Artykuł metodologiczny

Radiomika tomografii komputerowej przedoperacyjnej w klasyfikacji wzorców nawrotów niedrobnokomórkowego raka płuca w stopniu T3–T4

42 wyświetleń

⸱

DOI:

10.3791/70929

⸱

22 września 2026

 ,  ,  ,  ,  ,  ,  ,  , 
1School of Medical Imaging, Nanjing Medical University, 2Department of Radiology, Southeast University, 3Department of Radiology, Jinling Hospital, 4Stanford Center for Biomedical Informatics Research (BMIR), Department of Medicine

W tym artykule

Podsumowanie

Radiomiczny model oparty na tomografii komputerowej przedoperacyjnej, łączący cechy guza i obszaru okoguza, skutecznie przewiduje nawrót miejscowy po operacji oraz progresję do przerzutów odległych po całkowitej resekcji niedrobnokomórkowego raka płuca w stadium T3–4.

Streszczenie

Lokalny nawrót po operacji pozostaje poważnym wyzwaniem klinicznym u pacjentów z niedrobnokomórkowym rakiem płuca (NSCLC) w stopniu T3 i T4. Aby rozwiązać problem braku standaryzowanej strategii obrazowania przedoperacyjnego służącej do charakterystyki nawrotu lokalnego, przedstawiono radiomiczny schemat oparty na tomografii komputerowej (CT), który pozwala uchwycić heterogeniczność wewnątrzguza i okołoguzową oraz odróżnić nawrót lokalny od przerzutów odległych po resekcji R0. Proponowany protokół integruje cechy radiomiczne wyekstrahowane z obszarów guza i obszarów okołoguzowych na przedoperacyjnych obrazach CT z kontrastem. Kohorta badawcza obejmowała 103 pacjentów z patologicznie potwierdzonym NSCLC w stopniu T3–T4, N0–2, M0, którzy zostali poddani operacji z resekcją R0 między styczniem 2013 r. a grudniem 2020 r. U 33 pacjentów rozwinął się nawrót lokalny, a u 70 wystąpiły przerzuty odległe. Wszystkie etapy preprocessingu, selekcji cech, normalizacji, strojenia hiperparametrów, dopasowania modelu i wyznaczania progu ograniczono do kohorty treningowej. Modele radiomiczne oparte wyłącznie na guzie, na obszarze okołoguzowym oraz modele łączone oceniono w oddzielnej kohorcie walidacyjnej. Zebrano dane dotyczące charakterystyki klinicznej, lokalizacji guza, przedoperacyjnych parametrów laboratoryjnych oraz informacji o leczeniu. Skonstruowano i oceniono reprezentacje radiomiczne specyficzne dla guza oraz łączone (guz-obszar okołoguzowy), aby scharakteryzować działanie proponowanego schematu. W kohorcie walidacyjnej radiomiczna reprezentacja okołoguzowa wykazała lepszą dyskryminację w porównaniu z cechami dotyczącymi wyłącznie guza, natomiast łączony schemat guz-obszar okołoguzowy wykazał najstabilniejszą i najbardziej spójną wydajność (AUC = 0,80). Niniejszy protokół jest wstępną demonstracją standaryzowanego procesu radiomiki CT służącego do różnicowania wzorców niepowodzenia pooperacyjnego po resekcji R0; przed wdrożeniem klinicznym wymagana jest wieloośrodkowa walidacja zewnętrzna.

Wprowadzenie

Całkowita resekcja chirurgiczna pozostaje standardową metodą leczenia pacjentów z resekcyjnym niedrobnokomórkowym rakiem płuca (NSCLC), w tym osób z miejscowo zaawansowanym NSCLC (LA-NSCLC). Status patologiczny marginesów ma bezpośrednie znaczenie prognostyczne i terapeutyczne: R0 oznacza brak resztkowej tkanki nowotworowej, R1 oznacza mikroskopowe pozostałości guza, a R2 oznacza makroskopowe pozostałości guza. Niepełna resekcja wiąże się z niekorzystnymi rokowaniami i może wpływać na leczenie pooperacyjne1,2,3,4. W związku z tym dokładna charakterystyka ryzyka nawrotu miejscowego jest kluczowym elementem planowania leczenia w miejscowo zaawansowanym NSCLC.

