1.预测变量是:放射剂量学特征+区域级影像组学特征 | Radiotherapy and Oncology |
| |
| |
| |
| |
再阅读摘要,可知:研究对象(P):183名前列腺癌患者（来自VoxTox前瞻性研究，编码为“UK-CRN-ID-13716”）预后模型（I/C）：使用了3种机器学习的分类器进行比较。研究目的：A）建立机器学习模型，以预测放疗诱发的直肠毒性。B）探索影像组学特征结合放疗剂量学特征是否能提高预测性能预测变量（X）：影像组学特征+放疗剂量学特征。这里的影像组学特征与我们平时的稍有不同，它是“区域级”的影像学特征，简单来说就是把肿瘤区域分成4块。我们后面详细讲它划分形式。协变量（Z）：本文纯影像组学研究，无临床信息或其他资料。临床问题： 在所有PCa患者中，有一半以上的患者采用了放疗，但对危险器官（OARs）的照射仍然不可避免，还会引起并发症。又不能通过减少靶区大小而减少并发症。在一些研究中，中度低分化和常规分化治疗PCa患者的情况，长期副作用相似，表明对直肠和膀胱的晚期毒性作用仍然是一个重要的问题。目前方法不足：A）患者个体差异，目前的模型未考虑此，因此不具有普适性；B）空间剂量信息未被考虑；C)部分新模型未考虑患者个人对放疗的反应。研究GAP：别人没有研究过治疗前直肠壁的影像组学特征与前列腺癌放疗引起的晚期直肠毒性之间关系。作者主要探索了直肠壁的区域级治疗前CT放射学特征是否与三种最常见的后期毒性终点相关，即出血、直肠炎和消化道毒性。1.感兴趣区域的绘制和分割（蓝色像素块表示感兴趣区域）。4.模型构建与评价（组学特征，剂量学特征，组学特征+剂量学特征）本研究隶属于一个大型研究，因此关于病人的纳入标准未在文中明确描述，根据作者的参考文献也未检索到相关VoxTox队列纳入排除标准（参考作者列出的所有参考文献）。年龄：未对年龄进行限制。查询相关文献后发现VoxTox年龄在64-71之间。疾病分期: 未明确说明。查询相关文献后发现VoxTox分期在T1-T3。治疗方案: 放疗。具体来说，107名患者被分配到37次照射，剂量74Gy，76名患者分配在20次照射，剂量60Gy。可能是因为疾病或这人情况采取的治疗策略，但是他们总体剂量是相等的。诊断标准: 未明确说明，无法查询，常规前列腺癌的诊断标准主要是根据病理活检确定。I/C(Intervention/Comparison):影像设备: 螺旋CT（Accuray Inc., Sunnyvale, CA, USA）。靶区: A）直肠壁+向内2像素。B）对于直肠壁横纵区域进一步细分为四个部分，共计16个区域，每个区域包含一定数量的像素。长期疗效: 直肠炎，出血，消化道毒性。前两者根据不良事件通用术语标准第4版评估的。消化道毒性则 根据放射治疗肿瘤学组（RTOG）评分系统评估。最终，共纳入183名患者，按3：1的比例分为训练集（137例）和验证集（46例）。并从中获得CT影像数据以及治疗剂量学资料。所有CT都是由一位经验丰富的肿瘤学专家进行手动分割。空腔脏器的分割过程如下：1.选择直肠壁作为感兴趣的位置，在每个CT平面上将直肠轮廓向内扩展2像素来提取直肠壁区域。4.对于每个区域，将2像素宽的直肠壁前后加3像素后， 以1像素的间隔提取大小为8x8像素的子图像。5.为了减少计算时间而不损失准确性， 在计算图像特征之前，子图像的灰度信息被量化为16个级工具：本文未明确说明，一般来说应该是PyRadiomics。特征类型+提取结果：使用了7种影像组学/纹理分析方法从每个区域提取总共118个特征。所有的特征提取算法都是按照图像生物标志物标准化倡议（IBSI）规定的协议实施的。在每个区域提取后，对特征进行平均，以获得区域级的放射学特征。主要是最大和平均剂量，是根据原始剂量计划计算的。IBSI是由医学影像学国际标准化组织（International Biomedical Imaging Standards，简称IBSI）提出的一套针对影像特征提取标准和计算模型的规范化流程。2.标准化预处理，对影像进行去噪、平滑、增强等处理；4.标准化特征评估和应用，借助各种统计学方法和机器学习算法评估特征质量和预测能力。2.在进一步处理之前，标准化了了所有特征（平均值=0，SD=1）。对训练集采用了包括主成分分析（PCA）、方差阈值、相关阈值和随机森林（RF）重要性在内的特征选择算法，以选择最重要的特征并去除高度相关和/或冗余的特征。具体来说：
❖ 对于PCA，使用95%、90%、85%、80%的解释方差。
❖ 对于方差阈值，方差小于5、10、20、30和40的特征被移除。
❖ 对于相关性阈值，使用了相关系数>0.8，以确保所有选定的特征之间明显相关性。
❖ 对于随机森林重要性，在对放射学/放射学剂量学模型进行特征排序后，分别选择30、40、50和60个特征。
❖ 对剂量学模型选择5、10、15、20个特征。
