近日发表在《Radioloy:Artificial Intellgence》期刊的文章“Identification of Precise 3D CT Radiomics for Habitat Computation by Machine Learning in Cancer”（IF=8.1），通过机器学习分析精确的3D CT影像组学特征，来计算肺癌和肝癌肿瘤的稳定生态位，从而提高对肿瘤内部异质性的评估和理解。
引言
重复性和再现性：肿瘤内空间异质性是癌症的显著特征。在微观尺度上，这种异质性表现为不同克隆和肿瘤微环境区域，具有不同水平的基因组和转录组表达；在宏观尺度上，则体现为肿瘤生态位（位于特定肿瘤内区域的细胞亚群）和组织类型（如纤维化、坏死）。由于不同肿瘤内区域可能对治疗产生耐药性，这种异质性对靶向治疗提出了挑战。因此，非侵入性地检测和量化这种异质性成为新的研究方向。一个在临床环境中的典型应用是基于CT的肿瘤微环境成像，其目的是识别在CT扫描中表现出共享成像表型的空间区域。这种方法有助于更准确地评估肿瘤异质性，进而优化治疗策略。01
实验数据
该研究的数据集包含来自331名癌症患者的605次CT扫描中的2436个病灶。
- 患者数量：331名
- 平均年龄：64.5岁 ± 10.1岁（标准差）
- 性别分布：185名男性患者 146名女性患者
- 病灶数量：2436个
- 直肠癌病灶：1081个
- 肺癌病灶：230个
- 神经内分泌肿瘤病灶:447个
- 混合病灶：678个
- 肿瘤类型：包括结直肠癌、肺癌、胃肠道神经内分泌肿瘤以及其他多种癌症类型。
02研究方法
1.高斯混合模型（Gaussian Mixture Models, GMMs）：
用途：用于在影像组学特征分析中对不同的肿瘤微环境进行聚类。高斯混合模型是一种概率模型，假设所有数据点由多个有限的高斯分布混合生成。这些高斯分布的参数（如均值、协方差矩阵）通过对数据的学习和估计得出。
优势：高斯混合模型能够处理具有复杂分布的数据，自动识别数据中的不同子集或“微环境”，从而提高对肿瘤微环境异质性的检测精度和准确性。
2.特征选择：
过程：通过计算特征的重复性和再现性（即使用组内相关系数，ICC），从大量候选影像组学特征中筛选出“精确”的特征子集。通过使用ICC进行特征选择，减少数据维度，提升模型性能和解释性，同时保留对肿瘤异质性评估有价值的信息。
3.图像扰动：
首先，由经验丰富的放射科医生根据RECIST 1.1标准使用3D Slicer软件对肿瘤病变进行手动分割。随后，通过图像扰动技术模拟测试-再测试场景，以评估影像组学特征的重复性和再现性。
工具：使用3D Slicer软件和Medical Image Radiomics Processor Python工具包。
通过这些方法，构建了一个完整的流程，用于在CT图像中识别精确的三维影像组学特征，并利用无监督学习算法计算稳定的肿瘤微环境，从而评估癌症的异质性。
03研究结果
重复性和再现性：三维影像组学特征显示对核半径的重复性和再现性较差（ICC LCL中位数分别为0.442和0.440），但对组距的再现性极佳（ICC LCL中位数为0.929）。
精确特征：共识别出26个精确特征，在肺部和肝脏病灶中有所不同。
肿瘤微环境稳定性：使用精确特征计算的肿瘤微环境比使用所有特征计算的肿瘤微环境更稳定（肺部病灶DSC中位数分别为0.601和0.532，肝脏病灶分别为0.651和0.587；P < 0.001）。
研究成功地在CT图像上识别了精确的三维影像组学特征，这些特征能够通过稳定的肿瘤微环境计算来评估肿瘤异质性。
图 4：热图显示了在用于识别精确特征的三个实验中获得的类内相关系数 (LCL) 结果的 95% 置信下限：重复性（核半径 [R] = 3 毫米，固定箱尺寸 [B] = 12 HU），针对肺和肝脏病变的颗粒半径（固定箱尺寸= 12 HU）的再现性，以及针对箱尺寸（固定颗粒半径= 3毫米）的再现性。 FO = 一阶，GLCM = 灰度共生矩阵，GLDM = 灰度相关矩阵，GLRLM = 灰度游程长度矩阵，GLSZM = 灰度大小区域矩阵，NGTDM = 邻域灰度色调差矩阵。
04研究意义
重复性和再现性：
1. 临床价值：该方法为无创、精准评估肿瘤异质性提供了新途径，有助于识别治疗抵抗区域，从而优化治疗策略。
2. 未来应用：CT肿瘤微环境分析可作为监测治疗反应和肿瘤进展的重要工具，推动精准医疗的发展。
这项研究不仅在影像组学领域填补了肿瘤微环境计算的空白，还为癌症患者带来了更加精准和个性化的治疗希望。
主题测试文章，只做测试使用。发布者：baleben，转转请注明出处：https://pamisci.com/4118.html
