文献速递胸部CT

基于时序CT影像组学特征预测EGFR-TKI治疗肺腺癌的无进展生存及风险分层

Prognostic analysis and risk stratification of lung adenocarcinoma undergoing EGFR-TKI therapy with time-serial CT-based radiomics signature.
PubMed 文献 · Eur Radiol · 2022-09-27

本研究回顾性纳入三个独立中心的172例EGFR-TKI治疗的肺腺癌患者,从基线和首次随访平扫胸部CT提取瘤内及瘤周影像组学特征,构建随机森林生存模型预测无进展生存。综合影像组学模型在训练集和验证集的C-index分别为0.78和0.72,显著优于基线临床特征(0.55和0.54),并可进行快速/缓慢进展风险分层。

要点

  • 基于基线和首次随访CT的时序影像组学模型可预测EGFR-TKI治疗肺腺癌的无进展生存。
  • 综合模型C-index训练集0.78、验证集0.72,优于基线临床特征模型(0.55/0.54)。
  • 影像组学评分Cutoff 49.86可将患者分为快速与缓慢进展组,辅助风险分层。

核心结论

  • 基于时序CT的影像组学特征(含瘤内及瘤周)能有效预测EGFR-TKI治疗肺腺癌的无进展生存,并实现风险分层。

研究设计与样本

  • 回顾性多中心研究,纳入三个独立中心2015年1月至2020年9月接受EGFR-TKI单药治疗的肺腺癌患者172例,训练集131例(中心A),外部验证集41例(中心B和C)。
  • 从基线和首次随访平扫胸部CT提取瘤内及瘤周5mm、10mm环的影像组学特征,计算单位时间百分比变化,采用Boruta算法筛选特征并以随机森林生存模型构建影像组学标签。

诊断标准与关键数值

  • 综合影像组学模型预测PFS的C-index:训练集0.78(95%CI 0.72-0.84),验证集0.72(95%CI 0.60-0.84)。
  • 临床模型C-index:训练集0.55(95%CI 0.49-0.62),验证集0.54(95%CI 0.42-0.66),综合模型均显著优于临床模型(p<0.001)。
  • 基于Log-Rank统计确定影像组学评分Cutoff值为49.86,将患者分为快速进展组和缓慢进展组;快速进展组中位PFS训练集8.3个月、验证集9.1个月,缓慢进展组分别为13.4和13.2个月。
  • 时间依赖ROC曲线在6、9、12个月的AUC训练集为0.89-0.94,验证集为0.76-0.96。

临床应用与阅片要点

  • 利用基线和首次随访CT的影像组学动态变化可在治疗早期预测疾病进展风险,辅助制定个体化随访策略。
  • 影像组学评分高于49.86提示快速进展风险,可考虑缩短随访间隔或加强监测。

局限性

  • 外部验证集样本量较小(41例),部分模型比较在验证集未达统计学显著性。
  • 回顾性研究设计,存在选择偏倚可能。
  • 首次随访时间跨度较大(16-128天,中位35天),虽已用单位时间百分比变化校正,但仍可能引入偏倚。
全文中译14 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:Eur Radiol. 2022 Sep 27;33(2):825–35. doi: 10.1007/s00330-022-09123-5

引言

表皮生长因子受体(EGFR)是最常被靶向的驱动基因之一,其激活突变在东亚肺腺癌(LUAD)人群中尤为普遍[1]。许多研究表明,携带EGFR突变的LUAD患者可从EGFR酪氨酸激酶抑制剂(TKI)治疗中获益,与单纯化疗相比,该治疗可延长无进展生存期(PFS)[2–6]。然而,大多数患者在开始靶向治疗后1年内因对EGFR TKIs获得性耐药而最终出现疾病进展[3–6]。因此,准确预测疾病进展并早期识别耐药快速发生的患者,对于优化随访策略和指导后续治疗至关重要。

