基于多序列MRI影像组学与临床特征融合的宫颈癌盆腔淋巴结转移预测模型:一项回顾性-前瞻性队列研究

《Frontiers in Medicine》:Multi-sequence magnetic resonance imaging radiomics integrated with clinical features predicts pelvic lymph node metastasis in cervical cancer: a retrospective-prospective cohort study

【字体: 大 中 小 】 时间:2026年10月12日 来源:Frontiers in Medicine 3.6

编辑推荐:

  背景: 盆腔淋巴结转移是宫颈癌分期、复发风险及治疗方案选择的主要决定因素,然而基于淋巴结大小和形态的常规磁共振成像(MRI)标准对于隐匿性淋巴结病变仍显不足。研究人员开发并进行了时间验证,建立了一个多序列MRI影像组学-临床融合框架,用于治疗前预测盆腔淋巴结转

  
背景: 盆腔淋巴结转移是宫颈癌分期、复发风险及治疗方案选择的主要决定因素,然而基于淋巴结大小和形态的常规磁共振成像(MRI)标准对于隐匿性淋巴结病变仍显不足。研究人员开发并进行了时间验证,建立了一个多序列MRI影像组学-临床融合框架,用于治疗前预测盆腔淋巴结转移。 方法: 这项单中心回顾性-前瞻性队列研究纳入了200例经组织学确诊的宫颈癌女性患者,所有患者均接受了治疗前盆腔MRI检查。回顾性训练队列(n=100)收集自2018年1月至2022年12月,前瞻性时间验证队列(n=100)收集自2023年1月至2024年12月。参考标准包括154例患者的手术组织病理学结果和46例患者的复合临床-影像学裁定结果。原发肿瘤在轴位T2加权成像(T2WI)上手动分割,并配准至T1加权成像(T1WI)、弥散加权成像(DWI)/表观弥散系数(ADC)图及动态对比增强(DCE)成像。研究采用了符合图像生物标志物标准化倡议(IBSI)的影像组学流程,包括重采样、强度离散化、可重复性过滤、相关性剪枝及嵌套特征选择。在前瞻性队列中,使用判别力、校准度、决策曲线及重分类分析评估了临床模型、影像组学模型、临床-影像组学(ClinRad)模型及深度融合模型。 结果: 深度融合模型取得了最佳的验证判别力,受试者工作特征曲线下面积(AUC)为0.910(95%置信区间[CI],0.845–0.959),精确率-召回率曲线下面积(AUPRC)为0.849。在训练集衍生阈值下,准确度为0.84,敏感度为0.79,特异度为0.86,阳性预测值(PPV)为0.75,阴性预测值(NPV)为0.89,Brier评分为0.125。深度融合模型的性能优于临床模型(AUC,0.730;平均AUC差值,0.180;P<0.001),并且相较于临床模型改善了重分类。 结论: 多序列MRI影像组学-临床融合改善了宫颈癌盆腔淋巴结转移的治疗前风险分层。在临床实施前,有必要进行外部多中心验证。这些初步的单中心研究结果应谨慎解读,并在广泛临床应用前需要多中心外部验证。

