增强CT影像组学预测胃腺癌PD-L1表达
回顾性纳入169例胃腺癌患者,基于术前增强CT静脉期图像提取影像组学特征,构建预测PD-L1表达的模型。模型在训练集AUC为0.786(p<0.001),敏感度0.681,特异度0.826;测试集AUC为0.774,校准曲线和决策曲线显示良好校准与临床获益。
要点
- 术前增强CT影像组学模型可无创预测胃腺癌PD-L1表达状态。
- 模型仅基于4个影像组学特征,训练集AUC 0.786,测试集AUC 0.774。
- 预测PD-L1阳性的敏感度0.681、特异度0.826,特异度较高。
核心结论
- CT影像组学对预测胃腺癌PD-L1表达具有重要价值,模型在训练集和测试集均表现出良好预测效能和校准度。
研究设计与样本
- 单中心回顾性研究,纳入2020年1月至2021年11月169例经手术病理确诊且术前接受增强腹部CT的胃腺癌患者,随机按7:3分为训练集118例和测试集51例。
- 使用三种多探测器CT扫描仪(256排和128排),行平扫及动脉期、静脉期增强扫描,重建静脉期1.0 mm层厚图像用于半自动三维ROI分割。
- 以术后标本免疫组化(22C3 pharmDx)联合阳性评分(CPS)>1为PD-L1阳性参考标准,阳性94例、阴性75例。
- 提取1226个影像组学特征,剔除ICC<0.8的不稳定特征后保留434个,经随机森林Boruta算法筛选出4个特征构建模型。
诊断标准与关键数值
- PD-L1阳性定义为免疫组化CPS评分>1,CPS≤1为阴性。
- 影像组学模型预测PD-L1表达的训练集AUC=0.786(p<0.001),敏感度0.681,特异度0.826。
- 测试集AUC=0.774,校准曲线显示预测概率与实际概率一致性良好。
- 最终模型纳入4个特征:1个一阶特征、1个GLRLM特征、1个NGTDM特征和1个GLCM特征,其中「wavelet. LLL_glcm_DifferenceEntropy」平均重要性最大。
临床应用与阅片要点
- 对于术前需评估免疫治疗获益的胃腺癌患者,可尝试用增强CT静脉期影像组学模型无创预测PD-L1表达,辅助治疗决策。
- 模型特异度(0.826)高于敏感度(0.681),阳性预测价值较好,但阴性结果不能排除PD-L1表达,仍需病理免疫组化确认。
- ROI采用半自动分割并多平面校验,特征提取前需评估观察者间稳定性(ICC≥0.8),以保证模型可重复性。
局限性
- 研究为单中心回顾性初步研究,样本量有限(169例),模型泛化能力需外部验证。
- 影像组学特征受扫描参数和分割方法影响,标准化程度有限。
- PD-L1阳性阈值仅采用CPS>1,其他临界值未探讨。
全文中译12 节 · 点击展开
引言
胃癌是全球癌症死亡的主要原因之一[1]。胃腺癌是最常见的病理类型,免疫治疗已显示出应用前景。对于胃腺癌,肿瘤异质性是其诊断和治疗中的一大挑战,而肿瘤基因测序提供了潜在有价值的资源[2]。免疫治疗和靶向治疗是治疗胃腺癌的有效方法。程序性细胞死亡配体1(PD-L1)、人表皮生长因子受体2(HER2)和微卫星不稳定性(MSI)等生物标志物逐步推动了全身治疗的发展[1]。临床研究表明,PD-L1联合化疗可使胃腺癌患者获益,且安全性可接受[3, 4]。PD-L1表达已被证明是一种肿瘤标志物,可预测胃腺癌患者对靶向治疗的反应[5]。
免疫组织化学是确定病理标本中PD-L1表达水平的金标准,但无法在难以获取样本的患者中实施,且诊断过程耗时较长。若样本经内镜下取材,由于肿瘤的异质性,诊断准确性会受到影响。作为一种无创且快速的诊断方法,计算机断层扫描(CT)在临床实践中广泛应用。影像组学数据可用于开发模型,为癌症免疫治疗提供依据[6, 7]。既往研究表明,基于CT的定量影像组学特征可用于预测小细胞肺癌中PD-L1的表达,并为临床免疫治疗提供信息[8, 9]。其他研究表明,影像组学模型可预测接受免疫治疗的转移性尿路上皮癌患者的预后[10]。因此,影像组学特征与胃腺癌中PD-L1表达之间的关系值得研究。
影像组学正越来越多地用于预测免疫标志物。本研究旨在建立基于CT的胃腺癌影像组学模型以预测PD-L1表达。
方法
研究设计与研究人群
本回顾性研究经伦理委员会批准(方案编号2022KY235);由于使用了去标识化的回顾性数据,豁免了书面知情同意要求。患者纳入时间为2020年1月至2021年11月。纳入标准如下:(1)患者接受手术切除且无远处转移;(2)患者经组织学确诊为胃癌并接受了PD-L1检测;(3)患者接受了治疗前腹部增强CT扫描。排除标准为(1)既往接受过抗癌治疗,(2)临床数据不完整,(3)CT图像不完整或质量不佳。
临床评价指标
一位作者分析了患者的临床特征。记录的临床特征如下:(1)性别,(2)年龄,(3)吸烟史,(4)饮酒史,(5)美国东部肿瘤协作组(ECOG)评分,(6)胃腺癌部位,(7)肿瘤(T)分期,(8)淋巴结(N)分期,(9)分化程度。
