基于超声影像组学特征与全切片病理组学(WSI-based pathomics)特征融合的多组学模型预测卵巢癌淋巴结转移的开发与验证:一项多中心回顾性研究

《International Journal of Women's Health》:Development and Validation of a Multi-Omics Model Integrating US-Derived and WSI-Based Features to Predict Lymph Node Metastasis in Ovarian Cancer: A Multi-Center Retrospective Study

【字体: 大 中 小 】 时间:2026年06月18日 来源:International Journal of Women's Health 2.5

编辑推荐:

  目的 本研究旨在基于术前超声(US)影像、术中H&E染色切片及临床特征,开发并验证一个多组学模型,用于在淋巴结清扫术(LND)前预测卵巢癌(OC)患者的淋巴结转移(LNM)状态。方法 研究人员分析了157例接受LND且经病理确诊LNM状态的OC患者,其

  
目的 本研究旨在基于术前超声(US)影像、术中H&E染色切片及临床特征,开发并验证一个多组学模型,用于在淋巴结清扫术(LND)前预测卵巢癌(OC)患者的淋巴结转移(LNM)状态。方法 研究人员分析了157例接受LND且经病理确诊LNM状态的OC患者,其中训练队列91例、内部验证队列38例、外部测试队列28例。US图像采用PyRadiomics提取影像组学(Radiomics)特征;病理全切片图像(WSI)采用深度学习(DL)算法及多实例学习(MIL)算法提取病理组学(Pathomics)特征。经降维和特征筛选后,分别采用支持向量机(SVM)、Logistic回归(LR)和极端梯度提升(XGBoost)构建影像组学和病理组学模型。将经单因素和多因素分析筛选出的临床特征与最优影像组学及病理组学特征融合构建多组学模型。采用准确率、AUC、95% CI、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)评估模型性能。结果 从1561个影像组学特征中筛选出11个用于构建影像组学模型,SVM_rad模型表现最优(AUC:训练集=0.816,验证集=0.760,测试集=0.775)。从206个病理组学特征中筛选出3个用于构建病理组学模型,SVM_path模型预测效能最高(AUC:训练集=0.983,验证集=0.817,测试集=0.813)。多组学模型判别能力最强(AUC:训练集=0.988;验证集=0.923;测试集=0.862)。DeLong检验、校准曲线及决策曲线分析(DCA)证实模型具有高区分度、良好校准度和临床实用价值。结论 该多组学模型整合了肿瘤水平影像学数据、细胞水平病理信息及患者水平临床特征,可在LND前预测OC患者LNM,为制定合理治疗方案提供依据。
论文解读:《Development and Validation of a Multi-Omics Model Integrating US-Derived and WSI-Based Features to Predict Lymph Node Metastasis in Ovarian Cancer: A Multi-Center Retrospective Study》(发表于International Journal of Women's Health)
一、研究背景与立项依据
卵巢癌(Ovarian Cancer, OC)是妇科恶性肿瘤中死亡率最高的疾病之一,全球五年生存率普遍低于50%。淋巴转移是卵巢癌重要的转移途径,淋巴结转移(Lymph Node Metastasis, LNM)状态是影响患者预后及决定是否行系统性淋巴结清扫术(Lymph Node Dissection, LND)的关键依据。目前NCCN指南推荐对术前或术中可疑肿大淋巴结进行切除,但是否对所有OC患者行系统性LND尚存争议——研究表明系统性LND并未改善早期低危患者的生存,反而增加淋巴瘘、感染及下肢水肿等并发症风险。传统影像学如CT(灵敏度43%~50%)和MRI(灵敏度55%~60%)对LNM检测能力不足,且存在辐射或费用限制。常规超声虽无创、经济,但直接观察淋巴结形态能力有限。近年影像组学(Radiomics,指从医学影像中提取并量化高通量特征以反映肿瘤异质性的一类分析方法)可挖掘原发灶表型信息,病理组学(Pathomics,指从数字病理全切片图像Whole Slide Image, WSI中提取量化特征以反映肿瘤微环境及细胞架构的分析方法)可通过深度学习捕捉组织微观特征。然而,目前尚无研究将术前超声影像组学、术中H&E染色切片病理组学与临床特征整合为多组学模型用于OC患者LND前的LNM预测。为此,研究人员开展此项多中心回顾性研究,旨在开发并验证融合临床、超声影像组学及WSI病理组学特征的多组学预测模型。
二、主要关键技术方法概要
