嫩肤论坛

注册

 

发新话题 回复该主题

CGCA影像专栏胃癌影 [复制链接]

1#

主编寄语

王医院核医学科

各位读者朋友们好,欢迎大家来到《胃癌影像进展速递》年第8期。本期从Pubmed检索到近期发表的胃癌影像相关论著共8篇,包括:1)对胃癌患者行18F-FDG-PET/CT及分期腹腔镜检查在荷兰实施情况的大样本研究。2)胃癌人工智能方向的研究3篇,其中2篇分别使用不同成像方法及深度学习影像组学模型预测胃癌浸润深度,以期提高胃癌T分期准确性;另一篇为多中心研究,建立预测胃癌患者总体生存率的深度学习风险预测模型。3)分析CT胃窗对早期胃癌(T1期)与肌层受累(T2期)的鉴别诊断价值。4)胃癌18F-FDGPET/CT相关研究2篇,内容涉及胃水充盈双时相18F-FDGPET/CT鉴别良恶性胃病变的诊断准确性及对胃癌根治性切除术后复发患者3年生存率的预测。5)对于需要在ESD术后追加胃切除术的患者,通过CT进行淋巴结诊断准确性的探究。

本期文献速递涉及CT检查5篇,PET/CT检查3篇,其中人工智能系统开发的研究3篇,研究内容包含良恶性胃病变的鉴别、胃癌T分期诊断模型构建、早期胃癌淋巴瘤诊断及预后预测等,希望广大读者能从本次速递中得到启发。

论著1

E.C.Gertsen,A.S.Borggreve,H.J.F.Brenkman,etal.

EvaluationoftheImplementationofFDG-PET/CTandStagingLaparoscopyforGastricCancerinTheNetherlands

FDG-PET/CT及分期腹腔镜对胃癌患者检查在荷兰实施评价

AnnSurgOncol()

荷兰乌得勒支大学医学中心外科、放射肿瘤学科、放射与核医学科;荷兰综合癌症组织(IKNL)研发部;荷兰奈梅亨大学医学中心消化和肝脏科、外科等

背景自年7月荷兰国家修订了《胃癌诊疗指南》并推荐对局部晚期肿瘤患者采用18F-FDG-PET/CT和分期腹腔镜(staginglaparoscopy,SL)进行胃癌术前分期以来,应用逐渐增加。但实施新指南对患者预后的影响及得益尚不清楚。其主要积极因素是准确的分期可以减少非治愈性疗程,而负面影响是对并不需要此检查的病人可能延迟治疗。目的评估FDG-PET/CT和SL在荷兰的实施情况。

方法

分析年至年期间来自荷兰上消化道癌症审计中心(DUCA)所有接受胃癌手术的患者资料。分别对荷兰指南修订前后FDG-PET/CT和SL的使用情况进行评估。数据包括非治愈性手术的次数(如姑息性和无效手术),以及应用FDG-PET/CT和SL从诊断到治疗开始的等待时间关系。结果共分析例患者。年7月后使用FDG-PET/CT(23%vs.61%;p<0.)及SL(21%vs.58%;p<0.)检查量增加。FDG-PET/CT与新辅助治疗的等待时间(4天)和开始手术治疗的等待时间(20天)相关;SL与新辅助治疗的额外等待时间8天相关。行SL或连续行两种模式的患者与非治愈性手术次数无关。结论荷兰在指南修订后的FDG-PET/CT和SL实施过程中,越来越多地使用这两种方法。用其进行胃癌术前分期方法的增加与治疗等待时间的增加有关。在不进行任何分期、只进行一种分期或两种分期,均与非治愈性手术次数无差异。

简评

局部晚期胃癌患者的主要治疗包括术前化疗和胃切除。现大多的术前分期主要是胃镜和胸、腹部CT。上述模式容易对远处转移灶漏诊或肿瘤对相邻结构侵犯不确定性。是否存在远处转移?如何发现腹膜转移、了解腹膜转移程度是胃癌临床诊疗的难点。

