文献速递腹部技术与安全CT

基于CT的影像组学预测转移性神经内分泌肿瘤依维莫司治疗反应

CT-based radiomics for prediction of therapeutic response to Everolimus in metastatic neuroendocrine tumors.
PubMed 文献 · Radiol Med · 2022-06-18

回顾性纳入25例转移性神经内分泌肿瘤患者,在依维莫司治疗前行动脉期和门静脉期增强CT,对全肝行3D分割提取107个影像组学特征。按PFS≤11个月为应答组、>11个月为无应答组,动脉期Correlation和Imc1区分两组最佳(内部队列AUC 0.86-0.84,外部合成队列AUC 0.84-0.90,均P<0.0001),多变量影像组学模型预测死亡的AUC为0.87、敏感度100%、特异度66.7%。

要点

  • 动脉期GLCM特征Correlation和Imc1区分应答与无应答最佳,内部AUC 0.86-0.84(P<0.0001)。
  • 多变量影像组学模型预测死亡AUC 0.87(95%CI 0.67-0.97),敏感度100%、特异度66.7%。
  • 动脉期Correlation<0.21与死亡相关(Kaplan-Meier分析P=0.02)。

核心结论

  • 在适合依维莫司治疗的转移性神经内分泌肿瘤患者中,影像组学可能作为预测无进展生存和死亡的影像生物标志物。

研究设计与样本

  • 回顾性观察性研究,纳入2013年8月至2020年12月罗马ENETS卓越中心25例转移性神经内分泌肿瘤患者,均有肝转移并适合依维莫司治疗。
  • 使用128层CT(GE Revolution EVO)行动脉期和门静脉期增强扫描,由两名腹部放射科医师用3D Slicer v4.10.2对全肝手动三维分割。
  • 提取107个影像组学特征,按PFS≤11个月为应答组、PFS>11个月为无应答组比较,并用ADASYN合成外部队列(应答组87例、无应答组90例)验证。

诊断标准与关键数值

  • 应答组定义为PFS≤11个月(15/25例),无应答组定义为PFS>11个月(10/25例)。
  • 动脉期4个一阶特征(10Percentile、Mean、Median、RootMeanSquared)区分两组P=0.02-0.04,AUC 0.76-0.81、敏感度71.4-78.6%、特异度80-90%。
  • 动脉期4个GLCM特征(Correlation、Imc1、Imc2、MCC)区分两组P=0.004-0.04,AUC 0.73-0.86、敏感度42.9-78.6%、特异度80-100%。
  • 门静脉期仅SurfaceVolumeRatio有显著差异(P=0.04),AUC 0.74、敏感度71.4%、特异度70%。
  • 多变量影像组学模型预测死亡AUC 0.87(95%CI 0.67-0.97)、敏感度100%、特异度66.7%;GrayLevelVariance为最佳预测因子(OR 1.72;95%CI 1.04-2.83;P=0.03)。

临床应用与阅片要点

  • 作者认为,对于适合依维莫司治疗的晚期神经内分泌肿瘤,可考虑用影像组学识别潜在的良好应答者。
  • 作者指出动脉期在神经内分泌肿瘤检出和表征中起关键作用,本研究主要阳性结果均来自动脉期特征。
  • 观察者间一致性:Median、Correlation和Imc1稳定(0.77≤ICC<0.83),LargeAreaLowGrayLevelEmphasis优(ICC=0.92),均来自动脉期。

局限性

  • 原文指出临床参数与死亡无显著相关可能归因于人群异质性(G2比例高)和样本量小。
  • GrayLevelNonUniformity与死亡呈反向相关但OR为0.99、接近1,原文认为一致性弱、需在后续分析中确认。
  • 外部验证采用ADASYN合成的外部队列,而非独立真实患者队列。
全文中译11 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:Radiol Med. 2022 Jun 18;127(7):691–701. doi: 10.1007/s11547-022-01506-4

引言

神经内分泌肿瘤(NENs)是罕见的惰性肿瘤,起源于弥漫性神经内分泌细胞,最常见的肿瘤发生于胃肠胰道(GEP-NETs)和肺部[1]。世界卫生组织(WHO)分类的更新根据分化程度和形态学特征将NENs分为高分化神经内分泌肿瘤(NETs)和低分化神经内分泌癌(NECs),以便将更具侵袭性的肿瘤归类为癌[2]。

