|
大家好，这里是平鑫而论专栏，我是鑫仔。看了上篇推文，很多小伙伴已经开始磨拳擦掌，准备安排一篇影像组学文章了！还有一些小伙伴发来私信：
为了解答这个疑惑，鑫仔在解析新的一重影像组学花式玩法境界前，先为各位小伙伴来个头盘点评环节，选取几篇近两年有代表性的文章，我们一起看看这个最原始“单单单”的套路玩不玩得转！由于文章众多，本期推文我们先来介绍应用影像设备为CT的文章。 下面我们就开始吧~~ 第一篇文章，2021年发表于Frontiers in Oncology 题为“The Impact of Preoperative Radiomics Signature on the Survival of Breast Cancer Patients With Residual Tumors After NAC”。
研究对象（P）：新辅助化疗（NAC）后残留肿瘤的乳腺癌患者（114例纳入） 预测模型（I/C）：LASSO-cox回归模型构建的影像组学signature 结局指标（O）：5年无病生存期DFS（生存终点，生存时间） 研究类型（S）：回顾性队列研究 影像采集时间：NAC后，乳房切除术或保乳手术前 研究目的：利用CT术前影像组学signatures评价NAC后残留肿瘤的乳腺癌患者预后 预测变量X：影像组学特征 结局变量Y：DFS 协变量Z：年龄、绝经状态（前,后）、初始肿瘤原发灶（T2,T3,T4）、初始区域淋巴结受累情况（阴性,阳性）、初始雌激素受体ER（阴性,阳性）、初始孕激素受体PR（阴性,阳性）、初始HER-2（阴性,阳性）、初始Ki-67、术中肿瘤尺寸（<=2cm,2-5cm,>5cm）、手术分级（I/II,III）、术中血管侵袭（存在,缺失）、术中腋窝淋巴结、术中ER（阴性,阳性）、术中PR（阴性,阳性）、术中HER-2（阴性,阳性）、术中Ki-67、是否辅助化疗、是否辅助激素治疗。
借本文流程图，我们重点说说影像组学部分实验设计过程： ① 高质量CT影像数据获取：对比增强CT静脉期影像 ② 感兴趣体积VOI分割：3D Slicer，半自动分割 鑫仔说：高质量影像资料的获取精确的图像分割是影像组学分析的前提 ③ 影像组学特征提取：pyradiomics，得到形态学特征、一阶特征、二阶特征三类特征（见流程图） ④ 特征的一致性评价：观察者内ICCs用于评估影像组学特征提取的可重复性 ⑤ 数据预处理：z值标准化 鑫仔说：特征提取是影像组学的核心步骤 ⑥ 特征选择：10折交叉验证减少过拟合，后建立LASSO-Cox回归模型构建影像组学signature 鑫仔说：预测模型构建是影像组学分析的突破点 ⑦ 模型评价：生存分析风险分层 ⑧ 列线图：结合临床特征及参数构建 本文是一个中规中矩的单变量+单结局+单模型的影像组学文章，文章套路与鑫仔上期介绍的文章如出一辙！ 至于2021年还能以这么老的套路发6分+文章，优势在于—— ① 研究人群为NAC后残留肿瘤的乳腺癌患者，他提出了一个没有人提出过的临床问题，并用目前火热的影像组学方法解决； ② 文章的纳排标准以及随访要求描述的比较清晰完整，值得大家学习； ③ 临床资料的完整度优，相关基线和与预后相关的病理参数都具备（诊断, 术中），这对文章模型预测效果的严谨度进行加持； ④统计学方法运用基本得当，这也是我们常说的（bushi）不在河边走就不会湿鞋； ⑤ 虽然没有展示，但文章对列线图预测能力的评估是完整的（区分度、校准度、临床获益） 可见，提出好的问题，把前人的老路取之精华弃之糟粕，把细节做到极致，有一个可以自圆其说的结果，近几年影像组学6分+即使是最简单的套路还是有可能的，而且本研究样本量仅100出头，可借鉴性、可模仿性还是比较强，值得学习。 第二篇文章，2021年发表于World Journal of Surgical Oncology 题为“The preoperative prognostic value of the radiomics nomogram based on CT combined with machine learning in patients with intrahepatic cholangiocarcinoma”。