对靶病灶进行再活检是确定继发性耐药的主要方法[7, 8]。然而,由于多种原因,再活检在临床实践中的应用受到限制,包括其侵入性、组织获取有限[9, 10]以及此类检查时机不明确[9, 11]。因此,获得性耐药的早期预测和检测仍然具有挑战性。

影像组学在过去十年中成为一种流行的图像分析方法,能够进行高通量特征提取以定量描述肿瘤异质性[12–14]。既往肺癌研究将影像组学应用于鉴别诊断[15, 16]、治疗反应[17–19]、预后预测[20–26]、肿瘤表型评估[19]和突变状态[27–30]。大多数基于影像组学的研究主要探讨单一时间点临床结局与瘤内影像组学特征之间的关联。例如,Song等人指出,从治疗前CT图像提取的影像组学特征对接受EGFR-TKI治疗的IV期EGFR突变非小细胞肺癌(NSCLC)患者的PFS预测具有相当大的价值[20]。然而,很少有研究关注EGFR-TKI治疗全程多个时间点影像组学特征对EGFR突变LUAD患者的预后价值[19, 21, 24, 31],或考虑瘤周组织的预后影响[26]。Fave等人得出结论,与治疗前特征相比,delta影像组学特征可提供更好的患者特异性结局预测[24]。同时,Dou等人确定瘤周影像组学特征是局部晚期NSCLC远处转移的重要指标[26]。因此,我们的研究旨在探讨涵盖时间序列CT中瘤内和瘤周影像组学特征的影像组学标签能否准确预测接受EGFR-TKI治疗的肺腺癌患者的PFS并早期分层获得性耐药风险。

材料与方法

患者选择

评估了209例肺腺癌患者,这些患者在2015年1月1日至2020年9月30日期间在三个独立机构根据美国国家综合癌症网络(NCCN)制定的标准接受EGFR TKIs治疗。从医院信息系统(HIS)记录所有合格患者的临床特征,如性别、年龄、种族、吸烟状况、所给予的靶向药物和TNM分期。从影像归档和通信系统(PACS)获取患者的系列CT数据。纳入标准如下:(1)组织学确诊的肺腺癌;(2)接受EGFR TKI单药治疗直至疾病进展;(3)在EGFR-TKI治疗前8周内接受基线胸部CT扫描,并在疾病进展前至少接受一次随访CT扫描;(4)基线CT成像时至少有一个可测量的目标病灶(≧ 10 mm)。排除标准如下:(1)有手术切除史的患者;(2)临床数据不完整;(3)目标病灶无法分割(例如邻近肺不张的病灶或弥漫性病灶)。患者选择流程图见图1。

图1 患者选择流程图及纳入和排除标准 查看原图 ↗

CT检查、随访策略和疾病进展

所有合格患者在EGFR-TKI治疗前8周内接受基线胸部CT扫描。根据NCCN指南,随访间隔为每6–12周,其中用于疗效评估的首次随访在治疗开始后6周进行。一部分患者(30/172,17.4%)未在该时间点接受影像扫描。因此,分析了疾病进展发生前的首次随访CT扫描图像。

对EGFR-TKI治疗的反应根据Hayes标准[32]和RECIST版本1.1[33]进行评估。疾病进展确定为目标病灶体积增加20%或出现新病灶。本研究的主要终点是疾病进展,PFS定义为从开始EGFR-TKI治疗到疾病进展的持续时间。死亡、失访和未发生结局均适当删失。

