文献速递神经头颈MR

ADC直方图分析预测鼻咽癌IMRT后放射性颞叶损伤的价值

Added value of histogram analysis of ADC in predicting radiation-induced temporal lobe injury of patients with nasopharyngeal carcinoma treated by intensity-modulated radiotherapy.
PubMed 文献 · Insights Imaging · 2022-12-17

本研究回顾性分析214例鼻咽癌IMRT患者治疗前颞叶ADC直方图参数,发现联合峰度、最大能量、范围、总能量构建的Rad-score及结合T分期的列线图能有效预测放射性颞叶损伤,训练集AUC为0.95和0.96,验证集为0.89和0.87。

要点

  • 治疗前颞叶ADC直方图参数可预测鼻咽癌IMRT后放射性颞叶损伤。
  • Rad-score联合T分期的列线图在训练集和验证集均显示良好预测性能。
  • 高风险组(Rad-score≥0.55)建议加强随访以早期干预。

核心结论

  • 治疗前ADC直方图分析联合T分期能满意地预测鼻咽癌IMRT后放射性颞叶损伤,有助于风险分层。

研究设计与样本

  • 回顾性单中心研究纳入214例病理确诊鼻咽癌并接受IMRT的患者,按6:4随机分为训练集135例和验证集79例。
  • 采用3.0T MR扫描仪(GE Discovery MR 750)行轴位DWI,b值0和800 s/mm²,手动勾画双侧颞叶ROI并提取18个ADC直方图参数。
  • 参考标准为随访中出现放射性颞叶损伤的MRI诊断标准,随访时间中位数RTLI组33.4个月、非RTLI组61.4个月。

关键影像表现/征象

  • 未报告治疗前ADC直方图参数的具体影像征象描述,仅给出定量参数与RTLI的关联。

诊断标准与关键数值

  • Rad-score由峰度、最大能量、范围和总能量四个ADC直方图参数构建,训练集AUC 0.95(95%CI 0.91-0.98),验证集AUC 0.89(95%CI 0.81-0.97)。
  • 联合模型(Rad-score+T分期)训练集AUC 0.96,验证集AUC 0.87,T分期P=0.02。
  • 以Rad-score≥0.55为高风险阈值,联合模型在验证集预测RTLI的敏感度81.3%、特异度82.0%、阳性预测值81.3%、阴性预测值87.2%。
  • T分期单独预测RTLI的AUC为0.63(95%CI 0.52-0.74)。

临床应用与阅片要点

  • 可在治疗前DWI的ADC图上勾画双侧颞叶ROI,提取直方图参数计算Rad-score以评估RTLI风险。
  • Rad-score≥0.55提示高风险,建议在随访中加强MRI监测以便早期发现RTLI。
  • 联合T分期构建的列线图可个体化预测RTLI概率,辅助临床决策。

局限性

  • 回顾性单中心设计存在选择偏倚,部分患者因各种原因被排除。
  • 对照组通过倾向性评分按性别1:1匹配,可能引入偏倚。
  • 仅使用两个b值(0和800 s/mm²)及单一厂商3.0T设备,结果外推性受限。
  • 剂量学参数未纳入最终模型,且未进行组织学验证。
全文中译21 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:Insights Imaging. 2022 Dec 17;13:197. doi: 10.1186/s13244-022-01338-w

背景

放疗仍然是鼻咽癌(NPC)的主要治疗方法[1]。然而,放射性颞叶损伤(RTLI)可能是一种严重并发症,严重影响生活质量和长期预后[2, 3]。尽管适形性更好的放疗技术,如调强放疗(IMRT),提供了更好的长期疾病控制且毒性较低[4],但仍有4.6–8.5%的患者报告发生RTLI[5, 6]。基于症状的RTLI诊断在临床实践中存在问题,因为大多数患者即使在很晚期也无症状,或者当明显症状开始出现时已处于不可逆恶化阶段,此时治疗效果有限[7]。相反,如果RTLI能够在症状出现前被早期识别甚至预测,就可以提前提供个性化干预以扭转不利局面。因此,无创预测IMRT后RTLI尤为重要。

近期几项研究关注于预测NPC患者的RTLI[8–10]。基于放射剂量学相关因素的研究已显示出一定的预测潜力[9–11];然而,RTLI的最佳剂量/体积预测因素在不同研究中仍存在差异,临床应用受到限制[12]。RTLI的影像学诊断主要依赖磁共振成像(MRI)表现。MRI是一种合适的工具,具有多种可用技术,不仅能描绘结构,还能量化功能。

