瘤周CT影像组学特征能否预测非小细胞肺癌预后?系统综述
该系统综述纳入13项研究共2942例非小细胞肺癌患者,评估瘤周CT影像组学特征对预后的预测价值。大多数研究为回顾性设计,瘤周区域多定义为肿瘤边界外扩15mm、20mm或30mm。基于CT的瘤周影像组学特征在预测NSCLC预后方面显示出前景,但研究质量参差不齐,所有研究均存在高偏倚风险,仍需前瞻性多中心研究和生物学验证。
要点
- 瘤周CT影像组学特征对NSCLC预后有潜在预测价值,但证据质量有限。
- 瘤周区域常定义为肿瘤边界外扩15mm或20mm,被视为安全切缘。
- 纳入研究均为高偏倚风险,中位RQS仅13分(范围4-19),结果需谨慎解读。
核心结论
- 基于CT图像的瘤周影像组学特征在预测非小细胞肺癌预后方面显示出前景,但仍需设计良好的研究和进一步的生物学验证。
研究设计与样本
- 系统综述纳入2017至2022年发表的13项原始研究,共2942例非小细胞肺癌患者。
- 仅1项研究为前瞻性设计,其余12项(92%)均为回顾性研究。
- 7项研究(54%)为单中心,6项研究(46%)为多中心;10项研究(77%)包含训练队列和验证/测试队列,其中6项进行了外部测试。
- 研究质量采用影像组学质量评分(RQS)和预测模型偏倚风险评估工具(PROBAST)评估。
诊断标准与关键数值
- 瘤周区域最常定义为肿瘤边界外扩15mm、20mm或30mm(7/13,54%)。
- 部分研究(6/13,46%)引用既往研究,认为切除边缘>15mm不降低复发风险或≥20mm为安全切缘。
- 最佳性能模型的C-index或AUC范围为0.65至0.90。
- 中位RQS为13分(范围4-19),对应最高分的百分比为36.11%(范围11.11-52.78%)。
- 所有纳入研究经PROBAST评估均为总体高偏倚风险。
临床应用与阅片要点
- 瘤周影像组学特征有潜力作为NSCLC预后预测的辅助工具,但当前证据尚不足以直接用于临床决策。
- 阅片时需注意CT扫描层厚(0.6-5mm)和分割方法(69%为手动分割)对影像组学特征稳定性的影响。
- 瘤周区域定义(外扩距离)在不同研究间差异较大,报告时应明确具体定义。
局限性
- 纳入研究数量较少(13项)。
- 影像组学分析存在高度异质性(包括治疗类型、预后结局和建模方法),未进行荟萃分析。
- 大多数研究RQS评分低且偏倚风险高,结果需谨慎解读。
- 仅1项研究为前瞻性设计,其余均为回顾性研究。
全文中译14 节 · 点击展开
引言
非小细胞肺癌(NSCLC)是最常见的肺癌类型,占所有病例的85% [1, 2]。NSCLC患者的精确生存风险分层是治疗中的关键步骤。尽管肺癌的肿瘤、淋巴结和转移(TNM)分类是预后最客观和权威的指标,但相同肿瘤分期的患者仍具有异质性预后 [3–5]。为改善NSCLC的管理并做出适当的治疗决策,大量研究报告了其他独立的临床预后因素,包括年龄、性别和体能状态 [6–8]。此外,医学影像学如CT也可衍生潜在的预后标志物,包括肿瘤体积、胸腔积液和放射组学 [9–14]。
基于医学影像的放射组学可以整体评估肿瘤及其环境,可为预测癌症结局提供额外信息 [15–17]。多项研究已成功应用瘤内放射组学特征预测NSCLC患者的总生存期、癌症复发预后和进展时间 [17–19]。其他研究探讨了在CT上量化瘤周区域的临床用途,以帮助预测肿瘤侵袭性、肿瘤经气腔播散,尤其是预后结局 [20–23]。例如,Wang等发现,结合从瘤内和瘤周区域提取的放射组学特征可增强纯实性NSCLC的准确预后预测 [23]。然而,瘤外放射组学的附加价值和研究质量尚未被系统评估,以进一步探索瘤周放射组学特征与NSCLC预后之间的潜在关联。
因此,本研究旨在系统综述和评价已发表研究中关于基于CT的瘤周放射组学特征对NSCLC患者预后价值的结果,并总结潜在的生物学基础。
材料与方法
本系统综述按照系统综述和荟萃分析首选报告项目(PRISMA)指南进行报告 [24]。该综述在启动前已在PROSPERO注册(注册号CRD42022322916)。
检索策略
全面检索PubMed、Embase、Web of Science和Cochrane Library数据库,截止至2022年2月21日,以识别使用基于CT的瘤周放射组学评估NSCLC患者预后的研究。还手动检索了纳入文章的参考文献列表和相关文献。使用以下基本检索词:NSCLC、肺结节、CT、放射组学、瘤周和预后。详细检索标准见补充材料。检索不受语言和日期限制。
