Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
So sánh mô hình chẩn đoán lâm sàng - chụp cắt lớp vi tính với mô hình radiomics 2D và 3D để dự đoán di căn ổ bụng tiềm ẩn ở bệnh nhân ung thư dạ dày tiến triển
Tóm tắt
So sánh khả năng của mô hình chụp cắt lớp vi tính (CT) lâm sàng với các mô hình radiomics 2D và 3D trong việc dự đoán di căn ổ bụng tiềm ẩn (PM) ở bệnh nhân ung thư dạ dày tiến triển (AGC). Trong nghiên cứu hồi cứu này, chúng tôi đã bao gồm 49 bệnh nhân có PM tiềm ẩn và 49 bệnh nhân đối chứng (không có PM) đã trải qua chụp CT trước phẫu thuật và phẫu thuật tiếp theo trong khoảng thời gian từ tháng 1 năm 2016 đến tháng 12 năm 2018. Thông tin lâm sàng và các đặc điểm ngữ nghĩa CT đã được thu thập, và các đặc điểm radiomics CT đã được trích xuất. Một mô hình lâm sàng-CT để dự đoán đã được tạo ra bằng cách sử dụng hồi quy logistic đa biến. Thuật toán tối thiểu hóa độ co lại và chọn lựa (lasso) và hồi quy logistic đã được sử dụng để xây dựng các mô hình radiomics 2D và 3D. Những mô hình này đã được xác thực với một nhóm ngoài (n = 30). Đường cong đặc tính nhận diện (ROC) với diện tích dưới đường cong (AUC), độ nhạy và độ đặc hiệu đã được sử dụng để đánh giá hiệu suất dự đoán. Kích thước khối u, tình trạng cổ trướng nhẹ và nồng độ CA125 huyết thanh là những yếu tố độc lập dự đoán PM tiềm ẩn. Mô hình lâm sàng-CT dựa trên các yếu tố độc lập này cho thấy hiệu suất chẩn đoán tốt hơn so với các mô hình radiomics 2D và 3D. Trong nhóm xác thực ngoài, AUC của các mô hình khác nhau được trình bày như sau - mô hình lâm sàng-CT: 0.853 (độ nhạy, 66.7%; độ đặc hiệu, 93.3%); mô hình radiomics 2D: 0.622 (độ nhạy, 80.0%; độ đặc hiệu, 46.7%); và mô hình radiomics 3D: 0.676 (độ nhạy, 60.0%; độ đặc hiệu, 86.0%). Biểu đồ nomogram của mô hình lâm sàng-CT cho thấy hiệu quả dự đoán lâm sàng tốt để đánh giá PM tiềm ẩn. Mô hình lâm sàng-CT tốt hơn so với các mô hình radiomics trong việc dự đoán PM tiềm ẩn ở AGC.
Từ khóa
#di căn ổ bụng tiềm ẩn #ung thư dạ dày tiến triển #chụp cắt lớp vi tính #mô hình lâm sàng #mô hình radiomics #phân tích hồi quy logisticTài liệu tham khảo
Bray F, Ferlay J, Soerjomataram I, Siegel RL, Torre LA, Jemal A (2018) Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin 68:394-424.doi:https://doi.org/10.3322/caac.21492
Fujitani K, Yang HK, Mizusawa J et al (2016) Gastrectomy plus chemotherapy versus chemotherapy alone for advanced gastric cancer with a single non-curable factor (REGATTA): a phase 3, randomised controlled trial. Lancet Oncol 17:309-318.doi:https://doi.org/10.1016/s1470-2045(15)00553-7
Thomassen I, van Gestel YR, van Ramshorst B et al (2014) Peritoneal carcinomatosis of gastric origin: a population-based study on incidence, survival and risk factors. Int J Cancer 134:622-628.doi:https://doi.org/10.1002/ijc.28373
Ajani JA, D'Amico TA, Almhanna K et al (2016) Gastric Cancer, Version 3.2016, NCCN Clinical Practice Guidelines in Oncology. J Natl Compr Canc Netw 14:1286-1312.doi:https://doi.org/10.6004/jnccn.2016.0137
Hallinan JT, Venkatesh SK (2013) Gastric carcinoma: imaging diagnosis, staging and assessment of treatment response. Cancer Imaging 13:212-227.doi:https://doi.org/10.1102/1470-7330.2013.0023
de Bree E, Koops W, Kröger R, van Ruth S, Witkamp AJ, Zoetmulder FA (2004) Peritoneal carcinomatosis from colorectal or appendiceal origin: correlation of preoperative CT with intraoperative findings and evaluation of interobserver agreement. J Surg Oncol 86:64-73.doi:https://doi.org/10.1002/jso.20049
Liu S, He J, Liu S et al (2020) Radiomics analysis using contrast-enhanced CT for preoperative prediction of occult peritoneal metastasis in advanced gastric cancer. Eur Radiol 30:239-246.doi:https://doi.org/10.1007/s00330-019-06368-5
