平平无奇的病理组学套路，是什么让它发到Nature子刊？

公众号新闻

2023-03-28 08:03

1
整体感知

1.题目要素拆解

文章题目提供了三条信息：

1）预测变量：病理组学

2）结局：预后、预测疗效

3）研究对象：胃癌（GC）

2.文章基本信息

杂志	Nature Communications
分区	Q1
IF	17.694
发表时间	2022.11.12

3.核心要素

研究对象（P）：接受根治性胃部切除术的胃癌（GC）患者（训练集，n = 264；验证集，n = 264）

预后模型（I/C）：LASSO-Cox回归模型构建的病理组学signature；

结局指标（O）：总生存期OS，无病生存期DFS

研究类型（S）：回顾性队列研究，预后预测类型

研究目的：开发基于病理组学特征的预后预测模型，用于预测胃癌（GC）患者的总生存期（OS）和无病生存期（DFS），并识别出从辅助化疗受益的II期和III期患者。

4.变量分析

预测变量（X）：病理组学signature

结局变量（Y）: 5年OS、5年DFS

协变量（Z）：年龄、性别、ECOG-PS评分、血清肿瘤标志物（CEA、CA19-9）、肿瘤部位、肿瘤大小、肿瘤分级、Lauren分型、肿瘤浸润深度、淋巴结转移、远处转移、TNM分期、是否接受辅助化疗

>>补充：ECOG-PS评分对肿瘤患者进行体力状况评分，评分越高健康状况越差。

5.研究背景

临床问题：尽管近年来胃癌的发病率和死亡率显著降低，但患者预后异质性较大，辅助化疗的生存获益也有很大差异；因此，准确地预测预后和辅助化疗获益是临床胃癌患者风险分层不可或缺的一部分。

目前方法不足：目前临床上TNM分期系统提供的预后信息不充分，不能准确识别哪些患者更有可能从辅助化疗中受益；而基于基因表达数据的分型系统受到分析成本和复杂性的限制，未能在临床上受到广泛应用。

本文解决方式：基于此，作者利用组织病理学图像提取病理组学特征，构建预后预测模型，以期为胃癌患者预后分层和临床诊治决策提供参考。

模型构建

1.workflow展示

Figure 1

我们先来看一下流程图，重点描述病理组学模型PS_GC的构建过程

组织切片后进行H&E染色，扫描成数字化图像，选取具有代表性的tile

特征提取（图像质量特征、图像共定位特征、图像粒度特征）

特征选择（LASSO-Cox）

模型构建

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 接受胃癌根治性切除术

② 术后组织学诊断为胃癌（GC）

③ 至少15个淋巴结被切除

④ 无其他恶性肿瘤史

⑤ 有完整的临床病理和随访信息

⑥ 可以进行分析的病理图像质量

排除标准

① 术前接受新辅助化疗、放疗或放化疗

第二部分：PICOS原则梳理

年龄：不限制（本文中年龄49-65岁），作者并未对年龄进行限制；

性别：不限制；

疾病状态：首诊初治；

疾病分期：不限制（76.3%患者为TNM II-III期）；

治疗方案：接受根治性胃癌切除术（术后有无化疗均纳入）;

诊断标准：病理诊断；

I/C:

标本类型：福尔马林固定石蜡包埋的组织样本FFPE

病理切片染色：H&E染色；

切片扫描设备：Aperio ScanScope扫描系统（徕卡），×20物镜

病理检查时间点：术后；

远期疗效：OS，DFS

第三部分：纳排及分组结果

最终，共纳入480名患者，分别是训练集（264例：2012年3月-2013年12月）和验证集（216例：2010年8月-2012年9月），并从中获得病理图像数据及临床特征资料。

3.图像分割

由具有25年胃癌病理诊断经验的病理学家选择各个病例浸润深度最具代表性的切片，圈出各个切片的肿瘤区域，在1000×1000像素的视场范围内，手动分割出10个包含最多肿瘤细胞的不重叠的tile，该过程由另外两位分别具有9年和13年胃癌病理诊断经验的病理学家进行验证。若是上述两位病理学家的意见不一致，会咨询第三位病理学家做出决定。