扩散加权成像(DWI)是一种功能技术,基于水的微观运动性提供组织微环境信息[13]。由于水分子的布朗运动,DWI可通过源自高斯扩散模型的表观扩散系数(ADC)进行量化。DWI和动态对比增强MRI显示出预测头颈部副神经节瘤放疗反应的潜力[14],在鉴别头颈部神经鞘瘤和副神经节瘤方面有前景[15],可用于检测隐匿性头颈部鳞状细胞癌原发灶[16],以及预测接受(化)放疗的头颈部鳞状细胞癌患者的生存[17]。扩散张量成像(DTI)和DWI可用于鉴别头颈部良恶性病变[18]。DWI和ADC图像也可用于分割[19]。直方图分析是一种数学方法,可提供所选感兴趣区(ROI)内数据分布的信息,提供更多人眼常忽略的信息[20]。据我们所知,仅有少数研究探讨了MRI特征与NPC患者RTLI发生之间的关联[21–25]。此外,直方图分析在该领域尚未被广泛探索。

本研究旨在探讨治疗前ADC直方图分析在预测NPC患者RTLI中的价值。

方法

患者

这项回顾性单中心研究经当地机构审查委员会批准,并豁免了知情同意要求。我们检索了2017年1月至2021年12月期间的放射学数据库。纳入标准如下:(a)组织病理学确诊的鼻咽癌(NPC);(b)在任何治疗前2周内于本机构进行的头颈部MRI检查,包括弥散加权成像(DWI);(c)接受调强放射治疗(IMRT);以及(d)随访期间发现IMRT后放射性颞叶损伤(RTLI)。排除标准如下:(a)既往接受过任何局部区域治疗史;(b)因严重伪影导致图像质量不佳;(c)颞叶侵犯;(d)复发性NPC。根据纳入和排除标准,共纳入107例RTLI患者。对该患者队列进行了倾向性评分匹配。对照组包括IMRT后无RTLI的患者,按性别与每例病例进行1:1匹配(图1)。因此,本研究共纳入214例患者,按6:4的比例随机分配至训练集(135例)和验证集(79例)。

图1 患者纳入研究流程图。IMRT=调强放射治疗,NPC=鼻咽癌,RTLI=放射性颞叶损伤 查看原图 ↗

临床资料

本研究分析的临床信息包括性别、年龄、中性粒细胞与淋巴细胞比值、TNM分期、病理亚型、治疗方案、治疗前MRI扫描日期、剂量学参数(包括每侧颞叶的最大剂量)以及计划大体肿瘤体积(包括原发鼻咽肿瘤或增大的咽后淋巴结)。

治疗方案与随访

所有患者均接受了标准治疗方案,包括IMRT和同步或辅助化疗,联合或不联合诱导化疗,依据美国国家综合癌症网络指南[26]。所有患者均接受IMRT治疗,使用HiArt TomoTherapy系统(Accuray,Sunnyvale,CA)或Varian-600CD直线加速器(Varian Medical Systems,Palo Alto,CA),处方剂量为70–74 Gy,分30–33次照射[27]。

放疗后,患者常规进行随访MRI检查,前2年每1–3个月一次,第3–5年每6个月一次,此后每年一次。本研究的终点为发生RTLI或非RTLI患者的末次随访(> 36个月)。

RTLI的诊断标准

颞叶损伤(TLI)的诊断标准如下[28]:(a)白质病变,T2加权成像上呈均匀高信号,T1加权成像上呈低信号,无对比增强;(b)增强病变,伴或不伴坏死,增强后T1加权成像上可见,T2加权成像上呈不均匀信号异常;以及(c)囊肿或圆形或椭圆形边界清楚的病变,T2加权成像上呈极高信号,壁薄或不可见。

图像采集

所有患者均使用3.0-T MR扫描仪(GE Discovery MR 750;GE Healthcare,芝加哥,伊利诺伊州)配合8通道头颈部相控阵线圈进行检查。DWI-MRI检查采用单次激发回波平面成像技术,结合频谱预饱和衰减反转恢复脂肪抑制脉冲序列进行轴位采集(重复时间/回波时间,4000/51 ms;带宽,250 kHz;视野,24 cm;层厚,5 mm;层间距,1 mm;激励次数,6.0)。扩散梯度施加的b值为0和800 s/mm²。

