文献速递泌尿生殖腹部PETCT

基线[18F]氟甲胆碱PET/CT影像组学预测中高危前列腺癌生化复发

Role of radiomic analysis of [18F]fluoromethylcholine PET/CT in predicting biochemical recurrence in a cohort of intermediate and high risk prostate cancer patients at initial staging.
PubMed 文献 · Eur Radiol · 2023-04-20

本研究前瞻性纳入74例中高危前列腺癌患者,在初始分期时行[18F]氟甲胆碱PET/CT,提取三种前列腺分割方式与三种SUV离散化步长组合的影像组学特征,训练逻辑回归模型预测生化复发。基线临床模型AUC为0.73,联合影像组学特征后最高中位AUC提升至0.78(PG2.5分割、0.4 SUV步长)。结果表明影像组学可增强临床参数对生化复发的预测能力。

要点

  • 中高危前列腺癌初始分期PET/CT影像组学可辅助预测生化复发。
  • 前列腺SUV>2.5阈值分割联合0.4 SUV离散化步长时预测性能最佳。
  • 影像组学模型需联合Gleason评分和基线PSA等临床参数使用。

核心结论

  • 影像组学分析[18F]氟甲胆碱PET/CT图像可行,能增强临床参数对中高危前列腺癌患者生化复发的预测。

研究设计与样本

  • 前瞻性单中心队列研究,纳入74例中高危前列腺癌患者,来自意大利Veneto肿瘤研究所2013年3月至2019年10月。
  • 患者行[18F]氟甲胆碱PET/CT初始分期,注射剂量3 MBq/kg,60分钟后采集,低剂量CT用于衰减校正和解剖定位。
  • 采用三种前列腺分割(PGwhole全腺体、PG41% SUV>41%SUVmax、PG2.5 SUV>2.5)和三种SUV离散化步长(0.2、0.4、0.6)组合,共9种影像组学特征集。
  • 使用开源IBSI兼容软件S-IBEX提取172个影像组学特征,逻辑回归联合LASSO建模,30次重复留出法验证(训练测试比3:1)。
  • 参考标准为生化复发,定义为根治性前列腺切除术后PSA>0.2 ng/mL或根治性放疗后PSA>最低值+2.0 ng/mL。

关键影像表现/征象

  • 前列腺癌原发灶表现为局灶性示踪剂摄取增高区,全腺体手动分割时需排除膀胱放射性溢出的影响。

诊断标准与关键数值

  • 基线临床模型(基线PSA、Gleason评分、临床分期)预测生化复发的中位AUC为0.73。
  • PG2.5分割联合0.4 SUV离散化步长时,临床+影像组学模型中位AUC为0.78,中位平衡准确度0.75、特异度0.83、敏感度0.75、精确度0.80、F1分数0.72。
  • PGwhole分割在所有离散化步长下中位AUC均低于0.70;PG41%分割在0.4和0.6步长下AUC为0.72。
  • 仅影像组学特征模型中,PG2.5联合0.4 SUV步长在多数指标上仍为最佳组合。
  • Gleason评分和基线PSA在30次模型验证中被选入超过20次,为最常选入特征。

临床应用与阅片要点

  • 对于中高危前列腺癌初始分期PET/CT,可尝试以前列腺SUV>2.5阈值勾画病灶体积进行影像组学分析,较全腺体分割更精确。
  • 影像组学预测模型应结合Gleason评分和基线PSA等临床参数综合评估生化复发风险,不宜单独依赖影像组学特征。
  • 注意[18F]氟甲胆碱为非前列腺癌特异性示踪剂,低SUV区域可能反映成像限制或非特异性摄取,阈值分割有助于剔除。

局限性

  • 单中心队列研究,样本量相对较小(74例)。
  • 患者接受根治性前列腺切除术或根治性放疗两种不同治疗,但原文认为治疗方式不影响预测结果有效性。
  • [18F]氟甲胆碱为非特异性示踪剂,当前PSMA靶向示踪剂被认为更有前景但可及性有限。
  • 缺乏外部数据集验证,需前瞻性多中心研究进一步验证临床适用性。
全文中译13 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. 2023 Apr 20;33(10):7199–208. doi: 10.1007/s00330-023-09642-9

引言

前列腺癌(PCa)是男性中最常被诊断的癌症,也是全球第五大死因[1, 2],尽管自20世纪90年代中期以来,由于早期检测和治疗选择的改善,其死亡率在大多数高收入国家已有所下降[2]。