在靶向治疗的新时代,依维莫司已被用于晚期NETs的治疗,用于管理晚期进展性疾病[3, 4]。主要临床挑战之一是在开始治疗前预测依维莫司的疗效,通过将患者分层为应答者和非应答者,进而预测无进展生存期(PFS)和死亡。事实上,临床和组织学数据(如肿瘤分级、年龄、性别和既往化疗)在预测PFS和死亡方面的准确性有限,结果的一致性和可重复性不足[4, 5]。

在此背景下,影像组学可能成为一种新兴的无创生物标志物,有望通过从肝脏体积分割中提取影像组学特征,基于肝脏微结构、微环境和异质性来预测患者预后[6–9]。多个研究团队对NENs的影像组学方法进行了研究和验证,特别关注肿瘤分化程度以及神经内分泌肿瘤与非神经内分泌肿瘤之间的鉴别诊断[10–16]。主要成果集中在肿瘤分化程度方面,目标是克服并支持传统肿瘤活检,后者常因实质性的内在偏倚(如病灶取样、操作者经验和出血)而受到影响[17]。在未来个性化医学的蓝图中,影像组学可能通过提供若干客观参数进入NENs的结构化工作流程,用于根据肿瘤侵袭性、复发风险和死亡率对患者进行分层[6, 7]。在本研究中,我们提出了接受依维莫司治疗的NETs应答者与非应答者之间的比较和生存分析,然后构建了一个以死亡为临床终点的影像组学模型。本研究的目标是提供一种影像学工具,在开始治疗前筛选具有高侵袭性疾病风险的患者。

据我们所知,尚无研究在NET患者开始依维莫司治疗前检验影像组学在预测预后(PFS和死亡)方面的性能。本研究的目的是通过分析初诊CT扫描来探讨影像组学方法在预测PFS方面的性能,并检验其与适合依维莫司治疗的转移性NET患者死亡之间的相关性。

材料与方法

患者选择

本回顾性观察研究遵循《赫尔辛基宣言》。所有程序均经罗马ENETS卓越中心(圣安德烈亚大学医院)机构审查委员会批准。研究设计为筛选2013年8月至2020年12月期间在罗马ENETS卓越中心(圣安德烈亚大学医院)就诊的所有伴有肝转移的NETs患者,符合依维莫司治疗条件者(有证据表明疾病进展的高分化胃肠胰或肺神经内分泌肿瘤)[4]。所有参与者均提供了知情同意,并获得了机构审查委员会的批准。收集每位患者的流行病学和临床数据,包括性别、年龄、肿瘤分级、Ki67、总生存期(OS)和无进展生存期(PFS)。患者根据以下纳入标准进行筛选:(a) 组织学诊断为NETs的患者,(b) 有肝转移证据,(c) 有可用的临床数据,以及 d) 有可用的增强naïve CT扫描。排除标准如下:(a) 对依维莫司不耐受,(b) 既往接受过肝脏手术或局部区域治疗的患者。PFS和OS从开始依维莫司治疗时起评估。从最初的69例患者人群中,纳入了25例进展性转移性NETs患者,并根据PFS ≤ 11个月和PFS > 11个月分别分为两组:应答者和无应答者(图1)[18, 19]。使用自适应合成采样方法(ADASYN)[20]构建了一个合成外部验证队列,应答者组获得87例合成患者,无应答者组获得90例。

图1 患者入组流程图 查看原图 ↗

CT采集方案

组织学诊断为NETs转移性肝病、符合依维莫司治疗条件的患者在开始依维莫司治疗前接受了多期CT扫描。CT扫描使用128层CT(GE Revolution EVO Slice CT Scanner,GE Healthcare,Milwaukee,WI,USA)获得,患者取仰卧位,扫描在吸气末以头尾方向进行。Z轴包括整个腹部,从膈肌到耻骨联合,涵盖平扫、晚动脉期、门静脉期和延迟期。本研究选择晚动脉期和门静脉期进行影像组学分析。

对于每位患者,对比剂(CM)的用量根据瘦体重(LBW)进行调整[21, 22]:

对比剂团注(碘普罗胺 370 mg I/mL,Ultravist 370;Bayer AG,柏林,德国)和生理盐水(45 mL)通过对比剂注射系统(MEDRAD® Centargo CT Injection System)经肘前静脉通路(18–20 号)以 3.5 mL/s 的流率给药。对比增强 CT 各期采用团注跟踪法(Smart Prep,GE,密尔沃基,威斯康星州),感兴趣区置于腹腔干水平的腹主动脉内,阈值设为 150 HU。所有患者均接受平扫、晚动脉期(达到阈值后 18 s)和门静脉期(达到阈值后 70 s)检查。CT 扫描采用以下技术参数:管电压 100 kV;管电流调制 130-300 mAs,使用 SMART mA(GE Healthcare,密尔沃基,美国);螺距因子 0.98;准直 64 × 0.625 mm;旋转时间 0.6 s。所有 CT 图像采用标准软组织重建,使用 40% 迭代重建(ASiR-V,GE Healthcare,密尔沃基,美国),层厚 1.25 mm。

CT 扫描分割分析

两名腹部影像学专家(DC 和 MZ,分别具有 10 年和 8 年经验)使用开源 3D Slicer 软件(版本 4.10.2,http://www.slicer.org)独立对所有原始 CT 扫描进行肝脏体积分割,分别在晚动脉期和门静脉期进行。逐层手动绘制体积感兴趣区,目标是覆盖整个肝脏体积并避开肝血管或主要胆管(图 2)。两名影像学专家在动脉期和门静脉期采用相同标准绘制感兴趣区(ROI),以尽可能在两个期相保持相同的 ROI。

图 2 使用 Slicer 软件(版本 4.10.2,http://www.slicer.org)对一名 54 岁女性胰腺神经内分泌肿瘤(NETs,G2)伴肝转移患者在开始依维莫司治疗前进行的动脉期肝实质 3D 手动分割。图中显示转移性肝实质的轴位 A、冠状位 B、矢状位 C 和 3D 体积 D 分割 查看原图 ↗

影像组学特征提取

使用 3D Slicer Radiomics 扩展(pyradiomics 库 [23])从晚动脉期和静脉期 CT 扫描中提取 107 个影像组学特征,包括一阶和二阶特征:19 个一阶统计特征、13 个 2D 和 3D 形状特征、16 个灰度级大小区域矩阵(GLSZM)特征、5 个邻域灰度差矩阵(NGTDM)特征、14 个灰度级依赖矩阵(GLDM)特征、24 个灰度级共现矩阵(GLCM)特征和 16 个灰度级游程长度矩阵(GLRLM)特征。

统计分析

连续参数以均数 ± 标准差报告。根据高斯正态性或非正态性,分别采用Student T检验和Mann–Whitney U检验比较连续变量。分类变量以数量和百分比报告,然后采用Fisher精确检验或经或未经Yates校正的χ2检验进行比较。以PFS(PFS ≤ 11个月和PFS > 11个月)为终点,采用受试者工作特征曲线(ROC)检验显著影像组学特征的表现,计算曲线下面积(AUC)、敏感性、特异性和截断值。所有显著影像组学特征也通过合成外部队列进行检验和性能验证。采用Kaplan–Meyer生存分析检验与死亡的相关性,并采用log-rank检验计算P值。所有临床和影像组学特征均采用单因素进入法logistic回归分析检验作为初诊CT扫描时死亡预测因子。所有结果显著(P < 0.05)的特征均纳入多因素后退法logistic回归分析,以构建预测患者死亡的影像组学模型。统计学显著性以P < 0.05评估。统计分析采用MedCalc(MedCalc Software,版本15,Ostend,比利时)进行。采用Bonferroni校正调整多重比较。还评估了观察者间变异性,ICC < 0.75的特征被认为不稳定,0.75 ≤ ICC < 0.9为稳定,ICC ≥ 0.9为极好。

结果

研究人群

人群包括25例患者,11例男性和14例女性(分别为44%和56%)。按原发部位进行亚组分析,15例(60%)为胰腺NETs,9例(36%)为回肠NETs,1例(4%)为肺NET。关于肿瘤分级,5例(20%)为NETs G1,19例(76%)为NETs G2,1例(4%)为NET G3。人群的中位PFS和OS分别为15个月和21个月。根据PFS,15例患者(60%)为应答者,10例(40%)被认为无应答。在两组患者的分析中,应答者和无应答者的中位PFS分别为27个月和4.5个月(表1)。总体而言,19例患者在随访期间死亡,死亡率为76%。