研究选择
原始研究文章将纳入研究。纳入标准包括以下内容:(1)NSCLC患者;(2)通过CT上的瘤周放射组学方法评估患者预后。排除标准如下:(1)病例研究、社论、通讯、综述文章和会议摘要;(2)不属于感兴趣领域;或(3)研究人群存在重叠。
数据提取
将提取的数据包括以下内容:(1)研究详情:第一作者、发表年份、国家、研究设计;(2)患者详情:数据获取来源(单中心/多中心)、队列类型、样本量、TNM分期、组织学亚型、治疗类型、预后结局;(3)影像学详情:CT管电压、重建层厚(mm)、平扫或增强CT;(4)影像组学详情:分割软件、分割方法、瘤周定义及参考文献、特征提取软件、影像组学特征类型、影像组学特征数量、影像组学特征选择方法、构建的模型类型、最终分类器、最终模型中的影像组学特征数量、最终模型中的影像组学特征类型以及模型性能。两名独立评价者(L.W.和C.G.)完成了初步筛选并从所有纳入研究中提取数据。
偏倚风险评估
采用影像组学质量评分(RQS)[25]和预测模型偏倚风险评估工具(PROBAST)[26]评价每项研究的方法学质量。RQS为影像组学研究的方法学提供了标准化和定量化的评价标准。RQS评估包含从数据选择、医学成像、特征提取和探索性分析到建模的十六个关键组成部分。每个条目均对最终评分有贡献,总分范围为-8至36分[25]。RQS各条目及相应评分的详细描述见表S1。PROBAST是一种评估偏倚风险(ROB)以及诊断或预后预测模型应用性的工具。所有纳入研究的偏倚风险评估由两名评价者(L.W.和C.G.)协商一致完成。
结果
文献检索与数据提取
系统评价和荟萃分析优先报告条目的文献检索流程图见图1。共检索到433项研究,其中432项研究通过全面文献检索确定,1项研究通过相关文献的手工检索确定。经过筛选和评价,13项研究共2942例符合标准的患者被纳入本系统评价[22, 23, 27–37]。
患者与研究特征
13项研究的患者特征总结于表1。纳入的研究发表于2017年至2022年。几乎所有研究(12/13,92%)为回顾性设计[22, 23, 27–36],仅有一项研究为前瞻性[37]。7项研究(7/13,54%)的患者来自单中心[22, 28–30, 34, 36, 37],其余(6/13,46%)来自多中心[23, 27, 31–33, 35]。大多数研究(10/13,77%)包含训练队列和验证/测试队列,其中6项研究从另一中心进行了外部测试[23, 27, 31–33, 35]。研究纳入的患者数量范围为90至592例。治疗类型和预后结局类型总结于表1。治疗类型多样,如手术、辅助化疗/放疗和免疫检查点治疗。预后结局包括生存预测[23, 27–29, 31–35, 37]、远处转移[22, 30, 36]和缓解状态[28, 29, 31, 34]。最常见的研究目的是预测总生存期[27, 28, 29, 31,32, 34, 37](7/13,54%)。
影像组学工作流程
影像组学研究中的图像采集参数详情见表1。大多数研究中CT层厚范围为0.6至5 mm,除了一项研究未提及层厚[32]。部分研究(6/13,46%)使用增强CT图像进行影像组学分析[22, 27, 30, 31, 35, 36],而仅有一项研究使用平扫CT图像[29]。两项研究(2/13,15%)使用增强或平扫CT图像进行影像组学分析以进一步分析[33, 34]。其他研究(4/13,31%)未提及[23, 28, 32, 37]。
影像组学工作流程的研究详情,包括感兴趣区(ROI)分割、特征提取与选择以及模型构建,总结于表2。大多数研究中ROI分割为手动分割(9/13,69%)[22, 23, 28, 29, 31, 33–35, 37],三项研究为半自动分割[27, 30, 32],一项研究为自动分割[36]。在纳入的研究中,ROI分割最常用的软件为3D-Slicer(5/13,38%),影像组学特征提取最常用的软件为MATLAB(8/13,62%)(表2)。提取的影像组学特征类型包括纹理特征和/或一阶统计量及形状特征[22, 23, 28–37]。此外,一些研究中引入了新的影像组学特征。例如,Tunali等人生成了代表体素间梯度变化的径向梯度和径向偏差特征[27]。Vaidya等人分析了代表肿瘤血管弯曲度的定量血管迂曲度影像组学特征[34]。