胸部CT检查在三个机构使用多厂商多系统进行。有关采集和重建参数的详细信息见表S1。

影像组学特征提取

基线(F0)和首次随访(F1)原发灶的三维(3D)感兴趣体积(VOI)由一位具有21年胸部CT判读经验的放射科医师在研究工作站(Syngo.via Frontier,Radiomics,版本1.2.5,Siemens Healthineers)上半自动分割。该放射科医师在三维空间勾画原发肺部病灶,然后基于分割的肿瘤轮廓,分别将病灶边界外扩5 mm和10 mm,定义两个瘤周环(peri5mm和peri10mm)(图2)。边界外扩后,放射科医师密切关注避免瘤周区域侵入胸壁或纵隔,必要时手动修改分割。基线肿瘤体积也从分割中记录。peri5mm环通过从dilation5mm区域中减去原发肿瘤区域获得。以相同方式,peri10mm环通过dilation5mm区域与dilation10mm区域相减生成。对于每个分割区域,原型软件基于强度、形状和纹理特征输出1691个影像组学特征(表S2)。为确保提取特征的可靠性和可重复性,同一放射科医师对30例随机选择的患者在初次评估后间隔一个月进行分割,完成重测分析。组内相关系数(ICC)大于0.80被认为具有极好的可靠性,随后用于排除观察者内一致性低的特征。最后,将剩余特征在基线与首次随访之间进行比较,以计算单位时间百分比变化(公式1,其中Difftime指两次CT扫描之间的时间差)。

公式1 单位时间(天)百分比变化

图2 研究流程。步骤1:获取并分割包括基线和首次随访在内的系列CT图像。原发肿瘤及其瘤周环经半自动勾画并手动确认。步骤2:通过原型软件从每个分割区域提取基于一阶、形状和纹理特征的影像组学特征。步骤3:进行重测以选择ICC > 0.8的稳定特征,随后计算delta特征。步骤4:采用Boruta算法从内部训练队列中进行特征选择,通过随机森林生存模型构建最佳影像组学签名。步骤5:对所有临床因素进行单变量和多变量Cox回归分析,并建立临床模型。步骤6:在训练队列中比较模型间的进展预测性能,并在外部队列中验证。步骤7:使用表现最佳的影像组学签名进行风险分层。步骤8:使用时间依赖ROC曲线评估不同时间点预测的准确性 查看原图 ↗

特征选择与影像组学签名构建

来自内部训练队列的基线、首次随访的稳定特征以及扫描间变异特征,采用Boruta算法进行特征筛选流程。该算法迭代地包裹随机森林生存分析,以探索属性的所有可能子集,并最终通过比较原始属性的重要性与所有排列下可达到的重要性,筛选出与PFS相关的最重要特征[34, 35]。基于训练队列的样本量,精炼出十个最重要的特征以构建最优随机森林生存模型,并获得每位患者的影像组学签名(modelall)。同时,仅使用基线影像特征(modelbaseline)和仅使用瘤内特征(modelintratumor)重复相同的特征筛选和建模流程,以了解时间序列影像组学特征和瘤周特征的附加价值。

风险分层与预后准确性

使用在训练队列中通过最大选择Log-Rank统计量确定的截断影像组学签名评分,将LUAD患者分层为快速或缓慢进展亚组。在训练队列和外部验证队列中均进行Kaplan-Meier分析,以确定我们所提出的影像组学签名的临床效能。通过时间依赖性受试者工作特征(ROC)曲线评估该签名在不同时间点的预后准确性。分别在两个队列中绘制第6、9和12个月的ROC曲线,并计算相应的曲线下面积(AUC)。

统计分析

基线人口学和临床特征根据变量的正态性和连续性,以均值±标准差、中位数伴四分位距(IQR)和频数(百分比)表示。采用卡方检验和Wilcoxon两样本检验比较内部训练队列与外部验证队列之间的患者特征。为每个影像组学签名构建Cox回归模型,以评估其预测PFS的性能。同时,临床参数 underwent 单因素Cox回归分析和前向选择多因素Cox回归分析,并使用所选变量构建临床模型(modelclinical)。采用赤池信息准则(AIC)筛选最优临床模型。包含最少参数且AIC值最低的模型为最优模型。此外,将表现最佳的影像组学签名与临床模型相结合,以实现临床-影像组学预测(modelcombined)。计算训练队列和验证队列中的Harrell一致性指数(C-Index),并通过配对非参数检验在影像组学模型、临床模型和联合模型之间进行比较。所有统计分析均使用R软件(版本3.6.0,http://www.Rproject.org)进行。

