Euro Radio:深度学习+放射组学!让软组织肉瘤复发无处遁形!
2022-01-19 shaosai MedSci原创
软组织肉瘤(STS)起源于间叶组织,其组织学成分复杂,临床表现多样,占成人癌症总发病率的1%。现阶段,根治性切除术是STS患者首选治疗手段。
软组织肉瘤(STS)起源于间叶组织,其组织学成分复杂,临床表现多样,占成人癌症总发病率的1%。现阶段,根治性切除术是STS患者首选治疗手段。然而即使在手术切除后,部分患者在术后仍有复发。据我们所知,各种STS有不同的局部复发率,范围约为33-39%。一些特殊肉瘤的3年复发率可高达50%。
STSs患者在手术切除后常采用新辅助放疗或化疗以提高局部控制率,延长其生存时间。在出现局部复发之前,高复发率的准确预测有助于明确进一步治疗方案的制定。因此,有必要建立一个手术前预测STS复发风险的风险分层模型,使患者能够接受更有效的、有针对性的治疗。
美国放射学会适当性标准推荐将MRI用于监测恶性或侵袭性软组织肿瘤的局部复发。放射组学是一种新兴的医学图像分析手段,它以高通量的方式从医学图像中提取定量特征(如深度学习[DL]特征和手工绘制[HCR]特征)来描述肿瘤的特征。其目的是改善肿瘤学的决策支持,并以廉价且非侵入性的方式提高预测的可靠性。近年来,越来越多的放射组学特征筛选方法和模型算法被开发且应用于临床。此外,基于DL的放射组学也得到了越来越多的关注和使用。与卷积神经网络(CNN)自动提取的DL特征相结合的放射组学模型在评估肿瘤预后方面显示出良好的诊断效能。然而,还未有应用基于MRI的DL和HCR放射组学特征进行STS的复发的相关文祥。
近日,发表在European Radiology杂志的一项研究建立和测试了一个采用DL和HCR放射组学特征的模型来预测接受手术切除的STS患者的复发风险,同时将常规应用的分期分级系统和其他研究的统计模型纳入模型比较,以评估本研究模型在复发预测中的效能,为临床制定个性化治疗方案并提高患者预后提供技术支持。
本研究总共评估了282名在三个独立中心接受MRI扫描和STS手术切除的患者。此外,282名患者中的113名接受了额外的对强化MRI扫描。我们将参与者分为发展队列和外部测试队列。发展队列由一个中心的患者组成,外部测试队列由另外两个中心的患者组成。我们建立了两个基于MRI的预测STS切除术后肿瘤复发的DLRN。我们普遍测试了DLRNs,并将其与其他通过使用广泛采用的预测指标(即分期系统和Ki67)而不是放射组学特征构建的预测模型进行了比较。
DLRN1模型将基于普通MRI的放射组学特征纳入临床数据,DLRN2模型将从普通和强化MRI中提取的放射组学特征与临床预测因素结合起来。在两个研究集中,两个基于MRI的DLRNs具有相对更好的预后能力(C指数≥0.721,中位AUC≥0.746;与大多数其他模型和预测因素相比,P<0.05),预测错误的机会也较少(综合Brier评分≤0.159)。决策曲线分析表明,DLRNs比分期系统、Ki67和其他模型有更大的优势。我们为DLRNs选择了适当的截止值,将STS复发分为三个风险层(低、中、高),并计算这些组的累积风险率。
图 深度学习放射学列线图(DLRNs)对三种不同风险分层的累积复发率预测情况。
本研究根据临床特征和放射组学特征构建了两个放射组学列线图。与其他预测模型相比,该放射组学模型是预测STS复发的强有力的、经过外部验证的影像学手段,从而为改善患者治疗方案的制定提供了有效的技术支持。
原文出处:
Shunli Liu,Weikai Sun,Shifeng Yang,et al.Deep learning radiomic nomogram to predict recurrence in soft tissue sarcoma: a multi-institutional study.DOI:10.1007/s00330-021-08221-0
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#PE#
78
#深度学习#+#放射组学#!#软组织肉瘤#
167
#软组织#
92