提取的影像组学特征数量范围为48至5309。影像组学特征选择方法常包括组内相关系数、单变量分析和多变量分析。这些研究中构建的模型类型范围为2至24。最终影像组学模型中构建的模型通常为多变量Cox模型[22, 27, 28, 30, 31, 35, 36]。最终影像组学模型中的影像组学特征数量范围为2至18。
瘤周影像组学模型及其可能的生物学基础
所有纳入的研究均对瘤内和瘤周区域进行了分割;然而,瘤周区域的定义各不相同。图2总结了三种不同的瘤周区域定义。几乎所有腐蚀和膨胀的操作均基于肿瘤形态学,可归类为三种类型。在类型1中,边界掩膜被定义为沿肿瘤边界向内腐蚀12.5/15 mm [27]或3 mm [22, 35, 36]至向外膨胀7.5/10 mm [27]或3 mm [22, 35, 36]的区域。外部掩膜被定义为从肿瘤向外扩展至17.5/22.5 mm [27]或3/6 mm [35]的区域。外侧掩膜被定义为距肿瘤3至9 mm的区域 [22]。在类型2中,边界掩膜被定义为从肿瘤边界向外扩展3 mm的区域 [32],而外部掩膜的标准为15 mm [23, 28, 29, 33, 34]或20 mm [30]或30 mm [31]。在类型3中,大体肿瘤体积等于肿瘤病灶的原始体积,未进行任何腐蚀或膨胀操作。临床靶体积包含大体肿瘤体积加上从肿瘤边界向外扩展的区域。计划靶体积被定义为肿瘤体积与从肿瘤边界外扩区域的组合,这对于管理内部运动和摆位可重复性是必要的 [37]。
此外,这些纳入研究中瘤周区域研究参考文献的应用也各不相同。瘤周区域通常从肿瘤边界外扩15 mm、20 mm或30 mm(7/13,54%)[23, 28–31, 33, 34]。其中部分研究(6/13,46%)引用了既往研究结果,即切除边缘>15 mm并未降低复发风险,或切除边缘≥20 mm为安全边缘 [28–31, 33, 34]。在若干研究中(4/13,31%),选择肿瘤边界以外的区域作为瘤周区域,在该区域仍可发现癌岛的微观延伸或“真实浸润前沿” [22, 35–37]。
多位研究者探索了瘤周影像组学特征在预测非小细胞肺癌(NSCLC)患者预后结局中的生物学基础 [27, 31–33]。Khorrami等研究了影像组学特征变化与数字化苏木精-伊红图像上肿瘤浸润淋巴细胞密度之间的关联 [31]。Pérez-Morales等分析了最终两个影像组学特征与基因探针集之间的关联 [32]。Vaidya等研究了预后影像组学特征与肿瘤浸润淋巴细胞之间的关联(放射病理组学分析),以及影像组学特征与mRNA测序数据之间的关联(放射基因组学分析)[33]。Tunali等通过分析影像组学特征与语义放射学特征的相关性,探索了潜在的生物学基础 [27]。其他研究者还讨论了瘤周区域预后影像组学特征可能的病理学基础,如“真实浸润前沿”、缺氧肿瘤环境、肿瘤微环境中的新生血管形成和血管生成、淋巴血管肿瘤侵犯及微转移 [22, 28–30, 34, 35]。
模型的性能
纳入研究中性能最佳的模型及其相应的性能指标总结于表2。在13项纳入研究中的12项里,一致性指数(C-index)和受试者工作特征曲线下面积(AUC)被用于评估这些模型的性能 [22, 23, 28–37]。瘤周影像组学特征在生存模型中发挥了重要作用 [22, 23, 27–37]。这些最佳性能模型的C-index或AUC值范围为0.65至0.90 [22, 23, 28–37]。
质量评估
总RQS及最高分百分比总结于表3。研究的中位RQS为13(范围4–19),相应的得分百分比为36.11%(范围11.11–52.78%)。图3显示了研究中RQS十六个组成部分的得分百分比。这些研究的ROB和适用性评估结果呈现在表4中。图4呈现了各领域中按关注等级、ROB和适用性评级的研究百分比。所有研究总体均被评估为高ROB [22, 23 27–32, 33–37]。大多数研究(12/13,92%)在适用性方面被认为关注度低 [22, 23, 28–33, 35–37]。
讨论
在本系统综述中,我们发现从CT图像上瘤周肺实质提取的影像组学特征可被视为NSCLC患者的潜在预后因素。然而,纳入研究在影像组学分析的每个步骤中均显示出相当大的变异性和异质性(包括CT采集参数和影像组学方法学)。
