Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Radiomics của ung thư trực tràng giai đoạn địa phương tiến triển: dự đoán phản ứng đối với hóa xạ trị neoadjuvant dựa trên học máy bằng cách sử dụng hình ảnh MRI T2 trọng số sagittal trước điều trị
Tóm tắt
Sự phản ứng khác nhau đối với hóa xạ trị neoadjuvant (nCRT) được quan sát thấy ở những bệnh nhân mắc ung thư trực tràng giai đoạn địa phương tiến triển (LARC), có ảnh hưởng đáng kể đến việc quản lý bệnh nhân. Trong nghiên cứu này, chúng tôi nhắm đến việc điều tra giá trị tiềm năng của radiomics MRI dựa trên học máy (ML) trong việc dự đoán phản ứng điều trị đối với nCRT ở bệnh nhân mắc LARC. Bảy mươi sáu bệnh nhân mắc LARC đã được đưa vào nghiên cứu hồi cứu này. Các đặc điểm radiomic đã được trích xuất từ hình ảnh MRI T2 trọng số sagittal trước điều trị, với phân đoạn 3D. Phân tích độ tin cậy, phân tích tương quan cặp, phân tích phương sai, loại bỏ đặc trưng lặp lại, phương pháp Kruskal-Wallis và Relief đã được sử dụng để giảm chiều dữ liệu. Các mô hình đã được tạo ra bằng bốn thuật toán khác nhau. Ngoài các mô hình radiomic, các mô hình chỉ dựa trên lâm sàng và các mô hình kết hợp khác nhau cũng đã được phát triển và so sánh. Tiêu chuẩn tham chiếu là mức độ thu nhỏ khối u (TRG) dựa trên Sơ đồ Ryan Đã sửa đổi (TRG 0 so với TRG 1-3). Các mô hình được so sánh dựa trên chỉ số phân loại lại ròng (NRI). Giá trị trung bình số lượng đặc điểm có độ tin cậy tuyệt vời là 106. Kết quả tốt nhất đạt được với mô hình chỉ dựa trên radiomic sử dụng tám đặc điểm. Diện tích dưới đường cong (AUC), độ chính xác, độ nhạy và độ đặc hiệu cho xác thực lần lượt là 0.753 (độ lệch chuẩn [SD], 0.082), 81,1%, 83,8% và 75,0%; đối với thử nghiệm, 0.705 (SD, 0.145), 73.9%, 81.2% và 57.1%. Dựa trên mô hình chỉ lâm sàng làm tham chiếu, NRI cho mô hình chỉ radiomic là tốt nhất. DCA cũng cho thấy tính hiệu quả lâm sàng tốt hơn cho mô hình chỉ radiomic. Radiomics MRI T2 trọng số dựa trên học máy có thể có tiềm năng trong việc dự đoán phản ứng đối với nCRT ở những bệnh nhân mắc LARC.
Từ khóa
#ung thư trực tràng #hóa xạ trị neoadjuvant #học máy #radiomics #MRI #phản ứng điều trị #phân tích đặc trưngTài liệu tham khảo
Siegel RL, Miller KD, Jemal A. Cancer statistics, 2017. CA Cancer J Clin. 2017;67:7–30.
Siegel RL, Miller KD, Fedewa SA, Ahnen DJ, Meester RGS, Barzi A, et al. Colorectal cancer statistics, 2017. CA Cancer J Clin. 2017;67:177–93.
Sauer R, Becker H, Hohenberger W, Rödel C, Wittekind C, Fietkau R, et al. Preoperative versus postoperative chemoradiotherapy for rectal cancer. N Engl J Med. 2004;351:1731–40.
Renehan AG, Malcomson L, Emsley R, Gollins S, Maw A, Myint AS, et al. Watch-and-wait approach versus surgical resection after chemoradiotherapy for patients with rectal cancer (the OnCoRe project): a propensity-score matched cohort analysis. Lancet Oncol. 2016;17:174–83.
Hupkens BJP, Martens MH, Stoot JH, Berbee M, Melenhorst J, Beets-Tan RG, et al. Quality of life in rectal cancer patients after chemoradiation: watch-and-wait policy versus standard resection—a matched-controlled study. Dis Colon Rectum. 2017;60:1032–40.
Habr-Gama A, Perez RO, Nadalin W, Sabbaga J, Ribeiro U, Silva Sousa AH, et al. Operative versus nonoperative treatment for stage 0 distal rectal cancer following chemoradiation therapy: long-term results. Ann Surg. 2004;240:711–7.
van der Valk MJM, Hilling DE, Bastiaannet E, Meershoek-Klein Kranenbarg E, Beets GL, Figueiredo NL, et al. Long-term outcomes of clinical complete responders after neoadjuvant treatment for rectal cancer in the International Watch & Wait Database (IWWD): an international multicentre registry study. Lancet Lond Engl. 2018;391:2537–45.