Kim HY, Kim YH, Yun G, Chang W, Lee YJ, Kim B (2018) Could texture features from preoperative CT image be used for predicting occult peritoneal carcinomatosis in patients with advanced gastric cancer? PLoS One 13:e0194755.doi:https://doi.org/10.1371/journal.pone.0194755
Li K, Cannon JGD, Jiang SY et al (2018) Diagnostic staging laparoscopy in gastric cancer treatment: A cost-effectiveness analysis. J Surg Oncol 117:1288-1296.doi:https://doi.org/10.1002/jso.24942
Kim SJ, Kim HH, Kim YH et al (2009) Peritoneal metastasis: detection with 16- or 64-detector row CT in patients undergoing surgery for gastric cancer. Radiology 253:407-415.doi:https://doi.org/10.1148/radiol.2532082272
Huang B, Sun Z, Wang Z et al (2013) Factors associated with peritoneal metastasis in non-serosa-invasive gastric cancer: a retrospective study of a prospectively-collected database. BMC Cancer 13:57.doi:https://doi.org/10.1186/1471-2407-13-57
Hur H, Lee HH, Jung H, Song KY, Jeon HM, Park CH (2010) Predicting factors of unexpected peritoneal seeding in locally advanced gastric cancer: indications for staging laparoscopy. J Surg Oncol 102:753-757.doi:https://doi.org/10.1002/jso.21685
Huang C, Liu Z, Xiao L et al (2019) Clinical Significance of Serum CA125, CA19-9, CA72-4, and Fibrinogen-to-Lymphocyte Ratio in Gastric Cancer With Peritoneal Dissemination. Front Oncol 9:1159.doi:https://doi.org/10.3389/fonc.2019.01159
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.doi:https://doi.org/10.1093/annonc/mdz001
Huang Z, Liu D, Chen X et al (2020) Deep Convolutional Neural Network Based on Computed Tomography Images for the Preoperative Diagnosis of Occult Peritoneal Metastasis in Advanced Gastric Cancer. Front Oncol 10:601869.doi:https://doi.org/10.3389/fonc.2020.601869
Jiang Y, Liang X, Wang W et al (2021) Noninvasive Prediction of Occult Peritoneal Metastasis in Gastric Cancer Using Deep Learning. JAMA Netw Open 4:e2032269.doi:https://doi.org/10.1001/jamanetworkopen.2020.32269
Gillies RJ, Kinahan PE, Hricak H (2016) Radiomics: Images Are More than Pictures, They Are Data. Radiology 278:563-577.doi:https://doi.org/10.1148/radiol.2015151169
van Griethuysen JJM, Fedorov A, Parmar C et al (2017) Computational Radiomics System to Decode the Radiographic Phenotype. Cancer Res 77:e104-e107.doi:https://doi.org/10.1158/0008-5472.Can-17-0339
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.doi:https://doi.org/10.1038/nrclinonc.2017.141
Jiang Y, Chen C, Xie J et al (2018) Radiomics signature of computed tomography imaging for prediction of survival and chemotherapeutic benefits in gastric cancer. EBioMedicine 36:171-182.doi:https://doi.org/10.1016/j.ebiom.2018.09.007
Jiang Y, Wang H, Wu J et al (2020) Noninvasive imaging evaluation of tumor immune microenvironment to predict outcomes in gastric cancer. Ann Oncol 31:760-768.doi:https://doi.org/10.1016/j.annonc.2020.03.295
Zhang L, Dong D, Zhang W et al (2020) A deep learning risk prediction model for overall survival in patients with gastric cancer: A multicenter study. Radiother Oncol 150:73-80.doi:https://doi.org/10.1016/j.radonc.2020.06.010
Wang Y, Liu W, Yu Y et al (2020) Potential value of CT radiomics in the distinction of intestinal-type gastric adenocarcinomas. Eur Radiol 30:2934-2944.doi:https://doi.org/10.1007/s00330-019-06629-3
Ng F, Kozarski R, Ganeshan B, Goh V (2013) Assessment of tumor heterogeneity by CT texture analysis: can the largest cross-sectional area be used as an alternative to whole tumor analysis? Eur J Radiol 82:342-348.doi:https://doi.org/10.1016/j.ejrad.2012.10.023
Wang F, Meng W, Wang B, Qiao L (2014) Helicobacter pylori-induced gastric inflammation and gastric cancer. Cancer Lett 345:196-202.doi:https://doi.org/10.1016/j.canlet.2013.08.016
