《European Radiology Experimental》:CT-based multi-station lymph-node radiomics for preoperative prediction of lymph node metastasis in colorectal cancer: a proof-of-concept comparison with primary-tumor radiomics
编辑推荐:
目的:准确的术前预测结直肠癌(colorectal cancer,CRC)淋巴结转移(lymph node metastasis,LNM)在传统CT评估中仍具挑战性。这项概念验证性研究比较了基于CT的多站淋巴结影像组学与原发性肿瘤影像组学在患者层面术前预测LN
目的:准确的术前预测结直肠癌(colorectal cancer,CRC)淋巴结转移(lymph node metastasis,LNM)在传统CT评估中仍具挑战性。这项概念验证性研究比较了基于CT的多站淋巴结影像组学与原发性肿瘤影像组学在患者层面术前预测LNM中的表现。
材料与方法:这项单中心回顾性研究纳入了经病理确诊的CRC患者,这些患者接受了术前增强CT检查和手术切除。患者被分为训练队列和验证队列。从原发性肿瘤和跨多个淋巴结站的可视区域淋巴结中提取影像组学特征。开发并比较了三种影像组学策略:原发性肿瘤影像组学、多站淋巴结影像组学和联合影像组学。模型性能通过受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUC)、校准分析、决策曲线分析和五折交叉验证进行评估。使用DeLong检验进行成对AUC比较。通过将最优影像组学策略与术前临床变量整合,进一步构建了临床-影像组学模型。
结果:在验证队列中,多站淋巴结影像组学模型在预测LNM方面优于原发性肿瘤影像组学模型(AUC:0.864对比0.637;p=0.0055)。联合影像组学模型的AUC为0.840,相较于淋巴结模型无显著改善(p=0.2211)。与临床变量整合后,临床-影像组学模型的AUC达到0.879。
结论:基于CT的多站淋巴结影像组学在CRC患者层面术前LNM预测中显示出显著高于原发性肿瘤影像组学的验证性能。然而,这一单中心概念验证模型尚未准备好直接应用于临床,需在进行临床转化前完成多中心外部验证。
关键要点:
问题:在接受手术治疗的CRC患者中,基于CT的多站淋巴结影像组学能否超越原发性肿瘤影像组学改善术前淋巴结转移预测?
发现:多站淋巴结影像组学在CRC患者层面预测病理淋巴结转移方面取得了比原发性肿瘤影像组学更高的验证性能。
相关性声明:基于CT的多站淋巴结影像组学可能支持CRC个体化术前淋巴结风险分层,但在临床转化前需要进行多中心验证和前瞻性评估。
研究背景与问题
结直肠癌(colorectal cancer,CRC)是全球最常见恶性肿瘤之一,也是癌症相关死亡的主要因素。淋巴结转移(lymph node metastasis,LNM)是CRC肿瘤播散的主要途径,也是术后复发和生存的关键决定因素。此外,淋巴结状态深刻影响着治疗决策,包括新辅助治疗选择、手术规划和术后辅助治疗方案。因此,术前准确判断淋巴结状态对于制定个体化治疗策略至关重要。然而,传统影像学评估仍主要依赖形态学标准,如淋巴结大小和形状,这些标准在可靠识别转移性淋巴结方面准确性不足。
影像组学(radiomics)作为一种有前景的非侵入性方法,可从常规医学图像中提取超出视觉评估的定量成像信息。影像组学在CRC中已展现出在表征肿瘤、风险分层和术前预测LNM方面的潜力。然而,以往大多数研究是基于原发性肿瘤的影像组学特征间接推断淋巴结状态。例如,Huang等人此前报道了一个整合门静脉期肿瘤特征和临床变量的CT影像组学列线图用于CRC术前LNM预测。后续研究也主要基于原发病灶特征探索临床-影像组学模型。
从生物学和转化角度而言,对区域淋巴结的直接影像组学表征可能比传统的以原发性肿瘤为中心的方法提供更相关的患者层面LNM风险分层信息。事实上,淋巴结聚焦的影像组学已在直肠癌中显示出潜力,尽管现有研究在成像方式、靶淋巴结定义和模型设计方面仍然有限且异质性高。特别地,基于淋巴结直接分析的影像组学研究集中在孤立淋巴结靶点或选定淋巴结区域,而多站淋巴结表征的潜在价值在CRC中仍未得到充分探索。尚不清楚多站淋巴结影像组学是否能比传统的原发性肿瘤影像组学为患者层面术前LNM预测提供增量或优越的预测信息。
