基于深度学习放射组学模型结合临床放射特征检测胰腺导管腺癌患者隐匿性腹膜转移的研究与验证
深度学习放射组学模型结合临床放射学特征预测胰腺导管腺癌患者隐性腹膜转移的开发与验证
背景介绍
胰腺导管腺癌（Pancreatic Ductal Adenocarcinoma, PDAC），一种极为致命的恶性肿瘤，其5年生存率约为11%。其糟糕的预后部分是由于80-85%的患者在出现症状时，已经被诊断出为晚期疾病，不可切除或已经发生转移，包括隐性腹膜转移（Occult Peritoneal Metastases, OPM）。腹膜是PDAC转移的第二常见途径，约10-20%的患者在首次诊断时即表现为腹膜转移，对于这一部分患者来说，早期识别腹膜转移将极大地影响治疗选择以避免不必要的手术。
传统的腹膜转移诊断依赖于计算机断层扫描（CT），但是由于缺乏明显的标志，早期腹膜转移往往难以被发现。诊断性分期腹腔镜虽然被推荐用于诊断腹膜转移，但其侵入性高并非性价比最佳的选择。而一些临床和放射学特征，如癌胚抗原19-9（CA19-9）和区域淋巴结肿大，都被认为是腹膜转移的预测因子，但其预测准确性尚未广泛确认。因此，急需开发一种个性化模型来在治疗之前预测PDAC患者的腹膜转移。
近年，放射组学和深度学习技术在癌症预测方面获得了显著成果。然而，目前尚无针对PDAC患者OPM的深度学习放射组学模型。因此，本研究旨在开发并验证结合手工放射组学（Handcrafted Radiomics, HCR）和深度学习放射组学（Deep Learning Radiomics, DLR）的模型，以预测PDAC患者的OPM。
研究来源
本文的研究由Siya Shi、Chuxuan Lin、Jian Zhou等多位作者共同完成，他们隶属于广州中山大学附属第一医院、深圳大学医学院等多家机构。本文发表于2024年3月4日的《International Journal of Surgery》。
研究流程
研究对象与分组
本研究为回顾性双中心研究，共纳入了302名PDAC患者，这些患者在2012年1月至2022年10月期间做了基线CT检查。研究分为训练组（167人）、内部测试组（72人）和外部测试组（63人）。每个组中依据是否发生OPM进行标记（如训练组中22人为OPM阳性）。
数据收集与处理
CT扫描协议： 使用了Canon Medical Systems和Philips Healthcare的多种CT扫描设备。具体CT扫描协议和参数见补充材料。
数据提取： 研究收集了所有患者的性别、年龄、肿瘤位置、血清癌胚抗原（CEA）和CA19-9水平、CT扫描的T和N分期等临床和放射学参数。CT扫描的T和N分期按照第8版美国癌症联合委员会标准定义。
特征提取与选择： 使用MITK软件进行三维和二维分割，提取的特征包括1130个肿瘤的HCR特征、512个肿瘤的DLR特征，以及474个腹膜的HCR特征。特征选择上，首先通过互信息和最小绝对收缩选择算子（LASSO）算法进行筛选，然后通过Logistic回归模型进行建模。
模型开发与验证
本研究开发了四种模型：临床-放射学模型、肿瘤DLR模型、腹膜HCR模型和综合模型。每种模型的性能都通过受试者操作特征（ROC）曲线及其曲线下面积（AUC）进行评估。具体流程包括通过LASSO算法在训练组中筛选特征，并在内部和外部测试组中进行验证。
研究结果
特征选择与模型性能： 在特征选择后，综合模型包含了肿瘤的9个HCR特征、14个DLR特征，腹膜的3个HCR特征，以及3个临床-放射学特征（CA19-9、CT基于的T和N分期）。这些特征经过训练后模型的AUC值分别为：训练组0.853、内部测试组0.845、外部测试组0.852，均显示出良好的预测性能。此外，通过Delong检验表明，综合模型显著优于仅包含临床-放射学特征的模型。
模型比较与临床评估： 结合了DLR和临床-放射学特征的综合模型在训练组和测试组的总体净效益均优于单独使用临床-放射学或其他模型。决策曲线分析也表明，综合模型在多数合理阈值下具有更好的临床适用性。
研究结论
本研究开发的结合了CT图像的DLR特征以及临床-放射学数据的模型在PDAC患者中显示了良好的OPM预测性能。这一非侵入性的预测工具不仅有助于明确OPM阳性患者避免不必要的手术，还可筛选出适合进行诊断性腹腔镜检查和新辅助治疗的患者，为个性化诊疗提供额外的依据。
研究的意义与价值
这项研究首次将深度学习放射组学应用于预测PDAC患者的隐性腹膜转移，并展示了在训练组和外部验证组中的良好效果。这些研究结果表明，通过结合深度学习算法和临床数据，可以实现对PDAC患者隐性腹膜转移的准确预测，从而为临床实践提供了重要的补充价值。
研究亮点
- 这是首个针对PDAC患者隐性腹膜转移的双中心深度学习放射组学研究，展示了良好的预测性能和泛化能力。
- 结合了深度学习算法和临床-放射学数据，显著提高了模型的预测准确性，并避免了传统模型的过拟合问题。
- 该非侵入性的预测工具不仅可以帮助明确诊断，还为个性化治疗提供了重要的临床指导，有助于优化患者的治疗方案和预后。
这项研究展示了放射组学在肿瘤诊断和治疗中的巨大潜力，并为后续的临床应用和进一步研究提供了坚实的基础。