基于MRI的影像组学列线图用于评估常染色体显性多囊肾病患者的肾功能
该研究回顾性纳入100例ADPKD患者,随机分为训练组69例和测试组31例,从FS-T1WI和FS-T2WI提取影像组学特征建立决策树影像组学模型,并结合临床因素和常规MR变量构建列线图。影像组学列线图在全数据集AUC为0.8435,显著优于影像组学模型的0.7505(P=0.005),作者认为可用于ADPKD肾功能的初步评估与预测。
要点
- 影像组学列线图预测ADPKD肾功能(GFR<60 ml/min per 1.73 m2)的全数据集AUC为0.8435。
- 影像组学模型训练组AUC为0.7542、测试组为0.7417,列线图训练组AUC为0.8521、测试组为0.8167。
- 列线图纳入尿白蛋白、最大囊肿直径、eTKV和影像组学标签,影像组学标签为独立危险因素。
核心结论
- MRI影像组学分析可用于ADPKD患者肾功能的初步评估和预测,影像组学列线图模型预测效果更佳,可作为无创肾功能预测工具辅助临床决策。
研究设计与样本
- 回顾性分析2017年1月至2019年12月本院100例ADPKD患者,男48例、女52例,年龄24–76岁,平均49.11±9.85岁。
- 患者随机分为训练组69例和测试组31例,用于预测模型训练与测试。
- 按KDOQI慢性肾脏病分级标准分为GFR≥60 ml/min per 1.73 m2组51例(CKD1和CKD2)与GFR<60 ml/min per 1.73 m2组49例(CKD3及以上)。
- 所有患者治疗前接受3.0 T Siemens MRI常规肾脏扫描,包括FS-T1WI和FS-T2WI序列,扫描范围覆盖全部肾脏。
- MRI与实验室检查间隔不超过72 h;由两名分别有10年和8年影像诊断经验的医生共同判读。
关键影像表现/征象
- 最大出血囊肿定义为具有短T1和短T2信号的最大囊肿。
- FS-T2WI采用呼吸触发脂肪抑制FSE序列,TR 2000~6000 ms、TE 80~104 ms、层厚6 mm、层间距0.6 mm。
- FS-T1WI采用TR 3.92 ms、TE 1.39 ms、层厚3–5 mm、层间距1 mm。
诊断标准与关键数值
- 影像组学模型基于FS-T1WI和FS-T2WI序列,训练组AUC=0.7542,测试组AUC=0.7417。
- 影像组学列线图训练组AUC=0.8521,测试组AUC=0.8167。
- 全数据集影像组学模型AUC=0.7505 vs 影像组学列线图模型AUC=0.8435,列线图模型显著优于影像组学模型(P=0.005)。
- 列线图模型拟合优度:训练集Hosmer–Lemeshow检验P=0.4058,测试集P=0.2198。
- 共提取1648个影像组学特征(14个形状特征、342个一阶特征、1292个纹理特征),最终选用14个特征建模(T1序列5个、T2序列9个;一阶特征5个、纹理特征9个)。
临床应用与阅片要点
- 列线图模型纳入尿白蛋白、最大囊肿直径、eTKV和影像组学标签,多变量模型中影像组学标签为独立危险因素。
- 作者认为该方法经济、有效、简便,可弥补GFR对早期肾功能不全诊断的不足,并可作为ADPKD患者肾功能监测的常规有效随访方法。
- 决策曲线分析显示列线图模型在训练组和测试组多数阈值概率范围内净获益最佳,临床获益大于影像组学模型。
局限性
- 本研究的缺点是病例总数较少,且没有多中心数据验证。
- 一些无法纳入分析的临床因素,如高血压测量时间点和长期药物干预。
全文中译17 节 · 点击展开
引言
常染色体显性多囊肾病(ADPKD)是最常见的遗传性肾脏病,其主要表现为肾脏内形成许多充满液体的囊肿。囊肿逐渐增大,最终破坏正常肾脏结构和功能,导致终末期肾病(ESRD)[1, 2]。ADPKD已成为ESRD的第四大病因。根据KDOQI发布的指南3 [3],慢性肾脏病(CKD)分为五期。当疾病进展至CKD3期及以上(GFR < 60 ml/min per 1.73 m2)时,并发症发生和进展至ESRD的风险显著增加。因此,评估和监测ADPKD患者的肾功能非常重要。目前,估算肾小球滤过率(eGFR)是临床实践中监测肾功能最常用的实验室指标,因其较菊粉清除率或99 mTc-DTPA肾扫描更易获取。然而,由于代偿性肾超滤过的存在,GFR不易反映早期肾功能变化[4, 5]。寻找一种无创方法评估ADPKD患者的肾功能是本研究所要解决的问题。