结果

患者特征

根据我们的标准,共纳入172例符合条件的患者。来自A机构的131例患者被指定为训练队列(74例女性,56.5%)。来自另外两家独立医院的剩余41例患者(分别来自B机构24例和C机构17例)组成外部验证队列(24例女性,58.5%)。

两个队列之间的PFS无显著差异(中位PFS:训练队列,11.1个月;验证队列,13.1个月;p = 0.199)。172例患者中有142例(83%)在随访期间出现疾病进展(训练集109例,外部验证集33例)。172例患者中有15例(9%)未进展(训练集13例,验证集2例),15例(9%)患者失访(训练集9例,验证集6例)。首次随访时间最短为治疗后16天;首次随访时间最长为128天(中位:35天)。

此外,除基线体积外(p = 0.011),两个队列的基线临床特征相似。患者特征及可用数据的详细信息见表1。

表1 人口学及临床病理特征 查看原表 ↗

单因素和多因素Cox回归

对所有临床因素进行的单因素Cox回归分析表明,基线体积(HR:1.006,CI:1.000,1.013,p = 0.045)对疾病进展的预测具有统计学意义(表2)。此外,其他特征,如性别、年龄、吸烟状态、TNM分期等,未显示出显著的预后影响。由基线体积构建的临床模型为最佳模型,其AIC值最低(850.63)。

表2 临床特征的单因素Cox回归分析 查看原表 ↗

影像组学特征选择

在训练队列中,我们分别从基线和首次随访CT扫描的瘤内及瘤周区域(包括瘤周5mm环和瘤周10mm环)提取了6组影像组学特征。每组包含1691个特征,包括17个形状特征、324个一阶特征和1350个纹理特征。重测信度分析将特征数量精炼至6578个(每个时间点包括1162个瘤内特征、1068个瘤周5mm特征和1059个瘤周10mm特征)。基线、随访和变化影像组学特征经过Boruta选择算法,使用随机森林生存模型将最重要的十个特征组合用于最终预测PFS的特征标签。在这些特征中,6个纹理特征、3个基于形状的特征和1个一阶特征具有代表性。就提取位置和时间期相而言,8个特征来自瘤周区域,变化影像组学特征占前10个特征的70%。

模型性能

用于预测PFS的modelall在训练队列中达到的C指数为0.78(95% CI:0.72,0.84),在外部验证队列中为0.72(95% CI:0.60,0.84)。modelclinical在训练队列中得出的C指数为0.55(95% CI:0.49,0.62),在验证队列中为0.54(95% CI:0.42,0.66),两者均显著低于modelall(p < 0.001)。联合临床-影像组学模型在训练队列中达到的C指数为0.77(95% CI:0.71,0.84),在验证队列中为0.72(95% CI:0.60,0.84)。复合模型在两个队列中均未显示对进展预测的增量获益(分别为p = 0.713、0.756)。modelbaseline的C指数(训练队列:0.66,95% CI:0.60,0.73;验证队列:0.57,95% CI:0.50,0.69)和modelintratumor的C指数(训练队列:0.71,95% CI:0.65,0.78;验证队列:0.65,95% CI:0.53,0.77)在数值上均劣于综合模型。综合签名在训练队列中在统计学上优于基线签名和瘤内签名(分别为p < 0.001和p = 0.006),但在外部验证队列中由于样本量有限未能达到统计学显著性(分别为p = 0.086和p = 0.198)。模型比较的结果见图3。

图3 训练队列(a)和验证队列(b)中的模型性能。比较了各模型之间的C指数。星号(*)表示统计学显著性(p < 0.05),NS表示无显著性 查看原图 ↗

风险分层与预后准确性

对数秩统计量确定了最佳截断值为49.86(图S1),并将患者分为快速进展亚组和缓慢进展亚组(图4A、B)。在两个队列中,快速进展组(中位PFS:训练队列,8.3个月;验证队列,9.1个月)的PFS均短于缓慢进展组(中位PFS:训练队列,13.4个月;验证队列,13.2个月)。基于Kaplan–Meier生存曲线,两个队列中两组之间的PFS差异均有显著性(图4C、D)。

