Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một mô hình radiomics dựa trên CT để dự đoán thời gian sống không tiến triển ở bệnh nhân ung thư phổi tế bào nhỏ: một nghiên cứu theo nhóm đa trung tâm
Tóm tắt
Mục tiêu của nghiên cứu là phát triển một mô hình radiomics dựa trên chụp cắt lớp vi tính (CT) để ước lượng thời gian sống không tiến triển (PFS) ở bệnh nhân ung thư phổi tế bào nhỏ (SCLC) và đánh giá giá trị tăng thêm của nó đối với các yếu tố rủi ro lâm sàng trong ước lượng PFS cá nhân. 558 bệnh nhân có SCLC được xác nhận qua bệnh lý đã được tuyển chọn hồi cứu từ ba trung tâm y tế. Một dấu hiệu radiomics được tạo ra bằng cách sử dụng phân tích tương quan Pearson, phân tích Cox đơn biến và phân tích Cox đa biến. Mối liên quan giữa dấu hiệu radiomics với PFS được đánh giá. Một mô hình radiomics đã được phát triển dựa trên dấu hiệu radiomics, sau đó độ chính xác, khả năng phân biệt, tái phân loại và tính hữu ích lâm sàng của nó được đánh giá. Tổng cộng, 6 đặc trưng radiomics CT đã được chọn lọc cuối cùng. Dấu hiệu radiomics có mối liên hệ đáng kể với PFS (tỷ lệ nguy cơ [HR] 4.531, khoảng tin cậy [CI] 95% 3.524–5.825, p < 0.001). Việc đưa dấu hiệu radiomics vào mô hình radiomics đã dẫn đến hiệu suất tốt hơn trong việc ước lượng PFS (chỉ số đồng thuận [C-index] 0.799) so với mô hình lâm sàng (C-index 0.629), cũng như diện tích dưới đường cong cao ở 6 tháng và 12 tháng lần lượt là 0.885 và 0.846. Hơn nữa, mô hình radiomics cũng cải thiện đáng kể độ chính xác phân loại cho các kết quả PFS, dựa trên sự cải thiện tái phân loại ròng (33.7%, CI 95% 0.216–0.609, p < 0.05) và sự cải thiện phân biệt tích hợp (22.7%, CI 95% 0.168–0.278, p < 0.05). Phân tích đường cong quyết định cho thấy rằng về tính hữu ích lâm sàng, mô hình radiomics vượt trội hơn mô hình lâm sàng. Một mô hình radiomics dựa trên CT cho thấy hiệu suất hứa hẹn trong việc dự đoán PFS ở bệnh nhân SCLC, điều này có thể cung cấp thông tin có giá trị cho điều trị cá nhân hóa.
Từ khóa
Tài liệu tham khảo
Siegel RL, Miller KD, Fuchs HE et al (2022) Cancer statistics, 2022. CA Cancer J Clin 72:7–33. https://doi.org/10.3322/caac.21708
Gazdar AF, Bunn PA, Minna JD (2017) Small-cell lung cancer: what we know, what we need to know and the path forward. Nat Rev Cancer 17:725–737. https://doi.org/10.1038/nrc.2017.87
Bernhardt EB, Jalal SI (2016) Small cell lung cancer. Cancer Treat Res 170:301–322. https://doi.org/10.1007/978-3-319-40389-2_14
Zimmerman S, Das A, Wang S et al (2019) 2017–2018 scientific advances in thoracic oncology: small cell lung cancer. J Thorac Oncol 14:768–783. https://doi.org/10.1016/j.jtho.2019.01.022
Bogart JA, Waqar SN, Mix MD (2022) Radiation and systemic therapy for limited-stage small-cell lung cancer. J Clin Oncol 40:661–670. https://doi.org/10.1200/jco.21.01639
Dingemans AC, Früh M, Ardizzoni A et al (2021) Small-cell lung cancer: ESMO clinical practice guidelines for diagnosis, treatment and follow-up(☆). Ann Oncol 32:839–853. https://doi.org/10.1016/j.annonc.2021.03.207
Horn L, Mansfield AS, Szczęsna A et al (2018) First-line atezolizumab plus chemotherapy in extensive-stage small-cell lung cancer. N Engl J Med 379:2220–2229. https://doi.org/10.1056/NEJMoa1809064
Mathieu L, Shah S, Pai-Scherf L et al (2021) FDA approval summary: atezolizumab and durvalumab in combination with platinum-based chemotherapy in extensive stage small cell lung cancer. Oncologist 26:433–438. https://doi.org/10.1002/onco.13752
Herzog BH, Devarakonda S, Govindan R (2021) Overcoming chemotherapy resistance in SCLC. J Thorac Oncol 16:2002–2015. https://doi.org/10.1016/j.jtho.2021.07.018
Kumar V, Gu Y, Basu S et al (2012) Radiomics: the process and the challenges. Magn Reson Imaging 30:1234–1248. https://doi.org/10.1016/j.mri.2012.06.010
Gillies RJ, Kinahan PE, Hricak H (2016) Radiomics: images are more than pictures, they are data. Radiology 278:563–577. https://doi.org/10.1148/radiol.2015151169
Lambin P, Leijenaar RTH, Deist TM et al (2017) Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol 14:749–762. https://doi.org/10.1038/nrclinonc.2017.141
Liu Z, Wang S, Dong D et al (2019) The applications of radiomics in precision diagnosis and treatment of oncology: opportunities and challenges. Theranostics 9:1303–1322. https://doi.org/10.7150/thno.30309
