18F-FDG PET/CT影像组学列线图可预测儿童神经母细胞瘤骨髓受累
该回顾性研究纳入133例儿童神经母细胞瘤患者,基于18F-FDG PET/CT提取影像组学特征并结合临床独立危险因素(诊断年龄、NSE、VMA)构建列线图,用于无创预测骨髓受累。训练集和测试集中列线图的AUC分别为0.924和0.925,校准曲线和决策曲线分析显示良好的一致性和临床实用性。
要点
- 列线图整合影像组学标签与诊断年龄、NSE、VMA,可无创预测儿童神经母细胞瘤骨髓受累。
- 训练集AUC 0.924,测试集AUC 0.925,优于单纯影像组学或临床模型。
- 骨髓穿刺/活检是金标准,列线图可作为辅助工具减少有创检查。
核心结论
- 基于18F-FDG PET/CT的影像组学列线图整合Rad评分与独立临床危险因素(诊断年龄、NSE、VMA),在儿童神经母细胞瘤骨髓受累预测中表现出良好价值。
研究设计与样本
- 回顾性单中心研究,纳入133例经病理确诊的儿童神经母细胞瘤患者,按7:3随机分为训练集(n=93)和测试集(n=40)。
- 所有患者接受全身18F-FDG PET/CT扫描(Siemens Biograph mCT-64),以骨髓穿刺或活检结果为参考标准。
- 从CT和PET图像提取影像组学特征,经ICC>0.8筛选、相关性分析(相关系数>0.9剔除)及LASSO回归(五折交叉验证)选择25个特征构建Rad评分。
- 临床模型基于单因素和多因素logistic回归筛选的独立危险因素构建,临床-影像组学模型整合Rad评分和独立临床因素,并以列线图呈现。
关键影像表现/征象
- 多数骨髓受累患者的Rad评分高于无骨髓受累者,Rad评分在训练集和测试集中均有统计学差异(p<0.001)。
- 选择的25个影像组学特征中,18个为小波特征,提示小波特征在探索肿瘤异质性中起重要作用。
诊断标准与关键数值
- 训练集中临床-影像组学模型预测骨髓受累的AUC为0.924(95%CI 0.850–0.968),测试集为0.925(95%CI 0.796–0.984)。
- 训练集中影像组学模型AUC为0.900,临床模型AUC为0.875(95%CI 0.806–0.944);测试集中影像组学模型AUC为0.893,临床模型AUC为0.910(95%CI 0.821–0.999)。
- 训练集中列线图与影像组学模型比较p=0.160,与临床模型比较p=0.035;测试集中分别p=0.349和p=0.732。
- 临床模型由诊断年龄、NSE和VMA三个独立预测因素构建。
临床应用与阅片要点
- 阅片时可关注PET/CT图像提取的影像组学特征(尤其是小波特征),结合诊断年龄、NSE、VMA水平综合评估骨髓受累风险。
- 列线图可作为无创辅助工具,帮助临床决策是否需要骨髓穿刺/活检,减少有创操作。
- 预测骨髓受累对神经母细胞瘤分期(INSS分期中骨髓受累为stage 4)和预后评估有重要价值。
局限性
- 回顾性研究,存在选择偏倚。
- 单中心研究,样本量相对较小,模型外推性有限,需多中心大样本验证。
全文中译13 节 · 点击展开
要点
影像组学特征在骨髓受累的无创诊断中具有价值。
年龄、NSE和VMA是骨髓受累的独立预测因素
结合影像组学特征和独立临床危险因素的列线图提高了预测性能。
引言
神经母细胞瘤是一种起源于神经嵴细胞的恶性神经外胚层肿瘤,是儿童最常见的颅外实体恶性肿瘤[1, 2]。约50%的神经母细胞瘤患者在初诊时即存在转移,且常与不理想的结果相关。骨髓是神经母细胞瘤最常见的转移部位[3],肿瘤细胞扩散至骨髓是神经母细胞瘤患者的不良预后因素[4]。无骨髓受累(BMI)者的预后显著优于有BMI者[5, 6]。此外,根据国际神经母细胞瘤分期系统(INSS)和国际神经母细胞瘤危险组分期系统[7–9],BMI是最重要的诊断标准之一,也是分期的重要危险因素。因此,建立神经母细胞瘤患者BMI的早期预测模型对于预后和治疗策略的决策至关重要。
