《Economies》:Feasibility of T2-Weighted MRI Radiomics for Initial Risk Stratification in Pediatric Neuroblastoma
Annalisa Tondo,
Irene Ferri,
Mattia Biavati,
Federica Carra,
Irene Trambusti,
Andrea Di Cataldo,
Maurizio Aricò,
Lorenzo Lasagni,
Ubaldo Bongini and
Anna Perrone
+ 2 authors
编辑推荐:
目的:本研究的目的是评估基于常规T2加权成像的磁共振成像(MRI)影像组学在儿童神经母细胞瘤(NB)初始风险分层中的可行性,并探索其作为已建立的临床和分子分类系统的非侵入性辅助工具的潜在作用。方法:在这项回顾性、单中心先导研究中,研究人员
目的:本研究的目的是评估基于常规T2加权成像的磁共振成像(MRI)影像组学在儿童神经母细胞瘤(NB)初始风险分层中的可行性,并探索其作为已建立的临床和分子分类系统的非侵入性辅助工具的潜在作用。方法:在这项回顾性、单中心先导研究中,研究人员分析了45例新诊断NB(2015–2024年)的儿童。在原发肿瘤的基线轴位T2加权MRI上手动分割肿瘤。提取了总共107个符合影像生物标志物标准化倡议(IBSI)的影像组学特征。评估了监督机器学习分类器(随机森林、XGBoost)以及降维方法(主成分分析[PCA]、线性判别分析[LDA])结合K-means聚类。模型性能采用分层交叉验证和独立测试集进行评估。报告遵循影像组学研究评估清单(CLEAR)。结果:根据国际神经母细胞瘤风险组(INRG)标准,15名患者(33%)被分类为高风险(HR),30名(67%)为非高风险(NHR)。使用LDA后接K-means聚类获得了最高的分类性能,测试准确率为77.8%,灵敏度为64.7%,特异度为85.7%。影像组学分类与常规风险分层在77.8%的病例中一致。该分析完全依赖于T2加权成像,支持工作流程可行性,无需对比剂给药或高级MRI序列。结论:在这项单中心先导研究中,T2加权MRI影像组学证明了在儿童NB中无创初始风险分层的可行性。尽管受限于样本量和缺乏外部验证,这些发现支持进一步的多中心研究,将影像组学作为早期诊断评估中的辅助成像生物标志物。
神经母细胞瘤(NB)是儿童最常见的颅外实体恶性肿瘤,约占儿童癌症的8%–10%,且导致高达15%的儿童癌症相关死亡。其临床行为高度异质,从自发消退到侵袭性转移,因此诊断时准确的风险分层对指导治疗强度和优化结局至关重要。当前风险分类系统(如国际神经母细胞瘤风险组[INRG]框架)整合了临床变量、组织病理学以及分子特征(如MYCN扩增和节段性染色体畸变[SCAs])。尽管这些系统十分有效,但依赖于有创组织取样和专门的分子分析,在早期诊断阶段可能耗时或延迟。例如在手术困难的大肿瘤中,确定性的分子风险分配可能无法立即获得。影像组学(radiomics)作为一种定量成像方法,能够从标准医学图像中提取描述肿瘤形态、纹理和信号异质性的高维特征。应用于磁共振成像(MRI)时,影像组学提供了一种非侵入性探索肿瘤表型和潜在生物学的手段。在儿童NB中,早期影像组学和影像基因组学研究已报道成像特征与分子标志物(包括MYCN扩增、疾病分期和临床风险组)之间的关联,但这些研究多为回顾性、基于小队列,且成像方案和分析方法存在异质性,限制了可重复性和临床转化。因此,当前一个关键未满足的需求是开发可行、标准化、临床可转化且与常规诊断工作流程兼容的影像组学方法。许多既往研究依赖于对比增强或弥散加权MRI序列,这些序列可能更易受方案变异和扫描仪差异的影响,从而限制可重复性。相比之下,T
2加权MRI序列在诊断时常规获取,在不同扫描仪间稳健,且无需对比剂给药,特别适合儿科人群的可重复影像组学分析。本先导研究的首要目的是评估仅基于T
2加权序列的MRI影像组学在儿童NB初始风险分层中的可行性。通过遵循标准化特征提取和报告建议(包括影像组学研究评估清单[CLEAR]),研究人员旨在探索影像组学模式能否以最小复杂度和工作流程兼容的方式复现已建立的临床风险组。该研究发表于《Economies》期刊,旨在为未来多中心验证和成像生物标志物整合到早期诊断决策中提供假设生成的步骤。