有报道称,与单独CT相比,局部进展期胃癌患者约有10%用FDG-PET/CT可以检测到远处转移,18F-FDGPET/CT在胃癌远处转移即M分期方面的价值已得到肯定。中国胃癌诊疗规范(年版)PET-CT:可辅助胃癌分期,但不做常规推荐。如CT怀疑有远处转移可应用PET-CT评估患者全身情况,另外,研究显示PET-CT对于放化疗或靶向治疗的疗效评价也有一定价值,但亦不做常规推荐。在部分胃癌组织学类型中,肿瘤和正常组织的代谢之间的呈负相关联系,如黏液腺癌,印戒细胞癌,低分化腺癌通常是18F-FDG低摄取的,故此类患者应慎重应用。

分期腹腔镜(staginglaparoscopy,SL)联合腹腔脱落细胞检查对局部进展期胃癌约19%的患者检测到腹膜转移。术前腹腔镜探查能观察原发肿瘤的部位、范围、浸润程度、淋巴结转移、腹腔转移、腹水及邻近组织是否受侵犯等,使用诊断性腹腔镜探查能够提高胃癌术前临床分期的准确率。但分期腹腔镜具有气腹相关的二氧化碳酸中*,组织器官的误伤,麻醉意外等风险;另外,对操作者技术要求高,增加手术费用等。

本文以荷兰人群为基础的研究表明,FDGPET/CT和SL越来越多地应用于局部进展期胃肿瘤患者,其好处是术前得到较准确分期,代价是从诊断到治疗开始的漫长等待时间及治疗推迟。尽管对有检查指征的患者,连续进行SL或两种模式检查,其非治愈性手术的比例没明显差异,但需要注意的是,仅进行FDG-PET/CT并不能得出明确的结论,未来的研究应侧重于选择FDG-PET/CT和SL的患者,以及治疗时间被推迟的潜在后果。

罗柏宁/医院

论著2

Rui-JiaSun,Meng-JieFang,LeiTang,etal.

CT-baseddeeplearningradiomicsanalysisforevaluationofserosainvasion

inadvancedgastriccancer

利用CT来源的深度学习影像组学分析评价进展期胃癌浆膜浸润的研究

EuropeanJournalofRadiology()

医院放射科;中国科学院自动化学院分子影像实验室

目的

本研究旨在开发并验证一个深度学习影像组学模型用以评价胃癌浆膜浸润。

材料和方法共有名胃癌患者纳入本研究。首先,我们回顾性纳入了名连续收集的胃癌患者(其中名在训练组,名在测试组Ⅰ)。随后,又前瞻性纳入了名被临床诊断为cT3或cT4a的胃癌患者到测试组Ⅱ。所有患者的组织学结果依据于手术切除标本。由三名放射科医师评估肿瘤的常规CT征象。影像组学特征和深度学习特征提取自三期增强扫描图像,随后通过机器学习的方法将提取的特征建立影像组学标签。通过联合影像组学标签和CT征象,建立多因素logistic回归的列线图。使用ROC曲线评价该列线图的诊断表现。结果用支持向量机或神经网络建立的影像组学标签在测试组Ⅰ及测试组Ⅱ中对鉴别T4a展现出了良好的区分能力(AUCs分别为0.76-0.78和0.79-0.84)。列线图在训练组及两个验证组均表现出了强力的诊断效能,其AUC分别为0.90(95%CI,0.86-0.94),0.87(95%CI,0.82-0.92)和0.90(95%CI,0.85-0.96)。净重分类指数(netreclassificationindex)显示影像组学列线图的表现显著好于临床模型(p0.05)。结论CT来源的深度学习影像组学模型可以有效区分胃癌浆膜浸润。

