影像组学生物学意义初探！这次考古意义非凡

例：

例：

研究对象（P）：接受Gd-T1w，T2w，FLAIR MRI扫描方案及相应RNA测序（GBM）患者（n = 115）

分类器（I/C）：根据缺氧相关影像特征，利用随机森林（RF）对患者进行生存分层

结局指标（O）：总生存期OS

研究类型（S）：回顾性队列研究，分析缺氧与MRI影像关联，预后预测

研究目的：基于多模态MRI的影像组学特征及缺氧相关基因集，鉴定缺氧富集评分的影像学替代标志物，构建分类器预测GBM患者短、中、长期生存的预后。

例：

预测变量（X）：缺氧相关MRI影像组学特征（水肿、坏死、增强）

结局变量（Y）:  OS （分为短期生存STS，中期生存MTS和长期生存LTS）

协变量（Z）：年龄、性别（本文未明确研究）

临床问题：肿瘤缺氧是恶性 GBM中肿瘤血管异常的副产物，是导致肿瘤耐药、并最终导致不良预后的一个关键因素。

目前迫切需要非侵入性手段以表征肿瘤缺氧情况，从而指导 GBM 患者的个性化治疗选择，并提高我们对肿瘤行为以及患者对特定治疗的结果和反应的认识。

目前方法不足：病理特征只能通过侵入性方法获得，容易受到抽样误差和观察者间变异性的影响。

现有的研究没有探索MRI扫描获得的影像特征与缺氧通路及它们在预测GBM患者预后中的作用。

本文解决方式：基于此，作者利用一种影像基因组学方法来鉴定从MRI 影像序列(Gd-T1w，T2w 和 FLAIR)中获得的与缺氧途径特异性相关的放射性替代标记物。

Figure 1

第一部分：文章方法部分解读

影像数据来源：

the Cancer Imaging Archive （TCIA）

纳入标准

① 可获得3个MRI序列影像（Gd-T1w，T2w，FLAIR）以及对应患者RNA表达数据

② 可以进行分析的MRI影像质量

③ 临床数据完整 

排除标准

① 临床数据不完整

② MRI伪影

③ MRI影像或RNA表达数据不全

④ 失访

第二部分：PICOS原则梳理

P：

年龄：作者并未对年龄进行限制；

性别：作者并未对性别进行限制；

（本文：男性69名，年龄58.4 ± 12.56岁；女性46名，年龄56.47 ± 16.76岁）

病人分类：根据患者总生存期分为短期生存(≤7个月) ，中期生存(> 7个月-16个月)、长期生存(> 16个月)

I/C：

影像设备：MRI ；

扫描序列：Gd-T1w、 T2w 和 FLAIR

靶区：3个VOI (水肿(其中包括非增强肿瘤)，肿瘤坏死， 增强型肿瘤)

影像检查时间点：术前；

层厚：3mm；

O：

远期疗效：OS

第三部分：纳排及分组结果

图像预处理：

① 使用3D Slicer 对T2w 和 FLAIR序列按照Gd-T1w MRI影像进行图像配准（3D affine registration，12度的自由度编码旋转、平移等）；

②为了解决分辨率变异性问题，使用3D Slicer重新采样扫描每个 MRI 切片，使其具有0.5 × 0.5 mm2的均匀像素间距、3mm 切片厚度。

③自动提取脑部（即头颅MRI图像中不包含头骨等部分的大脑，一般是脑部图像处理的第一步）通过3D slicer 的skull-stripping module实现；

④ 使用MATLAB R2014b中Madabhushi（PMID: 17022239）提出的方法完成强度标准化。

⑤通过N4偏置场校正，校正每个序列的强度不均匀性；

图像分割：

分割过程由3位具有超过6 年神经放射学经验的医师执行及验证。

每个MRI 扫描的2D 切片由专家手动注释成3个区域(1)水肿(其中包括非增强型肿瘤) ，(2)肿瘤坏死 和(3)增强型肿瘤。由于在 Gd-T1w 图像上，坏死相对表现为低信号区域，通常位于肿瘤的中心区域。

同样，高信号 FLAIR 与更大的间质渗漏和低细胞密度相关，反映水肿。因此应用 T2w 和 FLAIR 扫描来鉴别水肿和坏死，并根据 Gd-T1w MRI 来描绘增强的肿瘤。