根据INSS的建议,抽吸物细胞学和活检组织学是评估神经母细胞瘤患者BMI的金标准[5, 7, 8]。考虑到大多数神经母细胞瘤患者为儿童,骨髓抽吸和活检必须仅由在该技术方面受过良好训练的经验丰富的医疗保健提供者执行[10]。然而,作为有创方法,抽吸或活检可能导致出血、感染和持续性疼痛等不良事件。此外,骨髓抽吸或活检的方法医疗成本较高,包括病理学、镇静、麻醉和手术室时间[11]。由于这些局限性,应开发更好的无创计算工具,以有效识别伴有BMI的神经母细胞瘤患者。
影像组学分析通过高通量计算提取无数定量特征,将医学图像转换为可挖掘的高维数据[12]。一旦获得描述感兴趣体积定量属性的高维特征数据,即可使用人工智能、机器学习或统计方法构建分类器或回归模型,用于疾病检测、诊断、预后评估和治疗反应预测。
近年来,18F-氟脱氧葡萄糖(FDG)正电子发射断层显像/计算机断层显像(PET/CT)已被用于评估骨髓浸润(BMI),并且在评估许多恶性肿瘤的BMI方面非常有帮助[13, 14]。基于18F-FDG PET/CT的纹理图像特征可能提供预测和预后生物标志物,其在肺癌中的表现优于标准化摄取值参数、代谢性肿瘤体积和总病灶糖酵解[15]。尽管18F-FDG PET/CT纹理分析已被用作鉴别淋巴瘤BMI的新方法[16],但目前尚无关于基于18F-FDG PET/CT的放射组学用于预测儿童神经母细胞瘤BMI的研究。因此,本研究旨在开发并验证一种放射组学列线图,该列线图整合了放射组学特征和独立临床危险因素,用于无创预测儿童神经母细胞瘤患者的BMI。
材料与方法
患者
本回顾性研究经机构审查委员会批准,并豁免了书面知情同意的要求。
我们回顾性纳入了一组328例患者,这些患者于2018年1月至2019年12月期间在我院接受了18F-FDG PET/CT检查,并经病理确诊为神经母细胞瘤。纳入标准包括:(1)接受骨髓穿刺或活检,并使用形态学标准结合适当抗体评估BMI的神经母细胞瘤患者;(2)在骨髓穿刺或活检前30天内进行了18F-FDG PET/CT扫描。排除标准包括以下内容:(1)在18F-FDG PET/CT检查前接受过肿瘤相关治疗如化疗、放疗和手术切除的患者;(2)临床资料不完整的患者;(3)诊断时年龄大于18岁的患者。最终,共有133例患者(58例男性和75例女性;中位年龄,3.2岁;范围,1.7–4.7岁)被回顾性纳入本研究。根据骨髓穿刺或活检结果,有65例患者伴有BMI,68例患者不伴有BMI。患者选择流程图见图1。
根据BMI分层实施分层抽样以平衡阳性和阴性病例,最终133例病例按7:3的比例随机分为训练集和测试集,结果为93例分入训练集,40例分入测试集。
通过查阅病历获取每例患者的基线数据,包括以下方面:(1)临床信息,(2)实验室指标,(3)PET代谢参数,(4)病理相关信息。我们将这些数据定义为临床特征。实验室指标包括神经元特异性烯醇化酶(NSE)、血清铁蛋白、乳酸脱氢酶(LDH)、尿香草扁桃酸(VMA)和高香草酸(HVA),均在治疗前两周内获取。
PET/CT图像采集
队列中所有患者均按照欧洲核医学协会肿瘤成像指南[17, 18]接受全身18F-FDG PET/CT(Biograph mCT-64 PET/CT;Siemens,Knoxville)扫描。患者被要求在PET/CT扫描前至少24小时内避免剧烈运动,并在18F-FDG注射前至少禁食6小时。考虑到患者为儿童,给予的平均剂量为3 mCi(平均0.14 mCi/kg)。注射后一小时进行低剂量CT扫描(CT扫描参数:管电压120 keV,层厚2 mm,矩阵大小512 × 512),用于观察解剖结构和衰减校正。CT采集后立即进行PET扫描,采用三维图像模式和每床位2分钟的设置。PET图像采用飞行时间有序子集期望最大化算法重建。定量判读的所有校正,包括探测器灵敏度归一化、死时间、随机、散射、衰减和衰变校正,均在重建过程中应用。对PET图像应用了半高全宽为5 mm的高斯平滑滤波器。PET图像参数如下:像素大小4.07 mm × 4.07 mm,层厚3 mm,矩阵大小200 × 200。
