多中心「蓝天影像组学」研究中使用ComBat工具协调Ⅲ期不可切除非小细胞肺癌特征提取过程的初步报告
本研究为「蓝天影像组学」研究(NCT04364776)的初步步骤,纳入23例Ⅲ期不可切除非小细胞肺癌患者,在放化疗前后两次增强CT上提取42个影像组学特征,评估不同采集参数对特征可重复性的影响并应用ComBat及纵向版LongComBat进行协调。协调前76%的特征受采集方案显著影响,ComBat协调后所有特征均不再依赖采集参数,而LongComBat协调后仍有5%的特征依赖采集方案。
要点
- 多中心影像组学研究中,CT采集方案差异可显著影响特征稳定性,协调前76%特征受方案影响。
- ComBat协调后42个特征均不再依赖采集参数,LongComBat协调后仍有5%特征依赖方案。
- 作者认为协调过程对影像组学数据质量与可重复性似乎至关重要。
核心结论
- 作者在Ⅲ期非小细胞肺癌影像组学研究中降低了不同CT采集方案对特征提取的影响,认为协调过程对影像组学数据质量与可重复性似乎至关重要。
研究设计与样本
- 回顾-前瞻性多中心「蓝天影像组学」研究(NCT04364776)的初步报告,纳入23例Ⅲ期不可切除非小细胞肺癌患者。
- 每例患者在放化疗前后各采集一次静脉对比剂增强CT,图像来自10个不同医疗中心,具有不同采集与重建方案。
- 由两名肿瘤影像专家使用Oncentra Masterplan®软件集中勾画原发肿瘤ROI,使用LIFEx v6.30提取42个影像组学特征。
- 采用ComBat工具(非参数设置)及纵向版LongComBat进行协调,以Kruskal–Wallis检验(p<0.05)评估特征与采集参数的相关性。
诊断标准与关键数值
- 特征提取前预处理:灰度绝对离散化范围[−1000; 3000] HU,bin数400(bin宽10 HU),体素重采样至1 mm×1 mm×1 mm,ROI至少包含64个体素。
- 42个特征包括4个形状特征、6个一阶统计特征、7个GLCM特征、11个GLRLM特征、3个NGLDM特征和11个GLZLM特征。
- 协调前76%的特征受采集方案显著影响(p<0.05),ComBat协调后所有特征均独立于采集参数(p>0.05)。
- LongComBat分析前,11个方案显著影响42个特征中的25个(59%);协调后仅2个特征(5%)仍显著依赖方案。
- LongComBat协调后,4/42个特征依赖扫描仪制造商、5个依赖kVp、2个依赖卷积核;ComBat协调后上述依赖均为0个。
临床应用与阅片要点
- 作者认为协调过程似乎对影像组学数据质量与可重复性至关重要,并希望本研究能促进不同ComBat算法的研究与发展。
- 作者指出由于数据集样本量小,倾向于限制定义协调方案的采集参数数量,并加入图像预处理步骤(像素归一化与灰度量化)。
- 作者指出该预处理策略仅在原始CT图像可获得时才能应用,仅有影像组学特征集时无法应用。
局限性
- 作者指出本研究的主要局限性是迄今为止入组的患者数量少,本分析为初步分析。
- 作者指出未来更大的数据集将有助于对协调过程得出更稳健的结论。
- 作者指出LongComBat尚不支持非参数设置,也无法排除贝叶斯设置。
- 作者指出由于数据集样本量小,限制了定义协调方案时纳入的采集参数数量。
- 作者指出预处理策略仅在原始CT图像可获得时才能应用,仅有影像组学特征集时无法应用。
全文中译9 节 · 点击展开
要点
影像组学可能使CT扫描图像转化为定量数据,从而提供关于肿瘤内在异质性、肿瘤行为以及最终治疗反应的关键信息。
影像组学工作流程的主要局限性之一,尤其是在多中心研究中广泛可重复性方面,是CT扫描仪型号、采集方案和重建算法的变异性。
通过ComBat和longComBat算法对CT扫描图像进行协调化处理,可能减少不同采集方案对影像组学特征提取的影响。
引言
非小细胞肺癌(NSCLC)约占所有肺癌诊断的75–80%,其中约三分之一的病例对应于局部晚期阶段(IIIA-C)[1]。当前的治疗标准是根治性同期或序贯放化疗(CRT),采用铂类双药方案和每日一次放疗剂量高达60 Gy,随后对应答患者使用抗PDL-1单克隆抗体度伐利尤单抗。该方法使中位总生存期(OS)达到47.5个月,无进展生存期(PFS)达到16.9个月,47.5%的患者在五年时存活[2, 3]。然而,尽管有这些临床改善,仍有2/3的患者出现进展,其中大多数在胸腔内、照射体积范围内。这种耐药性的潜在机制尚未完全明确。