通过MRI随时间监测总肾脏体积(TKV)和身高校正TKV(ht-TKV)是评估ADPKD患者进展至ESRD风险的一种无创、无辐射方法[6, 7]。然而,肾脏体积并不总能预测肾功能的变化,例如在仅有少量大囊肿或由缺血或尿路梗阻导致肾萎缩的患者中[3]。近年来,影像组学在多种器官疾病的分期或预测中越来越受到关注,其通过对图像大数据进行特征提取并将医学数据转化为高维数据,可实现评估疾病进展、预后和预测治疗反应的目的[9, 10]。应用于肾脏疾病的影像组学研究主要集中在肾脏肿瘤性疾病,如区分肾细胞癌的组织学分级、预测肾透明细胞癌同步远处转移、预测肾透明细胞癌术前分期和评分等[11–13]。然而,关于肾脏非肿瘤性病变的影像组学研究报道较少,尤其是ADPKD患者。Kline等[14]对ADPKD进行了初步研究,结果表明T2加权图像纹理特征分析可预测肾功能下降。目前,尚无关于结合临床因素提取ADPKD患者肾脏MR多序列图像特征以预测疾病进展的报道。
本研究提取ADPKD患者FS-T1WI和FS-T2WI序列图像的影像组学特征,以评估和预测多囊肾病的进展,并进一步结合多种临床因素和常规MR成像变量,建立并验证一种预测多囊肾病进展的新型影像组学列线图模型。
材料与方法
研究方法
回顾性分析2017年1月至2019年12月我院收治的100例ADPKD患者,其中男48例,女52例,年龄范围24~76岁,平均年龄49.11 ± 9.85岁。所有患者标本及其家属均已告知并签署知情同意书。同时,本研究经我院伦理委员会批准(注册号:ChiCTR2100046739)。
将患者随机分为两组,训练组69例,测试组31例,用于预测模型的训练和测试。根据KDOQI发布的慢性肾脏病分级标准,将患者分为两组。肾小球滤过率(GFR)≥ 60 ml/min/1.73 m2者51例(包括CKD1和CKD2),GFR < 60 ml/min/1.73 m2者49例(CKD3及以上)。
纳入标准
所有患者在治疗前均接受常规MRI检查,包括FS-T1WI和FS-T2WI。图像无影响影像组学分析的伪影。所有实验室检查应在治疗前完成,MRI与实验室检查的间隔时间不应超过72 h。
排除标准
MRI检查禁忌证。肾脏病灶与周围结构边界不清。
临床数据和MR数据包括性别、高血压、蛋白尿(0~3级)、估计总肾脏体积(eTKV)、最大囊肿直径、出血囊肿直径、尿白细胞和尿红细胞。eTKV采用椭球体公式估算(eTKV = π/6 × 长 × 宽 × 深)。
由两名分别具有10年和8年影像诊断经验的医生参与共同阅片。通过综合观察横断面、矢状面和冠状面图像,确定最大囊肿并选取最大截面的长度。最大出血囊肿为呈短T1短T2信号的最大囊肿。
检查方法
所有患者均行常规肾脏MRI扫描(3.0 T Siemens MRI扫描仪),取仰卧位、头先进。信号由8通道腹部相控阵线圈(Magnetom Verio,Siemens,Erlangen,Germany)接收。扫描范围覆盖全部肾脏。
扫描前患者禁食6~8 h。横断面T2WI采用呼吸触发脂肪抑制FSE序列。扫描参数:FS-T2WI:TR 2000 ~ 6000 ms,TE 80 ~ 104 ms,回波链长度8~16,矩阵320 × 224,层厚6 mm,层间距0.6 mm,视野36 cm × 36 cm ~ 40 cm o chai;FS-T1WI:TR 3.92 ms,TE 1.39 ms,回波链长度8~16,矩阵320 × 224,层厚3~5 mm,层间距1 mm。
图像分析
本研究在Dr. Wise Multimodal Research Platform(北京深睿博联科技有限责任公司,中国北京)上进行影像组学分析,包括图像标注、特征提取、筛选和建模。