4.特征提取（+数据预处理）

工具：本文特征提取过程采用CellProfiler软件（4.0.7版本）进行。

>>补充：CellProfiler由剑桥Broad研究所开发，是一款免费的生物图像定量分析开源软件（https://cellprofiler.org/）。

特征类型

首先使用“UnmixColors”模块将H&E（苏木素&伊红）染色的图像分成苏木素-染色和伊红-染色的灰度图像，基于“Combine”方法使用“ColorToGray”模块将H&E图像转换为灰度图像进行下一步分析。

使用“MeasureImageQuality”和“MeasureImageIntensity”模块对灰度的H&E、苏木素和伊红图像的图像质量进行评估，包含模糊特征、强度特征和阈值特征。其中，利用Otsu算法自动计算每个图像的阈值，提取阈值特征，以期将图像前后背景进行分割。

使用“MeasureColocalization”模块在整个图像上逐像素计算每个苏木素-染色和伊红-染色图像中的共定位特征和强度之间的相关性。

使用“MeasureGranularity”模块评估每张图像的粒度特征，该模块输出图像中纹理的大小测量的光谱，粒度光谱范围为16。

提取结果

最终共提取90个病理组学特征，每个特征定量的值为10个tile的平均值，用于进一步的统计分析。

5.特征选择

特征选择：在训练集中，采用10折交叉+LASSO-Cox回归模型进行特征选择，最终得到12个病理组学特征（Figure S2），通过所选特征的线性组合构建模型PS_GC。

Figure S2

补充材料中对PS_GC中的各特征及权重进行了进一步展示：

至此，基于病理组学的预后模型PS_GC构建完毕。

6.模型建立

单因素&多因素Cox回归

目的：

分析预后的独立风险因素

结果：

单因素分析中，PS_GC、CEA水平、CA19-9水平、肿瘤位置、肿瘤大小、Lauren分型、肿瘤浸润深度（T分期）、淋巴结转移（N分期）和远处转移（M分期）与OS显著相关。

多因素分析中，PS_GC、肿瘤浸润深度（T分期）、淋巴结转移（N分期）和远处转移（M分期）是OS的独立风险因素。

在DFS的单因素及多因素Cox回归分析中也发现了同样的结果。

Table 2

基于此，作者构建了融合模型（基于PS_GC和TNM分期模型的组合），并绘制列线图：

Figure 3

模型评价

1.预后模型的评价

目的1：

评价PS_GC对OS和DFS的预测能力

结果1：

在训练集和验证集中，高PS_GC患者均与较差的5年OS率和DFS率显著相关。

Figure 2

目的2：

评价PS_GC对辅助化疗反应的预测能力

结果2：

① 在训练集、验证集和总队列，低PS_GC患者中辅助化疗与OS和DFS改善显著相关，高PS_GC患者接受辅助化疗后预后未见改善（Figure 4）。

从II期（Figure S18）和III期（Figure S19）胃癌患者的亚组分析中得到了类似的结果。

Figure 4

Figure S18

Figure S19

② 通过Cox比例风险回归分析检验PS_GC与辅助化疗的交互作用，结果显示，II期和III期胃癌患者（分别属于训练集、验证集和总队列）中，低PS_GC患者的辅助化疗获益优于高PS_GC患者，其交互作用检验P_interaction对OS和DFS均<0.05，表明低PS_GC和高PS_GC的分层具有显著差异。

Table 3

>>补充：交互作用（Interaction effect）指两个或多个自变量（A因素和B因素）对于某个结局变量（比如身高）的影响时，A因素和B因素各个水平之间是否存在着相互作用关系，或者说两因素同时存在时的作用是否等于两因素单独作用之和(相加交互作用)或之积(相乘交互作用)。目前多采用在回归方程中纳入因素乘积项的方法进行分析。