时间依赖性ROC曲线(图4E、F)表明,所提出的影像组学签名(modelall)能够在不同时间点准确且一致地预测疾病进展的概率。6、9和12个月的AUC在训练队列中范围为0.89至0.94,在测试队列中范围为0.76至0.96。

图4 风险分层(A、B)。通过对数秩统计量在训练队列中确定截断值为49.86,并用于将患者分为快速进展亚组和缓慢进展亚组。Kaplan–Meier生存曲线(C、D)表明两个亚组之间的PFS差异有显著性。时间依赖性ROC曲线(E–F)显示了不同时间点进展的预测准确性。(A、C、E,训练队列;B、D、F,外部验证队列) 查看原图 ↗

讨论

疾病进展是接受EGFR-TKI治疗的LUAD患者的一个转折点,因为不可避免地存在对TKI的获得性耐药。然而,在临床实践中,进展的检测往往滞后于其发生,及时检测仍然具有挑战性。在我们的研究中,我们提出了一种影像组学特征,该特征考虑了瘤内和瘤周特征及其在连续随访检查之间的变化。因此,这种新型影像特征能够对接受EGFR-TKI治疗的LUAD患者进行早期进展预测和风险分层,可能为确定疾病进展提供有价值的参考信息。

我们的研究证明了影像组学特征的稳健性能,两个队列中良好的C指数(训练队列:0.78,验证队列:0.72)证明了这一点。结果表明,基于CT的影像组学特征可作为接受EGFR-TKI治疗的LUAD患者的预后预测因子。一项针对接受EGFR-TKI治疗的IV期EGFR突变NSCLC患者的多中心研究报告称,整合治疗前CT影像特征列的列线图显著提高了PFS的预测准确性[20]。与我们的工作相比,一个值得注意的差异是引入了额外的时间点,我们的特征反映了肿瘤异质性的动态变化。肿瘤异质性不仅由于亚克隆多样性和基因组不稳定性而随时间变化[36],而且在抗肿瘤治疗产生的强选择性压力下,尤其是在靶向治疗中,在治疗前后也会发生变化[37, 38]。Fave等人在107例NSCLC患者放疗期间发现,从治疗前CT成像到随后的每周随访,所有影像组学特征均发生显著变化[24]。因此,基于单一时间点评估和预测个体进展状态可能是不够的。我们的研究进一步证实,在训练队列中,多时间点影像组学特征在PFS预测方面优于单时间点特征(C指数:0.78 vs 0.66,p值 < 0.001)。该结果突出了动态肿瘤特征对这一特定患者群体的增量价值。

在构成我们影像组学特征的十个特征中,七个delta影像组学特征提供了与患者个体化结局预测相关的关键信息。既往研究对这些delta影像组学特征的计算和应用存在争议。Nardone等人通过体模研究发现delta纹理特征比纹理特征更稳健[39]。一项针对107例接受放疗的NSCLC患者的回顾性研究显示,治疗前影像特征不具有预后价值,而delta影像组学特征对局部复发的评估具有统计学显著影响[24]。相反,在另一项由48例接受EGFR-TKI治疗的EGFR突变LUAD患者组成的较小研究中,随访特征对PFS的预测价值优于百分比变化[21]。我们怀疑患者之间治疗开始至首次随访成像的不同持续时间可能产生偏倚。因此,我们通过计算两个时间点之间的单位时间(每天)百分比变化来校正该因素,我们的数据确实证明了这些动态特征的预后价值。

