影像组学+免疫治疗=Radiology?回味经典,开创未来!
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:治疗前CT影像组学
2)结局:免疫治疗的响应(响应与否,二值变量)
3)研究对象:多癌种晚期实体瘤(如乳腺、宫颈、胃肠道等)
2
文章基本信息
杂志 | Radiology |
分区 | 1区 |
IF | 19.7 |
发表时间 | 2021.04.01 |
3
核心要素
4
变量分析
5
研究背景
2
模型构建
1
workflow展示
Figure 2
2
纳入排除标准建立
详见Figure 1:
Figure 1
Cohort 185例患者,236个病灶,用作训练集
Cohort 246例,140个病灶,用作测试集
Cohort 347例患者,104个病灶,用作测试集
Cohort 420例患者,20个病灶,用于生物验证
3
图像分割(+图像预处理)
4
特征提取(+数据预处理)
5
特征选择
a.ICC1 corresponding to intraconvolution kernel reproducibility.
b.ICC2 corresponding to interconvolution kernel reproducibility
c.ICC3 corresponding to interobserver reproducibility.
(原文Table E5)
原文的Table 2对选择得到的各特征及其权重做了详细展示
Table E6
6
模型建立
3
模型评价
1
预测模型的评价
Figure 3和S1展示了每个标志物预测效果的ROC曲线
(从左到右依次为:radiomics, radiomics-clinical 和 clinical-only signature)
2
预后模型的评价
Figure 4展示了cohort 1-3中Radscore与病人预后的关联
结果显示:
影像组学标志物Radscore总体来说是病人OS的显著预测因子。在结合临床指标后,多中心可重复性更好,且预测OS的C-index有所提升。
Figure 5展示了cohort 2和3根据Radscore分组后病人的生存曲线
3
生物学意义
Figure 6展示了Radscore与细胞毒性免疫表型 (cytotoxic immunotype) 之间的关联
根据影像组学标志物Radscore将cohort 4病人分为两组,组间细胞毒性表型没有显著差异。
Figure E2展示了Radscore与肿瘤浸润性淋巴细胞 (TIL) 之间的关联
4
全文总结
1 一句话文章总结
本文基于术前增强CT的影像特征,开发了用于预测晚期实体瘤的免疫治疗效果的影像组学标志物,并说明了结合临床特征有助于提升预测效果。
2 优点
可能你有些不敢相信,这篇文章应用的是如此经典的影像组学套路,就发表在了影像顶刊Radiology。文章是做到了什么让整个过程给人感觉更具高级感呢?
我认为原因在以下几点: ① 螃蟹吃得早。免疫治疗是近年来兴起的肿瘤新疗法之一,作者及时抓住了这一风口,选取影像作为切入点,构建了影像组学和免疫治疗响应之间的关联。属于影像+免疫治疗中的早期研究成果。 ② 研究的广度。本文的主要目标是预测免疫治疗的响应(二值),但也研究了影像标志物预测预后的能力,同时分析了其与肿瘤生物特征之间的关联。疗效、预后和生物验证占全了,虽然每部分挖掘的深度有限,但广度是值得我们学习的。 ③ 套路应有的步骤,文章基本都具备了,实现了比较完整的论述; ④ 与同样具备完整套路的文章相比,文章的数据展示做的比较好。对于主线的分类任务,本文不仅给出了预测的AUC,还详细地列出了sensitivity, specificity等量化评估指标,使明明比较骨感的流程看起来很丰满,也说明了文章对于各种临床场景(比如对sensitivity要求高)的适用性。 3 局限性
从文章总体的内容来看,做的比较规范、系统,质量佳,是个学习的好的模板。本文对于分类、预后和生物验证都有涉及,工作量较大。
但从玩法上来说,本文也有一些可提升之处: ① 从信息获取的层面来说,只用了病灶本身的特征,而没有使用病灶外围的特征(peri-tumor features),这一点作者在Discussion中也提到了。 ② 从算法设计的层面来说,本文涉及到了同一病人多病灶的情况,采用了求平均的方法统一病灶和病人两个尺度的信息。这种情况可以考虑使用深度学习,用端到端的CNN模型来自动提取特征,不仅能够提取每个病灶的信息,还可以实现病灶间的信息融合。 ③ 从临床意义的层面来说,本文对于预后的探索使用了病人的OS,其受到其他临床因素的干扰较大。后续研究也可以结合DFS、PFS等生存期,探索影像组学对于不同临床终点的指示价值。
4 可行性
表明影像组学的牛逼,并且告诉大家这个研究是实实在在可以实现的。
本研究不到200例,单中心的数据,发到Radiology杂志,着实令人羡慕。对于使用套路来研究某一临床问题来说,时效性非常重要,而从影像组学入手开展队列研究向来是一条不错的路径。与此同时我们也要注重积累,提升对影像组学在临床问题中应用的敏感度,这样才能在机会到来时牢牢地抓住!
! 结语
好啦,本期的文献分享到这里,对于追求顶刊的小伙伴是不是又一次的冲击呢?继续跟紧君莲数据库的平鑫而论专栏,我们下期见吧~~
一句话文章总结
本文基于术前增强CT的影像特征,开发了用于预测晚期实体瘤的免疫治疗效果的影像组学标志物,并说明了结合临床特征有助于提升预测效果。
优点
可能你有些不敢相信,这篇文章应用的是如此经典的影像组学套路,就发表在了影像顶刊Radiology。文章是做到了什么让整个过程给人感觉更具高级感呢?
局限性
从文章总体的内容来看,做的比较规范、系统,质量佳,是个学习的好的模板。本文对于分类、预后和生物验证都有涉及,工作量较大。
可行性
表明影像组学的牛逼,并且告诉大家这个研究是实实在在可以实现的。
结语
参考文献
[1] Ligero M, Garcia-Ruiz A, Viaplana C, et al. A CT-based Radiomics Signature Is Associated with Response to Immune Checkpoint Inhibitors in Advanced Solid Tumors. Radiology. 2021;299(1):109–119. doi: 10.1148/radiol.2021200928.
[2] Sun R, Limkin EJ, Vakalopoulou M, et al. A radiomics approach to assess tumour-infiltrating CD8 cells and response to anti-PD-1 or anti-PD- L1 immunotherapy: an imaging biomarker, retrospective multicohort study. Lancet Oncol 2018;19(9):1180–1191.
微信扫码关注该文公众号作者