“

交互分析的意义：

▢ 识别对某干预受益最大的人群（亚组）；

▢ 识别最可能施加干预的协变量以降低主要暴露因素的效应（另一主要暴露因素不容易施加干预的情况下）；

▢ 揭示暴露影响疾病发生的机制；

▢ 提高评价某暴露对结局影响总效应的把握度；

▢ 仅从纯统计学角度，包含交互作用项的模型拟合数据更好。

交互分析适用范围：

▣ X和Y可以是分类变量也可以是连续变量；

▣ 做交互作用检验的变量可以是二分类或多分类变量，如果原始数据是连续变量需要转换为分类变量；

▣ 各种研究类型都可以做：RCT、队列、病例对照、横断面等。

交互分析结果解释：

◆ 按不同变量进行分层分析，交互作用P值不显著，表明不同层结果一致；

◆ 交互作用P值显著，则表明不同层结果有差异。

”

2.融合模型的评价

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1：C-index

结果1：融合模型

在训练集中，C-index（for OS）= 0.809，C-index（for DFS）= 0.792；

在验证集中，C-index（for OS）= 0.784，C-index（for DFS）= 0.794。

Table S6

方法2：5年AUROC指标

结果2：融合模型

在训练集中，AUROC（for OS）= 0.901，AUROC（for DFS）= 0.891；

在验证集中，AUROC（for OS）= 0.887，AUROC（for DFS）= 0.888。

Figure S15

结论：融合模型具有较好的预测能力，其对结局事件的区分度优于单独的PS_GC和TNM分期模型。

模型校准度评价：

目的：评价模型预测结局事件与实际结局事件之间的差距

方法：校准曲线calibration curves

结果：训练集和验证集中，融合模型预测生存与实际生存之间具有良好的一致性。

Figure S16

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）

结果：在训练集和验证集中，融合模型预测OS和DFS能够提供更多的净收益，有更好的临床实用性，优于单独的PS_GC和TNM分期模型。

Figure S17

模型间的比较：

目的：评价新模型较旧模型预测效能的变化

方法：净重新分类改善（NRI）

结果：融合模型与TNM分期模型相比，

在训练集中，NRI（for OS）= 0.177，NRI（for DFS）= 0.218；

在验证集中，NRI（for OS）= 0.318，NRI（for DFS）= 0.380；

增加了PS_GC的融合模型预测效能比单独的TNM分期模型更好。

Table S7

全文总结

本文基于病理组学特征建立PS_GC模型，对胃癌患者的预后具有较好的预测价值，并且能识别出从辅助化疗中获益的II期和III期患者；通过将PS_GC与传统TNM分期系统结合形成融合模型，与单独的PS_GC和TNM模型进行了预测性能的比较。

优点

熟悉的小伙伴们肯定要问，该篇文章的套路框架明明平平无奇，到底是凭什么发到我们梦寐以求的NC呢？

我认为原因在以下几点:

该文是胃癌领域首个基于病理组学预测预后和辅助化疗益处的研究（不得不佩服作者紧跟热点敏锐的嗅觉~）；

套路框架完整有条理，多指标评价建立的融合模型，是个值得新手入门学习的模范文章；

通过CellProfiler软件和LASSO-Cox提取、选择特征，可操作性强，难度不大；

将融合模型与传统的TNM分期模型进行对比，对整合上病理组学之后预测性能的提升进行评价，有一定的临床应用价值；

文章使用PSGC预测辅助化疗益处时，检验了PSGC与辅助化疗的交互作用，是文章的一个亮点。

局限性

所有的队列都是来自于国内的两个医疗单位，人群较为单一，有必要纳入更多异质性的人群进行前瞻性临床试验去评估该模型的价值；

虽然作者在讨论部分提及PS_GC模型中手动提取的特征具有可解释性，但是文章中并没有相关内容，后续可以联合基因组学、转录组学等数据进行综合分析，挖掘其背后生物学意义。

好啦，本期的文献分享到这里。简单的套路也能发NC，你学会了吗？继续跟紧君莲数据库的平鑫而论专栏，我们下期见吧~~

END

撰文丨珺珺

审核丨鑫仔老师

责编丨小张老师

排版丨顶顶

影像组学列线图预测局部晚期鼻咽癌诱导化疗应答——跟着7+文章学套路

2023-03-07

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。

来源: qq

点击查看作者最近其他文章