在PCa中,分期时的风险分层对于确定最佳治疗策略以及因此的预后至关重要。原发性PCa患者的5年风险分层主要基于临床分期、基线前列腺特异性抗原(PSA)水平和Gleason评分(GS)[3]。然而,活检取样容易对PCa进行错误分级,常导致分级偏低[4],并且可能发生轻微并发症,如肉眼血尿、血精和直肠出血[5, 6]。近年来磁共振成像(MRI)融合引导活检的引入显著提高了原发肿瘤的检测,尽管MRI与活检之间的一致性欠佳,且在根治性前列腺切除术(RP)前仍无法评估整个腺体。尽管采用了原发治疗,无论是RP还是治愈性放疗(RT),2–50%的患者在治疗后10年内经历生化复发(BCR),定义为RP后血清PSA水平升高至0.2 ng/mL以上,或根治性放疗后血清PSA水平>最低点+2.0 ng/mL[10]。因此,在初始治疗前评估BCR风险对于规划适当的治疗方法至关重要。

正电子发射断层扫描(PET)联合计算机断层扫描(CT)或MRI,使用多种靶向胆碱(如[18F]氟甲基胆碱和[11C]胆碱)、前列腺特异性膜抗原-PSMA(用68Ga或18F标记)和[18F]氟环洛丁的放射性示踪剂,有助于定位前列腺腺体(PG)中的可疑病灶,为癌症检测提供有价值的工具,从而指导活检和治疗。自引入以来,PET已被证明是疾病初始分期中的基本检查[11, 12],目前被多个指南推荐,尤其是在高危PCa的情况下[3, 13, 14]。成像的一个主要优势在于能够无创且重复地对整个体积(整个肿瘤和/或任何转移灶)进行采样,随时间揭示其表型特征,从而克服活检的侵入性和采样误差[15]。

在此背景下,人工智能(AI)提供了一种有前景的辅助手段,通过执行通常需要人类智能才能完成的任务,帮助医生分析和解读生物医学图像[16]。在肿瘤学中,基于AI的模型通常输入从生物医学图像中提取的特征(例如影像组学特征),并结合其他临床、人口学和/或组织病理学参数,以构建临床结局(如总生存期、复发、危险因素等)的预测或预后数学模型。具体而言,影像组学是一个不断发展的领域,其从诊断性医学图像中提取大量定量特征。这些特征可能提供与潜在分子和遗传特征相关的信息,从而可用于改善治疗反应预测和预后评估,并有可能实现癌症治疗的个体化[15]。特别是,从PET图像中提取描述体素强度异质性的额外特征日益受到关注,这些特征可能只能被主观测量甚至被专家肉眼遗漏,从而以非侵入性方式为临床决策提供额外的、可能相关的诊断信息[17, 18]。

最近一篇关于PET影像组学的综述显示,尽管一些已发表的研究因可用数据量较小(30%的研究患者数< 50例)而稳健性和可重复性有限,且缺乏在外部数据集或初始数据集的独立子样本中的验证(占28%),但对PET影像组学的兴趣正呈指数级增长[19]。这些研究大多主要集中在肺癌、头颈癌和妇科癌症,这可能是由于其发病率较高所致,而关于前列腺癌(PCa)和PET影像组学的数据仍然有限[19, 20]。据我们所知,在PCa患者中,影像组学分析已在初始分期、复发检测和转移性疾病情况下进行了研究,主要使用MRI[21]。然而,PET影像组学已被证明在肿瘤特征评估、诊断和预后方面具有巨大潜力[19]。

本研究旨在对一组中危和高危PCa患者的[18F]氟甲基胆碱PET/CT图像进行影像组学分析,以预测生化复发(BCR)。由于影像组学对数据要求较高,且并非总能获得大规模受试者队列,我们实施了一套稳健的内部验证流程。

材料与方法

本研究纳入的患者是一项前瞻性试验(EUDRAcT编号:2013–002,511-99)的一部分。所有患者均知情同意使用其个人和临床数据。所有操作均符合1964年《赫尔辛基宣言》及其后续修正案所定义的伦理标准。