W obecnej praktyce klinicznej badanie patomorfologiczne jest uznawane za złotą standardową metodę określania marginesu patologicznego. Jednak ze względu na heterogenną naturę guzów występuje błąd próbkowania. W konsekwencji metoda ta jest powszechnie uznawana za niedoskonałą, ponieważ występują niewielkie, lecz istotne odsetki wyników fałszywie ujemnych5. Co więcej, nie ma gwarancji, że tkanka płucna wokół wyciętego marginesu jest wolna od komórek nowotworowych, ponieważ badanie histologiczne nie pozwala na analizę wszystkich aspektów marginesu chirurgicznego wyciętego guza. Ograniczenia te podkreślają potrzebę zastosowania uzupełniających, nieinwazyjnych strategii zdolnych do uchwycenia makroskopowych i przestrzennych wzorców ryzyka resztkowego, wykraczających poza próbkowanie mikroskopowe.

Radiomika umożliwia wysokoprzepustową ekstrakcję cech ilościowych z rutynowych obrazów medycznych i zapewnia systematyczne podejście do charakteryzowania heterogeniczności guza na poziomie całej zmiany oraz obszaru okołoguzowego6. Poprzednie badania radiomiczne w raku płuca wykazały jej użyteczność w stratyfikacji wyników w wielu kontekstach terapeutycznych, w tym w przypadku chirurgii w wczesnym stadium NSCLC7, radioterapii stereotaktycznej8, terapii neoadjuwantowej9, terapii EGFR-TKI10, immunoterapii PD-(L)111 oraz terapii systemowych. Radiomika peritumoralna była również stosowana do ilościowego określania bezpośredniego interfejsu guz–płuco, w tym analiz opartych na ekspansjach 3, 6 i 9 mm12. Jednakże ustandaryzowane przepływy pracy służące do porównywania nawrotów miejscowych z przerzutami odległymi po resekcji R0 pozostają ograniczone.

Niniejszy protokół jest przeznaczony dla zbiorów danych badawczych zawierających przedoperacyjne cienkowarstwowe tomografie komputerowe (CT) klatki piersiowej z kontrastem oraz pełną dokumentację marginesów patomorfologicznych. Jest on odpowiedni w przypadku, gdy celem badania jest porównanie nawrotu miejscowego z progresją przerzutów odległych po resekcji R0. W związku z tym przedstawiono zestandaryzowany schemat postępowania integrujący radiomikę wewnątrzguza oraz 3-mm otoczki okołoguzowej w przypadku NSCLC w stadium T3–T4.

Protokół

Zaproponowany protokół radiomiczny oparty na TK został opracowany w celu przedoperacyjnego odróżnienia wznowy miejscowej od przerzutów odległych u pacjentów z NSCLC w stadium T3-T4. Procedura obejmuje wybór pacjentów, akwizycję i przetwarzanie wstępne obrazów TK, segmentację obszaru zainteresowania, ekstrakcję i redukcję cech radiomicznych, konstrukcję modelu oraz ocenę jego wydajności (Rycina 1A–C). Komisja Etyczna Szpitala Jinling zatwierdziła to badanie retrospektywne (numer zatwierdzenia 2023DZKY-089-01) i zrezygnowała z wymogu uzyskania pisemnej świadomej zgody. Wszystkie programy i narzędzia wykorzystane w tym badaniu zostały wymienione w Tabeli materiałów.

1. Dobór pacjentów i gromadzenie danych klinicznych

  1. Zidentyfikuj kolejnych pacjentów z patologicznie potwierdzonym NSCLC w stadium T3–T4.
    UWAGA: W niniejszym badaniu autorzy wybrali pacjentów, u których przeprowadzono resekcję chirurgiczną w szpitalu Jinling między styczniem 2013 a grudniem 2020 roku (Supplementary Figure 1).
  2. Włącz pacjentów spełniających wszystkie poniższe kryteria: patologiczne potwierdzenie NSCLC; stopień zaawansowania guza T3 lub T4 zgodnie z 8. wydaniem klasyfikacji American Joint Committee on Cancer (AJCC); dostępność przedoperacyjnej tomografii komputerowej (CT) klatki piersiowej z kontrastem, wykonanej w ciągu 2 tygodni przed operacją; kompletne dane z okresu obserwacji pooperacyjnej z udokumentowaną lokalizacją i czasem nawrotu.
  3. Wyklucz pacjentów z: resekcją R1 i R2; niewystarczającą jakością obrazów CT z powodu artefaktów ruchowych lub niepełnego zakresu badania; brakującymi lub niekompletnymi informacjami z okresu obserwacji dotyczącymi wzorców nawrotów.

