Q1区12分+影像组学！机器学习算法构建放射组学模型+免疫治疗作用评估，高分文章也没那

2023-05-29 09:18 作者:尔云间 0人读过 | 我要投稿

小云说，基础科研的最终目的还是临床应用，朋友们应该也同意吧？

所以面临现在生信卷、实验难的境况，小云开始推荐临床研究者回归初衷，从临床出发做研究，比如临床数据库挖掘、孟德尔随机化、影像组学等等（ps：小云之前也分享过这类文章思路，感兴趣的小伙伴可以单击文末链接或公众号搜索观看哦）

为什么要这么推荐？

因为这是跳出常规生信、实验类科研的一大突破口，这个大方向的发文空间大，而竞争压力还没有那么大，发高分文章还比较轻松。并且本身从临床出发，不像是基础科研，临床科研人员容易受限于实验，所以这个方向就更适合临床科研者去尝试，我们可以利用它实现弯道超车！

小云这次就再分享一个影像组学的文章，利用机器学习算法建立放射组学模型，结合免疫治疗反应评估，直接拿下12分+SCI！在影像组学基础上应用机器学习算法，创新性非常棒，这个高分思路学起来，SCI在向你招手啦~ ~

l 题目：使用机器学习整合放射组学和临床数据预测晚期乳腺癌基于抗PD-1抗体的联合治疗的疗效:一项多中心研究

l 影响因子：IF=12.469

l 发表时间：2023年5月

研究背景

基于免疫检查点抑制剂(ICIs)的治疗被认为是癌症治疗的重大突破之一。然而，准确识别可能受益于ICIs的患者是一个挑战。目前预测ICIs疗效的生物标志物需要病理切片，其准确性有限。因此，作者的目标是开发一个放射组学模型，可以准确地预测晚期乳腺癌（ABC）患者ICIs的反应。

数据来源

该研究对2018年2月至2022年1月在中山纪念医院(SYSMH)、中山大学肿瘤防治中心(SYSUCC)和中山大学第一附属医院(FAHSYSU)三所学术医学中心接受ICIs治疗的240例ABC患者进行了回顾性分析。

图1 患者选择流程图

研究思路

首先将2018年2月至2022年1月在三家学术医院接受基于ICIs治疗的240例ABC患者分为训练组和独立验证组。在基于ICIs的治疗之前1个月的患者的CECT图像中利用3D slicer中的radiomics扩展模块提取CT图像特征，利用多层感知器进行数据降维、特征选择和放射组学模型构建。将放射组学特征与独立的临床病理学特征结合，通过多变量逻辑回归分析整合模型。使用ROC曲线、阳性预测值和阴性预测值来评估该放射组学模型的准确性，并应用决策曲线分析(DCA)和临床成像曲线(CIC)来评估净效益。最后分析放射组学模型和联合模型在免疫治疗中的预后价值。

图2 研究流程图

主要结果

1. 放射组学特征的选择和预测模型的建立

首先利用3D slicer中的radiomics扩展模块提取CT图像特征，包括强度特征、形状特征、纹理特征、图像滤波特征四个方面，共计1130个特征。然后使用MLP算法选择与训练队列中免疫治疗反应最密切相关的特征，最终选择了以下九类放射组学特征：原始形状、原始一阶直方图特征、原始GLCM、原始GLDM、原始GLRLM、原始GLSZM、原始NGTDM、小波变换和对数变换，以构建成像组织学特征模型来预测免疫治疗反应。结果发现通过放射组学模型预测的ABC患者的免疫治疗应答状态与训练和验证队列中的实际临床免疫治疗应答状态非常一致（图3A, C）。利用ROC曲线、校准曲线决策曲线分析(DCA)和临床成像曲线(CIC)进行模型评价。ROC曲线显示饿放射组学模型的高准确性（图3E），校准曲线显示了在训练群组和验证群组中模型预测和实际观察之间的良好一致性（图3G），DCA曲线显示与临床模型相比，在放射组学模型中实现了最高的总体净效益(图3H)，CIC曲线显示放射组学模型可以准确地靶向免疫治疗应答群体(图3I)。（ps：模型评价也可以用小云新开发的零代码生信分析小工具实现，云生信分析工具平台包含超多零代码小工具，上传数据一键出图，感兴趣的小伙伴欢迎来参观哟，网址：http://www.biocloudservice.com/home.html）。

图3 放射组学特征的选择和预测模型的建立

2. 组合模型的建立及模型预测能力的比较

作者利用在单因素和多因素分析中具有统计学差异的临床病理因素使用逻辑回归(LR)构建临床病理模型。然后将临床特征整合到放射组学模型中以开发临床-放射组学模型（图4B, D）。同样利用ROC曲线、校准曲线决策曲线分析(DCA)和临床成像曲线(CIC)进行组合模型评价。结果显示与放射组学模型相比，临床-放射组学模型并没有取得显著的改善（图3E）。校准曲线、DCA和CIC分析显示了放射组学模型和临床-放射组学模型之间的相似一致性（图3G, H, 图4J）。但放射组学模型和临床-放射组学模型的对于免疫治疗反应的预测精度均优于临床病理模型（图4A）。

图4 组合模型的建立及模型预测能力的比较

3. 放射组学模型和联合模型在免疫治疗中的预后价值分析

作者将放射组学模型和联合模型的分数建立在对数秩检验的基础上，以根据点两侧的数据找到最佳截断值。最佳临界值用于将患者分为低风险和高风险组。然后使用Kaplan-Meier曲线来分析PFS，结果显示放射组学模型低风险组的中位数PFS显著高于高风险组（图5A），临床-放射组学模型的低风险患者也有较好PFS（图5C）。然后作者根据PD-L1状态(CPS评分)、既往治疗方案、分子亚型、肿瘤转移负荷和免疫治疗方案进行亚组分析，结果显示放射组学模型在高CPS组和低CPS组，不同分子亚型，各治疗亚组中都取得了良好的表现，表明放射组学模型的性能不受PD-L1状态、肿瘤转移负荷或分子亚型的影响（图6）。