《Frontiers in Oncology》：Development and validation of a magnetic resonance imaging-based model for the prediction of progression-free survival before initial treatment of hypopharyngeal cancer treated with chemoradiation
编辑推荐：
目的： 开发一种影像组学-临床模型，用于预测接受同步放化疗（CCRT）的下咽鳞状细胞癌（HPSCC）患者的无进展生存期（PFS）。
材料与方法： 研究纳入113例接受CCRT治疗的下咽癌患者，随机分为训练组（N=80）和验证组（N=33）。研究人员使用Pyth
目的： 开发一种影像组学-临床模型，用于预测接受同步放化疗（CCRT）的下咽鳞状细胞癌（HPSCC）患者的无进展生存期（PFS）。
材料与方法： 研究纳入113例接受CCRT治疗的下咽癌患者，随机分为训练组（N=80）和验证组（N=33）。研究人员使用Python的PyRadiomics工具包从磁共振弥散加权成像（DWI）序列中提取影像组学特征，包括四类：形状特征（14个）、一阶特征（230个）、纹理特征（306个）和小波特征（738个）。所有特征预处理步骤——包括归一化、组内相关系数（ICC）过滤、Pearson相关性过滤和特征选择——均仅在训练集内进行，随后将相同的预处理参数应用于验证集。研究人员采用带十折交叉验证的最小绝对收缩和选择算子（LASSO）惩罚Cox回归算法筛选关键影像组学特征并构建Rad-score。研究人员使用Kaplan-Meier分析和log-rank检验评估影像组学特征对PFS风险分层的效能，并构建影像组学列线图以预测个体在1年和2年的PFS概率。
结果： 由六个重要特征组成的影像组学模型在训练组和测试组中均能很好地将患者分为进展高风险和低风险组（log-rank检验，训练组p=0.006；验证组p=0.023，采用训练集确定的截断值0.025）。基于单变量Cox回归分析（p<0.05），年龄和T分期被选为具有临床重要性的变量。影像组学列线图展现出良好的区分能力，训练组和验证组的C指数分别为0.904（95%置信区间[CI]，0.816–0.992）和0.858（95% CI，0.690–1.000）。预测1年和2年PFS的时间依赖性AUC在训练组中分别为0.867和0.837，在验证组中分别为0.737和0.715。
结论： 基于多参数DWI的影像组学模型在经过进一步前瞻性验证后，可能成为预测接受CCRT治疗的HPSCC患者PFS的潜在工具。
论文解读：基于MRI-DWI影像组学模型预测下咽癌同步放化疗前无进展生存期
一、研究背景与问题
下咽鳞状细胞癌（HPSCC）是一种罕见的头颈部恶性肿瘤，约80%的患者确诊时已处于晚期。当前治疗策略旨在保留喉功能的同时最大化长期生存获益。同步放化疗（CCRT）因比手术更好地保留喉功能且不影响生存，常用于晚期HPSCC的治疗。然而，接受非手术治疗的晚期患者局部复发率约为50%，挽救性手术可能导致伤口感染、伤口不愈合、咽瘘等并发症。因此，开发一种能准确预测HPSCC患者放化疗后早期进展的模型具有重要的临床意义。
磁共振弥散加权成像（DWI）已被广泛用于区分良恶性肿瘤和评估肿瘤活性，其表观弥散系数（ADC）图在治疗前、中、后的测量已被证明是HPSCC的预后指标。影像组学特征（RS）是一种结合多种影像组学特征进行分析的新兴方法，可促进多种癌症的个体化预后预测。尽管已有研究报道基于CT和MRI影像组学与HPSCC预后的相关性，但尚无研究将MRI ADC图像的多种影像特征与RS结合来预测HPSCC患者放化疗后的早期局部区域复发。因此，本研究旨在构建更准确的临床-影像组学模型，预测接受CCRT治疗的HPSCC患者的PFS，并提前为患者制定个体化治疗策略。
二、研究设计与主要技术方法
研究人员回顾性分析了山东省立第三医院2016年3月至2019年2月期间169例新诊断下咽癌患者，最终纳入113例患者，按7:3比例随机分为训练组（80例）和验证组（33例）。所有患者治疗前均接受3.0-T MR扫描仪（GE Signa HDxt）检查，DWI采用单次激发自旋回波平面成像序列，b值为0和1000。治疗前ADC图像由两位具有15年临床经验的放射科医生（张医生和陶医生）使用ITK-SNAP软件4.1版进行盲法标注。
研究使用开源PyRadiomics工具提取ADC图像的影像组学特征，共提取1288个特征，包括形状特征14个、一阶直方图特征252个、纹理特征（灰度共生矩阵GLCM 308个、灰度游程矩阵GLRLM 224个、灰度尺寸区域矩阵GLSZM 224个、邻域灰度差分矩阵NGTDM 70个、灰度依赖矩阵GLDM 196个）。研究设计遵循影像生物标志物标准化倡议（IBSI）报告指南。
