仅58例患者的影像组学研究，8分+!

1.题目要素拆解

文章题目提供了三条信息：

1）预测模型：基于对比增强CT（提取的）影像组学（特征构建的）列线图；

2）结局：抗PD-1抗体治疗效果（免疫应答）；

3）研究对象：（经抗PD-1抗体治疗的）晚期HCC患者；

2.文章基本信息

3.核心要素

研究对象（P）：标准一线治疗的难治性的HCC晚期且经抗PD-1抗体药物治疗患者（n = 58）

预后模型（I/C）：LASSO/RS/SVM/DT

结局指标（O）：抗PD-1抗体治疗效果；

研究类型（S）：回顾性队列研究，预后预测类型

4.变量分析

预测变量（X）：影像组学signature；

结局变量（Y）:  抗PD-1抗体治疗效果；

协变量（Z）：临床数据（年龄，性别，BCLC分期，ECOG评分，Child-Pugh分级，肿瘤栓子，肿瘤结节数，ALBI分级，应答结果）；

实验室数据（甲胎蛋白 (AFP) ，谷丙转氨酶(ALT)，谷草转氨酶 (AST)，白蛋白（ALB），总胆红素 (TBIL) ，凝血酶原时间 (PT) ，白蛋白-胆红素 (ALBI) 评分）。

5.研究背景

临床问题：免疫治疗引发了为提高 HCC 患者肿瘤应答和延长患者生存期的热潮，然而，只有一小部分患者从PD-1/PD-L1单一疗法中获益，因此，挖掘晚期肝癌精确治疗的疗效预测因子非常重要。

目前方法不足：TMB）和PD-L1表达是PD-1/PD-L1治疗效果研究最广泛的预测标志物。然而1）肝细胞癌中TMB高的患者比例较低，且无主流临床试验报道；2）PD-L1的阳性表达只有约20%的HCC患者发生，但是即使PD-L1表达阴性的患者也通常观察到良好的抗肿瘤反应。

本文解决方式：通过融合预处理CECT影像和临床风险因素开发和验证影像组学列线图，以评估晚期肝癌患者的抗PD-1治疗效果。

科学假设：预测模型可以准确预测 HCC晚期患者的抗PD-1药物治疗效果。

1.纳入排除标准建立

第一部分：文章方法部分解读

纳入标准

① 年龄≥18岁且经两种影像学检查或病理活检诊断为肝癌；

② 对标准一线治疗无效；

③ BCLC分级C期，或分级为B期且无法忍受进一步手术切除；

④ Child-Pugh 肝功能分级为A（手术危险度小） 或 B（手术危险度适中） ；

⑤ ECOG体能状态评分≤3；

⑥ mRECIST 在基线时≥1 个可测量的病灶；

http://oncol.dxy.cn/article/515075

https://www.cn-healthcare.com/articlewm/20210417/content-1211074.html

https://max.book118.com/html/2021/0615/6145012005003201.shtm

⑦ 无心、肺、肾功能障碍，预期寿命≥3个月。

排除标准

① 基线无增强CT扫描；

② 随访期间接受局部治疗；

③ 可能影响研究结果的脑或软脑膜转移或不受控制的疾病；

④ 怀孕或哺乳的妇女；

⑤ 目前有或有除HCC以外的恶行肿瘤病史；

⑥ HAV/HCV/HDV/HIV血清学阳性；

⑦ 参加了其它临床实验；

第二部分：PICOS原则梳理

P：

年龄：≥18岁；

性别：男性（n=52），女性（n=6）；

疾病状态：首诊初治；

疾病分期：ALBI分级（I, II, III）；

治疗方案：抗PD-1抗体治疗（特瑞普利单抗，240mg/2周；卡瑞利珠单抗，200mg/2-3周，信迪利单抗，200mg/3周）;

