Euro Radio:MRI深度学习在预测T1-2期直肠癌淋巴结转移方面的价值
2023-06-01 shaosai MedSci原创
深度学习(DL)因其出色的图像识别能力引起了放射科医生的极大关注,可以自动学习图像的分层特征表示并提供肉眼无法检测的细节。
近年来,由于肠癌筛查项目的普及和诊断技术的进步,早期(T1-2)直肠癌的发病率一直在增加。大约有10.3-26.1%的T1-2直肠癌患者有淋巴结转移(LNM)。一旦发现LNM,TNM分期从I期上升到III期,5年相对生存率从96%下降到78%,此时则不适合做腔内局部切除术而需要采取根治性治疗策略(如全直肠系膜切除术)。因此,术前准确识别T1-2期直肠癌患者的LN状态对于预后分层和个体化治疗决策至关重要。
现阶段,MRI和直肠内超声已被引入早期直肠癌的术前分期。然而,直肠内超声的准确性高度依赖于操作者的经验和肿瘤的本身特征,这限制了其临床应用。MRI是直肠癌局部分期的最佳方式,肿瘤分期的准确性为85%,而N分期的准确性仍然相对较低。虽然淋巴结大小是主要评价标准,但良性和恶性LN的大小是重叠的。虽然形态学特征提供了额外的信息,但其受到LN微转移和阅读者之间有限一致性的影响。此外,15%的恶性LN<3mm不能在MRI上检测到。据报道,基于功能性MRI序列的定量和半定量参数改善了直肠癌的LNM预测;然而,研究结果存在争议气温缺乏进一步验证。
18F-氟脱氧葡萄糖的PET/CT可以显示病变的代谢信息,对LN的评估具有重要的价值。然而,这种方法的灵敏度低,部分原因是软组织的空间和对比度分辨率差。PET-MRI可以产生高分辨率的解剖和功能数据,为直肠癌的N分期提供了机会。然而,PET-MRI的采集时间较长、费用较高,因此很难在临床上常规应用。
深度学习(DL)因其出色的图像识别能力引起了放射科医生的极大关注,可以自动学习图像的分层特征表示并提供肉眼无法检测的细节。与传统的放射组学特征相比,DL特征具有更高的选择性和不变性。用于临床肿瘤学的DL模型在脑转移检测、骨肿瘤分类和乳腺癌风险预测方面显示出良好的效果。在直肠癌中,研究的重点是新辅助化疗后的反应评估。然而,很少有人试图评估DL模型预测直肠癌LNM的价值。
近日,发表在European Radiology杂志的一项研究评估了使用原发肿瘤的T2加权MR图像(T2WI)的DL模型在预测T1-2期直肠癌患者LNM的能力,并将其诊断性能与放射科医生的诊断性能进行了比较。
本项回顾性研究纳入了2013年10月-2021年3月期间接受术前MRI检查的T1-2期直肠癌患者,并将其分配到训练、验证和测试集。在T2加权图像上训练和测试了四个二维和三维(3D)残余网络(ResNet18、ResNet50、ResNet101和ResNet152)以识别LNM患者。三位放射科医生独立评估了MRI上的LN状态,并将诊断结果与DL模型进行了比较。使用AUC评估预测性能,并使用Delong方法进行比较。
总共有611名患者接受了评估(444名训练,81名验证,86名测试)。八个DL模型的AUC在训练组中从0.80(95%置信区间[CI]:0.75,0.85)到0.89(95%CI:0.85,0.92)不等,在验证组中从0.77(95%CI:0.62,0.92)到0.89(95%CI:0.76,1.00)。基于3D网络架构的ResNet101模型在测试集中预测LNM的性能最好,AUC为0.79(95%CI:0.70,0.89),明显大于集合读者(AUC,0.54[95%CI:0.48,0.60];P < 0.001)。
图 使用Grad-CAM + +技术进行模型可视化的两个示例。图像来自一位56岁的患有T2N2期病变的女性(a)和一位64岁的患有T2N0期病变的女性(b)。红色区域代表较大的预测值,蓝色区域代表较低的预测值。被模型激活的区域可能在肿瘤和瘤周区域,表明这两个区域对分类都是有效的
本项研究表明,基于原发肿瘤术前MR图像的DL模型在预测T1-2期直肠癌患者的LNM方面优于放射科医生,这为临床进行准确、快速且便捷的直肠癌术前风险分层提供了技术支持。
原文出处:
Lijuan Wan,Jiesi Hu,Shuang Chen,et al.Prediction of lymph node metastasis in stage T1-2 rectal cancers with MRI-based deep learning.DOI:10.1007/s00330-023-09450-1
作者:shaosai
版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言