基于18F-FDG PET/CT影像组学预测多发性骨髓瘤高危细胞遗传学异常的可行性研究

《EJNMMI Research》：A feasibility study of [18F] FDG PET/CT radiomics in predicting high-risk cytogenetic abnormalities in multiple myeloma

本研究针对多发性骨髓瘤（MM）高危细胞遗传学异常（HRCAs）传统检测方法存在侵入性及无法全面反映疾病异质性的问题，开发了基于治疗前18F-FDG PET/CT影像组学的机器学习模型。研究结果显示，决策树（DT）分类器结合PET活性病灶特征在验证队列中表现出优异预测性能（AUC=0.89），显著优于传统PET参数模型和临床模型。该非侵入性生物标志物可有效预测HRCAs状态并实现患者预后分层，为MM个体化治疗决策提供了新思路。

　　

多发性骨髓瘤（Multiple Myeloma, MM）作为第二常见的血液系统恶性肿瘤，其预后受到细胞遗传学异常的显著影响。高危细胞遗传学异常（High-Risk Cytogenetic Abnormalities, HRCAs）可使患者中位总生存期（Overall Survival, OS）缩短至2-5年，而标准风险患者则为7-10年。然而，目前检测HRCAs的金标准——荧光原位杂交（Fluorescence in Situ Hybridization, FISH）和基因组测序——存在侵入性、采样偏差以及无法解析空间肿瘤异质性等局限。这促使研究人员寻找一种能够系统性、无创评估疾病遗传风险的新方法。

¹⁸F-氟代脱氧葡萄糖正电子发射断层扫描/计算机断层扫描（¹⁸F-FDG PET/CT）因其能够全身成像、评估肿瘤负荷和代谢活性，已成为MM管理的首选功能影像 modality。尽管传统的PET参数（如SUV_max、MTV、TLG）具有预后价值，但它们难以量化肿瘤内部的异质性，而后者正是遗传进化和治疗耐药的关键特征。影像组学（Radiomics）这一高通量影像分析框架，通过提取高级纹理特征来解码空间和代谢异质性，为无创预测分子特征提供了可能。尽管PET影像组学在实体瘤中已广泛应用，但其在MM，特别是在预测HRCAs方面的应用尚属空白。为此，Chen等人发表在《EJNMMI Research》上的研究，旨在开发和验证基于治疗前¹⁸F-FDG PET/CT影像组学的模型，以无创方式预测新诊断MM（NDMM）患者的HRCAs状态。

研究人员回顾性纳入了上海交通大学医学院附属第六人民医院2016年6月至2025年3月期间的129例NDMM患者。所有患者均接受了治疗前¹⁸F-FDG PET/CT检查，并拥有FISH检测结果。患者被随机分为训练集（n=103）和验证集（n=26）。研究的关键技术方法包括：首先，对PET和CT图像进行预处理和病灶分割（包括PET活性病灶和CT溶骨性病灶）；其次，使用PyRadiomics库从不同感兴趣区域（包括单独的PET病灶、CT病灶以及二者配准后的区域）提取大量影像组学特征；然后，通过LASSO回归进行特征筛选，并构建了包括决策树（DT）、支持向量机（SVM）等在内的42个机器学习模型；最后，使用受试者工作特征曲线下面积（AUC）等指标评估模型性能，并通过SHAP（SHapley Additive exPlanations）分析解释模型，利用Kaplan-Meier分析评估模型的预后预测价值。

患者特征

研究共纳入129例患者（男性64例），平均年龄64±9.73岁。其中67例（51.93%）存在HRCAs，包括1q21增益（n=50）、t(4;14)（n=14）、t(14;16)（n=3）和del(17p)（n=9）。训练集和验证集在临床及影像学特征上无显著差异，确保了分组的均衡性。

临床和PET参数预测模型的建立

多因素逻辑回归分析确定血清β₂-微球蛋白（OR=6.312, p=0.029）、白蛋白（OR=0.205, p=0.010）和免疫球蛋白类型（OR=3.342, p=0.034）是HRCAs的独立预测因子。基于这些指标构建的临床模型，其最佳表现（DT模型）在验证集的AUC为0.74。而基于代谢肿瘤体积（MTV）和总病灶糖酵解（TLG）的PET参数模型在验证集的AUC为0.84。

特征重要性

从不同影像模态共提取了大量影像组学特征。经过相关性分析和LASSO筛选，最终各模型保留了7-9个最具预测力的特征，以避免过拟合。

模型性能比较

在构建的42个候选模型中，基于决策树（DT）分类器并融合了PET活性病灶区域影像组学特征的模型（PET&CTp模型）表现最优。

该模型在验证队列中取得了最高的AUC值（0.8929），其性能显著优于单一的CT模型、PET模型以及简单的PET和CT特征拼接模型（PET&CT模型）。

Delong检验和决策曲线分析（DCA）均证实了该模型优异的判别能力和临床实用性。

最优模型的可视化解读

SHAP分析被用于增强模型的可解释性。

分析显示，对模型预测贡献最大的特征是源自PET的“wavelet-LLH_gldm_largeDependencelowGrayLevelEmphasis”，表明PET所反映的代谢异质性特征在预测HRCAs中占据主导地位。

基于影像组学特征的生存分层

研究进一步评估了最优模型的预后预测能力。根据模型输出的HRCAs预测概率将患者分为高危组和低危组。

Kaplan-Meier生存分析显示，高危组患者的中位无进展生存期（PFS）为24.5个月，中位OS为33.5个月，均显著短于低危组（中位PFS：29个月，中位OS：50个月），风险分层具有统计学意义（PFS: p=0.0360; OS: p=0.0023）。这表明该影像组学模型不仅能预测遗传状态，还能有效区分患者的预后。

本研究成功开发并验证了一个基于治疗前¹⁸F-FDG PET/CT影像组学的机器学习模型，用于无创预测MM患者的HRCAs状态。最优的决策树模型（PET&CTp）展现出卓越的预测性能（AUC=0.89），其预测能力超越了传统的临床模型和PET代谢参数模型。更重要的是，基于该模型的风险分层能够显著区分患者的PFS和OS，证实了其强大的预后价值。这项研究的重大意义在于，它首次将PET/CT影像组学应用于MM细胞遗传学风险预测，为解决当前侵入性检测方法的局限性提供了有前景的替代方案。作为一种非侵入性生物标志物，PET/CT影像组学有望在MM的个体化治疗决策中发挥重要作用，通过无创方式识别高危患者，从而指导更精准的治疗策略。当然，该研究的结论仍需更大规模、多中心的前瞻性研究加以验证，以最终确认其临床效用。