《Cancers》:Lymphocytic Reaction Combined with MRI Deep Learning Radiomics in Risk Stratification of Distant Metastases in Rectal Cancer
编辑推荐:
目的: 本研究旨在通过整合肿瘤淋巴细胞反应(lymphocytic reaction, LR)与深度学习影像组学(deep learning radiomic, DLR)特征,开发一个用于预测直肠癌(rectal cancer, RC)远处转移(distant
目的: 本研究旨在通过整合肿瘤淋巴细胞反应(lymphocytic reaction, LR)与深度学习影像组学(deep learning radiomic, DLR)特征,开发一个用于预测直肠癌(rectal cancer, RC)远处转移(distant metastasis, DM)的最优模型。方法: 共计190例RC患者按7:3的比例被分为训练队列(n = 133)和验证队列(n = 57)。从T2WI扫描中提取了传统影像组学(radiomics, Rad)、深度迁移学习(deep transfer learning, DTL)和DLR特征,并收集了临床病理学变量。所有模型均采用支持向量机(support vector machine, SVM)算法构建,并使用受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)评估其性能。进行了为期3年的随访以分析3年无远处转移生存期(distant-metastasis-free survival, DMFS)结局和DM风险。结果: 多变量分析证实LR是3年DMFS的独立预测因子(p < 0.05)。整合LR和DLR的融合模型展现出初步的预测性能,在训练队列和验证队列中的AUC值分别为0.911和0.884。亚组观察性分析显示,在低风险患者中,辅助化疗暴露与DMFS存在明显差异,而在由列线图截断值0.3定义的高风险亚组中,这种生存模式并不显著。研究人员检测到DLR特征与LR之间存在中度负相关性(r = -0.44, p < 0.001),这为解释深度学习影像组学生物标志物提供了初步的免疫相关线索。结论: 结合病理学LR和DLR特征的多模态融合列线图在预测RC患者的3年DMFS风险方面显示出令人鼓舞的初步预测性能。这种术后多模态工具可为临床医生对RC患者实施个体化术后监测提供初步参考,并且DLR与LR之间的负相关关系有助于揭示影像特征的免疫相关背景。
论文解读文章
研究背景与目的
直肠癌(Rectal Cancer, RC)起病隐匿,在中国发病率不断上升,已成为癌症相关死亡的第二大原因。尽管新的治疗方案改善了部分患者的预后,但即使在接受标准新辅助放化疗和根治性切除术后,仍有17%-25%的患者会发生远处转移(Distant Metastasis, DM),而DM是导致RC患者死亡的主要原因。因此,准确评估异时性DM风险以指导个体化治疗和优化监测方案是迫切的临床需求。肿瘤微环境(Tumor Microenvironment, TME)中的宿主免疫反应调控着肿瘤的发生发展。组织学上的淋巴细胞反应(Lymphocytic Reaction, LR)反映了宿主的抗肿瘤免疫应答,已有研究表明更高的淋巴细胞浸润与更好的生存结局相关。磁共振成像(Magnetic Resonance Imaging, MRI)是评估RC局部分期和风险因素的标准影像学工具,基于MRI的影像组学可以显示瘤内异质性,但其预测DM风险的性能仍有限,且存在复杂性高、稳定性差、可解释性受限等问题。本研究旨在探究LR与RC患者DM结局的关联,深入分析LR与深度学习影像组学(Deep Learning Radiomic, DLR)特征的相关性,并建立一个结合病理学LR和影像学DLR特征的DM风险预测模型,以期平衡临床实用性和预测性能。
研究方法与技术
这是一项回顾性研究,纳入了2019年1月至2021年12月在天津市人民医院治疗的190例RC患者,并按7:3比例随机分为训练队列(n=133)和验证队列(n=57)。研究采用了以下几个关键技术方法:
- 1.
病理学评估: 由两位对临床和影像数据不知情的病理学家,根据已发表方案对苏木精-伊红染色切片进行LR评分,包括克罗恩样LR、瘤周LR、瘤内腺周反应和肿瘤浸润淋巴细胞四个子成分,并通过加权计算得到综合LR评分。
- 2.