肿瘤分割、放射组学特征提取与选择
图像分割由读者1(W.W.,具有7年儿童肿瘤放射学经验)使用常用开源软件(3D Slicer,版本4.10.1)半自动完成。ROI分割示例见图2。采用组内相关系数(ICC)评估所选特征的可重复性。从整个队列中随机选取共30例(15例伴BMI,15例不伴BMI)的CT图像和PET图像,由读者1和读者2(Y.K.,具有10年儿童肿瘤放射学经验)独立进行重复分割。读者在进行分割时对临床信息设盲。
使用Python(版本3.7.8)中的Pyradiomics从CT和PET图像中提取放射组学特征,该软件是一个用于从医学影像中提取放射组学特征的开源Python软件包。选择固定箱宽(PET图像为0.3标准化摄取值,CT图像为25亨斯菲尔德单位[HUs])对灰度值进行离散化,以提取纹理特征[19, 20]。此外,对原始CT和PET图像应用包括小波、平方和对数等滤波器以计算高维特征。
ICC > 0.8的特征被认为可靠并保留用于后续分析[21–23]。然后,计算Pearson校正系数和Spearman秩相关系数以检查冗余和共线特征,相互相关系数 > 0.9的特征被剔除[24]。最后,应用五折交叉验证的最小绝对收缩和选择算子(LASSO)回归进行特征选择。
放射组学模型、临床模型和放射组学列线图的构建与评估
使用最优特征构建放射组学标签。通过将所选特征与其各自的权重系数相结合,计算每位患者的放射组学评分(Rad评分)。
采用单因素logistic回归分析评估训练集中有BMI与无BMI患者临床特征的差异。然后将单因素logistic回归分析中p < 0.05的变量纳入多因素logistic回归分析,以阐明独立的临床危险因素。同时,应用多因素logistic回归分析基于独立临床危险因素构建临床模型。
将独立临床危险因素与Rad评分联合纳入的临床-影像组学模型,采用多因素logistic回归分析构建,最终在训练集中以影像组学列线图的形式呈现。Logistic回归是一种经典的统计模型,其内部具有线性回归,并通过sigmoid函数进行叠加,使模型输出为0到1之间的概率估计[25]。
临床-影像组学模型的预测性能通过受试者工作特征(ROC)曲线、校准曲线和决策曲线分析(DCA)进行评估。校准曲线通过绘制实际概率与列线图预测概率来获得,用于评估列线图的校准度。DCA用于评估影像组学列线图的临床实用性。
此外,我们应用另外两种机器学习方法——朴素贝叶斯和神经网络——构建临床-影像组学模型,然后基于曲线下面积(AUC)、准确率、精确率、F1分数和召回率等指标比较各机器学习方法所获模型的预测性能。
统计分析
分类变量以计数(n)和百分比(%)表示,连续变量以均值±标准差或中位数及四分位间距表示。统计分析使用R(版本4.0.3)和IMB SPSS Statistics(版本26.0)进行。双侧p < 0.05被认为具有统计学意义。单因素分析用于比较训练集与测试集之间临床因素的差异,定量数据采用独立样本t检验或Mann–Whitney U检验,分类变量采用卡方检验。临床独立预测因子采用单因素和多因素logistic回归分析筛选。DeLong检验用于比较不同模型的AUC值。列线图和校准曲线使用“rms (R)”包绘制。DCA使用“rmda (R)”包进行。
结果
特征筛选与影像组学标签开发
共提取了2632个影像组学特征,其定义符合影像生物标志物标准化倡议(Imaging Biomarker Standardization Initiative)[26]。在评估稳健性后,2632个特征中有1016个被保留用于模型构建,其ICC > 0.8。经过Pearson相关分析和Spearman秩相关分析,171个特征被鉴定为独立特征。最终,通过LASSO回归选择了25个预测性影像组学特征以生成影像组学标签。图3展示了使用LASSO回归进行影像组学特征选择的过程。LASSO所选25个影像组学特征的详细信息(附加文件2:图1)以及Rad评分的计算公式在附加文件中描述。Rad评分在训练集(p < 0.001)和测试集(p < 0.001)中,在伴BMI与不伴BMI患者之间均具有统计学显著性。图4展示了每位患者的Rad评分,大多数伴BMI患者的Rad评分高于不伴BMI的患者。这表明Rad评分可以很好地区分伴或不伴BMI的神经母细胞瘤患者。