论文解读文章

一、研究背景与问题提出

宫颈癌是全球最常见的妇科恶性肿瘤之一,尤其在低收入和中等收入地区造成了沉重的临床负担。盆腔淋巴结转移(LNM)是宫颈癌最重要的预后因素之一,与复发、远处播散和生存密切相关。淋巴结状态可实质性改变治疗选择,包括根治性手术、放化疗或扩大野照射。因此,治疗前准确评估盆腔淋巴结状态对于风险适应性管理至关重要。
盆腔MRI因其优异的软组织对比度,是局部分期的核心手段,可用于肿瘤勾画和宫旁评估。然而,常规MRI淋巴结评估仍主要依赖大小阈值、形态、中心坏死或不规则边界等标准,这些标准对微转移性疾病的敏感性有限。可见的淋巴结形态仅是转移潜能的间接替代指标,可能无法充分反映瘤内异质性、间质浸润、细胞密度、灌注异质性等促进淋巴结播散的生物学过程。
影像组学通过提取一阶统计量、形态学及纹理描述符,将常规图像转化为高维定量表型,可能捕捉超越主观图像解读的肿瘤行为。已有若干基于MRI的影像组学研究报道了宫颈癌LNM预测的良好性能,包括基于单序列MRI、多参数MRI及混合临床-影像组学列线图的模型。然而,方法学局限仍然普遍存在,包括单中心回顾性设计、时间或外部验证不足、校准和临床效用的报告不完整,以及对可重复性和偏倚风险关注不足。本研究并非消除了所有这些局限,其增量贡献在于时间分离的前瞻性评估队列、泄漏控制的多序列融合、参考标准来源的明确报告,以及校准、临床效用和重分类的评估;单中心抽样和缺乏外部多中心验证仍未解决。
研究人员因此开发了一种抗泄漏的治疗前预测框架,整合多序列MRI影像组学和常规可获得的临床变量,用于宫颈癌盆腔LNM评估。研究假设,融合T2WI、弥散/ADC成像、DCE成像、T1WI及临床变量的互补序列特异性信息,将比单独临床评估改善判别力、校准度和决策分析价值。

二、研究设计与主要技术方法

本研究为单中心回顾性-前瞻性队列研究,在宜昌市中心人民医院开展。回顾性开发队列纳入2018年1月至2022年12月连续符合条件的患者,前瞻性时间验证队列纳入2023年1月至2024年12月连续入组的患者。共纳入200例符合条件的患者,训练队列和验证队列各100例。训练队列中36例(36.0%)确认盆腔LNM阳性,验证队列中34例(34.0%)阳性。手术组织病理学作为154例患者的参考标准,复合裁定用于46例患者。
研究采用了符合图像生物标志物标准化倡议(IBSI)的影像组学工作流程,使用PyRadiomics实现。原发肿瘤在轴位T2WI上使用ITK-SNAP三维手动分割,分割医师对病理淋巴结状态和结局数据设盲。肿瘤掩膜在刚性或仿射配准后传播至其他序列。所有图像体积重采样至各向同性1×1×1 mm3体素,采用三阶B样条插值,掩膜采用最近邻插值。应用强度归一化和固定箱宽离散化。初始特征池包括一阶统计量、形态描述符及纹理矩阵特征。特征稳健性以双向随机效应组内相关系数(ICC)量化,仅保留ICC≥0.75的特征。Spearman相关系数≥0.90的特征对通过保留更可重复或临床可解释的描述符进行剪枝。剩余标准化特征进入训练队列的嵌套特征选择框架,使用最小绝对收缩和选择算子(LASSO)逻辑回归推导简约影像组学特征。
构建了四个模型家族:临床模型纳入预设临床和MRI评估变量;影像组学模型单独使用选定的影像组学特征;ClinRad模型整合影像组学特征与临床预测因子;深度融合模型在全连接神经网络框架中结合多序列影像组学信息与临床变量。深度融合网络使用T1WI、T2WI、ADC和DCE图像的标准化序列特异性影像组学向量及标准化临床向量作为输入,每个成像分支包含一个密集层(16个神经元,ReLU激活),后接批归一化和30%丢弃率;分支输出与临床向量拼接,通过两个密集层(32和16个神经元,ReLU激活),带L2权重衰减和丢弃率,最终为单个sigmoid输出节点。模型使用Adam优化器以二元交叉熵训练,超参数仅在嵌套训练队列交叉验证循环内选择。