研究人员回顾性纳入内蒙古医科大学附属医院(n=129)及内蒙古自治区人民医院(n=28)共157例经病理确诊OC且行LND的患者,按7:3随机分为训练队列(n=91)与内部验证队列(n=38),外部测试队列(n=28)来自第二中心。收集术前经阴道/经腹超声图像及术中H&E染色WSI,临床特征含年龄、CA-125、盆腔壁结节等。超声ROI由两名医师手动勾画,采用PyRadiomics提取形状、一阶及纹理特征,经p值筛选、Pearson相关性剔除(|r|>0.9)、最小冗余最大相关(mRMR)及LASSO回归筛选最终影像组学特征。WSI切分为512×512像素非重叠Patch,排除背景,用Inception_v3、ResNet18、DenseNet121提取Patch级特征,经颜色归一化后采用多实例学习(Multi-Instance Learning, MIL)中Patch Likelihood Histogram(PLH)和Bag of Words(BoW, 基于TF-IDF)聚合为WSI级病理组学特征再经筛选。分别用SVM、LR、XGBoost构建影像组学模型、病理组学模型及临床模型,将最优影像组学评分、病理组学评分与筛选后临床变量融合构建多组学Nomogram。模型评价采用ROC曲线(AUC)、校准曲线(Hosmer-Lemeshow检验)、DeLong检验及决策曲线分析(DCA)。
三、研究结果
基线特征(Baseline Characteristics of the Study Cohorts)
训练、内部验证及外部测试队列中LNM阳性率分别为40.7%(37/91)、42.1%(16/38)及28.6%(8/28),三组间年龄、绝经状态、肿瘤最大径等无显著差异(p>0.05),具可比性。
临床特征(Clinical Features)
单因素及多因素Logistic回归分析显示,血清CA-125水平升高(p<0.05)及超声所见盆腔壁结节(p<0.05)与LNM显著相关,被保留作为临床模型变量。单纯临床模型训练集AUC为0.853。
影像组学特征筛选与模型构建(Radiomics Feature Selection and Model Construction)
从1561个原始影像组学特征中经LASSO十折交叉验证筛选出11个非零系数特征(含形状、一阶强度及纹理特征)。三种算法比较:SVM_rad在训练集AUC=0.816、验证集AUC=0.760、测试集AUC=0.775,跨队列表现最稳定;LR_rad与XGBoost_rad在验证及测试集AUC明显下降。故选SVM_rad为最优影像组学子模型。
病理组学特征筛选与模型构建(Pathomics Feature Selection and Model Construction)
Inception_v3在Patch级预测中外部测试集AUC达0.809、灵敏度0.912,优于ResNet18和DenseNet121,被选为骨干网络。经MIL(PLH+BoW)聚合及筛选后得到3个病理组学特征。WSI级模型比较:SVM_path训练集AUC=0.983、验证集AUC=0.817、测试集AUC=0.813,且特异度为1.000(默认阈值下灵敏度偏低,需调阈值为临床应用),综合判别力最优,选为病理组学子模型。t-SNE可视化显示LNM阳性与阴性样本在病理组学特征空间中有明显分离。
多组学整合与比较(Multi-Omics Integration and Comparison)
多组学模型(临床+SVM_rad Rad-score+SVM_path Path-score)训练集AUC=0.988(准确率0.956)、内部验证集AUC=0.923(准确率0.868,灵敏度0.937,特异度0.818)、外部测试集AUC=0.862(灵敏度1.000)。DeLong检验显示多组学模型AUC显著高于各单模态模型(训练及验证集P<0.05)。Hosmer-Lemeshow检验P值均>0.05(训练0.668、验证0.259、测试0.529),校准曲线贴近理想对角线。DCA显示多组学模型在较宽阈值概率范围内净获益最高。病理组学单模AUC优于单纯影像组学,二者融合临床特征后进一步提升预测效能,证实多源数据互补性。
四、讨论与结论总结
讨论指出:本研究首次在OC中联合超声影像组学、基于WSI的深度病理组学(MIL聚合)及临床变量构建LNM预测多组学模型,可在LND实施前提供个体化风险评估。SVM因结构风险最小化原则在本研究高维小样本场景下泛化较好,但需注意阈值调整以平衡灵敏度与特异度。局限性包括外部测试集样本量偏小(n=28)、回顾性设计及OC亚型异质性,未来需多中心前瞻性大样本验证。
结论(Conclusion)
综上所述,本研究成功开发并验证了基于术前超声图像、术中H&E染色全切片及临床信息、融合深度学习自动提取病理组学特征与MIL聚合技术的新型多组学模型,证明了其在淋巴结清扫术前预测卵巢癌淋巴结转移的可行性及优越预测性能。该可重复模型能准确识别受益于LND的高危OC患者,同时避免低危患者接受不必要的LND及相关并发症,为OC个性化精准手术规划奠定基础。未来需通过更大规模多中心队列进一步验证该多组学标签的稳健性,并提升模型可解释性及数据标注质控,推动其向临床可靠应用转化。
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