临床模型和影像组学列线图的构建
在所有排除病理相关信息的患者临床特征中,通过单因素回归分析确定了九个显著预测因子,包括诊断时年龄、性别、最大直径、NSE、铁蛋白、LDH、VMA、代谢性肿瘤体积和总病灶糖酵解。通过多因素logistic回归分析,诊断时年龄、NSE和VMA被确定为BMI的独立预测因子(表2)。由三个BMI独立预测因子构建的临床模型在训练集和测试集中的AUC分别为0.875(95%置信区间[CI],0.806–0.944)和0.910(95% CI,0.821–0.999)。
Rad评分、诊断时年龄、NSE和VMA被纳入影像组学列线图(图5A)。校准曲线表明列线图预测与实际BMI在训练集和测试集中均具有良好的一致性(图5B、C)。影像组学列线图取得了良好的预测性能,训练集AUC为0.924(95% CI:0.850–0.968),测试集AUC为0.925(95% CI:0.796–0.984)。
图6展示了训练集和测试集中影像组学模型、临床模型和临床-影像组学模型之间ROC性能的比较。在训练集中,影像组学列线图优于影像组学模型或临床模型(AUC:0.924 vs. 0.900、0.875;p = 0.160、0.035),随后在测试集中得到证实(AUC:0.925 vs. 0.893、0.910;p = 0.349、0.732)。不同模型在训练集和测试集中的DCA如图7所示。结果表明,影像组学列线图比单独使用影像组学模型或临床模型产生更高的总体净获益。
不同机器学习方法在训练集和测试集中对临床-影像组学模型预测性能的结果见附加文件(附加文件2:表1)。
讨论
对神经母细胞瘤患者骨髓浸润(BMI)的初步评估对患者预后、临床决策和进一步管理具有关键影响。在本研究中,我们首次构建了基于18F-FDG PET/CT的影像组学列线图,作为一种无创方法用于预测儿童神经母细胞瘤患者的BMI。纳入诊断时年龄、NSE、VMA和Rad评分的影像组学列线图在训练集和测试集中均具有优异的预测性能,AUC分别为0.924和0.925。
多年来,抽吸物细胞学和活检组织学一直是评估骨髓中神经母细胞瘤疾病的金标准[6]。然而,骨髓抽吸和活检对儿科患者具有显著风险,涉及多步骤流程,存在技术挑战和诊断复杂性[27]。放射组学是一个新兴领域,近年来随着精准医学的发展而迅速发展[28]。放射组学使用许多自动化数据表征算法将感兴趣区(ROI)的图像转换为定量高通量特征,这是放射科医生肉眼无法做到的[29]。通过分析和计算从医学图像中提取的定量特征以反映肿瘤生物学和微环境信息,它可以更有效、更准确地阐述肿瘤内异质性。它已成为一种有用的影像标志物,可无创地为诊断提供信息,改善鉴别诊断、风险分类和分期、疗效评估以及肿瘤预后[30]。18F-FDG PET/CT具有空间分辨率优越、灵敏度高、病变半定量、改善肿瘤与背景对比度等优点,广泛用于儿童神经母细胞瘤及转移的评估[31]。一项研究比较了51例高危神经母细胞瘤患者的不同影像学方法,结论是18F-FDG PET/CT在识别神经母细胞瘤以揭示小病灶以及描绘疾病范围和定位部位方面非常有效[32]。在我们的研究中,从CT和PET图像中共提取了2632个放射组学特征。最终,通过LASSO回归筛选出25个基于18F-FDG PET/CT的放射组学特征。这25个放射组学特征被用于构建放射组学模型,并在训练集和测试集中均表现出良好的预测BMI的能力。该放射组学模型在预测儿童神经母细胞瘤BMI方面,训练集AUC为0.900,测试集AUC为0.893。在25个放射组学特征中,大多数入选特征为小波特征(18/25)。这表明由小波滤波器变换后的图像提取的特征在放射组学模型中发挥了重要作用。小波滤波器可以分解隐藏在大量数据中的特殊模式,小波特征可能更好地探索肿瘤异质性[21]。