原发肿瘤与肺实质之间的界面为肿瘤细胞如何与周围正常组织募集来的免疫细胞和基质细胞相互作用提供了线索[40–42]。在这种相互作用下,肿瘤细胞获得了迁移表型和侵袭邻近组织的能力[43–45];因此,在瘤周区域捕捉这种表型表达可能是有益的。我们的研究结果表明,在训练队列中,整合瘤内和瘤周特征的模型比仅瘤内模型产生了更优的PFS预测能力(C指数:0.78 vs 0.71,p值 = 0.006)。瘤周特征的预后获益与Dou等人的研究相呼应,其研究表明,对于局部晚期NSCLC患者,瘤周影像组学特征在远处转移方面显示出比肿瘤影像组学特征更好的预后性能[26]。

如单因素分析所示,在所研究的队列中,基线临床特征与进展状态的关联较弱。仅临床模型无法准确预测PFS(训练队列C指数:0.55,验证队列:0.54);此外,将临床特征加入影像组学特征并未显示出任何改善。这表明基线原发肿瘤体积对于接受EGFR-TKIs治疗的LUAD患者的疾病进展预后价值有限。我们的结果与既往多项研究一致[20, 21],即与影像组学特征相比,基线体积在接受EGFR-TKIs的EGFR突变LUAD患者的PFS评估中具有较低的判别能力。

EGFR TKIs的应用可能导致不同的疾病进展模式和可变的PFS。Kim等人[21]发现,48例接受EGFR-TKI治疗的肺腺癌患者的PFS范围为0.3至29.4个月。同时,在另一项研究中,Song等人[20]发现,对于接受EGFR-TKI治疗且进展快速和缓慢的NSCLC患者,中位PFS分别为5.6个月和10.7个月。RECIST 1.1评估依赖于目标病灶的大小变化或新病灶的出现,而疾病进展只能在已发生进展的CT图像上得到确认。我们研究中提出的影像组学特征还考虑了瘤内和瘤周空间的病灶异质性,以及它们在整个治疗过程中的动态变化。因此,我们可以在首次随访影像时进行早期预后判断。我们确定了影像组学特征的截断值,将患者分为快速进展组(R组)和缓慢进展组(S组)。组间显著的生存差异可能提示个性化随访策略;例如,预测为快速进展的患者可能受益于更积极和严格的随访。时间依赖性ROC分析进一步证实了整个疾病过程中的良好预后判断,表明对进展的准确检测和更好的再活检时机选择。

本研究存在一些局限性,这是由于其回顾性研究的固有性质所致。首先,样本量相对较小,尤其是在外部验证队列中。地理差异也可能在两个研究队列之间引入偏倚。我们的结果需要在更大规模的队列中进一步验证。其次,CT成像采集来自多个机构、不同的CT扫描仪和协议。影像组学特征的诊断效能可能受到CT采集和重建参数变异性的影响[46–51]。为减轻扫描仪变异性的负面影响,我们通过1×1×1 mm重采样对层厚进行归一化,旨在实现更标准化的特征提取。第三,与既往若干研究不同,我们分析的是平扫CT图像而非增强CT扫描。尽管增强扫描可提供额外的血流动力学信息,但对比剂可能污染影像组学特征所描绘的肿瘤内生物学异质性[46, 52]。由于接受EGFR-TKI治疗的NSCLC患者需要长期随访,平扫CT可能更为合适,因其具有较高的成本效益、较强的可重复性以及可控的不良反应和并发症。

总之,所提出的整合影像组学标签能够捕捉接受EGFR-TKI治疗的LUAD患者瘤内和瘤周异质性的动态信息。这一综合影像学标签在预测疾病进展和风险分层方面显示出相当高的潜力。一旦在更大队列中得到验证,它将有助于指导临床决策,如个性化随访策略。

补充信息

ESM 1(DOCX 126 kb)

引用

  1. Zhang, Lu, Yang, et al. Prognostic analysis and risk stratification of lung adenocarcinoma undergoing EGFR-TKI therapy with time-serial CT-based radiomics signature. Eur Radiol. 2022. PMID: 36166088. doi:10.1007/s00330-022-09123-5
  2. 全文:PMC9889474(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9889474/

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。