作者投稿
专家审稿
编辑办公
邮件订阅
RSS
CT-based Radiomics to Predict Recurrence of Bladder Cancer after Resection in One Year: A Preliminary Study
-
摘要:目的 探究基于CT图像的影像组学模型预测膀胱癌术后1年复发的可行性。方法 回顾性纳入2014年5月至2018年7月于北京协和医院行手术治疗的膀胱癌患者，并对其进行随访，记录疾病复发状况。收集膀胱癌患者术前CT泌尿系成像实质期图像，经滤波处理后进行影像组学特征提取；采用JMIM特征选择算法识别与膀胱癌术后1年复发相关的最佳影像组学特征，采用随机森林模型、自适应增强模型、梯度提升树模型以及3个模型构成的组合模型构建膀胱癌术后1年复发的预测模型，并基于10次10折交叉验证法对各模型进行验证。采用受试者工作特征曲线对各模型的预测性能进行评定。结果 共228例符合纳入和排除标准的膀胱癌患者入选本研究。随访1年时51例患者复发，177例患者未复发。经交叉验证，随机森林模型、自适应增强模型、梯度提升树模型和组合模型预测膀胱癌术后1年复发的曲线下面积分别为0.729(95% CI: 0.649~0.809)、0.710(95% CI: 0.627~0.793)、0.709(95% CI: 0.624~0.793)、0.732(95% CI: 0.651~0.812)，准确度分别为76.8%(95% CI: 70.6%~82.0%)、73.7%(95% CI: 67.4%~79.2%)、61.8%(95% CI: 54.7%~67.7%)、75.0%(95% CI: 68.8%~80.4%)，灵敏度分别为52.9%(95% CI: 38.6%~66.8%)、62.7%(95% CI: 48.1%~75.5%)、80.4%(95% CI: 64.3%~88.2%)、58.8%(95% CI: 44.2%~72.1%)，特异度分别为83.6%(95% CI: 77.1%~88.6%)、76.8%(95% CI: 69.8%~82.7%)、56.5%(95% CI: 48.9%~63.9%)、79.7%(95% CI: 72.8%~85.2%)。结论 有机结合基于CT图像构建的多个影像组学模型可预测膀胱癌术后1年的复发风险。Abstract:Objective To investigate the feasibility of the CT-based radiomics model to predict the recurrence of bladder cancer in one year postoperatively.Methods Patients with bladder cancer that received surgical treatment in Peking Union Medical College Hospital from May 2014 to July 2018 were retrospectively enrolled and followed up the recurrence of the disease. Nephrographic phase images of preoperative CT urography(CTU) performed in our hospital were collected. The images were filtered before radiomic feature extraction, and JMIM was used to identify the best radiomic features related to recurrence of bladder cancer. Random forest, AdaBoost, gradient boosting, and their combined model were used to build the model for predicting recurrence of bladder cancer after resection in one year. We applied 10-fold cross validation to validate each model and performed receiver operator characteristic curves to analyze the performance of each model.Results A total of 228 cases were included in this study according to inclusion and exclusion criteria. Fifty-one patients had recurrence and the rest 177 patients had no recurrence in one year during postoperative follow-up. In the cross validation, the random forest model, AdaBoost model, gradient boosting model and combined model predicted the recurrence of bladder cancer with AUC of 0.729(95% CI: 0.649-0.809), 0.710(95% CI: 0.627-0.793), 0.709(95% CI: 0.624-0.793)and 0.732(95% CI: 0.651-0.812), accuracy of 76.8%(95% CI: 70.6%-82.0%), 73.7%(95% CI: 67.4%-79.2%), 61.8%(95% CI: 54.7%-67.7%)and 75.0%(95% CI: 68.8%-80.4%), sensitivity of 52.9%(95% CI: 38.6%-66.8%), 62.7%(95% CI: 48.1%-75.5%), 80.4%(95% CI: 64.3%-88.2%)and 58.8%(95% CI: 44.2%-72.1%), specificity of 83.6%(95% CI: 77.1%-88.6%), 76.8%(95% CI: 69.8%-82.7%), 56.5%(95% CI: 48.9%-63.9%)and 79.7%(95% CI: 72.8%-85.2%), respectively.Conclusion Integration of CT-based radiomics prediction models can predict the recurrence risk of bladder cancer in one year postoperatively.
