基于影像组学的局部进展期直肠癌预后预测模型研究

创作时间:

作者:

@小白创作中心

基于影像组学的局部进展期直肠癌预后预测模型研究

引用

CSDN

https://blog.csdn.net/qq_45404805/article/details/145379290

局部进展期直肠癌（LARC）患者的预后评估一直是临床研究的重点和难点。本文介绍了一项国家自然科学基金面上项目，通过影像组学技术构建了多个预测模型，解决了新辅助治疗后肿瘤间质比（TSR）评估的难题，并为直肠癌个体化精准治疗提供了重要指导。

项目背景与意义

局部进展期直肠癌（LARC）患者在接受标准化治疗后，大部分患者均未能达到病理完全缓解，且部分患者在术后五年内出现无可避免的远处转移。肿瘤间质比（TSR）是肿瘤微环境的量化指标之一，已被证实可作为结直肠癌预后评估的有效危险因素，并可用于指导治疗决策。因此，开发LARC患者的治疗前TSR评估方法尤为必要。

主要研究内容

本研究对本单位149例直接手术直肠癌患者进行人工TSR病理诊断，通过基于T2WI、DWI、ADC及T1增强图像的多参数影像进行特征库构建，对5650个影像组学特征进行LASSO、多因素逻辑回归进行降维，并运用十折交叉验证法进行模型构建，成功构建影像组学模型rad-score。同时对全肿瘤平均ADC值（mean ADC）进行测量。

结果显示在训练集及验证集中，rad-score诊断效能优于mean ADC（训练集 AUC=0.917 vs AUC=0.776，验证集 AUC=0.787 vs AUC=0.764）。

在此基础上，本研究对本单位178例直接手术直肠癌患者进行自动化TSR评分，并对小FOV T2WI图像进行全肿瘤特征提取，通过包含留一法交叉验证的递归消除支持向量机模型进行特征降维筛选及模型构建，得到影像组学模型MR-TSR，通过纳入临床危险因素构建融合模型Fusion-TSR。

接着纳入243例2012至2017年间于本单位行新辅助治疗并接受根治术的LARC患者，分别运用上述两种模型对患者进行TSR评估并与患者的DFS与OS进行统计检验，结果表明，MR-TSR为LARC患者DFS的不良预后因素（HR=1.662，95% CI=1.077 - 2.565，p=0.02），而Fusion-TSR为LARC患者OS的不良预后因素（HR=2.373，95% CI=1.281 - 4.396，p=0.005）。

本研究通过利用直接手术患者的术后病理标本搭建TSR金标准，所构建的模型运用于LARC患者的治疗前TSR评估，解决了新辅助治疗破坏肿瘤微环境而使TSR无法在LARC患者中评估的难题，并且基于影像组学及临床及影像组学联合模型所评估的TSR可以预测LARC患者的预后，以辅助治疗决策。

影像组学技术在不同类型的结直肠癌患者中的应用

在本项目推进过程中，除聚焦于局部进展期直肠癌（LARC）患者外，团队还回顾了大量不同类型的结直肠癌患者。除用于构建肿瘤间质比（TSR）金标准所纳入的直接手术直肠癌患者外，研究团队还收集了较多发生远处转移的结直肠癌病例，并且获取了完整的随访资料及临床影像及病理资料。

因此，在聚焦本项目主要研究内容，即运用影像组学技术评估LARC患者治疗前TSR并预测患者术后生存情况之外，团队将研究内容进行了延伸——运用影像组学技术构建早期直肠癌及发生远处转移结直肠癌预后预测模型。

运用基于分段读出平面回波成像的高清弥散序列（RS-EPI DWI）的影像组学模型预测直接手术直肠癌患者的预后

本研究回顾性收集了本单位2014年至2020年间直肠癌常规MR中包含RS-EPI DWI序列的直接手术直肠癌患者195例，其中训练组158例，外部验证组37例。通过图像后处理获得基于RS-EPI DWI的ADC图，并进行全肿瘤感兴趣区域（ROI）勾画。通过第二部分研究所构建的特征库进行特征提取，同样提取包含原始图像及经高斯及小波变换在内总计1046个特征。

运用包含留一法交叉验证的递归消除支持向量机模型分别及同时进行影像组学特征及临床危险因素降维筛选，并构建用于预测无病生存期的影像组学模型、临床危险因素模型及联合模型，借此将接受直接手术的直肠癌患者分为高、低风险组。

结果显示联合模型预测复发转移的效能最高，分别预测术后第1年、第3年及第5年复发及转移的AUC为0.887、0.813及0.794，临床模型对应的AUC为0.704、0.689及0.711，而单纯影像组学模型对应的AUC为0.814、0.785及0.790。

将联合模型进行外部验证后取得较高诊断效能，对应术后第1、3、5年复发及转移的AUC为0.819、0.795及0.783。同时运用经验证为诊断效能最佳的联合模型在外部验证数据集中进行生存分析，结果显示由联合模型所评估的高、低风险为直接手术直肠癌患者的强预后因素（HR = 6.427，95% CI = 0.515 - 80.245，p = 0.0022）。

本部分研究将直肠癌MR中的高清弥散序列经影像组学技术进一步深入挖掘并开发成可用于评估直接手术（非局部进展期及存在远处转移直肠癌病例）患者复发转移预后的风险分层工具，经外部验证证实该方法具有可行性，影像组学及临床危险因素联合模型具备一定实用价值。

结合影像组学、病理深度学习技术及免疫评分多尺度融合模型预测结直肠癌可切除性肺转移的预后

本部分研究通过回顾性收集本单位103例接受结直肠癌肺转移灶切除术的患者数据，开展了一系列分析与模型构建工作，旨在预测结直肠癌可切除性肺转移的预后情况。

数据处理与模型构建

病理深度学习模型构建：以患者的总生存期（OS）及无复发生存期（DFS）为目标，对转移灶术后的病理全切片H&E图像进行深度学习。采用弱监督神经卷积网络的方法，构建相应的深度学习模型。
影像组学模型构建：对患者术前的肺转移灶CT图像，进行全病灶分割操作。然后在特征库中提取相关特征，运用重采样技术及支持向量机模型，构建用于预测患者总生存期及无病生存期的影像组学模型。
免疫评分：针对转移灶的侵袭边缘及病灶中心区域，基于CD3及CD8免疫细胞的浸润情况进行免疫评分。
多尺度列线图模型构建：将临床病理危险因素与上述三种类型的模型（病理深度学习模型、影像组学模型、免疫评分模型）相结合，构建列线图模型，最终成功构建出能够预测患者总生存期（OS）及无病生存期（DFS）的多尺度列线图模型。