此外,目前尚无可靠的生物标志物可用于预测哪些患者对免疫治疗反应最佳[4, 5],尽管关于循环游离DNA的初步数据令人鼓舞[6]。因此,寻找并验证一种更准确的方法以更好地筛选可能从免疫治疗中获益的患者将至关重要。在此背景下,利用影像组学生成基于图像的生物标志物的机会引起了极大兴趣[7–9]。这种方法基于提取若干定量变量(称为影像组学特征),并将其用于构建基于机器学习分类器的预测模型[9]。然而,影像组学工作流程的主要局限性之一是扫描仪型号、采集方案和重建算法的变异性。这些变异可显著影响影像组学特征的稳定性,尤其是对于来自影像组学多中心研究的异质性影像数据集,从而损害预测模型的稳健性[10, 11]。
在过去几年中,不同研究组提出了通过协调化过程克服这些障碍的方法。Da-Ano等[12]研究了使用不同改良ComBat算法[13, 14]的情况,在一项涉及来自3个中心的局部晚期宫颈癌患者两个数据集的多中心研究中对这些方法进行了比较,使用磁共振成像和正电子发射断层扫描成像。他们证明,使用改进的ComBat方法后影像组学模型的质量提高。Masson等[15]评估了使用ComBat作为影像组学特征协调化方法在来自五个不同中心的喉癌患者中的应用,显示预测价值增加。Mahon等[16]也使用了ComBat方法,证明其可用于多机构研究中,以协调化从使用不同CT方案采集的肺部肿瘤患者图像中提取的影像组学特征。
在本初步报告中,我们探讨图像采集参数对放射组学特征提取可重复性的影响,同时考虑扫描仪和采集方案之间的差异,并提出协调方法以最小化数据分析变异性。新颖性的主要要素是应用ComBat算法的修改版本(称为LongCombat [17])于放射组学特征。此外,我们比较了原始和修改后的纵向ComBat算法。最后,通过应用所提出的协调过程,我们旨在强化预测模型,该模型有望通过Blue Sky数据集的最终分析获得。该研究包括23名患者,他们接受了特定治疗(放化疗和维持免疫治疗);因此,未包括公共数据集,因为它们无法与Blue Sky放射组学研究纳入的特定患者队列相比较。此外,使用Blue Sky数据集(作为观察性临床试验的一部分 [18])进一步减少了由于不同操作者勾画ROI以及一系列过程(与图像采集、勾画和临床选择相关)控制较少而导致的变异性。
材料和方法
数据
该研究包括23名患者。原发肿瘤在两次静脉注射对比剂的CT序列上识别并勾画,分别在CRT前后进行。勾画过程集中化,并由肿瘤影像专家使用Masterplan Oncentra®软件(https://medicaldevices.icij.org/devices/che-oncentra-external-beam)执行。图像来自10个不同的医疗中心,具有不同的采集和重建方案。详情见表1。
特征提取
放射组学特征提取使用LIFEx软件v6.30(局部图像特征提取,符合IBSI标准 [19])进行。从每个感兴趣区域(ROI)(对应于肿瘤体积和继发病灶)通过3D提取获得总共四十二个特征。ROI应至少包括64个体素。所选特征包括六个类别:四个形状特征、六个一阶统计特征、七个灰度共生矩阵(GLCM)特征、十一个灰度游程长度矩阵(GLRLM)特征、三个邻域灰度差矩阵(NGLDM)特征和十一个灰度区域长度矩阵(GLZLM)特征,如 [20] 中所定义。此外,我们在特征提取前应用了以下预处理步骤以减少图像间变异性:灰度绝对离散化和体素重采样。灰度离散化在[-1000;3000] Hounsfield单位(HU)范围内进行,箱数为400(箱宽10 HU),而我们将体素重采样到固定大小1 mm × 1 mm × 1 mm。
协调
为了减少不同CT采集方案对放射组学特征集的影响,我们使用了ComBat协调工具 [13, 14] 及其用于纵向研究的版本 [17]。
ComBat协调技术属于位置和尺度(L/S)调整方法,旨在通过标准化每个特征在各批次间的均值(位置)和方差(尺度)来消除批次效应。我们选择了模型的非参数设置,以避免对特征和参数的潜在概率分布做出假设。此外,我们没有纳入生物学协变量,排除了贝叶斯设置,因为入组Blue Sky研究的患者队列是同质的。因此,我们没有需要从协调中保留的显著生物学特征。通过选择这些选项,算法分别为每个特征计算位置和尺度校正变换,即调整分布的均值和方差以减少异质性。我们使用了[21]中提出、随后在[13]中适配于多站点影像数据的ComBat工具(公开获取于https://github.com/Jfortin1/ComBatHarmonization),使用R软件。
此外,我们使用了ComBat工具的一个改进版本,名为longComBat,如[17]中所定义。在longComBat中,原始ComBat算法被适配用于统计单元之间不满足独立性要求时的纵向数据。据我们所知,该技术在影像组学特征上的应用尚未被研究。与横断面ComBat工具不同,纵向版本尚未提供非参数调整,也无法排除贝叶斯设置。我们使用公开获取于https://github.com/jcbeer/longCombat的longCombat算法,使用R软件。