Bernatz S, Ackermann J, Mandel P et al (2020) Comparison of machine learning algorithms to predict clinically significant prostate cancer of the peripheral zone with multiparametric MRI using clinical assessment categories and radiomic features. Eur Radiol 30:6757-6769.doi:https://doi.org/10.1007/s00330-020-07064-5
Yang L, Yang J, Zhou X et al (2019) Development of a radiomics nomogram based on the 2D and 3D CT features to predict the survival of non-small cell lung cancer patients. Eur Radiol 29:2196-2206.doi:https://doi.org/10.1007/s00330-018-5770-y
Ortiz-Ramón R, Larroza A, Ruiz-España S, Arana E, Moratal D (2018) Classifying brain metastases by their primary site of origin using a radiomics approach based on texture analysis: a feasibility study. Eur Radiol 28:4514-4523.doi:https://doi.org/10.1007/s00330-018-5463-6
Liu Y, Zhang Y, Cheng R et al (2019) Radiomics analysis of apparent diffusion coefficient in cervical cancer: A preliminary study on histological grade evaluation. J Magn Reson Imaging 49:280-290.doi:https://doi.org/10.1002/jmri.26192
Houseni M, Mahmoud MA, Saad S, ElHussiny F, Shihab M (2021) Advanced intra-tumoural structural characterisation of hepatocellular carcinoma utilising FDG-PET/CT: a comparative study of radiomics and metabolic features in 3D and 2D. Pol J Radiol 86:e64-e73.doi:https://doi.org/10.5114/pjr.2021.103239
Lubner MG, Smith AD, Sandrasegaran K, Sahani DV, Pickhardt PJ (2017) CT Texture Analysis: Definitions, Applications, Biologic Correlates, and Challenges. Radiographics 37:1483-1503.doi:https://doi.org/10.1148/rg.2017170056
Tran B, Dancey JE, Kamel-Reid S et al (2012) Cancer genomics: technology, discovery, and translation. J Clin Oncol 30:647-660.doi:https://doi.org/10.1200/jco.2011.39.2316
Welch ML, McIntosh C, Haibe-Kains B et al (2019) Vulnerabilities of radiomic signature development: The need for safeguards. Radiother Oncol 130:2-9.doi:https://doi.org/10.1016/j.radonc.2018.10.027
Chiang MF, Tseng TK, Shih CW, Yang TH, Wu SY (2020) Clinical and contrast-enhanced image features in the prediction model for the detection of small hepatocellular carcinomas. J Cancer 11:7166-7175.doi:https://doi.org/10.7150/jca.47245
Kim M, Jeong WK, Lim S, Sohn TS, Bae JM, Sohn IS (2020) Gastric cancer: development and validation of a CT-based model to predict peritoneal metastasis. Acta Radiol 61:732-742.doi:https://doi.org/10.1177/0284185119882662
Chang DK, Kim JW, Kim BK et al (2005) Clinical significance of CT-defined minimal ascites in patients with gastric cancer. World J Gastroenterol 11:6587-6592.doi:https://doi.org/10.3748/wjg.v11.i42.6587
Yajima K, Kanda T, Ohashi M et al (2006) Clinical and diagnostic significance of preoperative computed tomography findings of ascites in patients with advanced gastric cancer. Am J Surg 192:185-190.doi:https://doi.org/10.1016/j.amjsurg.2006.05.007
Hwang GI, Yoo CH, Sohn BH et al (2004) Predictive value of preoperative serum CEA, CA19-9 and CA125 levels for peritoneal metastasis in patients with gastric carcinoma. Cancer Res Treat 36:178-181.doi:https://doi.org/10.4143/crt.2004.36.3.178
Zhou P, Qu H, Shi H, Sun G, He Q (2014) Predictive value of CA125 in peritoneal metastasis and prognosis of patients with gastric carcinoma. Chinese Journal of Gastrointestinal Surgery. https://doi.org/10.3760/cma.j.issn.1671-0274.2014.10.017:1027-1030.doi:https://doi.org/10.3760/cma.j.issn.1671-0274.2014.10.017
Fidler IJ (2003) The pathogenesis of cancer metastasis: the 'seed and soil' hypothesis revisited. Nat Rev Cancer 3:453-458.doi:https://doi.org/10.1038/nrc1098
Liang H (2019) [The Precised Management of Surgical Treatment for Gastric Cancer: Interpretation of the 5th edition of Japanese Gastric Cancer Treatment Guideline and the 15th edition of Japanese Classification for Gastric Cancer]. Zhonghua Zhong Liu Za Zhi 41:168–172.doi:https://doi.org/10.3760/cma.j.issn.0253-3766.2019.03.002