《Frontiers in Oncology》:Radiomics-based MRI model for differentiating ovarian cystadenoma and cystadenocarcinoma
编辑推荐:
背景:准确区分卵巢良恶性肿瘤对于确保高风险患者的及时干预和减少对其他患者的过度治疗至关重要。因此,研究人员的目标是开发一种基于放射组学的机器学习模型,以区分卵巢的非癌性和癌性病变。方法:这项回顾性研究包括271例卵巢囊腺癌患者和266例卵巢囊腺瘤患者,他们接受
背景:准确区分卵巢良恶性肿瘤对于确保高风险患者的及时干预和减少对其他患者的过度治疗至关重要。因此,研究人员的目标是开发一种基于放射组学的机器学习模型,以区分卵巢的非癌性和癌性病变。方法:这项回顾性研究包括271例卵巢囊腺癌患者和266例卵巢囊腺瘤患者,他们接受了T2加权磁共振成像(MRI)。病灶被手动分割,并提取了2286个放射组学特征。在降维后,特征被用于训练机器学习模型,采用不同的数据缩放组合(最小-最大、Z-score和分位数变换)和分类器(逻辑回归和偏最小二乘判别分析)。此外,还开发了一个结合放射组学特征和癌症生物标志物数据(CA-125和HE-4)的模型。使用DeLong检验和McNemar检验对模型进行比较。结果:共有37个特征用于模型开发。分位数逻辑回归模型表现出最高的性能,实现了AUC为0.92、灵敏度为0.87、特异度为0.83,显著高于除Z-score逻辑回归模型外的所有模型。血清生物标志物(CA-125和HE-4)的加入显著提高了模型的性能。结论:基于T2加权MRI的放射组学模型准确地区分了良性和恶性上皮性卵巢肿瘤。
研究背景:卵巢癌是全球女性恶性肿瘤致死的主要原因之一,每年有超过30万新发病例,且死亡率居妇科恶性肿瘤之首。临床中约75%-80%的患者确诊时已处于晚期,早期诊断率仅20%-25%,这直接导致五年生存率持续低迷。尽管盆腔超声是评估附件肿块的首选工具,具有高灵敏度和特异度,但其诊断结果高度依赖操作者经验,存在显著的观察者间差异。对于超声疑似恶性的病变,常需进一步行磁共振成像(MRI)检查,然而MRI解读仍部分依赖于定性评估,中间风险类别(如O-RADS MRI分类中的2-3类)诊断困难,且观察者经验影响较大。放射组学作为一种新兴的图像分析技术,能够量化提取人眼难以评估的肿瘤内部特征,但既往研究中存在方法学差异大、可重复性差及过拟合等问题。因此,研究人员旨在开发一种基于T2WI的“直接”放射组学模型,以区分卵巢囊腺瘤与囊腺癌,并评估加入血清生物标志物(CA-125和HE-4)能否进一步提升模型性能。该研究发表于《Frontiers in Oncology》。
研究内容与结论:研究人员开展了一项回顾性研究,纳入2015年3月至2023年8月于武汉大学人民医院就诊的537例患者(271例囊腺癌、266例囊腺瘤),所有患者均行3.0T MRI T2WI扫描。通过手动分割病灶并提取2286个放射组学特征,经方差阈值、单变量统计排序和LASSO回归降维后,保留37个特征用于建模。研究人员系统比较了6种数据缩放(min-max、Z-score、分位数变换)与分类器(逻辑回归LR、偏最小二乘判别分析PLS-DA)组合,发现分位数-逻辑回归(quantile-LR)模型性能最优,在测试集中AUC达0.92,灵敏度0.87,特异度0.83,显著优于多数其他模型(DeLong检验和McNemar检验均支持)。此外,加入HE-4或联合CA-125和HE-4后,模型性能显著提升(AUC分别达0.990和0.980),而单独加入CA-125未显示显著差异。该模型具有良好的概率校准(Brier评分0.11)和临床净收益(决策曲线分析)。
关键技术方法:研究基于武汉大学人民医院的回顾性队列,样本量为537例(恶性肿瘤271例、良性肿瘤266例)。主要技术包括:1) 手动分割T2WI轴向病灶区域;2) 提取2286个放射组学特征(包括一阶统计、形状、纹理和基于小波的特征);3) 采用方差阈值、单变量统计排序和LASSO降维;4) 训练6种机器学习模型(结合数据缩放和分类器);5) 使用AUC、灵敏度、特异度等指标评估性能,并用DeLong和McNemar检验进行统计比较;6) 亚组分析中加入血清生物标志物CA-125和HE-4。
研究结果:
3.1 放射组学特征:良性病变的平均信号强度显著高于恶性组(1082.10 vs 933.70,P<0.001),且更接近球形(球形度0.71 vs 0.66,P<0.001)。恶性病变的纹理特征(如GLCM对比度、NGTDM对比度、GLSZM区域熵)显著增高,而某些熵指标(如GLDM依赖熵)在良性组更高,提示不同特征反映肿瘤异质性的不同方面。
3.2 模型开发:经降维后,37个特征用于建模。在所有组合中,quantile-LR模型在测试集表现最佳,AUC为0.92,灵敏度0.87,特异度0.83,F1分数0.86。DeLong检验显示其AUC显著高于除Z-score LR外的所有模型(P<0.05),McNemar检验也证实其在灵敏度、特异度和准确度上优于所有PLSDA模型(P<0.01)。模型校准良好(Brier评分训练集0.10,测试集0.11),决策曲线分析显示其净收益高于“治疗所有”和“不治疗”策略。
3.3 模型加生物标志物:纳入197例有CA-125和HE-4数据的患者(102例恶性、95例良性)。与仅影像模型相比,加入HE-4(AUC 0.990,P=0.023)或联合CA-125和HE-4(AUC 0.980,P=0.005)显著提高了AUC,而加入CA-125单独(AUC 0.982,P=0.813)未显著差异。这表明血清标志物可增强模型性能。
讨论总结:研究表明,基于T2WI的放射组学模型能有效区分卵巢囊腺瘤与囊腺癌,且quantile-LR模型性能优越,这可能源于其能够整合多维度特征并减少过拟合。与既往研究相比(AUC多为0.82-0.90),该模型AUC达0.92,且仅使用单序列,简化了流程。加入生物标志物,尤其是HE-4,进一步提高了性能,支持多模态模型的发展。但研究存在局限性:单中心回顾性设计、缺乏外部验证、采集参数不统一、仅纳入上皮性肿瘤、未纳入肿瘤分期和临床协变量,可能高估模型性能。
结论翻译:本研究描述了一种“直接”模型的开发,能够区分良性和恶性囊性上皮性卵巢病变。quantile-LR模型表现最佳,在测试集中AUC为0.92,灵敏度0.87,特异度0.83。最后,血清生物标志物(CA-125和HE-4)的加入显著提高了模型的性能。然而,作为单中心回顾性研究,所构建模型的泛化性有限。缺乏外部验证可能导致报告性能被高估。因此,研究结果应视为初步和假设生成性,而非即时临床适用。