颞叶分割

ADC图由MRI控制台从b0和b800图像自动计算生成。MRI图像由两名放射科医师(分别具有18年和5年头颈部影像经验)进行审阅。使用ITK-SNAP(版本3.6.0-RCI;http://www.itk-snap.org)在治疗前MRI的b = 800 s/mm² DWI图像上绘制颞叶感兴趣区(ROI)。ROI沿双侧颞叶中下部的边界手动勾画,范围从大脑脚最上层至颞叶底部(附加文件1:图S1)。由一名初级放射科医师(Dan Bao)手动勾画,一名资深神经放射科医师(Yanfeng Zhao)进行核实,两人均对临床结局设盲。随后将ROI传播至ADC图。在50例随机选择的患者中使用Dice相似系数(DSC)[29]评估观察者间分割变异性。

直方图分析

定量分析由一名具有5年头颈部MRI经验的放射科医师完成。为进行定量分析,将所有ROI合并为ADC图中的感兴趣体积。使用非开源软件Analysis Kit(版本v3.0.1. A,GE Healthcare)提取直方图特征,参数如下:偏度、峰度、熵、能量、范围、均匀性、均值、中位数、最小值、最大值、方差、第10百分位数、第90百分位数、四分位距(IQR)、平均绝对偏差、稳健平均绝对偏差、均方根和总能量。

开发组和验证组

训练队列使用数据集的60%,验证队列使用剩余的40%。使用训练数据进行单因素和多因素logistic回归分析,以确定RTLI的预测因素。采用后向逐步法选择纳入最佳模型的变量,以赤池信息量作为停止准则[30, 31]。使用基于方差膨胀因子的函数检查回归方程中纳入变量的共线性,方差膨胀因子大于10表明存在多重共线性[32]。对显著发现及联合分析进行受试者工作特征曲线(ROC)分析,以评估预测性能。计算灵敏度、特异度、阴性预测值和阳性预测值及其95%置信区间(CI)。使用DeLong方法比较曲线下面积(AUC)。

根据多因素分析结果,将预测模型可视化为列线图,以对RTLI的个体风险进行分层。使用校准曲线描述预测的与观察到的RTLI发生概率之间的一致性。进行Hosmer–Lemeshow检验以说明多因素logistic模型的拟合优度。使用决策曲线分析(DCA)通过量化预测模型在验证集中的净获益来评估其临床实用性。基于该特征与RTLI结局的关联,使用ROC分析确定其最佳截断值。据此,将患者分为低危组和高危组,并通过ROC分析在来自整个数据集的临床-病理因素亚组中比较两组的RTLI预测结局。

统计分析

基线特征采用独立样本t检验或Mann–Whitney U检验(用于连续变量)以及Pearson卡方检验或Fisher精确检验(用于分类变量)进行比较。统计分析使用SPSS(版本26.0;IBM,Armonk,NY)和R软件(版本3.4.4;R Foundation,Vienna,Austria)进行。双侧p值小于0.05表示差异有统计学意义。

结果

患者特征

共纳入214例经病理证实为鼻咽癌(NPC)并接受调强放射治疗(IMRT)的患者(中位年龄47.50岁;IQR 37.8–56岁;女性69例),其中训练集135例,验证集79例。随访期间,107例患者确诊为RTLI(双侧23例;左侧39例;右侧45例)。RTLI组自治疗前MRI起的中位随访时间为33.4个月(IQR 26.2–41.9个月),非RTLI组为61.4个月(IQR 53.5–68.5个月)。基线临床特征见表1。训练组与验证组之间未观察到显著差异(所有p > 0.05)。训练队列和验证队列中RTLI发生率分别为55.56%(75/135)和40.50%(32/79)。

表1 训练队列和验证队列中患者的特征 查看原表 ↗

颞叶分割

在评估分割的可靠性时,阅片者自身Dice值为0.981 ± 0.002(范围0.979–0.982)。

直方图参数的单因素分析

在源自ADC图的18个直方图参数中,能量、峰度、最大值、最小值、范围、偏度和总能量在训练队列中预测RTLI发生的单因素分析中具有显著性(附加文件1:表S1)。

直方图参数的多因素分析

将单因素分析中具有统计学意义的变量纳入多因素logistic回归分析。以Akaike信息准则作为停止规则,通过向后逐步剔除法筛选出的最终最佳预测模型包括峰度(p = 0.06)、最大能量(p = 0.05)、范围(p = 0.06)和总能量(p < 0.001)(表2)。