因此,这项概念验证性研究旨在开发和比较三种基于CT的影像组学策略用于CRC患者层面术前LNM预测:原发性肿瘤影像组学、多站淋巴结影像组学以及整合两个特征集的联合影像组学。基于最优影像组学策略,研究人员进一步开发了一个临床-影像组学模型,以评估术前临床变量的增量价值和这种以淋巴结为中心的影像组学方法的潜在临床实用性。
研究方法
这是一项单中心回顾性研究,纳入了2019年至2023年在上海交通大学医学院附属同仁医院经病理确诊并接受术前增强计算机断层扫描(computed tomography,CT)和手术切除的CRC患者。研究人员将符合条件的患者按7:3比例随机分配至训练队列(n=128)和验证队列(n=55),采用按病理淋巴结转移状态分层的随机抽样方法,随机种子设为2026。
关键技术方法主要包括:(1)图像分割:采用Segment Anything Model(SAM)辅助交互式分割流程,随后进行手动校正和专家复核,对原发性肿瘤和来自三个淋巴结站(D1:结肠旁/直肠旁淋巴结;D2:沿主供血管的中间淋巴结;D3:位于供血血管根部的中央淋巴结)的区域淋巴结进行分割,短轴直径至少3 mm作为标注下限。(2)影像组学特征提取与选择:使用PyRadiomics包(版本3.1.0)从分割的感兴趣区(regions of interest,ROIs)生成影像组学特征,提取原始和小波滤波图像的特征集,包括一阶统计量、形状特征、灰度共生矩阵(gray-level co-occurrence matrix,GLCM)、灰度游程矩阵(gray-level run-length matrix,GLRLM)、灰度大小区域矩阵(gray-level size-zone matrix,GLSZM)、灰度依赖矩阵(gray-level dependence matrix,GLDM)和邻域灰度差矩阵(neighboring gray-tone difference matrix,NGTDM)特征。对于淋巴结影像组学,对站特异性淋巴结ROI进行特征提取,并使用预定义的聚合统计量(均值、最大值、中位数和标准差)汇总站级特征。特征选择在训练队列中进行,包括Spearman相关性分析初步降维、递归特征消除(recursive feature elimination,RFE)进一步降维,以及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归结合十折交叉验证进行最终特征选择。(3)模型开发:将选定的特征输入五种代表性分类器:决策树、随机森林、轻量梯度提升机(light gradient boosting machine,LightGBM)、极端梯度提升和表格先验数据拟合网络(tabular prior-data fitted network,TabPFN),超参数调整在训练队列内通过五折交叉验证和网格搜索完成。
研究结果
1. 患者特征
共纳入183例经病理确诊的CRC患者。训练队列(n=128)和验证队列(n=55)之间的基线临床特征无统计学显著差异(所有p>0.05)。
2. 最终淋巴结影像组学特征的开发
通过LASSO方法进行特征选择,最终的淋巴结影像组学模型包含六个选定的影像组学特征。相关性分析和系数可视化进一步表征了选定淋巴结影像组学特征之间的关系和相对贡献。
3. 三种影像组学策略的比较
研究人员首先比较了三种影像组学策略:原发性肿瘤影像组学、淋巴结影像组学和联合影像组学。在验证队列中,最佳表现的原发性肿瘤影像组学模型AUC为0.637,而基于LightGBM分类器的最佳淋巴结影像组学模型AUC为0.864,最佳联合影像组学模型AUC为0.840。通过DeLong检验进行成对比较显示,淋巴结影像组学模型显著优于原发性肿瘤影像组学模型(AUC:0.864对比0.637;p=0.0055)。联合影像组学模型未显著优于淋巴结影像组学模型(AUC:0.840对比0.864;p=0.2211),但显著优于原发性肿瘤影像组学模型(AUC:0.840对比0.637;p=0.0210)。由于联合影像组学策略未提供超过淋巴结影像组学策略的额外判别效益,研究人员保留淋巴结影像组学模型作为最终影像组学模型用于后续分析。
