基于术前CT深度学习整合肿瘤与内脏脂肪组织特征联合术后病理预测结直肠癌复发:一项多中心研究

《Frontiers in Molecular Biosciences》:Preoperative CT deep learning of tumor and visceral adipose tissue combined with postoperative pathology predicts colorectal cancer recurrence: a multicenter study

【字体: 大 中 小 】 时间:2026年09月24日 来源:Frontiers in Molecular Biosciences 4.4

编辑推荐:

  专业术语翻译(摘要部分) 引言: 旨在开发并外部验证一种整合原发肿瘤与内脏脂肪组织(visceral adipose tissue,VAT)特征的术前CT影像模型,用于预测结直肠癌(colorectal cancer,CRC)复发。 材料与方法: 这项回顾性多

  
专业术语翻译(摘要部分) 引言: 旨在开发并外部验证一种整合原发肿瘤与内脏脂肪组织(visceral adipose tissue,VAT)特征的术前CT影像模型,用于预测结直肠癌(colorectal cancer,CRC)复发。 材料与方法: 这项回顾性多中心研究纳入了1,369例接受直接根治性切除的CRC患者,包括一个训练队列(n = 705)和两个外部测试队列(n = 425和n = 239)。三维卷积神经网络(3D convolutional neural network,3D CNN)提取以肿瘤为中心的体积特征,而基于注意力的多实例学习(attention-based multiple instance learning,MIL)分支将全腹部VAT切片聚合为患者级表征。这两个CT衍生评分构成了术前影像模型。将临床病理学组件与影像评分相结合,构建了术后多模态模型;使用全候选岭惩罚Cox敏感性模型评估了对变量选择的稳健性。 结果: 在多变量调整后,肿瘤和VAT深度学习(deep learning,DL)评分均与无复发生存期(recurrence-free survival,RFS)独立相关。在外部测试队列1和2中,术前Tumor + VAT影像模型的一致性指数(C-index)分别为0.734和0.772,而术后多模态模型的C-index分别为0.772和0.810,2年时间依赖性曲线下面积(area under the curve,AUC)分别为0.757和0.836。训练队列衍生的三分位截断值在所有队列中均能一致地将患者分为低、中、高风险组(所有log-rank P < 0.001)。在两个外部队列中,仅临床病理学模型的C-index为0.709和0.715,而术后多模态模型为0.772和0.810。 结论: 术前CT模型利用肿瘤和全腹部VAT表型无创地分层复发风险,而术后临床病理学特征进一步提升了预后性能。