表2 训练集中多因素logistic回归直方图参数的结果 查看原表 ↗

临床特征选择

临床和剂量学特征的单因素及多因素logistic分析结果见表3。在多因素回归分析中,T分期是RTLI的显著临床预测因素。

表3 训练集中根据单因素和多因素logistic回归分析的临床预测因素 查看原表 ↗

预测模型的开发与验证

基于ADC图衍生的预测模型

基于多因素logistic分析的结果,将四个直方图参数整合为一个Rad-score。Rad-score通过基于各参数相应系数的线性组合计算得出。计算公式如下:

在训练集中,RTLI组与非RTLI组之间存在Rad-score差异(中位数[IQR],0.97 [0.82–0.99] vs. 0.11 [0.03–0.31];p < 0.001),并在验证队列中得到证实(中位数[IQR],0.95 [0.56–0.99] vs. 0.08 [0.02–0.25];p < 0.001)(附加文件1:图S2)。Rad-score在训练队列中的AUC为0.95(95% CI 0.91–0.98),在验证队列中为0.89(95% CI 0.81–0.97)。

临床与直方图发现的联合

五个潜在预测变量的方差膨胀因子范围为1.004至1.278,表明不存在多重共线性。开发了一个包含两个独立预测变量(Rad-score和T分期)的联合模型,并以列线图形式呈现(图2A及附加文件1:表S2)。校准图显示联合模型的预测RTLI概率与实际观察结果高度一致(图2B和C)。模型校准的Hosmer–Lemeshow检验显示拟合良好,无统计学显著性(p = 0.23)。

图2 列线图和校准曲线。a 在训练队列中开发了列线图,纳入Rad-score和T分期。列线图在(b)训练队列和(c)验证队列中的校准曲线 查看原图 ↗

预测模型的性能和验证

Rad-score和联合模型的ROC曲线见图3和表4。与单独使用T分期(AUC,0.63 [95% CI 0.52–0.74])相比,Rad-score(p < 0.001)和联合模型(P < 0.001)对IMRT后RTLI均表现出更好的预测性能。在验证队列中,Rad-score的AUC值(AUC,0.89)略高于联合模型(AUC,0.87),但差异无统计学意义(p = 0.47)。

在基于联合模型获得风险评分后,根据训练队列中最大化的约登指数确定最佳阈值为0.55。据此,将所有患者分为高危(Rad-score ≥ 0.55)和低危(Rad-score < 0.55)RTLI组(附加文件1:图S3)。根据所提出的风险分类器,联合模型在验证队列中预测RTLI的敏感度为81.3%,特异度为82.0%,阳性预测值和阴性预测值分别为81.3%和87.2%。此外,当根据临床病理因素对患者进行分层时,风险分类器在所有亚组中的总体诊断准确性均优良(AUC,0.79–0.98)。所构建的联合模型在不同临床病理亚组患者中的性能见附加文件1:图S4。

此外,DCA表明Rad-score或联合模型获得的净获益略优于单独使用临床因素(附加文件1:图S5)。综合判别改善指数(53.0% [95% CI 0.45–0.61],p < 0.001)和净重分类指数(69.0% [95% CI 0.55–0.83],p < 0.001)的阳性值已展示。

图3 两个模型分别在训练队列和验证队列中的表现。a、b 放射评分(Rad-score),包括四个直方图参数。c、d 联合模型,整合T分期和四个直方图参数 查看原图 ↗
表4 两个模型在训练队列和验证队列中预测放射性颞叶损伤的预测性能 查看原表 ↗

讨论

在本研究中,我们评估了治疗前直方图参数预测鼻咽癌(NPC)患者接受调强放疗(IMRT)后放射性颞叶损伤(RTLI)的能力。我们的结果表明,整合四个直方图参数的放射评分是RTLI的独立预测因素,并显示出良好的预测性能。将T分期和放射评分结合的列线图作为一种定量工具,可有助于接受IMRT治疗的鼻咽癌患者的RTLI风险分层和临床决策。

