European Radiology:放射组学模型在预测鼻咽癌颞叶放射损伤方面的价值
时间:2022-10-30 20:41:04 热度:37.1℃ 作者:网络
鼻咽癌(NPC)是东南亚和东亚地区一种非常常见的地方性肿瘤,放疗是目前治疗非转移性鼻咽癌的首选方式,但颞叶(TL)不可避免地被包括在放射野中。据报道,接受放射治疗(IMRT)的患者辐射诱发的颞叶损伤(RTLI)的发生率为4.6%至8.5%。发生RTLI的患者在记忆、语言和活动能力等方面会受到损害,但近一半的患者(45.3%)在诊断时没有RTLI的症状,大多数患者甚至在晚期也没有症状。
目前RTLI的影像诊断主要依靠MRI。然而,现有的常规MRI技术只能在不可逆阶段区分RTLI。最近,人工智能(AI)如放射组学已被广泛用于预测并发症和疾病进展等治疗效果。放射组学描述了从常规诊断扫描中提取大量基于图像的特征的过程,量化肿瘤形状、图像强度和纹理的高维数据可以反映疾病的特征,在临床决策中应用广泛。
近日,发表在European Radiology杂志的一项研究开发并验证了一个基于放射组学的用于预测NPC患者RTLI的治疗前预测模型,为临床早期识别RTLI的程度及风险提供了技术支持。
本研究共对216名被诊断为鼻咽癌的患者进行了回顾。所有患者被随机分配到训练组(n = 136)和验证组(n = 80)。从治疗前增强T1或脂肪抑制T2加权MRI中提取放射组学特征。通过最小绝对收缩和选择运算符(LASSO)回归算法、皮尔逊相关分析和单变量逻辑分析产生放射组学特征,并使用逻辑回归分析选择临床特征。进行多变量逻辑回归分析,为训练队列的RTLI预测建立三个模型:即放射组学特征、临床变量和临床-放射组学参数。使用放射组学列线图,并对其校准、鉴别、重新分类和临床应用进行了评估。
本研究发现,由两个放射组学特征组成的放射组学特征模型与RTLI显著相关。所提出的放射组学模型在训练(AUC,0.89)和验证队列(AUC,0.92)中都表现出良好的鉴别能力,且超过了临床预测模型(P < 0.05)。同时结合放射组学和临床特征所建立的模型取得了更高的AUC(AUC,0.93和0.95)以及更好的校准和提高RTLI的预测准确性。临床-放射组学模型在预测不同临床-病理亚组的RTLI方面也显示出优异的性能。
图 (a)在训练队列中构建了放射组学列线图,并纳入了放射组学评分、T分期和年龄。(b)训练队列和(c)验证队列中的放射学列线图校准曲线
本研究开发并验证了一种机器学习方法,该方法通过治疗前的颞叶MRI图像实现了对鼻咽癌(NPC)患者辐射诱导颞叶损伤(RTLI)的预测及评估。确定的放射组学特征可用作RTLI风险分层的生物标志物。
原文出处:
Dan Bao,Yanfeng Zhao,Lin Li,et al.A MRI-based radiomics model predicting radiation-induced temporal lobe injury in nasopharyngeal carcinoma.DOI:10.1007/s00330-022-08853-w