图像分割
将所有患者的FS-T1WI和FS-T2WI图像以“*. DICOM”格式从图像归档和通信系统(PACS)中导出,并上传至Dr. Wise Multimodal Research Platform。软件操作和图像判读由两名分别具有10年和8年影像诊断经验的医生完成。对于意见不一致之处,两名医生通过讨论达成一致。
图像勾画方法
首先,将肾脏作为一个整体进行勾画。其次,通过在肾脏轮廓所有层面上的感兴趣区(ROI)勾画获取肾脏的感兴趣体积(VOI),但病灶刚出现和即将消失的两个层面除外。第三,采用半自动勾画,勾画软件内置于放射组学平台中,可自动识别病灶的粗略轮廓。对于勾画效果不理想者采用手动调整。必要时可结合矢状面和冠状面图像进行定位。
特征提取
对于不同分辨率的图像,采用B样条插值采样技术进行重采样。重采样后,所有图像具有相同的分辨率[1, 1, 1],以达到相同的图像分辨率。同时,对原始图像和变换后图像分别提取原始图像和变换后图像的放射组学特征,包括一阶特征、形状特征、灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRLM)、灰度尺寸矩阵(GLSZM)和灰度依赖矩阵(GLDM)。共提取1648个放射组学特征,包括14个形状特征、342个一阶特征和1292个纹理特征。分别对两个序列进行特征提取。每个序列图像上共提取1648个放射组学特征,包括14个形状特征、342个一阶特征和1292个纹理特征。分别对两个序列进行特征提取。
放射组学特征选择
为消除图像放射组学特征的尺度差异,在特征选择前进行特征标准化。所有特征均进行Z分数标准化(减去均值并除以标准差)。同时,为消除不同勾画者的影响,分析不同勾画者提取特征的一致性,包括同一医生不同时间点的勾画和不同医生的勾画。一致性小于0.75的特征不予纳入。完成一致性分析后,进一步采用方差分析(ANOVA)筛选与多囊肾功能评估相关的特征。最后,采用最小绝对收缩和选择算子(Lasso)进行特征最终选择。在此过程中,大多数特征的系数将变为零,非零特征用于建模。
放射组学建模与列线图建模
特征选择后,使用决策树机器学习算法构建影像组学模型。决策树是二分类问题中常用的机器学习算法。本研究使用69个数据集作为训练集,31个数据集作为独立测试集来验证模型性能。为了获得最终的影像组学特征,将两个序列的特征融合建立决策树模型,通过决策树模型获得最终的影像组学特征。通过逻辑回归单因素分析和多因素分析筛选出影像组学特征联合临床因素,构建影像组学列线图模型。对与多囊肾功能相关的独立临床因素进行逻辑回归建模,最终获得列线图模型以评估肾功能。
模型评估与统计学方法
所有统计分析均在R软件(版本3.6.2,R Foundation for Statistical Computing,维也纳,奥地利)上进行。连续变量以均值±标准差(SD)表示,分类变量以数量表示(视情况而定)。组内相关系数(ICC)用于评估观察者间和观察者内一致性。采用方差分析(ANOVA)筛选评估多囊肾功能的相关特征。分类变量采用卡方检验或Fisher精确检验进行比较,连续变量采用Student's t检验或Mann-Whitney U检验进行比较(视情况而定)。采用逻辑回归单因素分析和多因素分析筛选临床危险因素。进行ROC分析以评估各模型的性能,不同模型间的AUC通过Delong检验进行比较。P值<0.05认为具有统计学意义。
结果
患者特征
如表1所示,在训练队列中,蛋白尿(p = 0.009)、eTKV(p = 0.000)和最大囊肿直径(p = 0.015)存在显著差异。在测试队列中,有两个特征存在显著差异,包括蛋白尿(p = 0.000)和最大囊肿直径(p = 0.004)。
特征选择与建模