4. 临床模型、最终影像组学模型和临床-影像组学模型的比较
使用选定的淋巴结影像组学策略,研究人员进一步评估了临床模型、最终影像组学模型以及整合影像组学与术前临床变量的临床-影像组学模型。在验证队列中,临床模型AUC为0.634,最终影像组学模型和临床-影像组学模型分别达到0.864和0.879。DeLong检验表明,最终影像组学模型和临床-影像组学模型均显著优于临床模型(p=0.0199和p=0.0069)。虽然临床-影像组学模型获得了最高的数值AUC,但其与最终影像组学模型的差异无统计学显著性(p=0.2809)。
5. 临床-影像组学列线图与模型评估
基于临床-影像组学模型构建了临床-影像组学列线图,以提供个体化术前LNM预测。校准曲线显示训练和验证队列中预测概率与观察概率之间具有可接受的一致性,决策曲线分析(decision curve analysis,DCA)表明临床-影像组学模型在一系列阈值概率范围内产生了比“全治疗”和“不治疗”策略更大的净获益。
6. 模型解释、稳健性和可重复性
为解释最终淋巴结影像组学模型,进行了Shapley加法解释(Shapley additive explanations,SHAP)分析,展示了选定淋巴结影像组学特征对模型输出的相对贡献及其非线性效应。五折交叉验证显示了最终影像组学模型和临床-影像组学模型在训练队列中的良好内部稳健性。验证队列自助法敏感性分析显示最终影像组学模型的自助法平均AUC为0.865,95%置信区间(confidence interval,CI)为0.744–0.960。观察者间可重复性分析显示,在2007个提取特征中,1769个(88.1%)表现出极好的可重复性(组内相关系数(intraclass correlation coefficient,ICC)≥0.90),1876个(93.5%)表现出良好或极好的可重复性(ICC≥0.75)。六个最终选定影像组学特征中有五个显示出良好至极好的观察者间可重复性,而一个GLSZM特征的可重复性有限。对于模型预测概率,绝对一致性ICC有限,但Pearson和Spearman相关分析显示重复分割之间预测排序具有高度一致性。
讨论与结论
讨论总结: 这项概念验证性研究系统性地研究了三种基于CT的影像组学方法用于CRC术前LNM预测,包括原发性肿瘤影像组学、多站淋巴结影像组学和整合影像组学策略。三个主要发现:第一,多站淋巴结影像组学策略在验证队列中显著优于原发性肿瘤影像组学策略。第二,虽然联合影像组学策略较原发性肿瘤策略有所改进,但并未显著优于淋巴结影像组学策略,后者仍是最优的影像组学方法。第三,临床-影像组学模型显示出可接受的校准和潜在净获益,但相较于最终影像组学模型仅提供了有限的增量判别价值。这些发现共同表明,对于CRC患者层面的术前LNM预测,直接的多站淋巴结表征可能提供超越传统原发性肿瘤影像组学的补充成像信息。
这项研究超越了传统的以原发性肿瘤为中心的影像组学框架。以往大多数CRC影像组学研究试图从原发病变提取的特征中间接推断淋巴结状态。虽然临床便利,但这种方法可能无法完全捕捉区域淋巴结的表型异质性,而这些淋巴结与转移扩散更为直接相关。相比之下,CRC中基于淋巴结的影像组学研究仍然有限,主要集中在直肠系膜淋巴结、侧盆淋巴结或选定的淋巴结站,主要在直肠癌中使用MRI。研究人员的淋巴结影像组学策略旨在表征三个预定淋巴结站的淋巴结表型,从而提供在生物学上更接近实际转移过程的信息。这解释了为什么多站淋巴结影像组学模型在本队列中显著优于原发性肿瘤模型。
另一个值得注意的发现是,联合影像组学策略虽显著优于原发性肿瘤影像组学策略,但未显著优于多站淋巴结影像组学策略。这一结果表明,一旦跨多个淋巴结站直接表征了区域淋巴结表型,添加原发性肿瘤影像组学特征可能只贡献有限的信息。从转化角度来看,这是有利的,因为以淋巴结为中心的影像组学策略可以在保持方法学简洁性和更清晰的生物学可解释性的同时实现强大的预测性能。
研究结论翻译: 这项单中心概念验证性研究表明,基于CT的多站淋巴结影像组学在CRC患者层面术前LNM预测中实现了高于原发性肿瘤影像组学的验证性能。区域淋巴结的直接表征可能为淋巴结风险分层提供额外的成像信息。然而,所提出的模型尚未准备好直接临床实施,需要在临床转化之前进行多中心外部验证、标准化成像和分割方案以及前瞻性评估。