-
Keywords:
- bladder cancer /
- recurrence /
- radiomics /
- prediction model /
- computed tomography
-
经过一天烈日的炙烤，住院部外面的地表温度已经高达40 ℃，进进出出需要加强监护的患者还在不断增加，面对监护室内堆积如山的病患，大家的心情已经烦躁不安。高速周转的病房似乎又经历了一波“大洗牌”，病床上躺着不同的面孔，交班正仔细且有序地进行着。“号外……又有新病人要从急诊科转入，目前鼻导管10 L/min吸氧中，呼吸困难，需要重新评估插管指征......”值班护士小罗一边接听着电话，一边冲大家喊道。此刻空气仿佛凝住了一般，最尴尬的事情莫过如此——在交班时要来病人。“大家先交班，速战速决，准备收病人......”作为今天当值的高年资主治医师，我立刻说道。
伴随着转运车的声音，病人送来了，大家立刻围了上去，按照平时标准动作过床、吸氧、完成心电监护连接。我走到病床边，那是一位白发苍苍、胸前皮下还隐约有一枚“勋章”的爷爷，一看心电监护，我本能地反应那枚东西应该是心脏永久起搏器。为了判断病人意识及症状，我拍了拍老人肩膀，问道：“爷爷，您知道这是在哪儿吗？”老人没有回答，但是眼睛在不停地转动，嘴巴似乎要表达什么，带着一点儿北方口音，但听得不太清楚。我瞬时像明白了什么，于是俯下身去对着他的耳朵大声喊道：“爷爷，您知道这是在哪儿吗？您是不是听得不太清楚？”老人摇了摇头，又点了点头。
此时，我身旁一位经验丰富的“老医生”冲我扬了扬手中的听诊器听筒，我第一反应是她要听诊，于是连忙说道：“我来吧。”但她却直接把听头给爷爷戴上了，并对着听筒大声说道：“老爷子，这样能听清吗？”老人喃喃地回答：“听清了，听清了……”慢慢地，他紧崩的神情似乎也逐渐舒展开来。经过一系列问诊和针对性的处理后，爷爷慢慢睡着了。
病人急性呼吸窘迫的病因尚未完全明确，依然有病情随时加重的危险，依照惯例，我们立即联系家属了解老人的病史并进行谈话签字。通过与家属充分沟通，我们了解到了爷爷的慢性病史以及本次发病的诱因，还得知爷爷听力不好，这几天辗转各大医院，一直没休息好，病情也越来越重了。好在经过我们悉心的治疗和照顾，两周后爷爷终于出院了！
门诊复诊时，我看到爷爷耳朵上多了一副助听器，便打趣道：“爷爷，现在声音清楚多了吧？”爷爷笑着回答：“这玩意儿还是没有你们给我戴的东西听得清楚。”我和家属听完都哈哈大笑起来……
后记
听诊器的发明已有近200年的历史，其除了可以帮助医生完成重要的听诊检查外，在某些情况下还可以成为与病人沟通的桥梁。从法国医生雷奈克为了诊治患者，第一次提出“听诊器”的概念，到吴孟超院士在冬天查房时先用双手捂热听诊器再为患者听诊，再到为了能让患者听清楚，发现听诊器的新用途……不同听诊器的故事中，有不同的主人公以及不同的场景，但伴随的都是那份来自医生的爱，那份给予患者温暖的爱。病人与医生之间的第一步，是沟通，是了解，但病人在任何时候和任何状态下，都一定是需要帮助的那个人。任何人在面对身体的病痛时，或是因为没有足够专业的知识，或是因为疾病带来的切肤之痛，无论是酸胀、麻木、疼痛、无力，还是其他任何一种异样的感觉，都会让其内心产生对于异常表现的无限猜测以及随之而来的焦虑、恐慌。初入医学院时的我，心里想的只是如何掌握高精尖的各种医学技术，如何把病看好。进入医院工作多年以后，特别是在经历新型冠状病毒感染疫情后，我深切地体会到，不管医生的技术有多精湛，医疗水平有多高超，医生的关怀和援助永远都是病人最坚实的情感堡垒。治病一定是依靠科学，但让病人感觉到舒服却更需要医生对于患者那颗帮助的心。从医和患这层关系构建起来的那一刻起，他们就不该是对立的，而是共生的，更是共情的，感同身受、同气连枝才是医治疾病的起点，更是每一个合格医生毕生追求的终点。
临床医生正如其名字一样，需要站在床边仔细观察病人。观察的目的除正确诊断病情外，更重要的是察觉病人最需要的帮助是什么。故事中的老人一直处于听不清周围声音的状态，这时候病人可能会感到恐惧与烦躁，甚至会导致病情恶化，而一次仔细的观察就能够使问题迎刃而解。一个小小的听诊器，以及听诊器带来的这份“逆向思维”，彰显的不仅是一种临床采集病史的技巧，更是医生把心打开，试图去侧耳倾听病人诉说的耐心，以及尽其所能去关爱病人的慈悲。
因此，听诊器的故事，讲述的不是一种疾病的诊断，更不是一个病例的转归，听诊器联通的亦非症状与诊断，心跳与鼓膜，而是受伤的心和呵护的手，告诉我你哪里不舒服，我一定会想办法听到你的诉说，也一定会陪着你直到疾病消散。把痛苦告诉我，把希望传给你，这才是听诊器的真正意义所在，才是医生和病人最正确的相处方式。一如美国医生特鲁多对医生这个职业的经典描述——有时是治愈，常常是帮助，总是去安慰！
作者贡献：张古沐阳负责研究设计、数据分析、论文撰写；许梨梨负责临床数据收集及整理；毛丽负责数据分析和论文修改；李秀丽负责数据分析指导；孙昊负责指导研究设计与数据分析及论文修改；金征宇负责研究项目设计。利益冲突：本研究所使用影像组学平台由深睿医疗人工智能研究院提供， 毛丽、李秀丽为深睿医疗人工智能研究院员工，其余作者均无利益冲突 -
![]()
图 1 3个基本模型中影像组学特征的基尼重要性分析
A.随机森林模型，贡献度最高的3个影像组学特征分别为经σ参数为4 mm的拉普拉斯高斯滤波器变换后图像ROI内GLSZM纹理特征的灰度不均匀性，经XYZ方向分别为低通、低通和高通的小波滤波器滤波后图像GLCM纹理特征的联合熵和运行熵; B.自适应增强模型，贡献度最高的3个影像组学特征分别为经XYZ方向分别为低通、高通和高通的小波滤波器滤波后图像ROI内的最大值，原始图像上GLCM纹理特征的和熵，经XYZ方向分别为高通、高通和高通的小波滤波器滤波后图像ROI内的最大值; C. 梯度提升树模型，贡献度最高的3个影像组学特征分别为经σ参数为4 mm的拉普拉斯高斯滤波器变换后图像ROI内GLSZM纹理特征的灰度不均匀性，经XYZ方向分别为低通、低通和高通的小波滤波器滤波后图像的GLCM纹理特征的联合熵，原始图像上GLCM纹理特征的和熵
