01文献学习今天分享的文献是由复旦大学附属肿瘤医院、日本筑波大学等团队于2023年11月在《eClinicalMedicine》中科院1区topIF10上发表的研究“Development and validation of CT-based radiomics deep learning signatures to predict lymph node metastasis in non-functional pancreatic neuroendocrine tumors: a multicohort study”即基于CT的影像组学深度学习特征在预测无功能性胰腺神经内分泌肿瘤淋巴结转移中的开发与验证一项多队列研究该研究开发并验证了一种基于增强CT影像的影像组学深度学习联合特征RDPs用于术前预测无功能性胰腺神经内分泌肿瘤NF-PanNETs患者的淋巴结转移LNM。研究纳入两个中心的320例患者采用十种机器学习方法构建模型并在内部和外部验证集中验证。结果显示RDPs在预测LNM和疾病无进展生存期DFS方面表现优异AUC最高达0.93尤其在2cm肿瘤阈值的管理决策中具有重要临床价值。创新点①首个结合影像组学与深度学习预测非功能性胰腺神经内分泌肿瘤淋巴结转移的模型。②突破2cm诊疗困境验证模型在小肿瘤≤2cm中预测淋巴结转移的优异性能。③建立预后关联证明影像组学深度学习特征与患者无病生存期显著相关。临床价值①指导个体化手术术前准确预测淋巴结转移辅助决策选择标准切除还是微创剜除术。②弥补指南不足为2cm阈值下是否需行淋巴结清扫提供客观影像学依据。③识别高危复发识别高复发风险患者指导新辅助治疗策略改善预后。图 2研究设计与步骤示意图A动脉期CT图像的手动分割由资深放射科医生勾画肿瘤感兴趣区B分别提取放射组学特征和深度学习特征C通过ICC、U检验和LASSO进行特征筛选D构建放射组学-深度学习联合特征并进一步结合临床因素形成诺莫图模型E-F在内部和外部验证集中评估模型对淋巴结转移的预测能力。该图具有高度的概括性和指导性。02研究背景和目的研究背景非功能性胰腺神经内分泌肿瘤NF-PanNETs是一种相对罕见但发病率逐渐上升的胰腺肿瘤多数患者因影像学检查偶然发现。手术切除是其主要治疗手段然而关于淋巴结清扫范围至今缺乏统一标准尤其对于直径≤2cm的小肿瘤是否需常规行淋巴结清扫仍存在较大争议。淋巴结转移LNM是影响NF-PanNETs患者预后和复发的重要危险因素现有临床指南如NCCN和ENETS通常推荐对直径2cm或存在高危因素的患者进行淋巴结清扫但实际临床中相当一部分≤2cm的肿瘤已存在LNM且伴有可观的复发风险。然而术前通过传统CT、MRI或PET/CT准确诊断LNM极为困难因为淋巴结大小、强化程度等形态学特征易受炎性增生或微小转移灶的影响导致漏诊或误诊。近年来放射组学和深度学习作为医学影像定量分析的新技术能够从肿瘤区域自主提取高通量特征已在多种肿瘤的LNM预测中展现出潜力。但目前尚无研究将这两种技术联合应用于NF-PanNETs的术前LNM预测且针对2cm这一关键临界值的个体化治疗决策缺乏影像学依据。因此亟需开发一种非侵入性、精准的预测工具以弥补传统影像学的不足并指导临床手术方式的选择避免不必要的胰腺过度切除或淋巴结清扫。研究目的本研究旨在开发和验证一种基于增强CT影像的放射组学深度学习联合特征RDPs模型用于术前无创预测NF-PanNETs患者的淋巴结转移状态并评估其与无病生存期DFS的相关性。具体而言研究团队回顾性收集了两个医疗中心共320例经病理确诊的NF-PanNETs患者的临床资料和术前CT图像首先提取肿瘤区域的放射组学特征和深度学习特征通过多步降维和筛选结合10种机器学习算法构建最优预测模型进而将RDPs与临床病理因素如脉管侵犯、神经侵犯、肿瘤分级整合为诺模图以提升预测效能。在此基础上研究重点探讨了该模型在2cm肿瘤临界值下的预测能力旨在解决当前临床指南中关于小肿瘤是否需要淋巴结清扫的争议对于≤2cm且预测LNM风险低的患者可安心采取随访或微创剜除术而对于2cm但预测风险低者同样可考虑微创剜除避免过度根治性切除。此外研究还验证了RDPs与患者术后复发风险的关联从而为个体化精准手术决策以及高危患者的新辅助治疗提供影像学生物标志物。最终目标是将这一无创预测工具转化为临床可用的辅助系统改善NF-PanNETs患者的治疗策略和预后。