特征筛选流程包括：首先在训练集内进行组内相关系数（ICC）过滤（ICC>0.75），保留546个特征；随后进行Pearson相关性过滤（阈值0.9），最终锁定102个特征。研究人员采用带十折交叉验证的LASSO-Cox比例风险回归模型进行特征选择和Rad-score构建，并实施嵌套交叉验证（NCV）框架防止信息泄漏。最佳截断值（0.025）通过'survMisc'包仅基于训练集确定。
三、研究结果
临床特征分析： 通过单变量Cox回归分析，年龄（p=0.0099）和T分期（p=0.0386）是显著的临床预后因素，而性别和N分期无显著差异。
影像组学特征提取与筛选： 从1288个特征中，经ICC过滤保留546个，经Pearson相关性过滤后锁定102个特征。通过LASSO-Cox回归最终筛选出6个关键影像组学特征构建Rad-score，包括：diagnostics_Image-interpolated_Maximum（系数0.009739498）、diagnostics_Image-original_Minimum（系数-0.043349381）、log-sigma-2-0-mm-3D_firstorder_90Percentile（系数0.04825508）、wavelet-LHH_glszm_GrayLevelNonUniformityNormalized（系数-0.094116528）、wavelet-LHH_gldm_HighGrayLevelEmphasis（系数0.006865134）、wavelet-HLH_gldm_GrayLevelVariance（系数0.006078601）和wavelet-HHH_glszm_ZoneVariance（系数-0.001663349）。Rad-score单独预测PFS的C指数在训练组为0.782（95% CI: 0.710–0.854），验证组为0.743（95% CI: 0.668–0.818）。
预测列线图的开发与验证： 研究人员将Rad-score与单变量Cox回归确定的独立临床预测因子（年龄和T分期）结合，构建了影像组学列线图模型。该模型在训练组和验证组的C指数分别为0.904（95% CI 0.816-0.992）和0.858（95% CI 0.690-1.000），均高于单独临床模型或单独影像组学评分模型。时间依赖性ROC曲线显示，训练组1年和2年AUC分别为0.867和0.837，验证组分别为0.737和0.715。校准曲线显示预测的1年PFS概率与实际观察PFS率之间具有良好一致性（Hosmer-Lemeshow检验p值分别为0.537和0.389）。决策曲线分析表明，影像组学列线图模型在训练组和验证组中均比临床模型和影像组学评分模型具有更优的诊断性能。
影像组学特征在PFS风险分层中的价值： 采用训练集确定的最佳截断值0.025，将患者分为低风险和高风险组。Kaplan-Meier生存曲线显示，训练组（p=0.006）和验证组（p=0.023）中高低风险组的PFS均有显著差异，合并队列的中位生存时间分别为20.5个月和9.7个月。
四、讨论与结论
本研究表明，基于LASSO-Cox的Rad-score具有最高的PFS预测能力，结合临床T分期和Rad-score构建的影像组学-临床列线图比单独任一模型具有更好的预测能力。与既往基于CT或T1-MRI的研究相比，本研究选择ADC图构建影像组学模型，因为ADC序列可直接量化水扩散性，其影像组学指标与肿瘤微环境参数（如细胞密度和缺氧）直接相关。研究确认了最大和最小ADC值可预测接受CCRT的HPSCC患者的PFS，归一化灰度非均匀性（GrayLevelNonUniformityNormalized）反映肿瘤异质性并与较差预后相关。此外，Glszm_ZoneVariance是既往研究中未发现的与PFS相关的影像组学特征，其测量纹理区域内尺寸分布的离散程度，反映内部结构异质性。
基于风险分层，研究人员提出了假设性临床决策路径：对高风险组，考虑通过MDT（多学科团队）讨论加强治疗强度，如加入免疫检查点抑制剂（ICIs）或诱导化疗；对低风险组，建议维持标准放化疗并可能延长影像检查间隔以避免过度治疗。
研究结论： 基于多参数DWI的影像组学模型在经过进一步前瞻性验证后，可能成为预测接受CCRT治疗的HPSCC患者PFS的潜在工具。该研究存在以下局限性：单中心研究存在选择偏倚；仅关注ADC图提取的特征，未纳入其他MRI序列；样本量相对较小，需要更大的前瞻性队列来验证研究结果。