ROI：感兴趣区；GLSZM：灰度区域大小矩阵；GLCM：灰度共生矩阵表 1 膀胱癌术后1年复发组与未复发组患者临床资料比较
指标 复发组(n=51) 未复发组(n=177) P值 年龄(x±s，岁) 65.5±9.9 64.1±11.5 0.475 最大病灶直径[M(P25, P75)，mm] 17.1(10.7, 25.6) 13.4(9.7, 18.5) 0.017 CT图像上病灶数量[n(%)] 0.005 单发 33(64.7) 146(82.5) 多发 18(35.3) 31(17.5) 最大病灶CT值[M(P25, P75)，HU] 66.8(60.5, 77.2) 66.2 (57.0, 75.5) 0.354 T分期[n(%)] 0.583 ≤T1期 44(86.3) 147(83.1) ≥T2期 7(13.7) 30(16.9) 
下载: 导出CSV
表 2 影像组学模型在训练组和经交叉验证对膀胱癌术后1年复发的预测效能
预测模型 AUC(95% CI) 准确度(95% CI) 灵敏度(95% CI) 特异度(95% CI) 训练集 随机森林模型 1.000(1.000~1.000) 99.6%(97.2%~100%) 100%(91.3%~100%) 99.4%(96.4%~100%) 自适应增强模型 0.952(0.924~0.979) 86.0%(80.6%~90.1%) 88.2%(75.4%~95.1%) 85.3%(79.0%~90.0%) 梯度提升树模型 0.984(0.972~0.995) 73.7%(67.4%~79.2%) 100%(91.3%~100%) 66.1%(58.6%~72.9%) 组合模型 1.000(0.999~1.000) 96.1%(92.4%~98.1%) 100%(91.3%~100%) 94.9%(90.3%~97.5%) 交叉验证 随机森林模型 0.729(0.649~0.809) 76.8%(70.6%~82.0%) 52.9%(38.6%~66.8%) 83.6%(77.1%~88.6%) 自适应增强模型 0.710(0.627~0.793) 73.7%(67.4%~79.2%) 62.7%(48.1%~75.5%) 76.8%(69.8%~82.7%) 梯度提升树模型 0.709(0.624~0.793) 61.8%(54.7%~67.7%) 80.4%(64.3%~88.2%) 56.5%(48.9%~63.9%) 组合模型 0.732(0.651~0.812) 75.0%(68.8%~80.4%) 58.8%(44.2%~72.1%) 79.7%(72.8%~85.2%) AUC：曲线下面积
下载: 导出CSV
-
[1] Bray F, Ferlay J, Soerjomataram I, et al. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2018, 68: 394-424. DOI: 10.3322/caac.21492
[2] Pang C, Guan Y, Li H, et al. Urologic cancer in China[J]. JPN J Clin Oncol, 2016, 46: 497-501. DOI: 10.1093/jjco/hyw034
[3] Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer, 2012, 48: 441-446. DOI: 10.1016/j.ejca.2011.11.036
[4] Kumar V, Gu Y, Basu S, et al. Radiomics: the process and the challenges[J]. Magnetic Resonance Imaging, 2012, 30: 1234-1248. DOI: 10.1016/j.mri.2012.06.010
[5] Aerts HJ, Velazquez ER, Leijenaar RT, et al. Decoding tumour phenotype by noninvasive imaging using a quantita-tive radiomics approach[J]. Nat Commun, 2014, 5: 4006. DOI: 10.1038/ncomms5006
[6] Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data[J]. Radiology, 2016, 278: 563-577. DOI: 10.1148/radiol.2015151169
[7] Spiess PE, Agarwal N, Bangs R, et al. Bladder Cancer, Version 5.2017, NCCN Clinical Practice Guidelines in Oncology[J]. J Natl Compr Canc Netw, 2017, 15: 1240-1267. DOI: 10.6004/jnccn.2017.0156