03数据和方法研究数据来源两家医疗中心中心1复旦大学上海癌症中心中心2北京大学癌症医院时间2010年1月–2022年3月患者数量320例经病理确诊的NF-PanNETs患者中心1236例训练142例内部验证94例中心284例外部验证纳入标准接受根治性胰腺切除、术前CT增强扫描、淋巴结清扫数目≥12个图 1患者入组流程图技术方法影像分割手动勾画CT动脉期肿瘤ROI特征提取影像组学特征1834个PyRadiomics深度学习特征2045个ResNet101预训练模型微调特征筛选ICC 0.8、t检验/Mann-Whitney U检验、LASSO回归模型构建10种机器学习方法 → 选择glmBoost → 构建RDPs模型整合结合临床独立预测因子血管侵犯、神经侵犯、肿瘤分级构建列线图模型评估AUC、灵敏度、特异度、校准曲线、决策曲线、DeLong检验预后分析Kaplan-Meier曲线评估RDPs与DFS的关系04实验结果RDPs预测性能训练集AUC 0.89内部验证集AUC 0.87外部验证集AUC 0.91临床独立预测因子血管侵犯、神经侵犯、肿瘤分级RDPs-列线图AUC 0.93优于单一RDPs但无显著差异2cm阈值分层预测≤2cm肿瘤AUC 0.90中心1 / 0.93中心22cm肿瘤AUC 0.86中心1 / 0.91中心2DFS相关高RDPs组DFS显著更差HR 8.4–14p 0.0001图 3-特征相关性及系数权重图该图包含四个子图A-D分别展示了放射组学特征和深度学习特征之间的Pearson相关性矩阵及其在模型中的系数权重。结果显示所选特征之间的相关性均低于0.5表明特征之间无明显共线性。其中放射组学特征R1和深度学习特征D8在各特征中具有最高的系数权重表明它们在预测淋巴结转移中起最重要的作用。该图为特征选择的有效性提供了量化支持。图 4-机器学习模型性能比较雷达图与ROC曲线该图比较了10种机器学习算法在放射组学模型和深度学习模型中的预测性能AUC。结果显示glmBoost模型在训练组和内部验证组中均表现最优放射组学模型AUC为0.85深度学习模型AUC为0.84。ROC曲线进一步验证了这两种模型在内部验证组中无显著差异DeLong检验p 0.05。此外在两个中心之间放射组学与深度学习模型的AUC也无显著差异表明模型具有良好的稳定性和泛化能力。图 5-RDPs模型性能、诺莫图及2cm阈值分层分析该图是全文的核心结果图包含多个子图。首先RDPs模型在训练、内部验证和外部验证组中的AUC分别为0.89、0.87和0.91表现优异。决策曲线显示模型具有良好净获益。基于临床独立危险因素构建的RDPs-诺莫图AUC达0.93。特别值得注意的是在≤2cm和2cm的肿瘤亚组中RDPs模型AUC分别高达0.90和0.86Center 1说明该模型能有效指导2cm阈值附近肿瘤的淋巴结清扫决策。三角相关图显示RDPs与多个特征显著相关r 0.4。图 6-RDPs与无病生存期的关联分析该图展示了RDPs在预测患者复发风险方面的价值。Kaplan-Meier曲线显示在Center 1和Center 2中高风险组的无病生存期显著劣于低风险组log-rank检验p 0.0001风险比分别为8.4和14。热力图展示了高低风险组之间特征分布的差异。桑基图则直观地揭示了高风险组、肿瘤大于2cm、淋巴结转移阳性和复发之间高度一致的患者流向关系进一步验证了RDPs作为预后标志物的潜力。05研究结论该研究开发并验证了一种基于增强CT图像的放射组学深度学习特征RDPs用于术前预测非功能性胰腺神经内分泌肿瘤NF-PanNETs的淋巴结转移LNM。研究纳入了两个中心共320例患者结果显示RDPs在内部和外部验证队列中均表现出优异的预测性能AUC分别达到0.88和0.91且与无病生存期DFS显著相关p 0.0001。多因素分析表明血管侵犯、神经周围侵犯和肿瘤分级是LNM的独立预测因子而RDPs是其中最强的预测指标OR 93.18。进一步构建的联合列线图RDPs-临床因素将AUC提升至0.93。尤为重要的是该模型在肿瘤直径≤2 cm和2 cm的两个亚组中均保持了良好的预测能力AUC分别为0.90和0.86有效回应了当前临床指南在处理2 cm阈值肿瘤时关于淋巴结清扫与否的争议。研究提出基于RDPs的风险分层可为个体化手术策略提供依据对于低风险患者可考虑随访或微创摘除高风险患者则应接受标准肿瘤切除。总之该RDPs模型作为一种非侵入性、术前可得的预测工具具有改善NF-PanNETs患者精准治疗决策的潜力。06QAQ1研究中如何同时提取影像组学特征和深度学习特征并保证两者的可重复性A1影像组学特征使用 PyRadiomics 工具包提取共 1834 个特征包括一阶统计、形状特征、灰度共生矩阵GLCM、灰度游程矩阵GLRLM等。深度学习特征基于预训练的 ResNet101 模型对 CT 动脉期图像进行迁移学习提取 2045 个深度特征。可重复性控制由两名资深放射科医生手动勾画 ROI间隔一个月后随机抽取 30 例重新勾画计算组内相关系数ICC仅保留 ICC 0.8 的高稳定性特征最终保留 1487 个影像组学特征和 1552 个深度学习特征用于后续分析。Q2该研究采用了怎样的特征筛选与模型构建流程为何选择 glmBoost 作为最终算法A2特征筛选三步流程ICC 0.8 筛选可重复特征在训练集中进行 t 检验或Mann-Whitney U 检验保留 p 0.05 的特征使用LASSO逻辑回归10 折交叉验证调参进一步降维最终选出9个影像组学特征和11个深度学习特征。模型构建将筛选后的特征输入10种机器学习算法包括 glmBoost、SVM、XGBoost、LASSO、NaiveBayes 等。在训练集中比较 AUCglmBoost在影像组学模型AUC 0.85和深度学习模型AUC 0.84中均表现最佳因此被选为最终建模算法。