有人主张使用标准化的影像组学分析,以消除不必要的混杂变异性[25, 38]。由于纳入研究的层厚范围较广(0.6–5 mm),应评估层厚对模型性能的影响。Khorrami等评估了层厚对分类器性能的影响,发现当层厚增加时,影像组学模型的受试者工作特征曲线下面积略有下降[28, 29, 31]。Bettinelli等发现七种影像组学软件程序的一致性存在差异[39]。重测信度以及CT间和CT内协议的差异可在不同程度上影响影像组学特征的稳定性[40]。因此,若干研究在重测RIDER肺癌CT数据集上选择了稳定且可重复的特征,并保留了组内相关系数为0.75、0.8、0.85或更高的特征[22, 27–29, 31–34]。
感兴趣区(ROI)可手动或(半)自动分割。然而,手动分割仍是影像组学研究中的主要方法,69%的纳入研究手动分割了ROI[22, 23, 28, 29, 31, 33–35, 37]。多次分割可减少手动勾画的可变性,但耗时[25]。因此,快速可靠的自动ROI分割是迫切需要的,且仍具有挑战性。已有人尝试自动分割肺结节,这在未来具有前景[41–43]。特征选择、建模方法和验证是影像组学模型的三个主要方面。为降低过拟合风险,采用多种方法对高通量影像组学特征进行降维,如最大相关最小冗余、最小绝对收缩和选择算子法[22, 28, 29, 33, 35]。验证是影像组学分析不可或缺的组成部分[25]。大多数纳入研究进行了内部验证,甚至来自另一中心的外部验证[22, 23, 27–29, 31–35]。
CT图像可能包含反映肿瘤潜在病理生理学的信息,并将图像转换为结构化数据以辅助临床决策支持[38]。瘤周掩膜分割通常基于病灶边界的形态学操作(膨胀)。特征通常从三维感兴趣体积和/或逐层提取[22, 23, 27–31],而少数研究从肿瘤面积最大的三个层面提取[33, 34]。基于潜在的生物学原理,如“真实浸润前沿”和肿瘤周围微转移,纳入研究的瘤周区域从肿瘤边界向外膨胀3至30 mm[22, 23, 27–36]。影像组学的生物学基础对其更广泛应用和进一步验证至关重要。解释影像组学生物学意义的努力正在涌现,包括与语义特征、基因表达、微观组织病理学表现和宏观组织病理学标志物表达的关系[44]。令人鼓舞的是,一些研究者已经研究了预后影像组学特征与肿瘤浸润淋巴细胞密度以及基因和mRNA测序数据之间的相关性[31–33]。这一探索将加强我们对瘤周影像组学在预测NSCLC患者预后中生物学意义的理解。
RQS用于评估影像组学研究的方法学、分析和报告质量。研究的中位RQS为13(范围4–19),这表明大多数纳入研究未达到影像组学质量的中等水平。所有纳入研究均进行了特征降维和生物学相关性讨论。没有纳入研究进行成本效益分析,大多数研究缺乏开放科学。根据PROBAST,所有研究总体上被认为具有高偏倚风险(ROB)。模型开发和验证研究具有高ROB的原因可能如下:(1)大多数纳入研究(12/13,92%)为回顾性研究。(2)大多数研究未评估校准度。(3)也未提及预测因子是否在不知晓结局信息的情况下进行评估。
本系统评价存在若干应予以注意的局限性。第一,符合条件的研究数量相对较少。第二,由于影像组学分析中存在高度异质性,如治疗类型、预后结局和影像组学建模,未对汇总结局进行荟萃分析。第三,大多数研究被评估为低RQS和高ROB,因此结果应谨慎解读。
总之,越来越多的证据表明,基于瘤周CT的影像组学特征在预测NSCLC预后方面具有前景,尽管影像组学分析仍需标准化。由于大多数研究为回顾性开展,应进一步开展基于前瞻性、多中心以及生物学相关性的研究,以促进其临床使用。
补充信息
ESM 1(DOCX 32 kb)
引用
- Wu, Lou, Kong, et al. Can quantitative peritumoral CT radiomics features predict the prognosis of patients with non-small cell lung cancer? A systematic review. Eur Radiol. 2022. PMID: 36307554. doi:10.1007/s00330-022-09174-8
- 全文:PMC9935659(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9935659/
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。