异性的稳健性未知,且存在由不可重复特征导致的过拟合风险。因此,有必要开展基于多次分割的放射组学研究。

总之,基于T2WI的放射组学模型在早期CC患者中深间质浸润的术前诊断方面优于放射科医生。MRI上的MTD是中度或深间质浸润的独立危险因素,但敏感性和特异性有限。此外,结合放射组学特征和MRI上MTD的列线图可评估早期CC中度或深间质浸润的概率。

引用

  1. Ren J, Li Y, Yang JJ, et al. MRI-based radiomics analysis improves preoperative diagnostic performance for the depth of stromal invasion in patients with early stage cervical cancer. Insights Imaging. 2022. PMID: 35092505. doi:10.1186/s13244-022-01156-0
  2. 全文:PMC8800977(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8800977/

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。