该研究为回顾性、单中心先导设计,纳入了2015年1月至2024年12月在Meyer儿童医院IRCCS(意大利佛罗伦萨)诊断的经病理证实的NB儿童。初始队列66名患者中,21名因基线MRI缺失、治疗后成像或图像质量不合格被排除,最终纳入45名患者。所有基线性轴位T
2加权MRI在治疗前获取,扫描仪为1.5 T或3 T平台(Philips Medical Systems)。肿瘤手动分割采用3D Slicer软件,由两位儿科放射科医生共同完成。影像组学特征提取使用PyRadiomics库,共提取107个符合IBSI推荐的特征,包括一阶统计、形状和纹理特征。所有特征在分析前进行Z-score标准化,并在交叉验证内单独计算训练集的标准化参数以避免数据泄漏。监督机器学习分类器(随机森林、XGBoost)以及降维方法(主成分分析[PCA]、线性判别分析[LDA])结合K-means聚类被评估。数据集按分层随机抽样分为80%训练集(n=36)和20%独立测试集(n=9),训练集内使用五折分层交叉验证进行超参数调优。性能指标包括准确率、灵敏度、特异度等。
研究结果部分包括以下子节:
### 3.1 患者特征
共45名患者(男21例,女24例),中位诊断年龄32个月(范围0.6–184个月)。根据INRG,15名(33%)为高风险(HR),30名(67%)为非高风险(NHR)。基线临床和生物学特征包括INRG分期、组织学、MYCN状态、SCAs和尿香草扁桃酸水平。MYCN扩增见于2例患者,SCAs见于11例,部分患者分子数据不完整。
### 3.2 监督分类模型的性能
在监督机器学习方法中,XGBoost表现优于随机森林,测试准确率为66.7%(随机森林为50.0%)。两个监督模型均显示中等性能,交叉验证与测试结果之间存在差异,突出了小异质性数据集中直接监督预测的局限性。
### 3.3 降维与聚类分析
降维后聚类相比监督分类表现出更高的临床风险分层一致性。PCA结合K-means测试准确率为66.7%。最佳性能来自LDA后接K-means,测试准确率77.8%,灵敏度64.7%,特异度85.7%。LDA+K-means的交叉验证准确率高达97.2%,但测试准确率下降至77.8%,提示即使采用降维仍存在一定过拟合。
### 3.4 混淆矩阵与临床风险组的一致性
LDA+K-means模型的混淆矩阵显示:15名临床HR患者中11名被正确识别,4名被误分为NHR;30名NHR患者中24名被正确分类,6名被误分为HR。阴性预测值(NPV)为80.0%,表明在识别不属于HR组的患者方面可靠性较高。
### 3.5 发现总结
总体而言,仅基于T
2加权MRI的影像组学分析能够以中等至良好的一致性区分HR和NHR的NB患者。性能因分析策略而异,基于降维的方法优于本研究中评估的监督分类器。
讨论部分指出,LDA后接K-means取得了最佳性能,测试准确率77.8%,对NHR识别的特异度达85.7%,提示T
2加权影像组学可能在早期诊断阶段特别有助于识别不太可能属于HR组(非高风险)的患者,为多学科初步讨论提供支持,同时等待确切的病理和分子结果。然而,主要局限性包括小样本量(45名患者,15名HR)相对于特征数量(107个)导致的高维度问题,增加了过拟合风险。交叉验证与测试性能之间的差距反映了这一挑战。缺乏外部验证是临床转化的主要障碍。MRI采集参数和场强(1.5 T vs 3 T)的变异性可能影响特征稳定性。该研究通过遵循CLEAR和IBSI建议提升了方法学严谨性和透明度。未来的研究方向应集中于多中心验证、成像方案协调以及将影像组学特征与临床和分子变量整合以改善预测性能。
结论部分翻译如下:MRI影像组学(仅基于常规T
2加权成像)在儿童NB中展现出非侵入性初始风险分层的可行性。在这项单中心先导研究中,影像组学模式与已建立分类系统具有中等至良好的一致性,支持标准MRI能够捕获临床相关的肿瘤异质性。尽管受限于样本量和缺乏外部验证,这些发现凸显了工作流程兼容的影像组学作为早期诊断评估中的辅助成像生物标志物的潜力。未来需要纳入协调成像方案并整合临床和分子数据的多中心研究,以验证和扩展这些初步观察。