免疫组织化学及PD-L1表达评估
所有术后肿瘤标本均按照标准流程进行免疫组织化学(IHC)检测。样本处理如下。使用福尔马林固定、石蜡包埋组织的方法已验证。标本切片至4 mm厚度,经福尔马林固定、系列乙醇和二甲苯脱水透明,随后进行熔融石蜡浸润。样本在10%中性缓冲福尔马林中固定12至72 h。进行了脱蜡、复水及抗原修复三合一流程。切片在Dako免疫组织化学染色仪上使用PD-L1 IHC 22C3 pharmDx(Agilent,美国)进行染色。当肿瘤细胞中检测到膜染色时,PD-L1表达被认为阳性。PD-L1的表达通过联合阳性评分(CPS)进行评估。当CPS评分大于1时,PD-L1表达为阳性。
CT采集技术和图像分割
所有患者均接受了治疗前增强诊断性腹部CT检查。所有患者均进行了CT平扫及动脉期和静脉期增强扫描。所有CT检查均使用三台多排CT扫描仪之一完成:一台256排CT扫描仪(Revolution CT,GE Medical systems)和两台128排CT扫描仪(SOMATOM Definition Flash,Siemens Healthineers 和 Brilliance iCT,Philips Healthcare)。扫描参数如下:管电压120 kV,管电流采用自动毫安秒技术。扫描范围从膈顶至耻骨联合。增强扫描使用非离子型对比剂(碘含量300 mg/ml),注射流速3.0 ml/s,对比剂总量为2 mL/kg体重。动脉期和静脉期分别在注射后25 s和70 s进行扫描。原始数据传送至后处理工作站(syngoMMWP,VE36A)生成静脉期图像。重建厚度为1.0 mm。
对于胃腺癌肿瘤,使用软件(Radiomics,Frontier,Siemens Healthineers,Forchheim,德国)对层厚1 mm的静脉期图像进行半自动分割。一名放射科医师(GXL,具有7年腹部影像学经验)勾画了ROI。ROI依次在三个位置(轴位、矢状位和冠状位)分别绘制。勾画层面的肿瘤边界由另一名放射科医师(YL,具有19年腹部影像学经验)进行验证。通过协商达成共识以解决分歧。获得了感兴趣区的CT图像和分割后的3D图像。图1展示了一个示例。
影像组学特征选择和模型开发
训练数据集和测试数据集按7:3的比例随机生成。使用软件(Radiomics,Frontier,Siemens Healthineers,Forchheim,Germany v1.2.5)作为研究平台提取所有特征和参数如下。选择以下影像组学特征组:灰度依赖矩阵(GLDM)特征、灰度共生矩阵(GLCM)特征、形状特征、一阶特征、灰度游程长度矩阵(GLRLM)特征、灰度大小区域矩阵(GLSZM)特征和邻域灰度差矩阵(NGTDM)特征(表1)。对于滤波,LoG sigma值(mm)为0.5、1.5、2.5、3.5、3.5和4.5(5个sigma水平和1级小波分解产生8个衍生图像以及使用平方、平方根、对数和指数滤波器衍生的图像)。选择coiflet小波。由于层厚一致,未选择重采样。特征数据未进行归一化,因为这样做可能导致部分特征丢失。制作直方图对图像灰度级进行离散化时的箱宽为25。为验证特征的稳定性,放射科医师在首次勾画完成一个月后对50例随机病例重新勾画ROI。计算特征的组内相关系数。排除任何ICC < 0.8的特征。共保留434个特征。使用基于随机森林的Boruta算法筛选训练集的特征。采用交叉验证方法选择值。基于筛选出的影像组学特征构建影像组学模型。使用测试数据集检验模型的性能。
统计分析
所有统计分析使用R版本4.0.5进行。数据以平均值和标准差以及中位数和范围表示。患者特征采用Mann-Whitney U检验、χ2检验和Student's t检验进行比较。使用基于随机森林的Boruta算法筛选特征。在随机森林中,生成多棵决策树,然后确定最终结果[11]。采用受试者工作特征(ROC)曲线确定模型的最佳临界值、灵敏度和特异度。P < 0.05被认为具有统计学意义。采用校准曲线和决策曲线分析评估临床实用性。
结果
患者特征
本回顾性研究共纳入169例接受治疗前增强腹部CT检查的GC患者。中位年龄为62岁(范围,55–69)。本研究169例GC患者中,65例为男性,104例为女性。PD-L1表达阴性75例,阳性94例。完整结果见表2。采用计算机生成的随机数将118例患者分配至训练数据集,51例患者分配至测试数据集。在训练数据集中,PD-L1表达阳性70例,阴性48例。在测试数据集中,PD-L1表达阳性24例,阴性27例。两个数据集之间PD-L1表达差异无统计学意义(p > 0.05)(表3)。
临床因素与PD-L1表达之间的关联
表4显示了训练集和测试集中临床特征与PD-L1表达之间的关系。在训练集和测试集中,阳性PD-L1组和阴性PD-L1组之间均未显示明显的临床特征差异。
影像组学标签的构建
