《Diagnostics》:Fusion of Deep Learning Radiomics and Clinical Features for Individualized Prediction of Neoadjuvant Chemotherapy Response in Osteosarcoma
编辑推荐:
背景:IIB期传统型骨肉瘤对新辅助化疗表现出高度异质性的反应,亟需建立可靠、无创的治疗前评估体系。方法:这项回顾性研究纳入198例患者,利用治疗前T2加权磁共振成像(MRI)和基线临床数据。研究人员对12种经典卷积神经网络架构进行了基准测试,以确定最佳影像骨干
背景:IIB期传统型骨肉瘤对新辅助化疗表现出高度异质性的反应,亟需建立可靠、无创的治疗前评估体系。方法:这项回顾性研究纳入198例患者,利用治疗前T2加权磁共振成像(MRI)和基线临床数据。研究人员对12种经典卷积神经网络架构进行了基准测试,以确定最佳影像骨干网络。随后将选定的影像组学评分与核心临床变量通过逻辑回归整合,构建多模态模型。梯度加权类激活映射++(Grad-CAM++)和沙普利加性解释(SHAP)算法分别提供了图像层面和特征层面的可解释性分析。结果:DenseNet121取得了最高的平均交叉验证曲线下面积(AUC;0.775)并被选中,在训练队列和测试队列中的AUC分别为0.797(95% CI:0.716–0.877)和0.701(95% CI:0.513–0.877)。加入临床变量后判别能力得到提升,测试队列AUC达到0.827(95% CI:0.661–0.992),相较于仅影像组学模型有显著的重分类改善(NRI = 1.28,IDI = 0.177;DeLong p = 0.011)。Grad-CAM++激活集中在实体髓内及骨外软组织成分,SHAP将影像组学评分列为最强贡献因素。结论:将深度学习影像组学与关键临床特征相整合,为骨肉瘤新辅助化疗敏感性的个体化预测提供了一种无创工具。
骨肉瘤新辅助化疗敏感性预测研究解读
一、研究背景与问题
骨肉瘤是最常见的原发性恶性骨肿瘤之一。尽管新辅助化疗联合手术切除已显著改善了局限性骨肉瘤患者的长期生存率,但患者之间化疗反应的异质性依然明显。目前国际上对化疗敏感性的定义和评价标准尚未达成共识,这进一步限制了精准治疗策略的实施。因此,建立一种能够在治疗早期甚至治疗前预测新辅助化疗敏感性的无创评估系统具有重要的临床意义,该系统有望优化个体化治疗方案、避免无效化疗带来的毒副作用并改善患者预后。
近年来,机器学习和影像组学在肿瘤治疗反应预测中的应用发展迅速。既往研究表明影像组学可预测多种实体瘤的化疗反应,包括卵巢癌、食管癌和头颈部鳞状细胞癌。这些研究普遍认为医学图像中大量隐藏的高维信息能够反映坏死程度、血供状态等潜在生物学特征,而这些因素与化疗敏感性密切相关。MRI是骨肉瘤最常用且最重要的影像学检查手段,能够无创地反映肿瘤内部结构的复杂性。然而,骨肉瘤领域基于MRI影像组学预测新辅助化疗敏感性的研究仍然较少,尤其是结合临床变量和可解释性分析的研究更为缺乏。
二、研究内容与结论
本研究构建了基于MRI影像组学结合临床特征的骨肉瘤新辅助化疗敏感性预测模型,并进一步在图像层面和特征层面进行了可解释性分析。研究共纳入198例IIB期传统型骨肉瘤患者,其中化疗不敏感组125例、化疗敏感组73例。研究将患者按8:2比例随机分为训练集和测试集,并在患者层面进行划分以防止数据泄漏。研究人员对12种经典卷积神经网络架构进行了系统比较,最终确定DenseNet121为最优单模态影像核心模型。随后通过Boruta算法筛选出年龄、乳酸脱氢酶(LDH)、体重指数(BMI)和最大肿瘤直径作为核心临床变量,与影像组学评分通过逻辑回归构建多模态联合模型。结果显示,联合模型在测试集中的AUC从单一影像模型的0.701显著提升至0.827,DeLong检验证实了这一提升具有统计学意义。Grad-CAM++热图显示模型主要关注肿瘤实体髓内浸润区和骨外软组织侵犯区,SHAP分析表明影像组学评分贡献了54%的决策权重,是模型中最强的预测因素。该多模态框架为骨肉瘤新辅助化疗敏感性的个体化预测提供了一种无创且可解释的辅助决策工具。
三、关键技术方法
本研究采用的主要技术方法包括:第一,基于T2加权MRI的深度学习影像组学分析,对12种经典卷积神经网络架构(包括DenseNet系列、ResNet系列、VGG系列、EfficientNet系列和MobileNetV2)进行系统基准测试,所有模型加载ImageNet预训练权重进行迁移学习,使用AdamW优化器、余弦退火学习率调度和标签平滑交叉熵损失函数进行训练,并引入Mixup数据混合策略增强模型鲁棒性;第二,Grad-CAM++算法用于图像层面的空间可解释性分析,生成类激活热图以可视化模型决策依据;第三,Boruta特征选择算法用于筛选核心临床变量;第四,SHAP算法基于博弈论中的沙普利值理论进行特征归因分析;第五,逻辑回归用于构建多模态融合模型;第六,多种统计评估方法包括受试者工作特征(ROC)曲线、决策曲线分析(DCA)、净重分类改善指数(NRI)和综合判别改善指数(IDI)用于模型性能评估。样本队列来源于2016年1月至2025年12月间单中心回顾性收集的198例IIB期传统型骨肉瘤患者。