关于算法的进一步细节见附加文件1:附录A。
统计分析
我们使用RStudio(R Core Team, 2020; R Foundation for Statistical Computing, Vienna, Austria; https://www.R-project.org/)运行所有统计分析;图形使用ggplot2包(H. Wickham; Springer-Verlag New York, 2016)生成。
为评估不同采集参数对特征值的影响,我们在ComBat协调之前进行了Kruskal–Wallis检验。所有分析的统计学显著性水平设定为p值 < 0.05。如果Kruskal–Wallis检验后的p值小于显著性阈值,这表明该特征的分布在组间存在统计学差异;因此,所选特征受到所考虑采集参数的影响。各特征独立进行检验。
一旦确定了最具影响力的采集参数,我们将显著参数组合起来以在各批次间协调特征值。在ComBat(横断面和纵向情况均包括)补偿之后,重复进行Kruskal–Wallis检验以验证标准化是否成功。如果检验的p值大于阈值,则各批次间的特征分布被正确重新对齐。
结果
我们旨在使用ComBat工具解决采集参数的变异性问题,并将其与longComBat进行比较,后者明确考虑了纵向研究中固有的受试者内相关性。探索了不同的采集参数:扫描仪、kVp、卷积核、对比剂、曝光时间。X射线管电流(mA)被排除在协调化之外,因为现代CT扫描以剂量调制(或模拟mA×s)方式工作,通过优化患者不同区域的剂量来保证高图像的“重归一化”质量。当光束必须穿过总衰减系数高的区域时,电流会增加。通过降低电流,CT图像中的噪声增加,从而增大Hounsfield值的范围。已观察到这些变化对非均匀材料的影响比对异质性材料更为明显。因此,从异质性受试者(如患者胸部)提取的特征不依赖于X射线管电流[22]。
我们进行了统计分析 and 横断面协调化,同时考虑了CRT前和CRT后的特征。通过统计检验,我们确定kVp和卷积核是最具影响力的参数。扫描仪模型在42个测试特征中有19个显著特征,kVp有21个,卷积核有19个,对比剂有12个,曝光时间为0个。扫描仪因与卷积核强相关而被排除,对比剂因有50%的缺失值而被排除。曝光时间对特征没有任何影响。
基于与影像组学特征显示显著关联的参数组合(kVp、卷积核),我们定义了15种CT采集方案用于协调化过程,如表2所述。一张图像被排除在分析之外(对应于方案编号6),因为应用ComBat算法时,每种方案至少需要两个频率。因此,考虑了14种方案用于统计分析和协调化。一个称为批次的整数数值被关联到卷积核-kVp参数的每种可能组合。
在协调化之前测试了特征值在各方案间的分布,76%的结果受到显著影响(p < 0.05)。然而,协调化之后,所有提取的特征均独立于图像采集的技术参数(p > 0.05),表明ComBat方法成功消除了方案的影响。
协调化效果的示例如图1所示,其中我们描绘了特征GLRLM短游程强调(GLRLM SRE)在协调化前后对采集方案的依赖性。其他示例见支持信息,其中我们展示了“特征提取”部分所述六个类别中每个类别的一个示例特征的分布。
我们在ComBat谐调后评估了特征值对单一采集参数的依赖性。重复Kruskal–Wallis检验,我们得出:在测试的42个特征中,有0个特征受扫描仪制造商影响,有0个特征依赖于kVp,有0个特征受卷积核影响。这些结果证实,ComBat算法有效消除了影像组学特征对采集参数的依赖性。为便于说明,图2展示了同一特征GLRLM SRE,其中考察了对单一参数的依赖性。
通过longComBat工具,将同样的14个CT采集协议用于谐调过程。此外,为了恰当考虑受试者内重复观测的依赖性,加入了关于图像采集时间点(基线或随访)的信息。
由于纵向算法要求每个协议至少有一幅图像,且每位患者至少有两个时间点,因此从分析中移除了五名受试者。过滤后的数据集包括11个协议的图像:表2中定义的协议5、6、10和15被剔除。谐调前进行的检验显示,这些协议显著影响了42个影像组学特征中的25个(59%)。谐调程序后,仅有两个特征(5%)显著依赖于协议。图3展示了long-ComBat谐调效果的一个示例(其他示例见附加文件1),其中我们描绘了GLRLM短游程强调(GLRLM SRE)特征在谐调前后对采集协议的依赖性。
与横断面ComBat不同,longComBat谐调后特征值对单一采集参数的依赖性并未完全消除。例如,4/42个特征依赖于扫描仪制造商,五个依赖于kVp,两个依赖于卷积核。为便于说明,在图4中我们展示了GLRLM SRE特征对单一参数的依赖性。
