|
《Journal of Clinical Medicine》杂志 2025 年4月23日在线发表多米尼加共和国Centro Gamma Knife Dominicano的Herwin Speckter , Marko Radulovic , Erwin Lazo,等撰写的《使用机器学习支持的MRI影像组学预测垂体腺瘤对伽玛刀放射外科的体积反应。Prediction of Pituitary Adenoma's Volumetric Response to Gamma Knife Radiosurgery Using Machine Learning-Supported MRI Radiomics》（doi: 10.3390/jcm14092896.）。  背景/目的： 伽玛刀放射外科（GKRS）被广泛用作残余或复发垂体腺瘤（PA）患者的辅助治疗。然而，肿瘤体积对GKRS反应的多变性凸显需要可靠的治疗结果预测指标。有效组学是一种定量成像的分析方法，在预测PAs治疗反应方面仍未得到应用。本研究旨在开拓使用放射核磁共振分析来预测PA对GKRS的体积反应。 垂体腺瘤（PAs）主要是良性脑肿瘤，占所有颅内肿瘤的10-20%，占鞍区和鞍旁肿瘤的大多数。伽玛刀放射外科（GKRS）已成为一种有效的微创治疗方式，对各种颅内病变，包括无功能和功能性PAs，具有很高的治疗效果。放射外科手术（SRS），包括将SRS分成多达5次分割进行，在已发表的报道中，肿瘤控制率从80%到90%以上。尽管GKRS取得了良好的结果，但患者个体治疗反应差异很大，因此需要更可靠的个体治疗结果预测指标。 PA治疗的一种常见方法是经蝶窦切除PA的中心部分，通常将残余部分留在海绵窦内进行GKRS治疗。体积反应通常通过治疗后成像评估，是GKRS疗效的重要指标，可以为后续的管理决策提供信息。确定容积反应的可靠预测因素将有助于对不良反应和无反应的患者进行早期干预，从而潜在地改善患者的整体预后。如果存在可靠的治疗前预后预测，则对于预测对GKRS有显著反应的选定PAs可以避免手术治疗。相反，在GKRS预后较差的病例中，可能需要较高的辐射剂量，首选手术切除PA的中心部分，以避免辐射损伤邻近的关键结构，特别是视神经、视交叉和视束。 放射影像组学的重点是提取和分析医学图像的强度、形态和纹理特征。这些特征捕捉了人眼通常看不见的复杂肿瘤特征，从而有可能识别成像生物标志物，用于预测治疗反应。放射影像组学在各种肿瘤学背景下显示出前景，允许无创预测治疗反应或疾病预后。 我们假设放射影像组学预测特征可以优于仅依赖常规临床病理（CP）特征来预测PA体积反应的基准特征。 本研究的目的是开发几种单模态和多模态放射性预测特征，包括有和没有CP参数，利用预处理MRI预测PAs对GKRS的体积反应。此外，该研究旨在比较这些特征在测试折叠中的预测性能。改善治疗结果的预测具有高度的临床相关性，因为它可以实现个性化的治疗计划，优化治疗策略，从而改善患者医疗。 方法： 这项回顾性观察队列研究纳入了81例接受GKRS治疗PA的患者。治疗前使用3-特斯拉MRI扫描提取放射影像学特征，捕获肿瘤的信号、形状和纹理。使用最小绝对收缩和选择算子（LASSO）进行特征选择，并结合几种分类器：随机森林、naïve贝叶斯、kNN、逻辑回归、神经网络和支持向量机来生成放射影像特征[random forest, naïve Bayes, kNN, logistic regression, neural network, and SVM.]。      结果： 模型在试验折叠中具有较好的预测性能，AUC值在0.759 ~ 0.928之间，R2值在0.272 ~ 0.665之间。单序列T1w、双序列T1w + CE-T1w以及包括临床病理（CP）参数（CP + T1w + CE-T1w）在内的多模态在试验组中的预后表现相当相似，AUC分别为0.928、0.899和0.909。所有这些影像组学模型都显著优于仅涉及CP特征的基准模型（AUC = 0.846）。      讨论： 这项初步研究表明，建立在GKRS治疗前MRI数据上的放射影像学特征可用于预测肿瘤对放射外科的体积反应。计算放射影像学模型优于仅包括临床病理特征的基准模型。通过t检验判断，T1w和T2w模型的预测效果最好，而双序列T1w + CE-T1w和合并CP + T1w + T2w模型与单模态模型相比没有统计学上的显著改善。