影像组学分析共识别出1226个特征,所有特征均提取自118例胃癌(GC)患者治疗前分割CT图像。共有792个特征因组内相关系数(ICC)大于0.8而被排除。共有434个特征保持稳定。最终筛选出4个特征,包括1个一阶特征、1个灰度游程矩阵(GLRLM)特征、1个邻域灰度差矩阵(NGTDM)特征和1个灰度共生矩阵(GLCM)特征。4个影像组学特征的重要性见图2。“wavelet. LLL_glcm_DifferenceEntropy”特征的平均重要性最大。
预测模型的开发与测试
由于临床特征无显著差异(表4),仅基于4个影像组学特征构建了影像组学预测模型。使用上述影像组学标签预测PD-L1表达显示出良好的评估效能,AUC为0.786(p < 0.001),灵敏度为0.681,特异度为0.826。影像组学模型在训练组(AUC = 0.786)和验证组(AUC = 0.774)中均达到最大AUC(图3)。表5显示了该模型的特异度和灵敏度。
影像组学模型的校准曲线在训练集(图4)和测试集(图5)中均显示出良好的校准性能结果。预测值与观测值吻合良好。如图6和图7所示,影像组学模型的净临床获益较高。这表明使用影像组学特征预测PD-L1是有益的。
讨论
免疫治疗在胃腺癌治疗中的应用价值不断被揭示。CT影像组学是一种无创诊断方法,可用于预测PD-L1表达。我们的研究表明,影像组学特征可用于构建预测肿瘤PD-L1表达的模型。
具有预测价值的影像组学特征可用于构建预测效果良好的影像组学模型。‘wavelet. LLL_glcm_DifferenceEntropy’特征的平均重要性最大。该特征表明发生了变速熵增过程,反映了肿瘤免疫抑制程度。从熵的角度看,生命依赖外部环境提供的负熵来维持有序程度。肿瘤由突变细胞发展而来,积累突变效应,并具有逃避免疫系统调控的能力。肿瘤从外部环境吸收负熵以保持自身低熵状态并维持自身活跃性[12]。PD-L1表达水平由此得以揭示。
胃癌影像组学领域正在发生显著发展。例如,影像组学已被用于预测T分期[13]、N分期[14, 15]、M分期[16, 17]、新辅助化疗[18, 19]、Lauren分型[20]和组织学分级[21]。研究表明,CT影像组学是重要的术前预测因子,并为病理分期标志物提供预后信息[22]。其他研究表明,CT影像组学可用于区分EGFR2是否阳性[23]。本研究表明,影像组学模型是PD-L1表达的重要术前预测因子。与其他类似研究相比,我们关注的是PD-L1而非CD8+肿瘤浸润淋巴细胞(TILs),后者也是进一步研究的方向之一[24]。CT影像组学在肿瘤分割方法的标准化方面具有主观性。图像采集参数也可能影响影像组学数据的标准化。因此,我们采用了半自动手动调整和统一的CT扫描参数,以避免真实世界中的设计偏倚。
PD-L1研究中CPS评分的选择具有讨论意义。我们考虑了病理学和临床意义。在病理学方面,PD-L1阴性和阳性通过CPS评分1来区分。KEYNOTE59和KEYNOTE61研究[25]表明,选择CPS评分大于1很重要,这些患者可从免疫治疗中获益。这可在未来研究中进一步探讨。
肿瘤分割的细节和影像组学特征的选择对于维持模型的预测水平很重要。使用三维勾画以确保胃腺癌在多个方向上得到显示和调整,避免遗漏不同肿瘤不同生长方向的细节。由于层厚一致,未选择重采样[26]。特征数据未进行归一化,因为这样做可能导致部分特征丢失[26]。使用组间相关系数和交叉验证以确保肿瘤的影像组学特征选择具有可重复性。
未来研究方向应包括进一步的外部验证。也可在结直肠癌和其他消化道癌症上开展类似研究。使用CT以外的模态、不同的测试特征集或不同的算法也可加以研究。更大的数据集有助于提高我们模型的泛化能力。我们的进一步研究将聚焦于这些研究方向。
本研究仍存在一些不足。首先,该研究为初步研究,迄今为止用于推动其进入临床的数据积累有限。其次,人群样本量有限。
总之,CT影像组学在预测胃腺癌患者PD-L1表达方面具有重要价值。通过建立临床因素与CT影像组学特征的联合模型,诊断性能得到了提高。
引用
- Gu, Yu, Shi, et al. Can PD-L1 expression be predicted by contrast-enhanced CT in patients with gastric adenocarcinoma? a preliminary retrospective study. Abdom Radiol (NY). 2022. PMID: 36271155. doi:10.1007/s00261-022-03709-9
- 全文:PMC9849168(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9849168/
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。