[8] Kluth LA, Black PC, Bochner BH, et al. Prognostic and Prediction Tools in Bladder Cancer: A Comprehensive Review of the Literature[J]. Eur Urol, 2015, 68: 238-253. DOI: 10.1016/j.eururo.2015.01.032
[9] Fernandez-Gomez J, Madero R, Solsona E, et al. Predicting nonmuscle invasive bladder cancer recurrence and progression in patients treated with bacillus Calmette-Guerin: the CUETO scoring model[J]. J Urol, 2009, 182: 2195-2203. DOI: 10.1016/j.juro.2009.07.016
[10] Sylvester RJ, van der Meijden AP, Oosterlinck W, et al. Predicting recurrence and progression in individual patients with stage Ta T1 bladder cancer using EORTC risk tables: a combined analysis of 2596 patients from seven EORTC trials[J]. Eur Urol, 2006, 49: 466-475. DOI: 10.1016/j.eururo.2005.12.031
[11] Oderda M, Ricceri F, Pisano F, et al. Prognostic factors including Ki-67 and p53 in Bacillus Calmette-Guerin-treated non-muscle-invasive bladder cancer: a prospective study[J]. Urol Int, 2013, 90: 184-190. DOI: 10.1159/000343431
[12] van Kessel KEM, van der Keur KA, Dyrskjøt L, et al. Molecular Markers Increase Precision of the European Associa-tion of Urology Non-Muscle-Invasive Bladder Cancer Progression Risk Groups[J]. Clin Cancer Res, 2018, 24: 1586-1593. DOI: 10.1158/1078-0432.CCR-17-2719
[13] Tilki D, Burger M, Dalbagni G, et al. Urine markers for detection and surveillance of non-muscle-invasive bladder cancer[J]. Euro Urol, 2011, 60: 484-492. DOI: 10.1016/j.eururo.2011.05.053
[14] Ueno Y, Takeuchi M, Tamada T, et al. Diagnostic Accuracy and Interobserver Agreement for the Vesical Imaging-Reporting and Data System for Muscle-invasive Bladder Cancer: A Multireader Validation Study[J]. Eur Urol, 2019, 76: 54-56. DOI: 10.1016/j.eururo.2019.03.012
[15] Wu S, Zheng J, Li Y, et al. A Radiomics Nomogram for the Preoperative Prediction of Lymph Node Metastasis in Bladder Cancer[J]. Clin Cancer Res, 2017, 23: 6904-6911. DOI: 10.1158/1078-0432.CCR-17-1510
[16] Zhang G, Xu L, Zhao L, et al. CT-based radiomics to predict the pathological grade of bladder cancer[J]. Eur Radiol, 2020, 30: 6749-6756. DOI: 10.1007/s00330-020-06893-8
[17] Zhang G, Sun H, Shi B, et al. Quantitative CT texture analysis for evaluating histologic grade of urothelial carcinoma[J]. Abdom Radiol (NY), 2017, 42: 561-568. DOI: 10.1007/s00261-016-0897-2
[18] Garapati SS, Hadjiiski L, Cha KH, et al. Urinary bladder cancer staging in CT urography using machine learning[J]. Med Phys, 2017, 44: 5814-5823. DOI: 10.1002/mp.12510
计量
- 文章访问数: 529
- HTML全文浏览量: 87
- PDF下载量: 53