表1 患者临床数据 查看原表 ↗

三维分割和影像组学特征

从肝实质的体积分割中,在初治CT扫描的延迟动脉期和门静脉期分别提取了107个影像组学特征。在应答者与无应答者的比较中,有十个影像组学参数存在显著差异(P < 0.05)(表2)。在动脉期提取的影像组学特征中,四个一阶特征(10百分位数、均值、中位数和均方根)能够区分两组患者(P = 0.02–0.04),其AUC、敏感性和特异性分别介于0.76至0.81、71.4–78.6%和80–90%之间(表2和表3)。四个GLCM特征(相关性、Imc1、Imc2和MCC)可显著区分两组(P = 0.004–0.04),其AUC、敏感性和特异性分别介于0.73至0.86、42.9至78.6%和80至100%之间(表2和表3)(图3)。在GLSZM特征中,仅有一个特征(大面积低灰度强调)可显著区分应答者与无应答者(P < 0.0001),但ROC曲线分析未获得显著结果(P = 0.523),其AUC、敏感性和特异性较差(分别为0.58、35.7和100%)(表2和表3)。在门静脉期提取的影像组学特征中,仅有一个形状特征(表面积体积比)在应答者与无应答者之间具有统计学显著差异(P = 0.04),其AUC、敏感性和特异性分别为0.74、71.4和70%(表2和表3)。动脉期和门静脉期获得的所有显著影像组学特征均在外部合成队列中进行了测试,所有特征均被证实具有显著差异,P值范围为0.002至< 0.001,AUC范围为0.58至0.90(表2、表3和表4)。

在观察者间变异性的分析中,三个特征(中位数、相关性和Imc1)结果稳定,0.77 ≤ ICC < 0.83,一个特征优秀(大面积低灰度强调),ICC = 0.92。所有这些数据均提取自动脉期。

表2 在内部和外部队列中,应答者(PFS ≤ 11)与无应答者(PFS > 11)NETs比较中得出的显著影像组学特征 查看原表 ↗
表3 在内部队列中使用受试者工作特征(ROC)曲线测试的影像组学参数在应答者与无应答者比较中的性能 查看原表 ↗
图3 在内部队列中使用受试者工作特征(ROC)曲线测试的应答者与无应答者比较中性能最佳的影像组学特征。每条曲线均标注了P值和曲线下面积(AUC) 查看原图 ↗
表4 使用受试者工作特征(ROC)曲线对应答者与无应答者比较中影像组学参数性能的外部验证 查看原表 ↗

生存分析

Kaplan–Meyer分析显示,从延迟动脉期提取的五个特征,若根据PFS按最佳阈值进行二分,与开始依维莫司前死亡具有统计学相关性:10百分位数(一阶)的截断值为44,P = 0.01;均值(GLMC)的截断值为65.6,P = 0.02;中位数(GLMC)的截断值为66,P = 0.02;相关性(GLMC)的截断值为0.21,P = 0.02;Imc1(GLMC)的截断值为– 0.04,P = 0.05(图4)。

图4 与死亡显著相关(P < 0.05)的影像组学特征的Kaplan–Meyer曲线。时间以月表示 查看原图 ↗

单因素和多因素分析

采用单因素逻辑回归分析评估临床特征和影像组学特征与死亡的相关性。单因素分析显示,没有临床参数与死亡显著相关:年龄(P = 0.50)、性别(P = 0.54)、肿瘤分级(P = 0.29)、Ki67(P = 0.20)、胰腺原发和回肠原发(分别为P = 0.57和P = 0.41)。在影像组学特征中,从动脉期提取的两个GLSZM特征结果为死亡的预测因子:灰度方差(GrayLevelVariance)(OR 1.61;95%CI,0.65至3.94;P = 0.05);区域百分比(ZonePercentage)(OR,3.59;95%CI,2.06至62,529,763.18;P = 0.04)。而一个GLSZM特征结果与死亡呈负相关:灰度非均匀性(GrayLevelNonUniformity)(OR,0.99;95%CI,0.98至1;P = 0.04),三个GLSZM特征结果无关:大面积强调(LargeAreaEmphasis)(OR,1;95%CI,1至1;P = 0.008)、大面积低灰度强调(LargeAreaLowGrayLevelEmphasis)(OR,1;95%CI,1–1;P = 0.02)和区域方差(ZoneVariance)(OR,1;95%CI,1至1;P = 0.008)(表5)。其余影像组学特征结果与死亡无统计学相关性。