研究对象（P）：肝内胆管癌ICC患者（101例纳入） 预测模型（I/C）：LASSO-cox回归模型构建的影像组学signature 结局指标（O）：3年和5年总生存期OS（生存终点，生存时间） 研究类型（S）：回顾性队列研究 影像采集时间：术前2周内 研究目的：探讨基于增强CT的影像组学列线图对ICC的预后价值 预测变量X：影像组学特征 结局变量Y：OS 协变量Z：性别、年龄、高血压（是，否）、糖尿病（是，否）、乙肝、肝硬化（有，无）、脾功能亢进（是，否）、ALT、AST、ALB、TBIL、PT、INR、AFP、CA 125、CA 19-9、肿瘤尺寸（<=5cm,>5cm）、分化程度（通过术前腰穿和术后病理获得：高，中等，低，不明）
同样，借本文流程图，我们重点说说影像组学部分实验设计过程： ① 高质量CT影像数据获取：对比增强CT门静脉期影像 ② 感兴趣体积VOI分割：LIFEx软件 （A） ③ 影像组学特征提取：LIFEx软件，本文依旧是提取了形态学特征，一阶特征（特征分布直方图），二阶特征（GLCM，GLRLM, NGLDM, 和 GLZLM） 三类（B） ④ 讨论部分研究在处理影响后进行了标准化操作，但具体的方法没有在文中提及 ⑤ 特征选择+列线图构建：利用LASSO-Cox回归模型选择影像特征和临床特征，构建列线图 （C） ⑥ 区分度+校准度评价列线图 （D） ⑦ 生存分析风险分层 （E） 玩烂同样的套路，单变量+单结局+单模型。但文章的劣势在于 —— ① 问题不是很新颖，鑫仔已经说了很多次，影像组学也属于临床研究的范畴，一个好的临床问题直接决定文章的档次，ICC预后这种大赛道已经被很多人解决过了，文章只是较为完整的利用影像组学最初级的方法再解决一次。问题新意以及解决方法上表现欠佳，竞争力就会小很多； ② 虽然文章常规临床研究方面写得比较出色，但与影像组学相关的细节交代并不清楚，在结构的把控上还是有些问题（例如需要关注的图像标准化没有提及等），作者很可能是临床研究的老鸟，影像组学的新手； ③ 本研究100例的样本，用入门级别的影像组学进行预后预测，仍然能发3分左右，是不是心里有点痒痒？ 第三篇文章，2021年发表于Frontiers in Oncology（还是这本期刊，不要感到意外，这绝对不是美丽的误会）题为“Preoperative Assessment for Event-Free Survival With Hepatoblastoma in Pediatric Patients by Developing a CT-Based Radiomics Model”。
研究对象（P）：小儿肝母细胞瘤（HB）患者（88例纳入：65例为内部训练队列，23例为外部验证队列） 预测模型（I/C）：LASSO-cox回归模型构建的影像组学signature和Radscore 结局指标（O）：无事件生存期EFS 研究类型（S）：回顾性队列研究 影像采集时间：术前腹部CT 研究目的：探索基于 CT 的影像组学模型，用于术前预测小儿肝母细胞瘤患者的无事件生存 (EFS)，并将其性能与临床病理学模型的性能进行比较。 小注： 无事件生存期（event free survival, EFS）是指从入组开始到发生任何事件的时间，包括死亡、疾病进展、改换化疗方案、改为化疗、加用其他治疗、发生致死性或不能耐受的副作用等种种事件。主要用于病程较长的恶性肿瘤、或该实验方案危险性高等情况下。 在本文中EFS被定义为从 CT 检查日期到第一次复发、第二次恶性肿瘤发展、疾病进展、死亡或最终随访日期（视情况而定）的时间段。 预测变量X：影像组学特征 结局变量Y：EFS 协变量Z：首诊年龄（<=2,3-7,>=8）、性别、血清AFP浓度（<=100,101-1000,>1000 ng/mL）、组织学亚型、PRETEXT（治疗前分期）组别（I,II,III,IV）、CHIC-HS风险分层、死亡病例、随访时间、术前化疗、手术切除、原位肝移植、肺转移瘤切除、血管受累（（V，肝静脉/下腔静脉；P，门静脉），多灶性（F），肿瘤破裂（R），肝外肿瘤扩展（E），尾状叶受累（C），淋巴结转移 (N) 和远处转移 (M) ）。
借本文流程图，我们重点说说影像组学部分实验设计过程： ① 高质量CT影像数据获取：对比增强CT门静脉期影像 ② 图像预处理：CT扫描来自不同中心（对整个图像利用公式进行强度归一化；重采样：消除影像组学特征对体素大小的内在依赖性） 鑫仔说：其实图像的预处理过程即使影像来自相同中心也是应该做的。可以对单中心的影像样本进行归一化处理，将信号强度归一化至 1~500 HU，减少不同机器采集图像信号强度的差异。 ③ 感兴趣体积VOI分割：Radcloud 平台 3.1.0 (http://radcloud. cn/) 小注： Radcloud平台是汇医慧影（中国北京）以深耕影像领域的科研积累和始终领先行业的创新技术实力，自主研发出全球唯一的大数据智能分析科研平台，提供以影像为专长，融合临床、病理等多学科研究方法的一站式医疗大数据研究解决方案 ④ 影像组学特征提取：pyradiomics，得到形态学特征、一阶特征、二阶特征和高阶特征四类特征（如流程图） 鑫仔说：
