《Intelligent Medicine》:MRI-based radiomics and deep learning for predicting treatment response in thyroid eye disease: A single-slice strategy
编辑推荐:
背景:基于磁共振成像(MRI)的影像组学分析在预测甲状腺眼病(TED)静脉注射糖皮质激素(IVGC)治疗反应方面具有巨大潜力。然而,传统的人工分割整个眼眶区域需要大量的时间和资源。因此,本研究探讨了使用单层切片MRI作为构建预测模型的替代方法的可行性。
方法
背景:基于磁共振成像(MRI)的影像组学分析在预测甲状腺眼病(TED)静脉注射糖皮质激素(IVGC)治疗反应方面具有巨大潜力。然而,传统的人工分割整个眼眶区域需要大量的时间和资源。因此,本研究探讨了使用单层切片MRI作为构建预测模型的替代方法的可行性。
方法:在这项回顾性队列研究中,研究人员纳入了127例接受4.5g IVGC并接受全面随访评估的TED患者。所有参与者均采集了治疗前眼眶T2加权成像。采用了两种分割方法:多层面分割和眼外肌的单层切片分割。随后构建了基于三种机器学习算法的影像组学模型和深度学习(DL)模型。
结果:在基于单层切片的模型中,使用第三眶后层面的模型优于其他三个层面。基于曲线下面积(AUC)值,基于单层切片的模型也显示出与基于多层面的模型相当的性能(影像组学:AUC=0.850 vs. 0.863;DL:AUC=0.900 vs. 0.908)。
结论:使用单层切片和多层面分割构建的模型在预测TED患者IVGC反应方面均表现出良好且相当的性能。这些发现表明,单层切片分割可能作为临床实施中一种成本效益高的替代策略。
论文解读
甲状腺眼病(TED)是一种常见的自身免疫性眼眶疾病,静脉注射糖皮质激素(IVGC)是活动性中重度TED的一线治疗方法,但该治疗伴随高血压、高血糖、骨质疏松等风险,且对IVGC无反应的患者可能因延误治疗而面临视力丧失风险。临床活动评分(CAS)虽用于评估疾病活动性并指导治疗,但其主要关注眼部炎症症状和感觉疼痛,无法准确预测治疗结果。磁共振成像(MRI)尤其是T2加权成像(T2WI)可提供软组织解剖和功能信息,在TED分期和治疗反应预测中显示出明显潜力。影像组学和深度学习(DL)作为先进的图像分析方法,已被用于TED活动性检测和IVGC反应预测,并取得了良好效果。然而,传统方法需要对整个眼眶区域进行逐层手动分割,因眼眶解剖结构复杂且耗时费力,限制了其临床应用。因此,本研究旨在探索一种单层切片分割策略,用单个代表性层面的MRI图像构建预测模型,以在保证预测性能的同时降低时间和资源成本。
研究人员开展了一项回顾性队列研究,纳入了127例接受4.5g IVGC并完成充分随访的TED患者,所有患者均采集了治疗前眼眶T2WI。通过比较单层切片和多层面两种分割方式,分别构建了基于影像组学和DL的预测模型,以评估单层切片策略的可行性。结果显示,单层切片模型与多层面模型的预测性能相当,其中第三眶后层面表现最佳。这一发现为影像组学在眼眶疾病的临床转化提供了高效、低成本的替代方案,有助于促进TED的精准管理。
本研究为回顾性队列研究,样本来自上海第九人民医院(2017年6月至2021年6月)的127例TED患者。主要技术方法包括:使用ITK-SNAP软件对眼外肌进行手动分割,分别进行多层面和单层切片分割,其中单层切片选取第一至第四眶后层面;从MRI图像中提取660个影像组学特征,经t检验和最小绝对收缩与选择算子(LASSO)算法筛选出6个关键特征;采用逻辑回归(LR)、随机森林(RF)和支持向量机(SVM)三种机器学习算法构建影像组学模型;DL模型采用基于DenseNet-201的网络架构,输入图像经裁剪和归一化处理。模型评价采用受试者工作特征(ROC)曲线、校准曲线和决策曲线分析(DCA)。
3.1 临床特征
通过比较治疗应答组(56例)和无应答组(71例)的临床资料,在训练队列中,吸烟、复视评分、CAS、眼球突出度和睑裂高度在两组间有显著差异(P<0.05或P<0.01),而测试队列中未见显著差异。这提示所纳入的临床变量在单层切片建模中作为潜在影响因素的分布情况。
3.2 影像组学模型性能
通过分别构建基于不同眶后层面和三种ML算法的影像组学模型,发现大多数情况下LR模型取得最高AUC。其中,第三眶后层面单层切片模型表现最佳,训练队列AUC=0.899,测试队列AUC=0.850,与多层面模型(训练0.904,测试0.863)相当。校准曲线和DCA结果进一步支持单层切片模型的可靠性。
3.3 深度学习模型性能
基于DenseNet-201的DL模型训练60个周期后,第三眶后层面单层输入模型的AUC为0.900,与多层面模型的0.908相当。校准曲线和DCA验证了单层切片DL模型预测IVGC反应的有效性。所有模型的损失曲线显示除第一眶后层面外均稳定收敛。
讨论部分指出,单层切片分割高效可行,将处理时间从多层面的15.8分钟降至2.4分钟。TED的主要病理表现为眼外肌因炎性浸润而增大,眶后层面能有效捕捉这一变化,其中第三眶后层面靠近眼外肌最大横截面积区域,因此保留了最相关的诊断信息。该策略与多种图像处理算法兼容,影像组学和DL在单层输入下均能达到与多层面相当的性能,这与既往在其他疾病中单层切片研究的结果一致。局限性包括固定间隔3.85mm未考虑个体解剖差异、样本量相对有限、缺乏外部验证以及ML和DL模型范围有限。研究结论认为,为促进影像组学在眼眶疾病中的临床应用并推动更广泛的采用,研究人员评估了基于单层切片的影像组学和DL模型作为预测IVGC治疗反应的多层面模型替代方案的有效性和可靠性。研究结果表明,基于一个关键MRI层面的模型的预测性能与多层面模型相当。在未来的TED预测模型开发中,应特别注意冠状位MRI上的第三眶后层面。基于单层切片的影像组学和DL模型可促进IVGC反应预测模型的构建,从而应对这一重要临床挑战并有助于TED的精准管理。