題目：通過三期CT的深度學(xué)習(xí)影像組學(xué)模型對肝硬化患者肝細(xì)胞癌的早期預(yù)警：一項回顧性、多中心、隊列研究

英文名：Early warning of hepatocellular carcinoma in cirrhotic patients by three-phase CT-base.d deep learning radiomics model: a retrospective, multicentre, cohort study

雜志：eClinicalMedicine

影響因子：9.6

發(fā)表時間：2024年8月

研究背景：肝細(xì)胞癌(HCC)的診斷通常會有延遲，這給全球醫(yī)療保健系統(tǒng)帶來了巨大負(fù)擔(dān)，最終由于治療干預(yù)延遲而導(dǎo)致患者預(yù)后不良。影像組學(xué)結(jié)合了醫(yī)學(xué)成像、計算機科學(xué)和統(tǒng)計學(xué)的專業(yè)知識，借助深度學(xué)習(xí)算法可以能夠識別以前無法檢測到的細(xì)微圖像特征，提高影像組學(xué)的準(zhǔn)確性和效率，從而提高診斷HCC的靈敏度和特異性，因此，作者采用三個時期患者的掃描(CT)數(shù)據(jù)，通過深度學(xué)習(xí)影像組學(xué)和臨床變量來開發(fā)和驗證了一個模型(ALARM)，該模型可以對肝硬化患者的腫瘤發(fā)生進行早期預(yù)警。

研究思路：

選取2018年6月至2020年1月期間在11個中心研究的1858名肝硬化患者，在最終診斷為HCC或非HCC的前3-12個月里，收集了三期CT圖像和實驗室結(jié)果。使用影像組學(xué)和深度學(xué)習(xí)技術(shù)，在發(fā)現(xiàn)隊列(n=924)中開發(fā)了早期預(yù)警模型(ALARM)，然后在內(nèi)部驗證隊列(n=231)和來自10個外部中心的外部驗證隊列(n=703)中進行了驗證。ALARM作為一個綜合模型，將影像組學(xué)和深度學(xué)習(xí)評分與aMAP HCC風(fēng)險評分相結(jié)合，可以提前識別大多數(shù)HCC發(fā)生個體。ALARM具有在臨床環(huán)境中實際實施的潛力，可以對肝硬化患者的腫瘤發(fā)生進行早期預(yù)警。

圖1

研究結(jié)果：

1、患者特征

本研究共納入來自11個中心的1858例符合條件的患者，其中1836例(98.82%)患者來自PreCar隊列，這其中括67例HCC患者；另外22例患者(1.18%，均為HCC病例)來自南方醫(yī)院的門診患者和Search-B隊列。在這些患者中，924名被分配到發(fā)現(xiàn)隊列，231名被分配到內(nèi)部驗證隊列，703名被分配到外部驗證隊列。發(fā)現(xiàn)隊列中的45名參與者(4.9%）、內(nèi)部驗證隊列中的13名參與者(5.6%)和外部驗證隊列中的31名參與者(4.4%)在3-12個月的隨訪CT掃描后被診斷出患HCC。從CT檢查到診斷為0、A、B、C和D期HCC的平均時間間隔分別為6.0、6.8、7.2、11.0和9.7個月?；颊咛卣魅?/span>表1所示。

表1

2、圖像特征分析

基于每位患者每個階段的CT影像，總共提取了1223個特征，因此，在三個檢測階段，總共產(chǎn)生了3669個特征。從每位患者的Fine-tuned 3D ResNet50的平均池化層中獲得了100×3個深度學(xué)習(xí)特征。在特征選擇過程之后，確定了6個影像組學(xué)特征和17個深度學(xué)習(xí)特征，分別用于構(gòu)建單特征模型和計算影像組學(xué)和深度學(xué)習(xí)分?jǐn)?shù)。Mann-Whitney U檢驗表明，是否會發(fā)生HCC的患者在影像組學(xué)評分、深度學(xué)習(xí)評分和aMAP評分方面存在顯著差異。此外，多變量線性回歸分析顯示，這些特征評分都是區(qū)分肝硬化患者惡性進展的獨立標(biāo)志物。