患者人群

本研究前瞻性选取2013年3月至2019年10月在意大利威尼托肿瘤研究所(帕多瓦)因疾病初始分期接受[18F]氟甲基胆碱PET/CT检查的中危和高危前列腺癌(PCa)患者(根据美国国家综合癌症网络-NCCN分类[22])。采用以下纳入标准:(1)根据最新EAU(欧洲泌尿外科协会)风险组分类(PSA水平大于10 ng/mL或Gleason评分> 7(4 + 3)或至少cT2b临床分期)确认的中危至高危PCa [22, 23];(2)年龄> 18岁;(3)适合行根治性前列腺切除术和淋巴结清扫术或根治性放疗的患者;(4)可获得随访信息;(5)无因植入物导致的可见CT伪影。相反,有既往癌症史的患者和/或接受过激素治疗的患者被排除。最终数据库包括74例连续患者(中位年龄:73岁,范围[43–86])。从病历中检索基线临床、人口学和生物学数据,如年龄、PSA、组织学亚型、术前GS、临床分期和BCR。其中,基线PSA、术前GS和临床分期被纳入分析。缺失的临床值采用k-最近邻算法插补。纳入模型时,GS和临床分期分别进行二分类:GS ≤ 7 versus GS > 7和T1/T2 versus T3。

PET/CT采集、重建和判读

全身PET/CT从颅顶至股骨近端采集,6–7个床位,每床位2–3分钟,静脉注射示踪剂(3 MBq/kg的[18F]氟甲基胆碱)后60分钟进行。低剂量全身CT扫描(无对比剂增强;140 kV,80–120 mA)用于衰减校正和病变部位的解剖定位。PET数据重建的平面内体素大小为4 mm,层厚为2或4 mm。处理后的图像以冠状面、横断面和矢状面显示。[18F]氟甲基胆碱PET/CT图像由两名受过PET/CT成像培训的专家共同判读。通过分析整个PG并识别局灶性示踪剂摄取区域来评估原发肿瘤。

前列腺勾画

整个前列腺腺体(PGwhole)由两名专家医师(L.E.和P.G.,分别具有超过10年和4年的[18F]氟甲基胆碱PET/CT报告经验)通过对混合成像的CT数据进行逐层手动分割共同勾画。通过交叉核对对所得分割进行验证。随后将勾画转移至PET数据,并在必要时进行细化,以从分割中排除因膀胱内蓄积示踪剂溢出效应所致的摄取。通过对PG内标准化摄取值(SUV)应用两个常规阈值获得另外两个分割:即前列腺内最大SUV值的41%(PG41%),和SUV > 2.5(PG2.5)。所得区域(即PGwhole、PG2.5、PG41%)分别纳入分析。图1展示了一例代表性患者的三种分割方法。

图1 一名代表性患者的PET与CT融合图像,轴位(a)、冠状位(c)和矢状位(d)视图。在(c)和(d)图的上部可见膀胱高摄取,表现为不均匀的红-橙-黄色区域。(b)图显示相应的3D VOI。图中,蓝线代表PGwhole,浅蓝线代表PG2.5,红线代表PG41%(S=上,I=下,P=后,A=前,R=右,L=左) 查看原图 ↗

影像组学特征

影像组学特征提取分别基于三种不同的PG分割,使用开源且符合IBSI标准的软件S-IBEX进行[24, 25]。PET图像经线性插值获得2 mm的各向同性体素大小,并在[0–20] SUV范围内重新分割。为计算需要SUV离散化的特征,选择固定箱宽(FBS)方法,箱宽分别为0.2、0.4和0.6 SUV,从而每种PG分割方法产生3组不同的特征集,共计9种组合。关于特征提取的更多细节见补充表S1和S2。

每种PG勾画/箱宽组合包含172个影像组学特征,属于11个特征家族[26],描述感兴趣体积(VOI)的形状、强度分布和纹理特征。最终,每位患者有9组不同的影像组学特征集。

逻辑回归模型

设计了一套统一的标准流程用于预测模型的训练,如图2所示。首先,我们仅使用临床数据训练基线模型,以评估可用的临床参数单独是否包含BCR的预测信息。随后,将临床数据与由PG勾画/箱宽确定的九组影像组学特征集分别整合。最后,还评估了仅使用影像组学特征训练的模型的性能以进行比较。

首先,从数据集中移除绝对Spearman相关系数大于0.95的特征,以减少预测变量之间的冗余。剩余特征输入逻辑回归模型,在30次重复留出法验证流程中预测BCR,训练-测试比为3:1。对于每个训练阶段,我们重复以下步骤:使用合成少数类过采样技术(SMOTE)进行数据平衡[27]。

使用Z分数进行特征归一化。

在训练集上使用Scikit-learn Python库的“SelectFromModel”方法进行特征选择。

训练结合最小绝对收缩和选择算子(LASSO)的逻辑回归模型,以进一步选择最具信息量的参数并预测BCR。在训练集上采用5折交叉验证流程以优化正则化参数lambda。