简评

准确评估肿瘤浸润深度是对胃癌患者选择合适治疗手段的前提,关乎患者的预后生存时间。对于局部进展期胃癌患者来说,判断浆膜浸润与否有助于帮助患者制定合理的新辅助化疗方案以及选择合适的手术切除方式。目前常规CT诊断浆膜浸润与否主要依赖于放射医师的诊断经验,其准确性在77%左右,显然其还有进一步提升的空间。据此,该研究提出了一种基于三期增强CT图像的深度学习影像组学模型来术前诊断浆膜浸润,在两个验证组中的表现均超过上述文献报道。以此建立的列线图表现也好于以肿瘤CT征象为主的临床模型,为准确诊断浆膜浸润提供了一种无创的替代方案。当然,诚如该文作者所言,该研究也存在一些不足。比如仅以最大肿瘤层面来勾画感兴趣区势必会损失相当的信息,或许这是目前相对大样本影像组学研究在提供丰富信息与压缩分割时间之间如何取舍的无奈妥协之举。另外,影像组学研究有效的临床转化问题在本文中也未得到解决,且该研究还引入了处于“黑箱”当中的深度学习特征,这无疑更为其可解释性设置了另一重障碍。不过,该研究联合深度学习与影像组学特征,是对胃癌的无创诊断方式的一种创新式探索,期待未来有更多的研究可以聚焦于影像组学的临床“落地”问题。

张欢/上海医院放射科

论著3

LiwenZhang,DiDong,WenjuanZhang,etal.

ADeepLearningRiskPredictionModelforOverallSurvivalinPatientswithGastricCancer:AMulticenterStudy

胃癌患者总体生存率的深度学习风险预测模型:一项多中心研究

RadiotherapyandOncology()

中国科学院人工智能学院

目的

总生存率(OS)的风险预测对胃癌患者评估治疗方案至关重要,并可指导个性化药物治疗。本研究提出了一种新的基于CT图像的深度学习(DL)模型来预测OS风险。

方法我们回顾性地收集了来自三个独立中心的名患者,分为一个训练数据集(中心1和中心2,n=)和一个外部验证数据集(中心3,n=)。我们开发了一个基于残差卷积神经网络体系结构的DL模型。我们通过图像变换来增加训练数据集的大小,以避免过度拟合。我们还开发了用于比较的放射组学和临床模型。对三种模型的性能进行了综合评估。结果对例患者进行数据扩充,并输入到DL模型中。在训练数据集(P值0.,一致性指数(C-index):0.82,危险比(HR):9.79)和外部验证数据集(P值0.,C-index:0.78,HR:11.76)中,训练后的DL模型显著地将患者分为高风险组和低风险组。放射组学模型是用选定的24个特征开发的,临床模型是用三个重要的临床变量开发的(P值0.05)。比较表明,根据C指数,DL模型对OS风险预测的性能最好(训练Lvs临床vs放射组=0.82vs0.73vs0.66;外部验证:0.78vs0.71vs0.72)。结论DL模型是一个强大的风险评估模型,并有可能作为胃癌患者决策的个性化推荐器。

简评

随着人工智能在影像诊断中的研究深入,各种方法层出不穷。这篇文章中探讨的是深度学习(DL)模型在胃癌患者中OS风险预测的价值。深度学习是机器学习的一种,而机器学习是实现人工智能的必经之路。该研究将深度学习方法建立的模型与放射组学和临床模型相比较,发现DL模型对OS风险预测的性能最好。此外,与放射组学相比,建立DL模型中勾画ROI的方法更简单。该研究是一项多中心的研究,将其中一个中心的数据作为外部验证数据集,增加了研究结果的可信度。该研究向我们展示了目前影像人工智能研究的趋势,未来将会有更多的人工智能方法应用到影像诊断中,需要多中心、多领域共同合作,也是对我们影像研究者提出了更高的要求。

陈曌/医院放射科

论著4

Zhi-LongWang,Yan-LingLi,LeiTang,etal.

Utilityofthegastricwindowin

分享 转发
TOP
发新话题 回复该主题