四、研究结果
4.1 数据集特征
研究共纳入198例IIB期传统型骨肉瘤患者,其中化疗不敏感组125例、化疗敏感组73例。两组间大多数人口统计学特征和外周血清指标保持平衡。化疗敏感组患者的BMI显著更高(23.604 ± 6.684 vs. 20.850 ± 6.698,p = 0.003),最大肿瘤直径显著更小(5.126 ± 2.927 cm vs. 6.565 ± 3.024 cm,p < 0.001),表明更好的营养状态和更低的肿瘤负荷可能与增强的化疗敏感性相关。
4.2 深度学习模型筛选与性能比较
在模型训练前,通过Dice相似系数(DSC)评估了感兴趣区勾画的观察者间和观察者内一致性,DSC值普遍超过预设的0.80阈值。通过比较12种深度学习架构,DenseNet121在训练集中达到AUC 0.797(95% CI:0.716–0.877),测试集中AUC为0.701(95% CI:0.513–0.877)。五折交叉验证中DenseNet121取得了最高的平均AUC(0.775)。混淆矩阵分析进一步验证了DenseNet121在训练集和测试集中均保持了较高的正确分类比例,而大多数其他模型表现出明显的过拟合现象。
4.3 影像组学预测模型的可解释性分析
Grad-CAM++热图结果显示,DenseNet121主要关注骨肉瘤病灶内部的实体浸润区域和骨外软组织侵犯区域,这些区域通常代表肿瘤最具生物学活性的部分。不同深度学习模型关注的高权重区域高度一致,主要集中在肿瘤中心、坏死活跃边界区域和肿瘤边缘区域。
4.4 临床特征筛选
Boruta特征选择显示年龄、LDH、BMI和最大肿瘤直径是最具预测价值的临床变量。方差膨胀因子(VIF)分析显示所有保留变量均表现出低共线性(VIF范围:1.09–1.52)。相关性分析发现影像组学评分与基线LDH水平呈显著正相关(Spearman r = 0.23,p = 0.001),提示深度学习提取的高维影像特征可能反映骨肉瘤的代谢活性和微环境异质性。
4.5 联合模型构建与预测性能评估
基于筛选的临床变量和影像组学评分构建的逻辑回归联合预测模型,在训练集中AUC达到0.847(95% CI:0.779–0.915),测试集中AUC为0.827(95% CI:0.661–0.992),显著优于单一影像组学模型和单一临床模型。决策曲线分析显示联合模型在广泛的阈值概率范围内均获得了更高的净收益。
4.6 重分类获益分析
DeLong检验证实联合模型在两个队列中的AUC改善均具有统计学意义。在测试集中,联合模型相较于影像组学模型的NRI为1.28(95% CI:0.7835–1.7765,p < 0.001),IDI为0.1765(95% CI:0.1025–0.2505,p < 0.001),表明联合模型实现了真实可靠的性能提升。
4.7 联合模型的SHAP可解释性分析
全局贡献分析显示影像模态贡献了54%的决策权重,临床变量贡献了46%。特征重要性排序中影像组学评分是最重要的预测因素(平均绝对SHAP值为1.3875),其后依次为BMI(0.4517)、最大肿瘤直径(0.4083)、年龄(0.2096)和LDH(0.0983)。局部可解释性分析显示高影像组学评分与良好的化疗反应显著相关,较小的最大肿瘤直径对化疗敏感结局也有积极影响。
五、讨论与结论
讨论部分指出,本研究通过12种经典卷积神经网络骨干的平行基准测试,确立了基于T2WI序列重建的DenseNet121作为最优单模态影像组学核心,并通过Boruta算法筛选出年龄、基线LDH、BMI和最大肿瘤直径作为核心临床风险变量。联合模型的测试集AUC从单一影像模型的0.701提升至0.827,这一多模态组合的增益与既往研究结果高度一致。Grad-CAM++可视化证实DenseNet121网络在训练集和测试集中均持续关注髓内实体浸润区和骨外软组织侵犯区,提示医学深度学习网络可能具有自发捕捉最具侵袭性核心病理微环境的内在数学特性。研究也承认了若干局限性,包括单中心回顾性设计、仅使用T2WI单一序列、二元组织学阈值定义反应、Grad-CAM++仅定性应用以及影像组学评分未与基因组或转录组数据关联等。
结论部分指出,本研究建立并验证了一个可解释的多模态融合框架,整合T2WI深度学习影像组学和临床特征来预测IIB期传统型骨肉瘤的新辅助化疗敏感性。通过将最优DenseNet121架构与核心临床变量融合,联合模型显著增强了预测性能和风险分层能力。Grad-CAM++和SHAP可解释性分析成功解决了深度学习"黑箱"局限,展现了高度的临床病理学透明性。这一无创框架为指导治疗前个体化精准治疗和改善患者预后提供了稳健的辅助决策支持工具。