使用最优lambda在整个训练集上重新训练模型。

通过受试者工作特征(ROC)曲线下面积(AUC)以及平衡准确率、特异性、灵敏度、精确率和F1分数评估预测结果,其中F1分数是模型精确率和灵敏度的调和平均数。

对于所有指标,得出验证流程30个测试集上的中位数和第5–95百分位数。全部分析使用Python编程语言通过Scikit-learn和SciPy库(版本3.7)实现。

图2 LASSO逻辑回归模型的训练方案 查看原图 ↗

结果

对于我们的队列,中位PSA(2例患者缺失)为11 ng/mL(范围2.54–80.9 ng/mL),GS≤7者34例(46%),GS>7者40例(54%),临床分期为T1或T2者66例(89%),T3者7例(9%),缺失1例(1%)。39例患者(53%)接受了根治性前列腺切除术(伴或不伴盆腔淋巴结清扫),而35例(47%)接受了根治性放疗。BCR发生于28例(38%)患者。中位随访时间为35.5个月(范围3.8–94个月)。PGwhole数据集包括全部74例患者。相反,PG2.5和PG41%分别有2例和4例患者被剔除,因为其VOI体积小于0.5 cm3,不足以对感兴趣区体积进行稳健的纹理表征。

生化复发预测

对于每个特征集(由分割方法和bin宽度定义),LASSO逻辑回归模型性能指标的中位数和[第5–95百分位]总结于表1中(基线临床模型以及同时使用临床和影像组学特征训练的模型),基于单独影像组学特征的模型则总结于补充材料的表S3中。在开发流程的30折中被选择最多的前五个特征显示于补充图S1中。

基线临床模型取得了良好性能,中位AUC为0.73(图3a)。性能得分最高的是使用0.4 SUV bin大小在PG2.5体积上训练的模型。对于该模型,30个测试折上的中位AUC为0.78,中位平衡准确度、特异性、敏感性、精确率和F1分数分别为0.75、0.83、0.75、0.80和0.72(图3b)。

PGwhole性能最低:对于所有bin大小,中位AUC均低于0.70,所有其他指标得分相似。PG41%分割在0.4和0.6 bin宽度下达到AUC值0.72。对于该方法,所有bin宽度在特异性和精确率方面均获得良好得分,但以敏感性降低为代价。总体而言,考虑全部十个特征集,敏感性是中位数和百分位得分最低的指标。敏感性最高值等于0.75,见于与PG2.5和FBS 0.4 SUV相关的模型,其次是基线临床模型,其敏感性等于0.69。相反,几乎每个特征集的特异性均达到最高中位得分(高达0.92)。

与其他模型(除PG2.5和FBS 0.4 SUV外)相比,仅临床数据获得了良好的预测结果,中位AUC为0.73、中位F1分数为0.69,性能有所改善,但特异性结果较差。

仅使用放射组学特征训练的模型证实,几乎所有指标的最佳组合均为PG2.5分割与FBS 0.4 SUV的组合,且仅放射组学特征即包含对BCR的预测信息(补充表S3)。然而,模型纳入临床特征的重要性得到了以下事实的支持:在所有模型中,GS和PSA是最常被选择的特征,在模型验证过程中30次中有超过20次被纳入模型(补充图S1)。此外,所得最佳模型能够指出对BCR预测贡献最大的放射组学特征。除GS被选择30/30次外,模型还识别出形态学特征家族的“质心偏移”和强度直方图特征家族的“最大直方图梯度强度”为同等重要的BCR预测因子,二者分别被纳入模型30/30次和28/30次。

表1 各分割/箱大小特征集在考虑临床特征或放射组学+临床特征时,30个测试集折的预测结果中位数及[第5–95百分位数](AUC 受试者工作特征曲线下面积;FBS 固定箱大小;PG 前列腺) 查看原表 ↗
图3 (a) 基线临床模型的中位ROC曲线,(b) 基于PG2.5 0.4 SUV并考虑放射组学和临床特征训练的模型(ROC = 受试者工作特征曲线;AUC = 受试者工作特征曲线下面积;FBS = 固定箱大小;PG = 前列腺) 查看原图 ↗