通过纳入单因素分析中与死亡显著相关的影像组学特征,构建多因素影像组学模型。最佳的影像组学参数——死亡的预测因子——为灰度方差(GrayLevelVariance)(OR,1.72;95%CI,1.04–2.83;P = 0.03)。多因素影像组学模型的预后性能显示良好的AUC为0.87(95% CI,0.67–0.97),灵敏度为100%,特异度为66.7%(表5)。

表5 用于检验影像组学与死亡相关性的单因素和多因素逻辑回归 查看原表 ↗

讨论

在本研究中,我们测试了影像组学作为一种成像工具,期望其能够预测接受依维莫司治疗可能获益的转移性进展性神经内分泌肿瘤(NENs)患者的无进展生存期和死亡。我们将无进展生存期(PFS)作为临床终点聚焦于研究,依据是一致性证据将总生存期(OS)描述为评估NENs时的一种缩减性结局生物标志物[24]。此外,根据RADIANT 3和4试验[18, 19]中获得的结果,我们考虑按照PFS对初始人群进行划分。我们的结果显示,从初治CT扫描中提取的十个影像组学特征能够区分应答者与非应答者(P < 0.05),且性能良好(AUC 0.73–0.88),这些数据还通过外部验证队列得到了验证,在性能方面获得了一些相关数据。在生存分析中,五个影像组学参数显示与生存分析中的死亡显著相关。此外,还测试了观察者间变异性,在动脉期有三个特征结果稳定,一个结果极好,后者在应用Bonferroni校正后同样具有显著性。在单变量分析中,灰度方差和区域百分比(GLSZM特征)结果显示与死亡相关。仅有一个GLSZM特征,即灰度非均匀性,结果显示与死亡呈负相关,其OR值极其接近1(0.99),因此一致性较弱,应在未来第二步分析中予以确认。多变量分析使得能够建立一个有前景的死亡预测影像组学模型,达到AUC为0.87、灵敏度为100%、特异度为66.7%。一个出乎意料的结果是,没有任何临床数据显示与死亡显著相关,因此仅通过分析医学证据无法预测患者结局。在临床参数中,Ki67通常被认为是关键的结局生物标志物,与肿瘤侵袭性和患者预后一致相关[25]。因此,这些非显著性结果可以用人群的异质性来解释,尤其是G2数量较多而G1和G3相对较少,以及样本量较小。

放射组学在肿瘤影像学中不断兴起,代表着未来的影像学格局,有机会成为临床医生对肿瘤患者进行结构化管理和检查的辅助工具[6, 26]。近年来,放射组学方法在肿瘤学领域得到了广泛研究,并在多种癌症的鉴别诊断、预后预测和治疗反应方面取得了 consistent 的结果[6, 7]。治疗前患者风险分层可能有助于临床医生在开始靶向治疗前对高进展风险患者采取强有力的策略。聚焦于神经内分泌肿瘤(NETs),在区分高分化与低分化NETs、预测肿瘤分级以及鉴别胰腺NETs与腺癌方面已取得若干有前景的结果[11–15]。特别是,Bian Y.等[13]构建了一个基于CT的放射组学评分来评估无功能性胰腺NETs的肿瘤分级,旨在区分G1与G2。他们分析了102例胰腺NETs患者的CT扫描,并进行多因素logistic回归分析以检验放射组学与肿瘤分级之间的相关性;结果表明放射组学评分取得了良好的性能(AUC 0.86;灵敏度94%,特异度63.5)。同样,Gu等[14]在一项多中心研究中纳入了138例胰腺NETs患者,目的是检验放射组学在术前预测肿瘤分级中的作用。他们从CT扫描中提取了853个特征,分析动脉期和门脉期,并基于临床和选定的放射组学特征构建了列线图,能够在训练队列和验证队列中分别以AUC 0.974和0.902区分1级与2/3级胰腺NENs。这些研究证实了放射组学在NETs管理中的潜在作用,尤其是在识别侵袭性较低的NETs(G1 vs G2/3)方面。他们的结果强化了我们的数据,这些数据突出了放射组学根据肿瘤侵袭性对患者进行分层的前景性作用,以及区分应答者与非应答者NETs的能力。此外,He M.等[15]还检验了放射组学在非典型胰腺NENs与胰腺腺癌鉴别诊断中的作用,他们开发了三种不同的模型,放射组学模型优于临床-放射学模型(AUC 0.884 vs 0.775)。这些结果也增强了放射组学在识别更具侵袭性肿瘤方面的优势,尤其是在影像学检查中胰腺NETs表现不典型的情况下。我们还表明,放射组学可以在开始靶向治疗前勾勒肿瘤特征,通过突出微结构和异质性,进而识别能够从依维莫司治疗中获得巨大获益的患者。因此,对于适合接受依维莫司治疗的晚期NETs,可以考虑采用放射组学方法以识别潜在的良好应答者。

