《Biogerontology》:Age-associated radiomic phenotyping in mice using multi-energy photon-counting and preclinical CT: an exploratory study
编辑推荐:
旨在探讨CT衍生影像组学(radiomics)特征是否能够捕获与小鼠实际年龄组相关的成像模式,并评估成像平台和光子计数CT(photon-counting CT, PCCT)重建策略对分类性能的影响。来自三个实际年龄组的雌性C57BL/6NRj小鼠(28、88
旨在探讨CT衍生影像组学(radiomics)特征是否能够捕获与小鼠实际年龄组相关的成像模式,并评估成像平台和光子计数CT(photon-counting CT, PCCT)重建策略对分类性能的影响。来自三个实际年龄组的雌性C57BL/6NRj小鼠(28、88和99周;n = 11)接受了临床PCCT和临床前Albira II CT检查。对心脏、肝脏和脾脏进行分割并提取影像组学特征。将单只小鼠定义为独立生物学单位。模型开发和评估使用嵌套留一鼠交叉验证(leave-one-mouse-out cross-validation, LOMO-CV),所有预处理、特征选择、模型选择以及适用时的重建能量选择均限制在相应训练折内。对器官水平类别概率进行平均以生成一个小鼠水平预测。评估了40至180 keV的单能PCCT重建,包括完全嵌套的能量和流程选择分析。对主要单能工作流程进行了分组小鼠水平置换分析,共200次置换。Albira II正确分类5/11只小鼠(45.5%;95%置信区间[confidence interval, CI],21.3–72.0%),而PCCT谱后处理(spectral post-processing, SPP)正确分类10/11只小鼠(90.9%;95% CI,62.3–98.4%)。完全嵌套的单能PCCT工作流程正确分类9/11只小鼠(81.8%;95% CI,52.3–94.9%;平衡准确率,83.3%;宏F1,83.3%)。能量特异性性能差异很大:110 keV显示最高准确率(81.8%),并在7/11外层折中被选择,而最高宏一对多AUC(area under the curve,曲线下面积)出现在130 keV(0.867)。200次置换分析中没有任何一次达到观察到的完全嵌套单能准确率(加一校正蒙特卡洛p = 0.005)。在该探索性小鼠队列中,CT衍生影像组学特征显示出与实际年龄组相关的模式,分类性能在成像平台和重建策略之间差异显著。PCCT-SPP显示数值上最高性能,而单能PCCT表现出显著的能级依赖性,没有证据表明存在普遍最优的重建能量。这些发现需要在更大的独立队列中验证,并与独立的生物学衰老参考指标相关联。
研究背景与问题:衰老是进行性、多层面的生物学过程,随时间累积分子和细胞损伤,导致生理完整性下降、再生能力减弱以及疾病和死亡易感性增加。传统上以实际年龄量化衰老,但实际年龄难以捕捉个体间生物衰老的异质性;生物年龄可与实际年龄明显不同,因此需要准确、个体化的衰老标志物。影像生物标志物可提供在体多器官系统的结构和功能信息。CT可高空间分辨率评估组织形态和密度,近年光子计数CT(photon-counting CT, PCCT)较传统能量积分探测器具有更高空间分辨率、更低电子噪声和能量分辨成像能力,可重建单能图像。影像组学(radiomics)通过高通量提取定量影像特征,识别反映病理生理过程的细微模式。该研究比较临床PCCT和专用临床前CT两个平台的影像组学特征,探讨平台和重建依赖的年龄相关影像组学表型差异。研究不旨在估计生物年龄本身,而是调查影像组学签名在定义的实际年龄组间是否不同。
研究人员开展的研究与结论意义:研究人员纳入三个实际年龄组雌性C57BL/6NRj小鼠,28周、88周和99周,共n = 11,分别接受临床PCCT和临床前Albira II CT,分割心脏、肝脏和脾脏并提取影像组学特征。以单只小鼠为独立生物学单位,采用嵌套留一鼠交叉验证(leave-one-mouse-out cross-validation, LOMO-CV),所有预处理、特征选择、模型选择及适用时重建能量选择均限制在训练折内,器官水平类别概率平均为鼠水平预测。结果显示,CT衍生影像组学特征捕获了与实际年龄组相关的模式,但分类性能在成像平台和重建策略间差异显著;PCCT谱后处理(spectral post-processing, SPP)数值最高,单能PCCT显示能量依赖,无普遍最优能量。该研究为假设生成性,提示需更大独立队列和生物学衰老参考指标验证。
主要关键技术方法:研究采用三时间年龄组雌性C57BL/6NRj小鼠队列(28周3只、88周4只、99周4只,n = 11),行临床PCCT(Siemens Healthineers NAEOTOM Alpha
?)和临床前Albira II CT。手动分割心脏、肝、脾,PyRadiomics v3.0.1提取特征。以单鼠为独立单位,采用嵌套LOMO-CV,所有预处理、特征选择、模型选择和适用时能量选择限于训练折;内层鼠分组LOMO-CV选择流程;器官类别概率平均为鼠水平预测;评估40–180 keV单能PCCT;行200次分组鼠水平置换和110 keV特征选择稳定性分析。
研究结果:
