《Neurooncoogy Advances》 2021 年10月25日在线发表美国Johns Hopkins University School of Medicine的Xuguang Chen , Vishwa S Parekh, Luke Peng ,等撰写的《立体定向放射外科治疗后多参数影像组学组织特征及机器学习鉴别放射性坏死与肿瘤进展。Multiparametric radiomic tissue signature and machine learning for distinguishing radiation necrosis from tumor progression after stereotactic radiosurgery》(doi: 10.1093/noajnl/vdab150.)。
要点
●立体定向放射外科治疗后的病灶在常规MRI上很难诊断。
●多参数影像组学和机器学习可以提供准确的、无创的诊断。
立体定向放射外科(SRS)是脑转移瘤患者的一个关键治疗选择。它可能引起放射性坏死，在临床和影像学上与常规MRI上的肿瘤进展难以区分。使用最大的、病理证实的、从多家医疗机构收集的SRS治疗后放射性坏死和进展，我们确定并验证了一种新的多参数影像组学组织特征。我们的研究证明了多参数影像组学和机器学习在确定个体诊断中的效用。此外，我们的结果突出了成像生物标志物研究中重要的潜在混杂因素，即不同医疗机构使用的不同临床实践和成像参数。在我们的研究中确定的多参数影像组学特征在SRS治疗后存在病灶生长时，帮助对患者进行重复放疗和手术取样的分诊具有重要的临床效用。
背景:
立体定向放射外科(SRS)可能导致放射性坏死(RN)，而常规MRI难以区分放射性坏死（RN）与肿瘤进展(TP)。我们假设基于MRI的多参数影像组学(mpRad)和机器学习(ML)可以在多个医疗中心的队列中区分TP和RN。
立体定向放射外科治疗(SRS)是治疗脑转移瘤患者的标准治疗方法。SRS治疗提供了很好的局部控制，但最常见的副作用之一是放射性坏死(RN)。SRS治疗后RN的发生率在5%到25%之间，取决于定义、诊断方法和是否获得病理证实。然而，在常规MRI (cMRI)上与T1对比后(T1c)和T2液体衰减反转恢复(FLAIR)序列上，肿瘤进展(TP)表现出相似的影像学特征。临床上，对生长的病变的准确诊断是非常必要的，因为早期的补救性干预，如重复SRS治疗，可以为进展性肿瘤患者提供更好的肿瘤预后，而RN通常可以自行稳定或消退，无需进行侵袭性手术。
越来越多的证据表明，在确诊为肿瘤进展的患者中，重复SRS可能会安全实施。此外，对于无症状或症状最小的RN患者，手术干预可能会影响生活质量。因此，非侵袭性诊断方法可以选择那些可能从重复放疗中获益的患者，并减少手术干预的需要。目前，SRS治疗后的病变生长通常需要后期MRI或外科病理证实，因为cMRI在鉴别TP和RN方面的临床应用有限。报道显示，使用cMRI定性特征时，其敏感性(43%-91%)和特异性(33%-88%)差异很大。相反，影像组学可以提取定量的纹理特征，这些特征可以作为各种疾病过程的非侵袭性生物标志物。CT和MRI影像学特征已显示与良性与恶性进程相关。此外，新的方法，如多参数影像组学(mpRad)，提供了更完整的组织特征。当与Oncotype基因阵列方法相关时，MpRad在预测乳腺癌复发方面优于单一影像组学参数。此外，影像组学结合机器学习(ML)已被应用于脑转移瘤患者，以区分RN和TP，并取得了中等的成功。
然而，以前的研究只包括小的、单中心的队列，病理信息有限，很少或没有外部验证。我们之前发表了一个MRI影像组学组织特征(RT -1)，包括6个T1c和4个T2-FLAIR特征，该特征在单中心系列中使用Isomap SVM (IsoSVM)算法显示受试者工作特征(ROC)的曲线下面积(AUC)为0.81。本研究的目的是在一个大的、多中心的SRS治疗后RN和TP患者队列中，以外科病理学为金标准，测试mpRad特征的加入是否可以提高ML分类器的诊断准确性。
方法:
2家医疗机构SRS治疗后继续生长的脑转移瘤患者接受手术治疗，经组织病理学证实为放射性坏死(RN)或肿瘤进展(TP)。从多参数影像组学(mpRad)中选择影像组学组织特征(RTS)，以及单独T1对比增强后(T1c)和T2流体衰减反转恢复(T2-FLAIR)的影像组学特征。在随机选择的训练队列(N = 95)中进行特征选择和监督下的机器学习（ML），并在其余患者(N = 40)中使用外科病理学作为金标准进行验证。
结果:
共纳入109例患者的135个离散病灶(37个放射性坏死[RN], 98个肿瘤进展[TP])。有67%的患者由经验丰富的神经放射影像学家所进行的放射影像诊断与组织病理学相一致(敏感性69%，特异性59%)。影像组学分析表明医疗机构起源（ institutional origin）是诊断的一个重要混杂因素。随机森林模型（ A random forest model）合并的1项多参数影像组学(mpRad)，4 个T1c,和4 个T2-FLAIR特性的AUC 0.77(95%可信区间[CI]: 0.66-0.88)。训练队列的敏感性为67%,特异性86%,AUC为0.71(95%置信区间:0.51-0.91)。验证队列的敏感性为52%,特异性90%。
结论:
在来自2个医疗机构的大型、多样化的患者队列中，我们的数据强调了立体定向放射外科治疗脑转移瘤患者的放射性坏死诊断的不确定性。一种新的结合mpRad特征的影像组学组织特征表明，与以前使用单一影像组学特征的影像组学特征相比，诊断准确性得到了提高。对影像组学和机器学习工作流程中的多个步骤进行系统评估，从而提高了验证数据集中的模型性能。该模型可能具有重要的临床实用价值，因为它可以选择那些不需要手术取样就可以从补救性SRS治疗中获益的患者。我们的方法和结果应该在未来的临床试验中进行前瞻性验证。
基于MRI的参数影像组学(mpRad)和机器学习（ML）可以区分肿瘤进展（TP）和放射性坏死（RN），具有较高的特异性，这可能有助于对SRS治疗后继续生长的脑转移瘤患者进行重复放疗与手术干预的分诊（triage）。