除影像组学分析外,我们还评估了临床特征在预测骨髓浸润(BMI)中的价值。通过单因素和多因素logistic回归分析,诊断时年龄、神经元特异性烯醇化酶(NSE)和香草扁桃酸(VMA)被确定为BMI的独立预测因素。诊断时年龄≥18个月的儿童复发风险显著高于年龄<18个月者[33]。而对于诊断时年龄≥18个月的患者,结局越差与转移负荷(包括BMI)增加之间存在明显相关性[4]。NSE是糖酵解酶烯醇化酶的一种特异性同工酶,在神经元和外周神经内分泌细胞中高表达。既往研究表明,血清NSE水平≥100 ng/mL与不良结局相关[34]。神经母细胞瘤可合成和分泌儿茶酚胺,神经母细胞瘤患儿尿中VMA升高。因此,血清NSE水平和尿VMA水平被认为是神经母细胞瘤的特征性肿瘤标志物[33],可用于评估病情、预测治疗效果和评价神经母细胞瘤患儿的预后[34]。
由于神经母细胞瘤临床表现的异质性,根据不同的参数(包括疾病范围,是否伴有BMI),该病被分为临床上不同的亚组:高危组、中危组和低危组。根据INSS,神经母细胞瘤被分期为1、2、3、4和4S期。肿瘤播散至远处淋巴结、骨、骨髓、肝、皮肤及其他器官者被定义为4期。在4期神经母细胞瘤患者中,78%伴有BMI。肿瘤细胞播散至骨髓是神经母细胞瘤患者的不良预后因素,5年无事件生存率低(29%)[4]。因此,BMI、诊断时年龄、NSE和VMA均与神经母细胞瘤的不良预后相关。本研究表明,诊断时年龄、NSE和VMA是BMI的独立预测因素。临床模型纳入这三个独立预测因素,在训练集和测试集中的AUC分别为0.875和0.910。
此外,我们开发并验证了一种基于18F-FDG PET/CT的影像组学列线图,该列线图整合了Rad评分和BMI的独立预测因素,在儿童神经母细胞瘤患者中显示出对BMI较好的预测能力。通过DCA对每种模型进行比较和评估进一步表明,在一定阈值概率范围内,影像组学列线图比临床模型或影像组学模型提供更多的净获益。结果表明,影像组学列线图可能为医生提供一种独立或辅助的预测工具,以提高神经母细胞瘤患者BMI的诊断效率。
本研究存在一些局限性。我们的研究为回顾性研究,不可避免地会导致选择偏倚。此外,这是一项单中心研究,样本量相对较小,使其对其他中心的普适性较差,因此,模型的临床应用和推广仍需通过更大样本量的多中心研究进一步改进和验证。
结论
总之,在这项初步研究中,基于18F-FDG PET/CT的影像组学列线图整合了Rad评分和独立临床危险因素(包括诊断时年龄、NSE和VMA),在预测儿童神经母细胞瘤患者的BMI方面显示出令人满意的价值,需要更大规模的系列研究来证实本研究的结果。作为一种无创的定量方法,它有潜力评估患者的预后,并协助神经母细胞瘤的决策和进一步管理。
补充信息
附加文件1。完整数据集。
附加文件2。补充图1 所选的二十五个特征及其系数,以及Rad评分的公式。补充表1 不同机器学习方法在训练集和测试集中临床-影像组学模型的性能。
引用
- Feng, Yang, Lu, et al. 18F-FDG PET/CT-based radiomics nomogram could predict bone marrow involvement in pediatric neuroblastoma. Insights Imaging. 2022. PMID: 36057694. doi:10.1186/s13244-022-01283-8
- 全文:PMC9440965(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9440965/
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。