題目：通過三期CT的深度學習影像組學模型對肝硬化患者肝細胞癌的早期預警：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)帶來了巨大負擔，最終由于治療干預延遲而導致患者預后不良。影像組學結合了醫(yī)學成像、計算機科學和統(tǒng)計學的專業(yè)知識，借助深度學習算法可以能夠識別以前無法檢測到的細微圖像特征，提高影像組學的準確性和效率，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)，通過深度學習影像組學和臨床變量來開發(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圖像和實驗室結果。使用影像組學和深度學習技術，在發(fā)現(xiàn)隊列(n=924)中開發(fā)了早期預警模型(ALARM)，然后在內部驗證隊列(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，將影像組學和深度學習評分與aMAP HCC風險評分相結合，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)生進行早期預警。

圖1

研究結果：

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個深度學習特征。在特征選擇過程之后，確定了6個影像組學特征和17個深度學習特征，分別用于構建單特征模型和計算影像組學和深度學習分數(shù)。Mann-Whitney U檢驗表明，是否會發(fā)生HCC的患者在影像組學評分、深度學習評分和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志物。

圖2

3、ALARM模型的構建和驗證

ALARM模型是通過使用臨床評分、放射組學評分和深度學習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評分和深度學習評分進行各種組合，包括aMAP、年齡、性別、總膽紅素、白蛋白、血小板計數(shù)和AFP。結果表明，放射學評分、深度學習評分和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)計學上的顯著差異（P<0.05），表明ALARM在預測肝硬化患者短期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，結果表明，ALARM具有優(yōu)秀的性能。校準曲線顯示，ALARM生成的預測概率與實際結果之間存在很強的一致性(圖4A)。此外，決策曲線分析結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：高風險、中等風險、低風險組。結果顯示，高風險(n=221，11.9%)和中等風險(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：本文的臨床變量的深度學習影像組學生信分析方法新穎，作者也調研過，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生信服務，另有完善的下游驗證、機制研究服務，一對一專屬服務為您排憂解難，助您輕松應對畢業(yè)和晉升！