论文解读文章

研究背景与问题
结直肠癌(CRC)是全球癌症相关死亡的主要原因之一。即便接受了根治性切除和辅助治疗,术后复发或转移仍然常见,尤其是在术后前3年内。当前的术后风险分层主要依赖TNM分期和常规临床病理因素,然而同一分期的患者复发风险可能存在显著差异,反映出肿瘤的临床和生物学异质性。这种异质性凸显了对更全面工具的需求,以评估无复发生存期(RFS)并指导个体化治疗和监测策略。
CRC复发受肿瘤内在生物学与宿主因素相互作用的共同影响。内脏脂肪组织(VAT)是代谢活跃的内分泌和免疫器官,可通过脂肪因子释放、炎症信号传导和代谢失调促进肿瘤进展。由于腹部计算机断层扫描(CT)在CRC分期和治疗规划中常规获取,其提供了无创捕捉肿瘤形态和VAT相关身体成分特征的机会。
既往定量影像研究多采用手工设计的CT影像组学预测CRC复发和转移,但影像组学流程依赖预定义特征,对分割、采集和特征选择较为敏感。深度学习(DL)可直接从影像数据中学习层次化表征,减少对人工特征工程的依赖。然而,现有CRC DL模型常以肿瘤为中心且基于二维输入,可能丢失体积信息;而许多身体成分研究将VAT评估简化为单一CT层面,可能遗漏腹腔内脂肪隔室的空间异质性。因此,将反映肿瘤内在侵袭性的肿瘤特征与捕捉宿主代谢-炎症状态的全腹部VAT特征相结合,可能提供互补的预后信息。
研究内容与结论
研究人员开展了一项回顾性多中心研究,纳入了来自三个医学中心的1,369例接受直接根治性切除的CRC患者,包括训练队列(n = 705)和两个独立外部测试队列(n = 425和n = 239)。研究人员开发并外部验证了整合原发肿瘤和全腹部VAT特征的术前CT影像模型,随后纳入七变量临床病理学组件构建术后多模态模型,并量化术后病理学的增量预后价值。研究还使用激活映射可视化显著影像区域,以提高模型预测的可解释性。
研究得出以下主要结论:术前Tumor + VAT影像模型在两个外部测试队列中分别达到C-index 0.734和0.772;术后多模态模型分别达到C-index 0.772和0.810,2年时间依赖性AUC分别为0.757和0.836。训练队列衍生的三分位截断值在所有队列中均能一致地将患者分为低、中、高风险组(所有log-rank P < 0.001)。与仅临床病理学模型相比,术后多模态模型在两个外部队列中均显示出更高的判别性能。肿瘤DL评分和VAT DL评分在多变量调整后均与RFS独立相关,证实了肿瘤中心型和宿主相关CT表型提供了互补的预后信息。
关键技术与方法
研究人员使用了以下主要关键技术方法:三维卷积神经网络(3D CNN)提取肿瘤中心体积特征;基于注意力的多实例学习(MIL)聚合全腹部VAT切片特征;Cox偏似然损失的mini-batch近似实现时间-事件监督;Grad-CAM和VAT注意力热图用于模型解释;Cox回归用于构建术前和术后风险模型;Harrell's C-index和时间依赖性AUC评估判别性能;逆概率删失加权(IPCW)估计时间依赖性指标;Brier评分和综合Brier评分(IBS)评估预测误差;决策曲线分析(DCA)评估临床净获益。样本队列来源为三个医学中心,训练队列来自中心1,外部测试队列1来自中心2,外部测试队列2来自中心3。
研究结果
患者特征: 在1,369例CRC患者中,训练队列复发173例(24.5%),外部测试队列1复发99例(23.3%),外部测试队列2复发60例(25.1%)。各队列基线临床病理特征大致可比。反向Kaplan-Meier中位随访时间分别为31、34和36个月。潜在早期失访比例分别为28.4%、27.8%和15.9%。经逆概率删失加权后,影像评分仍与RFS独立相关,风险组分离在所有队列中持续存在。
单模态深度学习模型的开发与性能: 研究人员开发了两个单模态模型:使用肿瘤中心CT体积的肿瘤DL模型和使用VAT包含CT层面的VAT DL模型。两个模型均能在所有数据集中分层RFS(所有log-rank P < 0.001)。肿瘤DL模型在外部测试队列1和2中分别达到C-index 0.681和0.717;VAT DL模型分别达到C-index 0.671和0.708。
可重复性与敏感性分析: 工作流审计确认所有队列中32层VAT采样一致,无层面重复。替代CT窗宽保留了评分排序(Spearman's rho ≥ 0.972)和最终模型判别性能。在30例观察者研究中,观察者间和观察者内Dice系数中位数均为0.984,肿瘤DL评分具有良好可重复性。固定物理场肿瘤预处理和VAT层面位置编码产生的判别性能低于主要模型。
时间依赖性判别与预测误差: 术后多模态模型在1、2、3年时间依赖性AUC方面,训练队列分别为0.870、0.870和0.875;外部测试队列1分别为0.808、0.757和0.827;外部测试队列2分别为0.849、0.836和0.840。对应Brier评分和综合Brier评分均显示了可接受的预测误差水平。
Cox回归与术后多模态模型: 多变量调整后,肿瘤DL评分(HR 2.016,95% CI 1.694–2.399)和VAT DL评分(HR 2.099,95% CI 1.808–2.436)均保持独立预测因子(均P < 0.001)。N分期和神经周围侵犯(PNI)也保留独立预后价值。术后多模态模型整合了两个影像评分和七个临床病理学变量,在外部测试队列1和2中分别达到C-index 0.772和0.810。校准总体可接受,但两个外部队列均观察到短期低估。
风险分层与模型解释: 使用训练衍生的最终风险评分截断值0.485813和1.560461,患者被分为低、中、高风险组。相对于低风险组,中风险组HR范围为2.77–3.72,高风险组HR范围为12.55–18.14,所有log-rank检验均显著。代表性病例显示快速复发患者通常具有更高的最终多模态风险评分,肿瘤Grad-CAM和VAT注意力图定性指示了贡献于个体模型输出的影像区域。
讨论与结论
讨论部分指出,肿瘤DL评分的预后价值与既往CT影像组学和深度学习研究一致,证实定量影像捕捉了超越常规分期的肿瘤表型。VAT DL评分显示出与肿瘤DL评分相当的预后强度,强调了宿主表型对复发风险的贡献。全腹部VAT建模方法优于传统单层面测量,注意力MIL使模型无需预定义解剖选择即可识别预后信息性VAT模式。竞争风险分析显示两个影像评分均与局部复发和远处转移相关,无显著异质性。术后模型进一步结合影像评分与病理变量,其中N分期和PNI保留独立预后价值。决策曲线分析显示术后多模态模型在5%–30%阈值范围内具有正净获益。
研究结论部分可翻译为:肿瘤和全腹部VAT表型提供了互补的预后信息,术后病理学变量进一步增强了复发风险预测。该框架为当代治疗路径和临床可操作风险阈值下的前瞻性验证提供了坚实基础。术前CT模型可利用肿瘤和全腹部VAT表型无创地分层复发风险,而术后临床病理学特征可进一步提升预后性能。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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