MRI图像获取与预处理: 使用1.5T或3.0T扫描仪获取高分辨率轴位T2WI序列,并将图像重采样至各向同性体素大小。
- 3.
特征提取:
- •
传统影像组学(Radiomics, Rad)特征: 使用PyRadiomics软件从三维感兴趣区(Region of Interest, ROI)中提取1198个特征。
- •
深度迁移学习(Deep Transfer Learning, DTL)特征: 应用预训练的ResNet50卷积神经网络作为固定特征提取器,从最大肿瘤轴向层面提取2048个DTL特征。
- •
深度学习影像组学(Deep Learning Radiomic, DLR)特征: 将筛选后的Rad特征和DTL特征整合构成DLR特征集。
- 4.
模型构建与评估: 所有模型均采用径向基函数核的支持向量机(Support Vector Machine, SVM)算法构建。特征筛选通过Z-score标准化、Spearman等级相关分析和最小绝对收缩和选择算子(Least Absolute Shrinkage and Selection Operator, LASSO)回归完成。模型性能通过受试者工作特征曲线下面积(Area Under the Curve, AUC)进行评估,并采用Bootstrap重抽样进行乐观校正。
研究结果
- •
3.1 患者特征: 共纳入190例患者。在训练队列中,DM组与非DM组在肿瘤长度、肿瘤LR、mrEMVI、mrN分期和化疗方面存在显著差异。在验证队列中,仅有肿瘤LR和mrEMVI在两个组间差异显著。基线特征在训练和验证队列间无显著差异。
- •
3.2 影像和病理评估的观察者间一致性: MRI肿瘤分割和病理LR评分的观察者间一致性良好,所有候选特征的组内相关系数(Intraclass Correlation Coefficient, ICC)均≥0.75,四个病理评分项目的加权Kappa系数也表明一致性良好。
- •
3.3 特征选择: 多变量Cox回归分析显示,LR是影响无远处转移生存期(Distant-Metastasis-Free Survival, DMFS)的唯一独立因素。经过LASSO回归筛选,最终保留了12个肿瘤特征(9个Rad特征和3个DTL特征)用于构建DLR模型。
- •
3.4 模型评估:
- •
LR模型的AUC在训练和验证队列中分别为0.788和0.777。
- •
DTL模型的AUC在两个队列中均为0.755。
- •
传统影像组学(Rad)模型的AUC分别为0.855和0.778。
- •
DLR模型表现出更优的性能,AUC分别为0.897和0.838。
- •
融合模型(LR + DLR)取得了最佳预测性能,AUC在训练队列中达到0.911,在验证队列中达到0.884。校准曲线显示预测风险与实际发生风险总体一致,决策曲线分析也证明了其较高的临床净获益。
- •
基于LR和DLR特征构建的列线图显示,DLR特征与LR之间存在中度负相关(r = -0.44, p < 0.001)。
- •
Kaplan-Meier生存分析显示,高风险组与低风险组的DMFS存在显著差异。进一步亚组分析发现,在低风险患者中,接受与未接受辅助化疗的患者在DMFS上存在明显差异,而这种差异在高风险患者中不显著,该发现在训练和验证队列中保持一致。
讨论与结论
本研究的核心发现是,结合病理学LR和DLR特征的融合模型在预测RC患者3年DMFS风险方面达到了最优的区分能力。DLR特征与LR之间的显著负相关揭示了深度学习影像组学生物标志物潜在的免疫相关生物学基础。亚组分析提示,由融合模型定义的低风险患者可能从辅助化疗中获益更多,而高风险患者获益不明显,这为未来前瞻性研究提供了假设。
研究结论: 本研究构建并验证了一个整合病理学LR和MRI DLR特征的融合列线图,用于预测RC患者的3年DMFS风险。该模型在内部训练和验证队列中均保持了稳定的预测性能。DLR特征与LR之间的中度负相关为理解DLR生物标志物提供了初步的免疫学证据。这种结合术后病理学和术前MRI特征的术后多模态工具,可能有助于实现RC的个性化术后监测,并为风险分层和个体化管理提供支持性参考。然而,这些发现应被视为初步结果,在大规模独立多中心队列中进行进一步验证是其广泛临床应用的前提。