对于从T1序列提取的特征,经过组间和组内相关系数(ICCs)分析后,共获得1358个稳健特征,包括6个形状特征、297个一阶特征和1055个纹理特征。对于T2序列,经过ICCs分析后,保留了1597个一致性大于0.75的特征。为了将T1和T2序列联合建模,将两个序列的特征进行合并,获得两个序列的联合特征,用于后续的特征筛选和建模。通过单因素方差分析,共发现1412个特征与肾功能评估相关。然后,通过Lasso筛选出最具诊断价值的特征(图1)。最终,14个特征用于最终建模,其中包括5个T1序列的影像组学特征和9个T2序列的影像组学特征。从特征类型来看,包括5个一阶特征和9个纹理特征。用于建模的特征权重图见图2。使用最终14个特征构建决策树模型。影像组学模型在预测多囊肾肾功能方面显示出良好的预测效果。训练队列的AUC为0.7542,测试队列的AUC为0.7417。
列线图模型
对联合序列进行建模以获得最终的影像组学标签,并将最终影像组学标签作为独立预测因子,结合临床因素(性别、高血压、尿白蛋白、eTKV、尿白细胞、尿红细胞、最大囊肿长度、最大出血囊肿长度),采用logistic回归单因素分析筛选临床变量。logistic回归结果包括单因素分析、多因素分析,见表2。
最终,尿白蛋白、最大囊肿直径、eTKV和影像组学标签(Rad)被纳入,采用logistic回归构建影像组学列线图模型(图3)。在多因素模型中,影像组学标签是独立危险因素。列线图模型在训练组中的AUC为0.8521,在测试组中为0.8167。各模型的结果见表3。影像组学模型和列线图模型在训练组和测试组中的ROC曲线见图4。
从表3和图4可以看出,列线图模型在训练组和测试组中均表现良好。列线图模型的AUC高于影像组学模型。在整个数据中,列线图模型显著优于影像组学模型(p = 0.005372)。
列线图模型在训练组和测试组中的校准曲线见图5A、B。列线图模型基于训练集(Hosmer–Lemeshow检验,p = 0.4058)和测试集(Hosmer–Lemeshow检验,p = 0.2198)具有满意的拟合度。这表明当前列线图模型与理想完美模型之间无统计学差异,是可以接受的。影像组学模型(Radscore)和列线图模型的决策曲线(图5C、D)显示,列线图模型的临床获益大于影像组学模型。
讨论
在本研究中,我们开发并验证了基于T1和T2的联合影像组学模型。共筛选出14个特征,该影像组学模型在多囊肾功能评估中具有良好的预测性能。此外,将多个临床数据、常规MR成像变量和影像组学特征整合到联合列线图模型中,结果表明联合列线图模型在整个组中具有最佳的预测价值,AUC为0.8435。
在分析来自五个不同来源的观察数据后,PKDOC(改善多囊肾病预后协会)得出结论,TKV是预测eGFR下降的最重要指标[5]。因此,TKV与患者年龄和估算肾小球滤过率(eGFR)相结合,作为常染色体显性多囊肾病(ADPKD)研究和临床试验的预后影像生物标志物,被美国食品药品监督管理局和欧洲药品管理局采用。在CRISPII研究中,身高校正的基线TKV(ht-TKV)与8年随访后CKD 3期的发生相关。然而,GFR和TKV也有其局限性。由于肾超滤过现象的存在,早期肾功能变化不易通过GFR反映,且GFR检测也具有一定创伤性。此外,肾脏体积并不总能预测肾功能的变化,例如在仅有少量大囊肿或由于缺血或尿路梗阻导致肾萎缩的患者中[8]。目前的Mayo影像分类(MIC)[7]仅适用于典型弥漫性囊性疾病患者(1类),而对于其余5%–10%形态不典型的患者(2类),对eGFR下降的预测效果较差,目前仍缺乏适用的基于影像的风险模型。Bae kt等人[16]认为,使用排除明显外生性囊肿后重新计算的ht-TKV测量值有助于将2类患者纳入并对Mayo分类模型中的1类患者进行重新分类。近年来,影像组学已广泛应用于多种器官和疾病,可用于疾病的诊断、治疗和预后预测。它是一种辅助临床决策的新型无创方法。一项关于ADPKD的初步研究表明,具有随机囊肿的肾脏具有高熵值。T2WI纹理特征可以预测肾功能下降。这些纹理特征反映了肾脏结构紊乱的程度、囊肿大小和数量的差异,以及肾脏是否由许多相似区域组成[14]。在本研究中,我们将进一步提取多序列图像以提供影像组学特征,并结合临床因素和常规MR成像变量进行分析。