使用横断面ComBat的谐调过程更为稳健,因为依赖性被完全消除;各协议和参数之间的中位数似乎比使用longCombat获得的更为均匀。明显的优点是对特征进行了更强化的谐调,而可能的缺点是信息丢失。
讨论
图像的内在变异性可能在很大程度上影响放射组学特征。图像的不均匀性取决于不同的因素,例如具有不同采集方案和技术参数的扫描仪。为了解决这个问题,Lambin等人[9]引入了放射组学质量评分(RQS)的概念。
使用该评分可以评估放射组学研究的质量,分析每个阶段:数据选择、医学成像、特征提取、探索性分析和建模。关于数据选择,主要问题之一是使用非标准化的采集方案;根据RQS,这个问题可以通过在放射学报告中公开采集方案来解决,以达到报告指南的广泛传播。不同扫描仪之间的变异性可以通过体模研究来管理。然而,实施这些解决方案并不容易,因为许多放射组学研究是回顾性的,涉及由不同扫描仪、地理区域和时间检查的患者。CT扫描仪球管的预期衰减也可能导致图像采集的异质性。
在本研究中,我们应用ComBat算法对放射组学特征进行统计协调,并将其与其纵向版本进行比较。
我们在与已有报道不同的条件下测试了ComBat工具,主要涉及两个方面:(i)横断面ComBat工具与纵向版本(longComBat)之间的比较,以及(ii)从kVp和卷积核的组合中对协调批次进行事后定义。我们证明两种协调算法均通过降低采集方案的影响充分补偿了特征值。然而,进一步的工作可以在longComBat工具中纳入非参数设置和非贝叶斯公式。关于第二个方面,由于数据集规模较小,我们倾向于限制定义协调方案的采集参数数量,包括一个预处理图像阶段,该阶段由像素归一化和灰度量化组成。我们能够通过该预处理步骤在特征提取之前标准化图像,并且我们避免了将层厚和像素宽度纳入协调参数中。然而,该策略仅在原始CT图像可用而不仅仅是放射组学特征集的情况下才能应用。我们旨在通过应用ComBat工具并将其与longComBat进行比较来应对采集参数的变异性,longComBat明确考虑了纵向研究中固有的受试者内相关性。两种ComBat算法即使对于小数据集也能提供令人满意的结果;事实上,两种方法均将特征对采集方案的依赖性降低至5%以下。
关于对单一采集参数的依赖性,ComBat保证100%的协调性,而longComBat最多将依赖性数量降低至12%。我们的研究旨在强调ComBat以及LongComBat的实用性。减少影像组学特征变异性的理想协调过程是在采集前对图像进行协调,但这显然并非总能实现,这也是开发ComBat等协调方法的原因。如上文所引用文献中所述,ComBat工具可对从不同成像协议中提取的影像组学特征进行协调。但借助图像存档与通信系统(PACS),原始CT图像通常可获取,因此我们引入了一个预处理步骤,在使用LIFEx提取特征之前对图像进行标准化,获得了良好结果,并更接近理想的特征标准化方法。希望本研究能够促进不同ComBat算法的研究与开发。
我们研究的主要局限性在于迄今为止入组的患者数量较少,这些患者是本初步分析的对象。同时,更大的数据集将有助于在未来就协调过程得出更稳健的结论。
总之,我们的结果显示了ComBat工具在肺癌CT扫描中协调CT图像以进行影像组学特征提取的能力。这些结果将有助于提高影像组学特征提取过程和回顾-前瞻性多中心Blue Sky Radiomics研究中III期NSCLC分析的质量。
补充信息
附加文件1。协调过程(ComBat和Long ComBat)前后各批次及图像采集参数间DISCRETIZED_HISTO_Skewness、GLCM_Correlation、GLZLM_ZP、NGLDM_Coarseness和SHAPE_Sphericity特征的分布。
引用
- Cabini RF, Brero F, Lancia A, et al. Preliminary report on harmonization of features extraction process using the ComBat tool in the multi-center "Blue Sky Radiomics" study on stage III unresectable NSCLC. Insights Imaging. 2022. PMID: 35254525. doi:10.1186/s13244-022-01171-1
- 全文:PMC8901939(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8901939/
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。