特征提取及计算特征值：

工具：本文特征提取及计算采用MATLAB R2014b平台的软件进行。

特征类型+提取结果：最终包括了270个特征——对于3种 MR 方案(Gd-T1w，T2w，FLAIR)中的每一种，从每种区域(水肿/非增强型肿瘤，坏死，增强型肿瘤)分别提取30个2D 影像特征（5个Laws energy，12个 Gabor energy和13个 Haralick energy）。

特征的一致性评价：

缺氧富集评分(HES)：

GBM中缺氧相关基因：21个基因集，来源于既往研究；

基因表达数据来源：TCGA-GBM，通过z-score转换；

富集评分计算：ssGSEA算法，计算队列中每个患者与21个缺氧相关基因集配对时的富集评分；

富集评分无监督聚类：使用Euclidean Distance对HES（Hypoxia Enrichment Score）进行无监督聚类，分为HES low ≤ 3141.99, 3142 ≤ HES Mid ≤ 4102.99, and HES High ≥ 4103。

缺氧富集评分(HES)与影像区域的关系：

鉴定肿瘤缺氧途径的 MRI 替代标志物（这里是这篇文章的亮点了，本文特征选择不是单纯的进行统计学分析，而是与基因相关进一步对特征进行筛选，是其它研究可以复制的；）

115例患者分为训练集（85例）和验证集（30例）。

训练参数：85例；

①3折分层交叉验证+50 次迭代（150个数据集） 

②每个数据集随机抽取2/3的数据用于训练、1/3用于验证。

③对于每个训练集，通过分析两个独立变量之间的线性或非线性相互依赖关系，获得每个影像特征和HES之间的关系评分（mutual information score），并在交叉验证期间根据它们的mutual information score对影像特征进行排序。

④保留了交叉验证中出现频率最高的8个影像特征。

分类器建立

分类器变量：前述筛选的8个特征；

算法：使用随机森林（RF）对患者进行生存分层（(a) STS versus LTS, (b) STS versus MTS and (c) MTS versus LTS）；

软件：MATLAB R2014b的 Treebagger实现 RF 分类器（50 trees）；Gini impurity作为评价分类质量的指标

分类器评估

方法：Kaplan Meier生存分析（Cox 比例风险模型）比较(a) STS 与 LTS，(b) STS 与 MTS 和(c) MTS 与 LTS 的生存时间。

结果：

训练集内，(a) STS 与 LTS 和(b) MTS 与 LTS 之间的KM曲线存在显著差异；

验证集内，短期和长期生存患者KM曲线存在显著差异（C index=0.74）。

——观察到STS和MTS在训练和验证队列中KM曲线无显著性差异，作者推测短期和中期生存病例与长期生存病例相比，显示出更具侵袭性的影像组学表型。

——缺氧相关的影像特征与临床病理特征结合在预测GBM预后方面显示出巨大的潜力。

本文开发基于多模态MRI的影像组学特征及缺氧相关基因集，用于鉴定缺氧富集评分的影像学替代标志物，构建分类器预测GBM患者短、中、长期生存的预后。

这篇文章虽然仅仅发表于Scientific Reports，但在文章发表的2018年，这篇文章的具有十足的创新性，而且至今也有很强的借鉴意义，

鑫仔说：

本文影像数据白嫖自开源影像数据库TCIA，100多例的样本，模型评估仅仅用KM曲线进行风险分层，却能够发到nature子刊，主要得益于本文结合基因组学以及缺氧表型筛选具有生物学意义的影像组学特征，构建方法主要分为以下四步：

①对表型相关基因集富集分析得到表型富集评分，并根据聚类结果和研究结局分组；

②探索影像区域以及影像组学特征与表型富集评分关联；

③建立影像组学特征和表型富集评分的关联评分；

④利用关联评分最优筛选影像组学特征。这是一种多重相关因素组合的生物学意义探索方法，而不是单纯进行统计学分析筛选，这说明了探究生物学意义的创新性对影像组学研究的重要性。

如果有类似的研究问题，本文的套路也是完全可以复制的。

用自己中心的数据，保留文章多模态多靶区的套路模式以及本文特征选择思路，结合临床特征、基因组数据或者病理数据建立多个模型进行比较（今天就学会了，可以试试文章的多重相关因素组合的方法），并进行全方位的模型评价（性能评估、风险分层、临床模型与影像组学模型间的预测效果比较等）。

总之，我们特地考古2018年的影像基因组学与缺氧表型的文章套路，结果表明文章的思路十分有借鉴意义的，我们应该学习这些点把他们变成我们文章的加分项。

好啦，本期的文献分享到这里，对于追求影像组学新思路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~~