影像组学特征探索与降维(Radiomics feature exploration and dimensionality reduction):对未过滤影像组学特征集进行主成分分析(principal component analysis, PCA)显示,与扫描仪类型、器官身份和小鼠年龄组相关的聚类模式。PCCT和Albira II数据形成不同但部分重叠的簇;各器官也观察到年龄组相关模式,促使后续探索性预测建模。
特征选择与模型性能(Feature selection and model performance):在11个外层折的鼠水平预测中,Albira II嵌套流程正确分类5/11只小鼠,准确率45.5%,平衡准确率41.7%,宏F1为37.2%。PCCT-SPP正确分类10/11只小鼠,准确率90.9%,平衡准确率91.7%,宏F1为91.5%;唯一误分类为一只Group 3小鼠被分为Group 2。内层模型选择中,PCCT-SPP的逻辑回归(Logistic Regression, LR)联合SelectKBest在6个外层折被选,LR联合PCA在5个折被选,支持向量机和随机森林未被选为最优;Albira II的流程选择较不稳定。研究人员指出,这反映平台和协议依赖差异,但不能解释为探测器技术孤立效应。
光子计数CT光谱分析(photon-counting CT spectral analysis):在15个单能重建能级上,鼠水平准确率27.3%至81.8%。110 keV能级准确率最高,正确分类9/11只小鼠(81.8%);最高宏一对多AUC(area under the curve, AUC)出现在130 keV(0.867),因此最高准确率能级与最高概率排序性能能级不一致。完全嵌套光谱分析中,重建能量和分析流程仅在训练数据内选择,该流程正确分类9/11只小鼠,准确率81.8%,平衡准确率83.3%,宏F1为83.3%;两个误分类分别为一只Group 2小鼠分为Group 3,以及一只Group 3小鼠分为Group 2。110 keV在7/11外层折被选,100 keV两次,70和120 keV各一次;流程选择为LR联合PCA六折、随机森林联合SelectKBest四折、LR联合SelectKBest一折。结果表明存在能量依赖判别信号,但无单一重建或流程被普遍选择。
鼠水平置换分析(Mouse-level permutation analysis):为评估完全嵌套单能流程性能是否可在随机年龄组分配下出现,研究人员进行200次鼠水平置换。观察准确率81.8%(9/11),经验零分布平均准确率27.8%,中位数27.3%,标准差17.6%,第95百分位54.5%,200次中最高72.7%(8/11)。没有置换达到或超过观察准确率,加一校正蒙特卡洛p = 0.005。研究人员认为,这支持观察性能不太可能仅来自随机类别分配下重复模型优化。
110 keV特征选择稳定性(Feature-selection stability at 110 keV):在110 keV重建中评估外层训练折特征选择稳定性。一阶10百分位数(First-order 10th Percentile)在11/11折被选,灰度区域大小矩阵(gray-level size-zone matrix, GLSZM)大小区域非均匀性(Size Zone Non-Uniformity)为10/11,GLSZM小区域强调(Small Area Emphasis)为9/11,一阶熵(First-order Entropy)为7/11,邻域灰度差矩阵(neighboring gray-tone difference matrix, NGTDM)繁忙度(Busyness)为5/11,GLSZM小区域高灰度强调(Small Area High Gray Level Emphasis)为4/11,灰度共生矩阵(gray-level co-occurrence matrix, GLCM)逆方差(Inverse Variance)为3/11。作者强调,这些频率代表训练折特征选择稳定性,不应解释为全局或因果特征重要性。
讨论部分总结:讨论指出,年龄相关结构、代谢和血管变化此前已在多个小鼠器官中描述,为年龄相关定量影像特征差异提供合理生物学基础;但该研究未纳入独立生物学衰老参考,因此观察差异应解释为实际年龄组相关影像组学表型,而非生物年龄预测。单能PCCT性能显示明显能量依赖,110 keV最常被选但数据未确立普遍最优能级;PCCT-SPP与完全嵌套单能流程数值差异仅相当于一只小鼠,不应解释为任一重建策略优越。置换分析支持观察性能不易仅由随机分组下模型优化产生,但不能建立泛化性。反复选择的特征包括一阶和纹理指标,但这不是全局特征重要性、生物因果或影像组学可重复性的直接证据。局限包括仅11只独立小鼠、单只误分类约改变9个百分点、器官和多次单能重建为同一动物内重复测量、高维小样本过拟合风险、平台比较不能特异地归因于光子计数探测器技术、无重复分割及无正式统计比较。
研究结论翻译:总之,在该探索性小鼠队列中,CT衍生影像组学特征显示出与年龄组相关的模式,并明显依赖于成像平台和重建策略。PCCT-SPP显示出数值上最高的分类性能,而单能PCCT表现出显著的能量依赖性,其中110 keV是最常选择的重建而非普遍最优能量。这些发现具有假设生成性,需要在纳入生物学衰老参考指标和专门可重复性评估的更大独立队列中确认。