讨论

在本研究中,我们在一组接受[18F]氟甲基胆碱PET/CT进行疾病初始分期的中危和高危前列腺癌(PCa)患者队列中,检验了放射组学分析对BCR预测的效用。

我们的分析结果表明,相较于基于PSA、GS和临床分期的基线临床模型,当临床数据辅以放射组学特征时,BCR预测性能进一步提高。特别是,我们发现特定PG分割(PG2.5)与0.4 SUV离散化方法的组合是从BCR预测角度处理原始PET图像的最佳方式。这意味着通过设定2.5 SUV阈值来舍弃前列腺内低SUV值对分析是有益的:相较于考虑整个PG更为精确,且比41%阈值更为保守。同样,在Tu等人[28]的研究中,作者超越了传统的以肿瘤为中心的放射组学分析视角,将77例患者的整个前列腺器官分为三个放射组学区域:代谢肿瘤区、近端外周肿瘤区和器官成像边界内的扩展外周肿瘤区。作者发现这些区域在风险组分类中具有不同的预测能力。他们的研究支持了从胆碱PET图像提取的放射组学特征可预测多种临床终点的假说,并表明根据结局的不同,有用信息可能局限于腺体的特定区域。

至于用于SUV离散化的箱宽,结果显示在研究考察的各个箱大小之间取得折衷的方案最为成功。这可能是因为使用较小的步长可能会削弱离散化有益的噪声抑制特性,而较大的步长则可能导致信息损失,不同的强度值被压缩在同一箱内,从而变得无法区分。

据我们所知,我们的研究是首个使用[18F]氟甲基胆碱PET/CT将影像组学特征与BCR事件相关联的研究。事实上,目前已有一些论文探讨了使用放射性标记胆碱和PSMA PET/CT或PET/MRI的影像组学模型预测PCa侵袭性的应用,而关于结局的数据则很少[20, 28–30]。

然而,越来越多的证据支持使用风险分层工具,这些工具结合临床参数、基因组生物标志物以及形态学和功能特征,能够优化医疗保健或预测PCa患者的BCR [31–34]。尽管如此,这些预测工具在前瞻性随机临床试验中缺乏验证是其引入临床实践的主要局限性。方法学标准化、数据共享和软件可及性被认为是提高已发表研究的适用性和可复用性的额外重要因素。在本研究中,我们采用了开源且高度标准化的影像组学软件S-IBEX [25],以执行完整且可重复的影像组学特征提取。

局限性

本研究存在一些局限性。首先,与其他该领域的研究一样[29, 35],它基于单中心队列。尽管如此,我们用于数据准备的方法(即通过相关性分析进行冗余减少、特征选择、类别不平衡校正)以及所实施的交叉验证方案,最大限度地降低了结果偏倚的可能性,提高了泛化能力,并使得能够处理相对较小的样本量。交叉验证的预测结果表明,我们的模型能够在独立数据中识别有BCR风险的患者。

其次,患者的管理包括两种不同的治疗方式(即手术或放疗)。然而,就本研究而言,治疗并未影响预测结果的有效性,因为既往研究已证明,无论治愈性治疗方式如何,高危PCa患者的结局是相似的[36, 37]。

此外,[18F]氟甲基胆碱是一种非特异性前列腺癌示踪剂,目前,PSMA靶向放射性示踪剂被认为更有前景。然而,它们也比放射性标记胆碱更昂贵且可获得性有限(例如,18F-或68Ga标记的PSMA均须在本地生产,18F标记的PSMA尚未商业化供应,而68Ga标记的PSMA由于68Ga的半衰期较短而无法远距离运输)。因此,PSMA-PET目前仅在相对少数的诊断中心开展,我们认为[18F]氟甲基胆碱在很长一段时间内仍将是前列腺癌成像中最广泛使用的放射性药物。尽管如此,性能最佳的模型对PG摄取进行了阈值化处理(即SUV < 2.5),有效地舍弃了可能归因于成像局限性或[18F]氟甲基胆碱非特异性的低SUV值。

结论

总之,本研究表明了对PET影像进行影像组学分析以推断有用信息、用于对存在生化复发(BCR)风险的患者进行分层的可行性。

在未来的研究中,我们旨在使用新型示踪剂和成像方法(例如使用68Ga标记PSMA配体的PET/MRI)来验证所提出方法的有效性。然而,需要前瞻性、多中心研究来探究我们研究结果的临床应用,并充分探索PET影像组学在临床实践中的作用。临床数据、生化参数和影像组学特征的整合可能大大作为一种多模态系统,在前列腺癌(PCa)初始分期时增加预后信息,最终目的是制定量身定制的治疗策略。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 306 KB)

引用

  1. Marturano, Guglielmo, Bettinelli, et al. Role of radiomic analysis of [18F]fluoromethylcholine PET/CT in predicting biochemical recurrence in a cohort of intermediate and high risk prostate cancer patients at initial staging. Eur Radiol. 2023. PMID: 37079030. doi:10.1007/s00330-023-09642-9
  2. 全文:PMC10511374(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10511374/

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。