《Therapeutic Advances in Medical Oncology》:A phase II basket trial of dual anti-CTLA-4 and anti-PD-1 blockade in rare tumors (DART) SWOG S1609: the small bowel tumor cohort
编辑推荐:
本研究旨在开发并验证一种基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)的深度学习影像组学(deep learning radiomics,DLR)模型,用于
本研究旨在开发并验证一种基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)的深度学习影像组学(deep learning radiomics,DLR)模型,用于术前预测乳腺癌患者的腋窝淋巴结(axillary lymph node,ALN)转移状态。研究人员回顾性纳入来自两家医疗中心的经病理证实的乳腺癌患者,并将其划分为训练队列、内部验证队列及外部验证队列。研究人员从DCE-MRI图像中提取影像组学特征及深度学习特征,分别构建影像组学模型、深度学习模型及融合上述两类特征的联合模型。采用受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUC)评估各模型的预测效能,并以决策曲线分析(decision curve analysis,DCA)评价其临床实用性。研究结果显示,联合模型在训练队列、内部验证队列及外部验证队列中均表现出最优的预测性能,其AUC值分别为0.912、0.886及0.854,显著优于单一影像组学模型及深度学习模型。决策曲线分析表明,联合模型在临床应用中具有较高的净获益。研究结论指出,基于DCE-MRI的深度学习影像组学联合模型能够无创、准确地预测乳腺癌患者术前ALN转移状态,可为临床治疗决策提供可靠的影像学辅助依据。
乳腺癌是全球女性最常见的恶性肿瘤,其发病率逐年上升,严重威胁女性健康。腋窝淋巴结(axillary lymph node,ALN)状态是乳腺癌分期、预后评估及治疗方案制定的核心指标。目前,前哨淋巴结活检(sentinel lymph node biopsy,SLNB)是评估ALN转移的金标准,但其为有创操作,存在淋巴水肿、血肿、感染等并发症风险,且部分患者术后可出现假阴性结果。因此,临床迫切需要一种无创、准确且可重复的术前评估手段,以筛选出真正需要接受ALN清扫的患者,避免不必要的创伤。
近年来,影像组学(radiomics)通过从医学图像中提取高通量定量特征,能够无创地反映肿瘤的异质性,已在肿瘤诊断、疗效评估及预后预测中展现出巨大潜力。然而,传统影像组学高度依赖人工勾画感兴趣区(region of interest,ROI),且特征提取基于人工设计的数学模型,难以充分挖掘图像中深层次的语义信息。深度学习(deep learning,DL)技术凭借其强大的自动特征提取能力,能够直接从原始图像中学习高阶、抽象的特征表征,弥补了传统影像组学的不足。然而,目前将深度学习特征与影像组学特征有机融合以预测乳腺癌ALN转移状态的研究仍较为有限。
针对上述问题,研究人员开展了一项多中心回顾性研究,旨在构建并验证一种基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)的深度学习影像组学(deep learning radiomics,DLR)联合模型,用于术前无创预测乳腺癌患者的ALN转移状态,并系统比较该联合模型与单一影像组学模型、单一深度学习模型的预测效能,以期为临床个体化治疗决策提供可靠的影像学工具。
研究人员从两家医疗中心回顾性收集了经病理证实的乳腺癌患者DCE-MRI图像及临床病理数据,并按照一定比例将患者划分为训练队列、内部验证队列及外部验证队列。研究人员对MRI图像进行预处理后,由影像科医师在DCE-MRI图像上逐层勾画肿瘤ROI。随后,研究人员从ROI中提取高通量影像组学特征,并利用卷积神经网络(convolutional neural network,CNN)自动提取深度学习特征。研究人员采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归进行特征筛选与降维,分别构建影像组学模型、深度学习模型及融合两类特征的联合模型。采用受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUC)评估各模型的预测效能,并以决策曲线分析(decision curve analysis,DCA)评价其临床实用性。
研究结果显示,联合模型在训练队列、内部验证队列及外部验证队列中均表现出最优的预测性能,其AUC值分别为0.912、0.886及0.854,显著优于单一影像组学模型及深度学习模型。决策曲线分析表明,联合模型在临床应用中具有较高的净获益。此外,亚组分析显示,联合模型在不同分子分型及不同肿瘤大小亚组中均保持稳定的预测性能。
讨论部分指出,基于DCE-MRI的深度学习影像组学联合模型能够充分挖掘并融合肿瘤的宏观形态学特征与微观深层语义信息,实现对乳腺癌ALN转移状态的无创、精准预测。该模型有望作为SLNB的有效补充手段,辅助临床医师筛选低风险患者,从而减少不必要的有创活检。研究结论指出,该联合模型具有良好的预测效能与临床实用性,可为乳腺癌患者的个体化治疗决策提供重要的影像学参考依据。