所有模型，除了T2w和FLAIR（由于它们的数量少），都通过交叉验证进行了额外的通用性评估。结果表明，训练折叠中的预测性能在未见的测试折叠中基本保持不变，剩余的AUC始终超过0.90。 放射影像组学分析通过提取定量计算特征，将MRI作为可挖掘的数据。随着临床影像学的日益普及，它变得越来越重要。据我们所知，没有先前的研究使用结构或放射组学分析垂体腺瘤。本课题组和其他研究人员对脑膜瘤、前庭神经鞘瘤和脑转移瘤进行了质地分析。在之前的一项研究中，我们研究了使用放射影像组学特征来开发SRS治疗后的治疗预后，我们小组将放射影像组学应用于放射术前MRI来预测SRS治疗后WHO 1级脑膜瘤的长期预后，获得了令人满意的预测效果，AUC达到0.88。其他组使用放射影像组学预测SRS治疗前庭神经鞘瘤的预后和假性进展。一些研究利用放射影像组学预测SRS治疗后脑转移灶的局部控制或动静脉畸形。 在研究的四个序列中，我们发现T2w对体积PA变化的预测性能最好（表2）。这一结果与我们之前的研究结果一致，我们使用纹理分析来预测良性脑膜瘤和前庭神经鞘瘤的SRS治疗体积结果。对于良性脑膜瘤，我们发现T2w图像体素强度的直方图参数标准差与SRS治疗后的体积变化相关性最好。据报道，T2w强度值升高与脑膜瘤的软一致性、血管性增加、细胞异型性、血管母细胞或黑色素细胞成分以及囊性变性和缺血性坏死有关。对于前庭神经细胞瘤，T2w图像信号值的峰度预测进展最好，其敏感性和特异性分别为71%和78%，而T2w体素强度值的最小值与每月肿瘤体积的最终回归显著相关。 由于肿瘤一致性是手术计划的关键因素，一些研究探讨了术前使用MRI评估PAs的肿瘤一致性。大多数现有研究支持T2w预测术中一致性的能力，而T1w未被证明提供任何预测价值。T2w上的低信号可能与更坚固的肿瘤相关，可能归因于胶原含量和血管的增加。相比之下，较软的肿瘤在T2w上往往呈高信号，这可能与较高的含水量和/或囊性成分有关。虽然研究了多种术前PA一致性评估方法，但没有一种方法在临床应用中表现出足够的准确性和可靠性。最近，放射影像组学和基于机器学习的模型已经实现了高精度和良好的AUC值。Wan等人开发了基于T1w/CE-T1w/T2w联合图像的放射组学模型，其中11个成像特征在软、硬PAs之间具有统计学显著差异，AUC为0.90，具有优异的性能。 在功能性PAs中，除了肿瘤体积控制外，激素缓解是一个强制性的治疗目标。由于更多的基因必须静默才能达到激素缓解，因此需要较高的PA边缘剂量。由于较高的边缘剂量，我们观察到功能性PAs的体积反应（平均体积变化/月：−2.21%）比无功能性PAs（平均体积变化/月：−1.22%）更为有利。初步分析显示，在细分的PA队列中，相关性增强，AUC接近1。由于功能性PA治疗的样本量较小，我们无法单独对功能性PA肿瘤亚群进行可靠的统计分析。然而，我们的发现值得进一步调查。 放射影像组学分析的高维性既是它的优点，也是它的缺点，因为它的高维性受到了广泛的批评。为了解决这个问题，我们通过排除那些与结果不显著相关的特征来预先选择特征，从而导致维数的大量降低。此外，我们的研究表明，将CP特征添加到多序列成像数据（CP + T1w + CE-T1w）并没有提高单序列放射影像组学模型的预测性能。 局限性 虽然患者组是高度均匀的，并且大大超过了样本量的要求，但其规模仍然存在局限性。为了加强与PAs对GKRS的体积反应相关的报道特征的临床有效性，需要在更大的患者群体中进行进一步的研究。相对较短的随访时间和预后模型的回顾性设计是额外的限制。此外，预测性研究需要通过外部验证来确认所获得结果的普遍性，而本研究已经在未见的测试折叠中进行了内部预后验证，这些测试折叠不属于开发队列的一部分。因此，需要在外部队列中进一步验证，以确定所获得的预测模型的预后临床有效性。此外，尽管计算分析技术具有客观性，但在肿瘤的VOI分割过程中，工作流程包含了残留的主观性。 结论： 本研究是一项影像组学分析，旨在预测PAs对GKRS治疗的体积反应，以促进个体化治疗。与仅由标准临床病理参数组成的基准模型相比，开发的基于MRI的影像组学模型表现出优越的分类性能。 我们证明了使用常规MR成像的基于影像组学的模型取得了出色的预测分类和泛化性能，超过了基于临床病理参数的模型。通过对SRS治疗体积结果的可靠预测，影像组学可能实现个体化治疗策略，最终有助于改善垂体腺瘤接受SRS治疗的患者的治疗结果。 |
|
|