虽然直方图分析已在多种器官中得到成功验证[33–35],且影像组学特征在鼻咽癌患者RTLI中的预测潜力已被探索[21, 22, 24, 25],但直方图参数在预测RTLI中的效用仍需进一步研究。如前所述,图像异质性与生理异质性相关[20]。我们发现,从颞叶ADC图衍生的一些直方图参数与RTLI的发生相关。在所选直方图参数中,峰度产生了最高的(负)系数,峰度是衡量图像感兴趣区(ROI)内数值分布“峰态”的指标[36]。较低的峰度意味着分布的主体集中在均值附近的一个尖峰处,暗示颞叶在功能上更为均匀。范围表示感兴趣体素(VOI)内灰度值的范围,而总能量是指按体素体积(mm³)缩放的能量特征值[36]。范围和总能量的较高值可能提示组织成分的复杂性。在本研究中,较低的峰度、范围和总能量值导致较高的放射评分,与更容易发生RTLI的患者相关。由于目前尚无导致RTLI的精确机制及其与颞叶异质性关联的组织学证据,我们可以假设异质性较低的图像纹理对应于颞叶VOI中细胞丰富、细胞排列紧密且规则[37, 38]。此外,相应颞叶丰富的血供和高氧需求意味着对放疗更敏感[39, 40],更容易发生RTLI。众所周知,高细胞密度与低ADC相关[41, 42],而ADC最大值区域可能反映颞叶内细胞密度最低的区域。然而,我们的研究结果表明最大值与RTLI发生呈正相关,这与我们先前的假设相矛盾。基于当前研究难以提供合理解释,需要对颞叶异质性与RTLI发生的组织学证据进行进一步研究。

与基于治疗前MRI参数建立预测模型以预测RTLI的其他研究相比,本研究模型的AUC低于基于增强T1加权或脂肪抑制T2加权MRI提取的影像组学特征所构建的预测模型(AUC,0.89 vs. 0.92)[24],而高于基于T1加权和T2加权MRI提取特征所提出的模型(AUC,0.82)[25]。因此,基于ADC直方图参数的预测模型在预测鼻咽癌(NPC)患者RTLI方面表现出有说服力的性能,未来研究应探索多参数MRI模型预测RTLI的可行性。

关于临床预测因素,本研究中T分期被确定为RTLI的临床预测因素,这与Wen等[9]和Guan等[8]的发现一致。本研究表明,整合直方图参数和T分期的列线图产生了满意的预测性能,具有良好的校准度和正的净重分类改善。DCA还表明,联合模型和Rad-score在预测RTLI发生方面均优于单独T分期,但有趣的是,与Rad-score相比,联合模型并未显著提高预测性能;扩展模型相较于单个组分缺乏改善的类似现象此前已在脑肿瘤中观察到[43],并归因于ADC直方图参数的高度内部相关性。

本研究存在若干局限性。第一,由于研究为回顾性设计,存在选择偏倚。因多种原因剔除相当一部分患者可能产生了偏倚。第二,本研究中,IMRT后无RTLI的患者通过倾向性评分匹配按性别与每个RTLI病例以1:1比例纳入。第三,本研究中,IMRT后无RTLI的患者通过倾向性评分匹配按性别与每个RTLI病例以1:1比例纳入。理想的设计应纳入所有患者,以确保不引入与所有相关危险因素和结局有关的偏倚;然而,临床中RTLI的发生率较低,且NPC中RTLI结局所需随访时间较长,可能使研究难以实施。第四,我们在单一制造商生产的3.0-T MRI机器上仅使用0和800 s/mm2两个b值进行DWI;未来在不同MRI扫描仪和技术上使用多个b值进行DWI的研究可能有助于提高结果的普适性。最后,本研究纳入的剂量学参数有限,且在训练集中不是RTLI的独立预测因素;因此,我们未将其纳入最终预测模型。尽管接受放疗的NPC患者是可能发生RTLI的病因因素之一,但本研究纳入的患者均接受了IMRT并根据其病情接受了标准化治疗。因此,在这种情况下,该预测模型对接受IMRT的NPC患者RTLI仍具有预测潜力。本研究使用的预测模型基于治疗前获得的MRI。接受放疗的患者可能存在肉眼不可见的细微变化,并可利用影像组学早期检出。基于IMRT后即刻获得的MRI的预测模型可能产生不同结果[21, 22, 24]。总体而言,直方图、临床和剂量学参数、白质和灰质及其相关变量的可行性已被分别考虑,未来研究应探索IMRT后MRI预测RTLI,尤其是多中心机构中样本量更大的前瞻性研究。

结论

总之,我们的研究揭示,基于颞叶的ADC图直方图参数与NPC患者IMRT后RTLI的发生相关。联合模型实现了对NPC患者RTLI满意的治疗前风险预测,这可能有助于对需要密切随访和有效治疗指导的高危患者进行分层。

补充信息

附加文件1。补充表格和图。

引用

  1. Bao, Zhao, Wu, et al. Added value of histogram analysis of ADC in predicting radiation-induced temporal lobe injury of patients with nasopharyngeal carcinoma treated by intensity-modulated radiotherapy. Insights Imaging. 2022. PMID: 36528686. doi:10.1186/s13244-022-01338-w
  2. 全文:PMC9759610(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9759610/

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。