三、研究结果

患者特征: 训练队列和验证队列在年龄、肿瘤大小、FIGO分期分布、组织学类型、HPV状态、SCC-Ag浓度、MRI报告淋巴结可疑及LNM患病率方面大体可比。全队列中,病理参考组154例中50例(32.5%)LNM阳性,复合参考组46例中20例(43.5%)阳性,差异无统计学显著性(Fisher精确检验P=0.217)。
特征稳健性与影像组学特征: 可重复性过滤后,仅保留ICC≥0.75的稳健特征。冗余减少和嵌套LASSO建模产生了一个包含12个特征的紧凑特征,涵盖T2WI、ADC、DCE和T1WI序列的一阶统计量、形态和纹理类别。选定特征包括灰度共生矩阵(GLCM)相关性、GLCM对比度、灰度大小区域矩阵(GLSZM)区域方差、灰度游程矩阵(GLRLM)游程方差及形态球形度等描述符。最终特征的序列组成表明,ADC和DCE特征贡献了超越形态学T2WI描述符的互补信息。
模型判别力与分类性能: 内部交叉验证中,深度融合模型取得最高平均AUC(0.91±0.03),其次为ClinRad模型(0.89±0.04)和影像组学模型(0.87±0.04)。该排序在前瞻性验证中得以保持。深度融合模型表现出最佳判别力,AUC为0.910(95%CI,0.845–0.959),AUPRC为0.849,而ClinRad模型AUC为0.880(95%CI,0.801–0.944)。单序列影像组学模型中,ADC表现最佳(AUC,0.810),其次为T2WI、DCE和T1WI。在训练集转移的固定操作点下,深度融合模型在验证队列中准确度为0.84,敏感度为0.79,特异度为0.86,PPV为0.75,NPV为0.89。与临床模型相比,融合策略提高了敏感度和PPV,同时保持了良好的特异度。
校准、临床效用与AUC比较: 深度融合模型Brier评分最低(0.125),表明概率准确性相对有利;但校准截距(0.463)和斜率(0.828)仍显示一定程度的不校准。引导法AUC比较确认深度融合模型较临床基线显著改善(平均AUC差值,0.180;95%CI,0.088–0.280;P<0.001)。决策曲线分析显示,深度融合和ClinRad模型在广泛阈值概率范围内提供高于临床模型及全治疗或全不治疗策略的净获益。
可解释性与亚组分析: 影像组学特征评分在开发队列和验证队列中均显示LNM阳性与阴性患者之间的清晰分离。标准化系数最大的特征主要为纹理描述符,表明空间复杂性、灰度不均质性和灌注相关不规则性与淋巴结播散密切相关。探索性亚组分析显示,深度融合模型在FIGO分期分层、组织学亚型、肿瘤大小分组和MRI评估淋巴结状态中表现相对稳定。MRI阴性淋巴结患者中判别力保持较高(AUC,0.926),这在临床上具有重要意义,因为该亚组中隐匿性淋巴结病变尤为棘手。
临床模型的增量价值: 重分类分析支持深度融合模型的附加价值。相对于临床模型,分类净重分类改善(NRI)为0.535(95%CI,0.257–0.791),综合判别改善(IDI)为0.286(95%CI,0.176–0.400)。这些发现表明,纳入定量MRI表型可显著改善超越常规临床评估的患者层面风险分层。

四、讨论与结论

研究结果与既往宫颈癌研究一致,表明MRI衍生影像组学特征较常规临床影像学变量单独使用可改善淋巴结转移预测。融合模型优于任何单序列模型支持多参数策略的生物学合理性。纹理特征突出具有临床可信度,增加的灰度异质性和不规则区域或游程分布可能反映坏死、间质重塑、缺氧、血管生成和微观浸润性生长,这些均与转移潜能机制性相关。
研究强调超越AUC的评估,报告了校准截距和斜率、Brier评分、AUPRC及重分类统计量。研究局限性包括单中心设计、样本量适中、验证队列为时间性而非外部性、参考标准异质性可能引入验证偏倚、手动分割劳动密集、扫描仪和协议相关变异性,以及亚组分析受小分层限制。
研究结论为:多序列MRI影像组学结合常规临床变量改善了宫颈癌盆腔LNM的治疗前预测,优于单独临床模型。该方法在多中心外部验证和工作流程优化后,可能支持个体化风险分层和治疗规划。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号