2020-04-27
来自南方医科大学南方医院和斯坦福大学医学院
2020-Annals of Surgery(IF=9分)
目的:基于深度学习使用术前CT预测胃癌辅助化疗的疗效和获益
方法:多中心,回顾性研究。训练集457例。验证集1158例。作者开发了一种新的深度神经网络S-Net使用术前CT特征预测胃癌辅助化疗患者的DFS和OS。同时使用nomogram结合影像特征、临床病理特征预测生存预后。
结果:深度学习下的CT特征(DeLIS)在验证集与DFS和OS是相关的。High-DeLIS组在II期胃癌患者可见辅助化疗与DFS获益有关(HR=0.362,95%CI 0.149-0.882);整合临床病例特征后可进一步提升预测效能(C-indices提高至0.792和0.802);High&Intermediate-DeLIS组在III期胃癌患者同样可见辅助化疗与DFS的获益(HR=0.661,95%CI 0.442-0.843) (HR=0.633, 95%CI 0.433-0.925)。而在Low-DeLIS组,II、III期患者辅助化疗均未见生存获益,但有预测作用(P interaction=0.048(DFS,II期), 0.016(0.016,III期)。
结论:图像特征能够帮助识别胃癌辅助化疗的获益人群。
这种新型的深度神经网络由2部分构成,一是multi-level feature stream fusion,二是multi-scale feature pooling. 与传统的深度卷积神经网络不同的是,S-net引入了multi-level features stream fusion。这样设计的基本原理是:底层特征(例如,局部边缘,纹理)和深层特征(例如,病灶的总体概貌)都是生存分析的有用信息。因此它能够提取和整合复杂的肿瘤表型多尺度图像特征。为了减少过拟合,作者团队使用了几种策略,包括增加数据量、批标准化、早停法、内部交叉验证等。为了探究哪些图像区域和特征类型对于预测模型是重要的,作者使用了梯度加权类激活映射的方法。
首先使用X-tile确定了深度学习特征与OS之间关系的最佳cut-off值,通过c-index和ROC分析评估准确性。在训练集中,作者结合影像学特征和临床病例特征构建了nomogram,以单纯临床病理特征的nomogram作为对照,并在验证集中做进一步校准和测试。将预测的生存曲线和实际生存曲线做对比。采用预测误差曲线和Integrated Brier评分以评价模型的综合性能。
作者根据DeLIS评分将II期和III期胃癌病人分为三个组:high,intermediate and low。为了降低选择偏倚和混杂因素的干扰,作者使用了倾向性匹配评分(PSM)。接受或不接受化疗者以1:1匹配,匹配变量有:年龄、性别、肿瘤分化程度、CEA、CA199、位置、T分期(浸润深度)、N分期(淋巴结情况)、大小、LAUREN分型。除了三分位数,作者还额外测试使用中位数作为cut-off值,以及测试在没有匹配的情况下深度学习特征的预测价值。
基于不同的原始增强CT图像,DeLIS评分高低、生存预后之间的梯度差异。
在训练集中确定了cut-off值为-0.040。high-DeLIS和low-DeLIS生存预后差别明显。在验证集中进行测试,呈现类似的结果。
将DeLIS 评分作为一个因素,结合临床病理信息进行多元Cox回归分析:
在训练集和验证集中,DeLIS均为DFS和OS的独立预后因素。在以整体分期(II、III、IV期)、T分期、N分期、等级、大小、组织学亚型定义的各亚组中,不论训练集和验证集,High与Low DeLIS组在DFS和OS上都呈现显著的统计学差异。
如果单独使用DeLIS预测DFS和OS,在验证集中,C-index分别是0.719和0.724。如果结合四个临床病理危险因数(肿瘤分化、浸润深度、淋巴结转移、远处转移),可提升至0.792和0.802。
结果显示,对于II期和III期胃癌,high-DeLIS组接受辅助化疗能够获得DFS的改善。而low-DeLIS组II期III期患者接受辅助化疗均无DFS获益。有趣的来了,对于intermediate-DeLIS组,II期患者无法从化疗中改善DFS,但III期患者接受辅助化疗能获益。
推荐阅读
文章评论
注册或登后即可发表评论
登录/注册
全部评论(0)