Sclafani F, Brown G, Cunningham D, Wotherspoon A, Mendes LST, Balyasnikova S, et al. Comparison between MRI and pathology in the assessment of tumour regression grade in rectal cancer. Br J Cancer. 2017;117:1478–85.
Curvo-Semedo L, Lambregts DMJ, Maas M, Thywissen T, Mehsen RT, Lammering G, et al. Rectal cancer: assessment of complete response to preoperative combined radiation therapy with chemotherapy–conventional MR volumetry versus diffusion-weighted MR imaging. Radiology. 2011;260:734–43.
Ha HI, Kim AY, Yu CS, Park SH, Ha HK. Locally advanced rectal cancer: diffusion-weighted MR tumour volumetry and the apparent diffusion coefficient for evaluating complete remission after preoperative chemoradiation therapy. Eur Radiol. 2013;23:3345–53.
Intven M, Reerink O, Philippens MEP. Dynamic contrast enhanced MR imaging for rectal cancer response assessment after neo-adjuvant chemoradiation. J Magn Reson Imaging JMRI. 2015;41:1646–53.
Nougaret S, Vargas HA, Lakhman Y, Sudre R, Do RKG, Bibeau F, et al. Intravoxel incoherent motion-derived histogram metrics for assessment of response after combined chemotherapy and radiation therapy in rectal cancer: initial experience and comparison between single-section and volumetric analyses. Radiology. 2016;280:446–54.
Kim SH, Lee JM, Hong SH, Kim GH, Lee JY, Han JK, et al. Locally advanced rectal cancer: added value of diffusion-weighted MR imaging in the evaluation of tumor response to neoadjuvant chemo- and radiation therapy. Radiology. 2009;253:116–25.
Cai P-Q, Wu Y-P, An X, Qiu X, Kong L-H, Liu G-C, et al. Simple measurements on diffusion-weighted MR imaging for assessment of complete response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer. Eur Radiol. 2014;24:2962–70.
Hötker AM, Tarlinton L, Mazaheri Y, Woo KM, Gönen M, Saltz LB, et al. Multiparametric MRI in the assessment of response of rectal cancer to neoadjuvant chemoradiotherapy: a comparison of morphological, volumetric and functional MRI parameters. Eur Radiol. 2016;26:4303–12.
Martens MH, Subhani S, Heijnen LA, Lambregts DMJ, Buijsen J, Maas M, et al. Can perfusion MRI predict response to preoperative treatment in rectal cancer? Radiother Oncol J Eur Soc Ther Radiol Oncol. 2015;114:218–23.
Chen Y-G, Chen M-Q, Guo Y-Y, Li S-C, Wu J-X, Xu B-H. Apparent diffusion coefficient predicts pathology complete response of rectal cancer treated with neoadjuvant chemoradiotherapy. PLoS ONE. 2016;11: e0153944.
Patel UB, Taylor F, Blomqvist L, George C, Evans H, Tekkis P, et al. Magnetic resonance imaging-detected tumor response for locally advanced rectal cancer predicts survival outcomes: MERCURY experience. J Clin Oncol Off J Am Soc Clin Oncol. 2011;29:3753–60.
Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures. They are data. Radiology. 2016;278:563–77.
Koçak B, Durmaz EŞ, Ateş E, Kılıçkesmez Ö. Radiomics with artificial intelligence: a practical guide for beginners. Diagn Interv Radiol Ank Turk. 2019;25:485–95.
Ryan R, Gibbons D, Hyland JMP, Treanor D, White A, Mulcahy HE, et al. Pathological response following long-course neoadjuvant chemoradiotherapy for locally advanced rectal cancer. Histopathology. 2005;47:141–6.
Collewet G, Strzelecki M, Mariette F. Influence of MRI acquisition protocols and image intensity normalization methods on texture classification. Magn Reson Imaging. 2004;22:81–91.
Shafiq-Ul-Hassan M, Zhang GG, Latifi K, Ullah G, Hunt DC, Balagurunathan Y, et al. Intrinsic dependencies of CT radiomic features on voxel size and number of gray levels. Med Phys. 2017;44:1050–62.
van Griethuysen JJM, Fedorov A, Parmar C, Hosny A, Aucoin N, Narayan V, et al. Computational radiomics system to decode the radiographic phenotype. Cancer Res. 2017;77:e104–7.
Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. SMOTE: synthetic minority over-sampling technique. J Artif Intell Res. 2002;16:321–57.
Koo TK, Li MY. A guideline of selecting and reporting intraclass correlation coefficients for reliability research. J Chiropr Med. 2016;15:155–63.
Vickers AJ, Elkin EB. Decision curve analysis: a novel method for evaluating prediction models. Med Decis Mak Int J Soc Med Decis Mak. 2006;26:565–74.
Song Y, Zhang J, Zhang Y-D, Hou Y, Yan X, Wang Y, et al. FeAture Explorer (FAE): a tool for developing and comparing radiomics models. PLoS ONE. 2020;15: e0237587.
Van Rossum G, Drake Jr FL. Python reference manual. Centrum voor Wiskunde en Informatica Amsterdam; 1995.
R Core Team. R: A Language and Environment for Statistical Computing [Internet]. Vienna, Austria: R Foundation for Statistical Computing; 2021. Available from: https://www.R-project.org/
Nie K, Shi L, Chen Q, Hu X, Jabbour SK, Yue N, et al. Rectal cancer: assessment of neoadjuvant chemoradiation outcome based on radiomics of multiparametric MRI. Clin Cancer Res Off J Am Assoc Cancer Res. 2016;22:5256–64.
Antunes JT, Ofshteyn A, Bera K, Wang EY, Brady JT, Willis JE, et al. Radiomic features of primary rectal cancers on baseline t2-weighted MRI are associated with pathologic complete response to neoadjuvant chemoradiation: a multisite study. J Magn Reson Imaging JMRI. 2020;52:1531–41.
Wang J, Chen J, Zhou R, Gao Y, Li J. Machine learning-based multiparametric MRI radiomics for predicting poor responders after neoadjuvant chemoradiotherapy in rectal Cancer patients. BMC Cancer. 2022;22:420.
Petkovska I, Tixier F, Ortiz EJ, Golia Pernicka JS, Paroder V, Bates DD, et al. Clinical utility of radiomics at baseline rectal MRI to predict complete response of rectal cancer after chemoradiation therapy. Abdom Radiol N Y. 2020;45:3608–17.
Cusumano D, Dinapoli N, Boldrini L, Chiloiro G, Gatta R, Masciocchi C, et al. Fractal-based radiomic approach to predict complete pathological response after chemo-radiotherapy in rectal cancer. Radiol Med (Torino). 2018;123:286–95.
Meng Y, Zhang C, Zou S, Zhao X, Xu K, Zhang H, et al. MRI texture analysis in predicting treatment response to neoadjuvant chemoradiotherapy in rectal cancer. Oncotarget. 2018;9:11999–2008.
Horvat N, Veeraraghavan H, Khan M, Blazic I, Zheng J, Capanu M, et al. MR imaging of rectal cancer: radiomics analysis to assess treatment response after neoadjuvant therapy. Radiology. 2018;287:833–43.
De Cecco CN, Ganeshan B, Ciolina M, Rengo M, Meinel FG, Musio D, et al. Texture analysis as imaging biomarker of tumoral response to neoadjuvant chemoradiotherapy in rectal cancer patients studied with 3-T magnetic resonance. Invest Radiol. 2015;50:239–45.
Zhang Z, Jiang X, Zhang R, Yu T, Liu S, Luo Y. Radiomics signature as a new biomarker for preoperative prediction of neoadjuvant chemoradiotherapy response in locally advanced rectal cancer. Diagn Interv Radiol Ank Turk. 2021;27:308–14.
van Griethuysen JJM, Lambregts DMJ, Trebeschi S, Lahaye MJ, Bakers FCH, Vliegen RFA, et al. Radiomics performs comparable to morphologic assessment by expert radiologists for prediction of response to neoadjuvant chemoradiotherapy on baseline staging MRI in rectal cancer. Abdom Radiol N Y. 2020;45:632–43.
Tang X, Jiang W, Li H, Xie F, Dong A, Liu L, et al. Predicting poor response to neoadjuvant chemoradiotherapy for locally advanced rectal cancer: Model constructed using pre-treatment MRI features of structured report template. Radiother Oncol J Eur Soc Ther Radiol Oncol. 2020;148:97–106.
Shaish H, Aukerman A, Vanguri R, Spinelli A, Armenta P, Jambawalikar S, et al. Radiomics of MRI for pretreatment prediction of pathologic complete response, tumor regression grade, and neoadjuvant rectal score in patients with locally advanced rectal cancer undergoing neoadjuvant chemoradiation: an international multicenter study. Eur Radiol. 2020;30:6263–73.