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);
小注:这里作者表明了将PTR设置为肿瘤轮廓外10mm的原因,先不说有无道理,但解释一句还是有必要的;
考虑到PD-1抑制剂治疗的患者大多处于晚期,在训练集和测试集的平均肿瘤尺寸分别为8.38 ± 3.95 cm 和 9.29 ± 4.08 cm,为了避免纳入过多的无用信息选择10mm作为边界。
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
微信扫码关注该文公众号作者