至此，将初步筛选的变量纳入模型中再通过迭代后选择最佳组合。✦ 183名患者被分成训练集（75%，N=137）和测试集（25%，N=46）✦ 放射性特征+剂量学特征作为支持向量机（SVM）、轻型梯度提升机（LGBM）和神经网络（NN）的输入。⁕ 分类器的超参数是通过200次迭代完成。
⁕ 每次迭代都进行了20次重复的5折交叉验证。
⁕ 选择具有最高AUC值的组合作为优化的超参数。
最终作者建立了以下模型：SVM、LGBM、神经网络，分别使用了仅放射学特征或剂量学特征的模型以及放射学和剂量学特征结合的模型。这些模型具体数据如下： | |
| |
| |
| |
| |
| |
| |
| |
| |
| |
| |
| |
| 最优化超参数由200个迭代随机搜索得到，对不同分类器进行平均 |
| | |
| 放射学0.43，剂量学0.538，放射-剂量学0.549 | |
| 放射学0.676，剂量学0.650，放射-剂量学0.741 | |
| 放射学0.634，剂量学0.573，放射-剂量学0.669 | |
| | |
| SVM0.548，LGBM0.541，NN0.549，集合模型0.596 | |
| SVM0.667，LGBM0.741，NN0.695，集合模型0.747 | |
| SVM0.669，LGBM0.667，NN0.656，集合模型0.671 | |
本文开发基于CT影像组学特征，用于预测前列腺癌患者的放疗后直肠炎、出血和消化道毒性模型，对于每个结局，分别使用了四个影像组学+剂量学构建SVM模型，LGBM模型,神经网络模型，组合模型进行了比较。1.使用机器学习和CT影像组学特征来预测前列腺癌放疗引起的直肠毒性，这是目前较为前沿的研究方向；2.遵循IBSI流程，而且在类似研究中患者数量较多。3.临床应用前景较好，有助于制定个体化治疗计划，对于高毒性风险患者，可以通过提前采取措施来减轻毒性。4.为下一步研究提供基础，因为影像组学特征可能是检测毒性潜在生物机制的指标，可以指导对毒性的基本生物学的进一步研究。1.本研究是在单一的机构进行的，而且患者数量并不多（183例）。结论的推广受限。2.只有单纯的影像组学和剂量学变量，而没有结合其他变量，如病人特征，生物学因素（基因表型等）。因为本研究主要关注中老年患者，众所周知，很多患者有心血管病，可能会长期服用阿司匹林等抗血小板药物，或者其他有消化道黏膜损伤的药物，这部分会造成很大的偏倚。3.本研究之研究了G1期的消化道毒性，因此应该在未来研究中建立更完整的直肠毒性模型。4.本研究的AUC普遍小于0.75，大部分在0.5-0.75之间，甚至在测试集中还出现了0.431！总体来说预测性能并不是非常高。5.随访时间不够长，只有2年的随访数据，或许应该关注更长的随访时间。6.只有治疗前的CT组学特征，而没有随访检查资料，可能无法很好的捕捉到患者的对治疗的反应情况。1.数量要求不大。本研究采用了单中心的数据，一共不到200例，数量并不多。2.创新性较高。作者另辟蹊径，没有研究前列腺的组学资料，而是直接研究产生副作用的靶器官情况，并且还计算了区域影像组学特征，因此创新性很高，也更容易在影像组学研究中脱颖而出。3.分析相对较为常规。本研究的随访时间也并不长，使用的建模算法并不多，尤其是结果部分，仅展现了AUC，这部分工作相对常规，只需要按部就班即可。另外，本研究的AUC普遍小于0.75，大部分在0.5-0.75之间，这也可能是作者文章一年才接收的原因，因此做出较低的AUC也是有1区接收的可能。好啦，本期的文献分享到这里，对于追求1区的小伙伴又提供了一些思路呢？继续跟紧君莲数据库的平鑫而论专栏，我们下期见吧~~[1]Yang Z, Noble DJ, Shelley L, Berger T, Jena R, McLaren DB, Burnet NG, Nailon WH. Machine-learning with region-level radiomic and dosimetric features for predicting radiotherapy-induced rectal toxicities in prostate cancer patients. Radiother Oncol. 2023 Mar 3;183:109593. doi: 10.1016/j.radonc.2023.109593. Epub ahead of print. PMID: 36870609.
[2]Gardin I, Grégoire V, Gibon D, Kirisli H, Pasquier D, Thariat J, Vera P. Radiomics: Principles and radiotherapy applications. Crit Rev Oncol Hematol. 2019 Jun;138:44-50. doi: 10.1016/j.critrevonc.2019.03.015. Epub 2019 Mar 29. PMID: 31092384.