圖2

3、ALARM模型的構(gòu)建和驗證

ALARM模型是通過使用臨床評分、放射組學(xué)評分和深度學(xué)習(xí)評分作為三個單獨的協(xié)變量來擬合邏輯回歸模型開發(fā)的。對于臨床評分，作者嘗試了將臨床變量與放射組學(xué)評分和深度學(xué)習(xí)評分進行各種組合，包括aMAP、年齡、性別、總膽紅素、白蛋白、血小板計數(shù)和AFP。結(jié)果表明，放射學(xué)評分、深度學(xué)習(xí)評分和aMAP評分的組合明顯優(yōu)于其他組合。即使AFP包含在這些變量中，根據(jù)Delong檢驗，他們的表現(xiàn)也沒有顯著改善。因此，選擇aMAP評分作為臨床評分中的變量。此外，作者發(fā)現(xiàn)ALARM表現(xiàn)出了很好的區(qū)分性能，這在發(fā)現(xiàn)隊列、內(nèi)部驗證隊列、外部驗證隊列中通過自舉驗證得到了證實(圖3)。作者還對每個隊列進行了交叉驗證，并證明了模型在不同折疊下的穩(wěn)定性能，進一步證實了方法的可靠性。DeLong檢驗顯示，ALARM和單特征模型之間存在統(tǒng)計學(xué)上的顯著差異（P<0.05），表明ALARM在預(yù)測肝硬化患者短期HCC發(fā)展方面表現(xiàn)出色。還將ALARM的性能與使用NRI和IDI分析的單特征模型的性能進行了比較，結(jié)果表明，ALARM具有優(yōu)秀的性能。校準(zhǔn)曲線顯示，ALARM生成的預(yù)測概率與實際結(jié)果之間存在很強的一致性(圖4A)。此外，決策曲線分析結(jié)果表明與單一特征模型相比，ALARM在臨床決策中具有更優(yōu)越的優(yōu)勢(圖4B)。此外，亞組分析表明，無論年齡、性別和AFP水平如何，ALARM的性能都是一致的。

圖3

圖4

4、肝硬化患者的風(fēng)險分層

SMOTE過采樣后，使用x-tile軟件在新生成的發(fā)現(xiàn)隊列中確定了0.21和0.65的最佳閾值后，患者被分為三組：高風(fēng)險、中等風(fēng)險、低風(fēng)險組。結(jié)果顯示，高風(fēng)險(n=221，11.9%)和中等風(fēng)險(n=433，23.3%)組(占94.4%(84/89)的HCC患者)的HCC發(fā)生率明顯高于低風(fēng)險組(n=1204，4.8%)(24.3% vs6.4% vs0.42%，P<0.001)(圖5)。此外，ALARM通過采用0.21的閾值，實現(xiàn)了HCC發(fā)展預(yù)警的平均提前期為7.2個月，33.3%的患者在臨床診斷前不到6個月就得到了預(yù)警，32.1%在6到9個月之間，34.5%在9到12個月之間。在上限閾值下，發(fā)現(xiàn)隊列、內(nèi)部驗證隊列和外部驗證隊列的特異性值分別為0.899(95%CI:0.879-0.918)、0.889(95%CI:8.850-0.930)和0.926(95%CI:0.906-0.945)。在較低的閾值下，發(fā)現(xiàn)隊列、內(nèi)部驗證隊列和外部驗證隊列的敏感性值分別為0.933(95%CI:0.917-0.949)、0.923(95%CI:8.889-0.957)和0.944(95%CI:0.955-0.981)。

圖5

總結(jié)：本文的臨床變量的深度學(xué)習(xí)影像組學(xué)生信分析方法新穎，作者也調(diào)研過，沒有人用這個方式做，其次是用多中心，大量的樣本數(shù)據(jù)來分析，本文沒有做下游實驗驗證，能發(fā)一區(qū)9.6分，可見影像組學(xué)生信分析潛力巨大，傲星生物提供多種高階方案的影像組學(xué)生信服務(wù)，另有完善的下游驗證、機制研究服務(wù)，一對一專屬服務(wù)為您排憂解難，助您輕松應(yīng)對畢業(yè)和晉升！