迄今为止,一些研究在术前医学图像上检验了影像组学作为一种无创生物标志物来评估受神经内分泌肿瘤(NENs)影响患者的结局,目的是为识别更具侵袭性疾病患者提供客观支持[10, 27–29]。未来,影像组学还可被研究和考虑作为一种无创工具,在疾病进展时支持或替代再次活检,此时临床医生需要重新评估肿瘤侵袭性[30]。主要研究之一由Song团队[27]完成,他们提出了一种基于术前CT扫描的深度学习影像组学方法,用于预测接受根治性手术的胰腺NENs患者的复发风险。他们的影像组学模型建立在动脉期上,在评估复发风险方面结果有前景,AUC为0.80。此外,纹理分析应用于转移性NETs患者的基线68 Ga PET–CT扫描时,作为预后生物标志物也取得了一些一致的结果,事实上肿瘤纹理异质性结果与更短的PFS相关[28]。同样,Mapelli等[29]通过分析适合手术的PNETs患者的基线FDG和68 Ga PET/CT扫描,研究了影像组学在术前高危患者分层中的表现。这些研究显示了影像组学在NETs工作流程中的潜力,特别是定量成像可以弥补患者风险分层中存在的主要空白。我们的数据强化了这一观点,即影像组学未来可能在预测预后中发挥作用,为临床医生提供一种定量无创工具。我们的影像组学模型在预测死亡方面达到了良好性能,尤其是两个影像组学特征显示与死亡直接相关,但没有任何临床数据具有显著性。关于临床参数与死亡之间缺乏显著相关性,我们与既往文献结果一致,即仅使用医学数据预测晚期NENs患者的预后存在困难[4, 31]。

此外,我们希望重点关注从动脉期分析中获得的主要结果,这一点突出并证实了CT动脉期在NENs检测和表征中的关键作用[32, 33]。事实上,一些既往关于NENs的影像组学研究报道,其一致的数据是在动脉期分析中获得的,限制了门静脉期的作用[10, 27]。这一点也在Kim及其同事[34]进行的定性研究中得到证实,其中对动脉期常规CT表现的评估在预测患者生存方面取得了极好的数据。我们的数据与这些文献证据一致,事实上只有一个从门静脉期提取的特征具有显著性。该特征是SurfaceVolumeRatio,一种形状特征,预期反映整体的紧凑性,而不包含任何关于异质性的信息。其余显著特征从动脉期提取,具有对微观结构架构进行客观评估的能力,涵盖不同的统计水平(例如一阶和二阶),考虑像素或体素强度及其与其他像素或体素的关系[6]。

在此背景下,影像组学可能在启动神经内分泌肿瘤(NEN)患者的检查流程中发挥核心作用,有机会成为一种客观、无创的影像工具,能够反映肿瘤异质性,并通过在任何治疗前分析医学图像来预测患者结局。该研究存在若干局限性,应在未来的第二步研究中加以克服。首先,适合接受依维莫司治疗的转移性NEN患者样本量小且存在异质性;其次,该研究为回顾性研究;第三,缺乏外部验证队列;第四,未进行特征选择。未来需要通过扩大初始人群、对每种不同的原发NET进行不同的分析,以及通过选择一致的特征并使用外部队列进行验证来克服这些缺陷。

总之,影像组学在开始靶向治疗前区分患者应答者与非应答者方面取得了良好表现。此外,影像组学模型在预测患者结局方面产生了一致的结果,而临床数据结果与预后无统计学相关性。影像组学可被视为一种无创影像工具,在启动治疗流程之前,基于反映肿瘤侵袭性的影像组学特征对患者进行分层。

引用

  1. Caruso D, Polici M, Rinzivillo M, et al. CT-based radiomics for prediction of therapeutic response to Everolimus in metastatic neuroendocrine tumors. Radiol Med. 2022. PMID: 35717429. doi:10.1007/s11547-022-01506-4
  2. 全文:PMC9308597(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9308597/

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。