文中这句话，我们可以在特征提取后借鉴。引文PMID: 32154773。但文中并没有进行特征的一致性评价（起码是没有数据）。 ⑤ 特征选择：LASSO回归选取与EFS最强相关的影像组学特征，使用Cox回归模型构建Radscore，同时多因素回归选择临床病理特征 ⑥ 模型构建：基于Radscore和临床病理特征构建列线图 ⑦ Radscore评价：生存分析风险分层 ⑧ 列线图评价：区分度+校准度+临床获益 同样的套路再来一遍，但文章闪光点也是有目共睹的。文章除了继承了第一篇文章的有点外还具有如下优点—— ① 这是一个双中心的研究，模型在外部验证集的表现还是比较不错的C-Index = 0.810 (95% CI: 0.738–0.882)，这对模型的泛化能力远比比单中心内部验证集更有说服力； ② 文章对图像对数据对模型的质控做得都比较完整； ③ 还有就是文章清晰的写作条理，读起来完全可以照着作者的方式去做了，这与作者思路的清晰是分不开的； ④ 赛道的竞争，儿童肿瘤本身研究的人就比较少，虽然影像组学与预后的研究已经不新了，但换个特殊的人群，一样能用较小的样本量发到较高的分值，不仅猜想，儿童可以，其他年龄上特殊的，比如妊娠期、老年、超高龄等，一个age纳入条件的变换，有一定的样本量的话，可能就有新的机会。 三篇文章的设计中相同中带着不同，仔细品品，反复对比两次就能发现其中的奥妙，进一步体会单预测变量+单模型+单结局套路的精髓。 好啦，本期平鑫而论的影像组学小白入门系列的单单单小插曲CT篇就到这里了哦，通过鑫仔的总结，你对这个套路的理解有没有加深呢？理解得不错的话，我们下期再一起看看近两年MRI的影像组学单单单套路文章又是什么成色吧~~o(*￣▽￣*)ブ [1] Zhang L, Jiang X, Xie X, et al. The Impact of Preoperative Radiomics Signature on the Survival of Breast Cancer Patients With Residual Tumors After NAC. Front Oncol. 2021;10:523327. Published 2021 Feb 3. doi:10.3389/fonc.2020.523327 [2] Tang Y, Zhang T, Zhou X, et al. The preoperative prognostic value of the radiomics nomogram based on CT combined with machine learning in patients with intrahepatic cholangiocarcinoma. World J Surg Oncol. 2021;19(1):45. Published 2021 Aug 1. doi:10.1186/s12957-021-02162-0 [3] Jiang Y, Sun J, Xia Y, et al. Preoperative Assessment for Event-Free Survival With Hepatoblastoma in Pediatric Patients by Developing a CT-Based Radiomics Model. Front Oncol. 2021;11:644994. Published 2021 Apr 16. doi:10.3389/fonc.2021.644994 [4] Zwanenburg A, Vallières M, Abdalah MA, et al. The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping. Radiology. 2020;295(2):328-338. doi:10.1148/radiol.2020191145
|
|
|