一些研究表明,通过纹理分析评估空间异质性在全体肿瘤分析中反映最佳[17–19]。T1和T2图像的ROI通过将整个肾脏作为一个整体来选择,可以提供更多信息。T2加权图像具有较高的软组织对比度和肾脏囊肿的高信号强度,易于显示肾脏与背景组织之间的边界[20]。T1加权成像可以很好地显示肾实质结构,尤其是出血性囊肿和残余肾实质[21, 22]。研究表明,出血性囊肿可导致肾脏TKV增大,并与ht-TKV具有良好的相关性。出血性肾囊肿的数量是预测eEGFR的一个非常有用的特征[23]。在影像组学特征提取过程中,我们还发现T1和T2序列提供了不同的特征信息。经过所有特征筛选后,基于T1序列的特征有5个,基于T2序列的特征有9个。结果表明,影像组学模型在预测ADPKD肾功能方面可以获得更好的ROC曲线。
在列线图模型中,纳入了影像组学特征(Radscore)、多项临床数据和常规磁共振成像变量,变量的最高OR值为5.3552,表明影像组学特征与ADPKD肾功能预测密切相关[24]。肾脏体积的持续增加源于囊肿数量和尺寸的不断增加。一些研究表明,大肾囊肿(直径≥5 cm)危害更大,因为它们阻碍了广泛肾单位中的血液和尿液流动[25]。在ADPKD的临床治疗中,常采用手术减轻囊肿对肾实质的压力,尤其是大囊肿对肾实质的压力[26–28]。列线图融合模型也证实,最大囊肿直径和TKV可作为独立预测因子。
当肾小球毛细血管壁通透性增加时,大分子物质如白蛋白会渗入肾小囊腔,导致蛋白尿。蛋白尿是慢性肾脏病的临床标志物,也是疾病进展的有效预测指标。CRISP指出,ht-TKV升高与ADPKD频繁且严重的并发症相关,如高血压、血尿和蛋白尿,以及肾功能的进行性丧失[15, 29]。既往在儿童和成人中的研究表明,尿蛋白和白蛋白与某些更严重肾脏疾病的较快进展相关[30]。另一项研究表明,高血压和蛋白尿是ADPKD患者CKD进展的主要可治疗危险因素[31]。Gansevoort等[32]发现,白蛋白尿增加与ADPKD患者eGFR的快速丧失相关。与安慰剂相比,托伐普坦减少了白蛋白尿,且与血压无关。监测尿白蛋白可提示是否需要药物干预以降低尿白蛋白并延缓疾病进展。同时,列线图融合模型也证明尿白蛋白可作为该模型的独立预测因子。最后,我们得出结论:临床因素与影像组学模型的结合为ADPKD肾功能进展的预测提供了新思路和新方法。该方法可通过常规磁共振成像和临床实验室数据实施。它经济、有效且简便,不仅能有效弥补GFR在早期肾功能不全诊断中的不足,还可作为常规有效的随访方法监测ADPKD患者的肾功能。
本研究的缺点是病例总数较少,且无多中心数据验证。此外,一些无法纳入分析的临床因素,如高血压测量时间点和长期药物干预。
结论
总之,我们对ADPKD患者MR图像影像组学分析的研究表明,T1和T2特征提取可以获得用于评估肾功能的有效信息,临床数据融合建模可用于评估ADPKD患者肾功能的进展。同时,研究证明,结合临床特征和MR成像变量的列线图模型能够在一定程度上提高单纯影像组学模型的诊断效能。影像组学模型和列线图模型可为ADPKD患者肾功能进展评估和临床决策提供一种新的无创方法。本研究结果需要在更大样本量的前瞻性随机多中心临床试验中加以证实,以便更好地描述这种基于MRI的列线图在ADPKD患者随访中的作用。
引用
- Li X, Liu Q, Xu J, et al. A MRI-based radiomics nomogram for evaluation of renal function in ADPKD. Abdom Radiol (NY). 2022. PMID: 35152314. doi:10.1007/s00261-022-03433-4
- 全文:PMC8930797(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8930797/
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。