诊断标准：病理诊断或经两种影像学诊断；

I/C：

影像设备：CT；

扫描序列：平扫，对比增强CT动脉期（25s）；

靶区：沿肿瘤轮廓勾画全瘤WTR，肿瘤轮廓外 10 mm处自动瘤周PTR；

影像检查时间点：患者在baseline和之后的 2.8 (1.2, 6.2) 个月时接受了 CT 检查，但文章对baseline并无明确定义；

层厚：1mm；

对比剂：1.5ml/kg体重的造影剂以3.0ml/s的速度通过肘静脉注射；

O：

近期疗效：免疫应答；

第三部分：纳排及分组结果

最终，共纳入85名患者，将数据集按7：3的比例随机分为训练集（n=40）和测试集（n=18）。并通过样本量检验进行评估。

Figure 1

第四部分：结局标签及患者基线情况

Table 2

2.图像分割（+图像预处理）

图像分割

执行： 2名超过10年经验的放射科医生；

影像：平扫+对比增强CT（动脉期）(2D)；

工具：3D slicer V4.10.2，自动生成圆周区域的软件；

靶区定义：WTR（沿肿瘤轮廓勾画整个肿瘤）+PTR（肿瘤轮廓外10mm区域）；

结果显示：

Figure 2

图像预处理

① 重采样：将图像重采样到体素大小为1*1*1cm^3以标准化体素间距；

② 归一化：对灰度值进行归一化处理以减少图像采集信号强度差异；

3.特征提取（+数据预处理）

特征提取

工具：Pyradiomics V3.0；

特征类型：形态学特征、一阶特征、GLCM、GLRLM、GLSZM、NGTDM、GLDM；

随后运用小波变换，再对各特征进行一遍提取；

提取结果：最终提取到3160个影像组学特征；

数据预处理

目的：消除特征值之间的差异程度；

方法：z-score（z=(x-μ)/σ）标准化；

工具：caret包（R）；

4.特征选择

第一步：特征的一致性评价

目的：检测分割结果的可靠性；

方法：组间/组内相关系数ICC & 戴斯相似系数DSC(cut-off > 0.75)；

结果：WTR（1432）PTR（1360）；

第二步：相关性分析

目的：消除冗余；

方法：Spearman's相关性检验（cut-off < 0.95）；

结果：WTR（732）PTR（650）；

第三步：差异显著性检验

目的：PD vs non-PD（CR+PR+SD）；

方法：student t检验；

结果：WTR（26）PTR（17）；

第四步：特征选择

目的：筛选TOP特征；

方法：10折交叉验证 + LASSO/RF/SVM/DT；

性能评估：AUC & F1-score，通过比较采用性能最好的LASSO回归作为特征选择方法；

Table S1

Figure 3

结果：最终得到特征WTR（6）PTR（3）；

根据LASSO方程进行Radscore计算

Radscore1：融合 Radscore（WTR+PTR）

结果显示：

Radscore2：肿瘤 Radscore（WTR）

结果显示：

5.模型建立

单因素 & 多因素Logistic回归

目的：分析独立风险因素

结果：

模型1：融合 Radscore、ALBI分级、肿瘤栓子

模型2：肿瘤 Radscore、ALBI分级、肿瘤栓子

模型3：ALBI分级、肿瘤栓子

基于结果绘制三个模型的列线图

工具：RMS包

Figure 5

方差膨胀因子VIF分析

目的：分析有多重共线性的特征

cut-off：10

结果：特征VIF均＜10

Figure 6

1.模型区分度评价

目的：评价模型区分不同结局事件的能力

方法：C-index

工具：Hmisc包

结果：训练集（0.851）；验证集（0.791）

方法：ROC曲线 & AUC指标

工具：pROC包

结果：训练集0.894 (0.797–0.991)；验证集0.883 (95% CI, 0.716–0.998)

训练集AUC模型1 vs 模型2 vs 模型3： 0.894 vs 0.846 vs 0.740

验证集AUC模型1 vs 模型2 vs 模型3： 0.883 vs 0.831 vs 0.739

Figure 7

模型具有较好的预测能力

2.模型校准度评价

目的：评价模型预测结局事件于实际结局事件之间的差距

方法：校准曲线 & Hosmer-Lemeshow逻辑回归的拟合度检验

工具：RMS包

结果：训练集（P = 0.758）和验证集（P = 0.537）中的预测值和真实值具有较好的一致性

Figure 8

3.模型临床获益评价

目的：评价模型是否能指导临床决策

方法：决策曲线分析（DCA）

工具：RMDA包

结果：模型1有更好的临床实用性

Figure 9

4.文章质控评分RQS计算

结果：本文得分/总分 = 20/36

Table S2

本文写作规范，结构完整，是很好的影像组学与肿瘤免疫相结合的学习素材。为此，鑫仔绘制了一个流程图供大家学习~~

好啦，新的一年，我们继续一起学习更多的影像组学玩法，我们下期见喽o(*￣▽￣*)ブ