Huang Y, Liu Z, He L et al (2016) Radiomics signature: a potential biomarker for the prediction of disease-free survival in early-stage (I or II) non-small cell lung cancer. Radiology 281:947–957. https://doi.org/10.1148/radiol.2016152234
Wang T, She Y, Yang Y et al (2022) Radiomics for survival risk stratification of clinical and pathologic stage IA pure-solid non-small cell lung cancer. Radiology 302:425–434. https://doi.org/10.1148/radiol.2021210109
Ganti AKP, Loo BW, Bassetti M et al (2021) Small cell lung cancer, version 2.2022, NCCN clinical practice guidelines in oncology. J Natl Compr Cancer Netw 19:1441–1464. https://doi.org/10.6004/jnccn.2021.0058
Ganeshan B, Goh V, Mandeville HC et al (2013) Non-small cell lung cancer: histopathologic correlates for texture parameters at CT. Radiology 266:326–336. https://doi.org/10.1148/radiol.12112428
Pencina MJ, D’Agostino RB, D’Agostino RB et al (2008) Evaluating the added predictive ability of a new marker: from area under the ROC curve to reclassification and beyond. Stat Med 27:157–172. https://doi.org/10.1002/sim.2929
Cook NR, Paynter NP (2012) Comments on ‘Extensions of net reclassification improvement calculations to measure usefulness of new biomarkers’ by M. J. Pencina, R. B. D’Agostino, Sr. and E. W. Steyerberg. Stat Med 31:93–95. https://doi.org/10.1002/sim.4209
Wu G, Jochems A, Refaee T et al (2021) Structural and functional radiomics for lung cancer. Eur J Nucl Med Mol Imaging 48:3961–3974. https://doi.org/10.1007/s00259-021-05242-1
Bera K, Braman N, Gupta A et al (2022) Predicting cancer outcomes with radiomics and artificial intelligence in radiology. Nat Rev Clin Oncol 19:132–146. https://doi.org/10.1038/s41571-021-00560-7
Jain P, Khorrami M, Gupta A et al (2021) Novel non-invasive radiomic signature on CT scans predicts response to platinum-based chemotherapy and is prognostic of overall survival in small cell lung cancer. Front Oncol 11:744724. https://doi.org/10.3389/fonc.2021.744724
Gkika E, Benndorf M, Oerther B et al (2020) Immunohistochemistry and radiomic features for survival prediction in small cell lung cancer. Front Oncol 10:1161. https://doi.org/10.3389/fonc.2020.01161
Liu Z, Meng X, Zhang H et al (2020) Predicting distant metastasis and chemotherapy benefit in locally advanced rectal cancer. Nat Commun 11:4308. https://doi.org/10.1038/s41467-020-18162-9
Wang R, Dai W, Gong J et al (2022) Development of a novel combined nomogram model integrating deep learning-pathomics, radiomics and immunoscore to predict postoperative outcome of colorectal cancer lung metastasis patients. J Hematol Oncol 15:11. https://doi.org/10.1186/s13045-022-01225-3
Wang S, Yang L, Ci B et al (2018) Development and validation of a nomogram prognostic model for SCLC patients. J Thorac Oncol 13:1338–1348. https://doi.org/10.1016/j.jtho.2018.05.037
Aerts HJ (2016) The potential of radiomic-based phenotyping in precision medicine: A review. JAMA Oncol 2:1636–1642. https://doi.org/10.1001/jamaoncol.2016.2631
Chen N, Li R, Jiang M et al (2022) Progression-free survival prediction in small cell lung cancer based on radiomics analysis of contrast-enhanced CT. Front Med (Lausanne) 9:833283. https://doi.org/10.3389/fmed.2022.833283
Bansal A, Heagerty PJ (2019) A comparison of landmark methods and time-dependent ROC methods to evaluate the time-varying performance of prognostic markers for survival outcomes. Diagn Progn Res 3:14. https://doi.org/10.1186/s41512-019-0057-6
Zhu C, Hu J, Wang X et al (2022) A novel clinical radiomics nomogram at baseline to predict mucosal healing in Crohn’s disease patients treated with infliximab. Eur Radiol 32:6628–6636. https://doi.org/10.1007/s00330-022-08989-9
Dong D, Tang L, Li ZY et al (2019) Development and validation of an individualized nomogram to identify occult peritoneal metastasis in patients with advanced gastric cancer. Ann Oncol 30:431–438. https://doi.org/10.1093/annonc/mdz001
Wang S, Li C, Wang R et al (2021) Annotation-efficient deep learning for automatic medical image segmentation. Nat Commun 12:5915. https://doi.org/10.1038/s41467-021-26216-9
Nardone V, Reginelli A, Grassi R et al (2021) Delta radiomics: a systematic review. Radiol Med 126:1571–1583. https://doi.org/10.1007/s11547-021-01436-7
Marcu DC, Grava C, Marcu LG (2023) Current role of delta radiomics in head and neck oncology. Int J Mol Sci 24:2214. https://doi.org/10.3390/ijms24032214