2. Definicja etykiet i punktów końcowych badania klinicznego

  1. Prowadzić nadzór pooperacyjny, wykonując badania markerów nowotworowych w surowicy oraz tomografię komputerową (CT) klatki piersiowej co 3–6 miesięcy w ciągu pierwszych 2 lat, a następnie co 6 miesięcy.
  2. Zdefiniować punkty końcowe jako wzorzec nawrotu. Dwaj certyfikowani radiolodzy klatki piersiowej powinni niezależnie ocenić badania obrazowe podczas obserwacji, będąc oślepieni w kwestii wyników radiomicznych. Rozbieżności należy rozstrzygać drogą konsensusu.
  3. Wykorzystać potwierdzenie patomorfologiczne lub pozytonową tomografię emisyjną/tomografię komputerową (PET/CT), jeśli są dostępne.
  4. Zidentyfikować wszelkie przypadki drugiego pierwotnego raka płuca zgodnie z kryteriami Martini–Melamed i wykluczyć je z grupy zdarzeń nawrotu miejscowego.
  5. Przydzielić pacjentów do grup w następujący sposób:
    1. Grupa nawrotu miejscowego: pacjenci po resekcji R0, u których w trakcie obserwacji wystąpił nawrót w określonej lokalizacji miejscowej.
      UWAGA: Nawrót miejscowy to nawrót w kikucie oskrzela lub na brzegu resekcji miąższowej, w węzłach chłonnych wnęki płucnej po tej samej stronie lub w śródpiersiu, przylegających do pierwotnego guza lub loży po resekcji.
    2. Synchroniczny nawrót miejscowy i odległy zaliczyć do grupy nawrotu miejscowego.
    3. Porównawcza grupa przerzutów odległych: pacjenci po resekcji R0, u których rozwinęły się przerzuty odległe bez nawrotu miejscowego.
  6. Zakwalifikować jako przerzuty odległe nawroty ograniczone do organów odległych lub przeciwległej strony klatki piersiowej, bez żadnego komponentu miejscowego.

3. Gromadzenie cech klinicznych i semantycznych

  1. Pobierz zmienne kliniczne z systemu elektronicznej dokumentacji medycznej, w tym przedoperacyjne parametry laboratoryjne, wyniki patomorfologiczne oraz informacje o leczeniu.
  2. Zbierz następujące zmienne dla każdego pacjenta: wiek, płeć, status palenia tytoniu, surowicze markery nowotworowe, stadium patologiczne, podtyp histologiczny oraz przeprowadzone procedury chirurgiczne.
  3. Niezależnie oceń semantyczne cechy obrazowe odzwierciedlające lokalizację guza i naciekanie sąsiednich struktur anatomicznych na podstawie przedoperacyjnych obrazów CT.
  4. Wyznacz dwóch certyfikowanych radiologów klatki piersiowej do niezależnego przeglądu wszystkich przypadków. Rozbieżności w ocenie cech semantycznych rozstrzygnij w drodze dyskusji konsensualnej.

4. Pozyskiwanie obrazów CT

  1. Należy pozyskać obrazy TK klatki piersiowej w płaszczyźnie poprzecznej, obejmujące fazę bezkontrastową, tętniczą oraz wenerną wrotno, przy użyciu wielodetekcyjnych skanerów TK.
    UWAGA: Badania TK klatki piersiowej z kontrastem wykonano przy użyciu czterech wielodetekcyjnych skanerów TK firmy Siemens Healthineers: SOMATOM Definition, SOMATOM Definition Flash, SOMATOM Emotion oraz SOMATOM Perspective. W zależności od skanera i protokołu instytucjonalnego, konfiguracje detektorów obejmowały 16 × 0.6 mm, 64 × 0.6 mm lub 2 × 64 × 0.6 mm. Obrazy pozyskano przy 120–130 kVp z zastosowaniem automatycznej modulacji prądu lampy (około 62–663 mA), przy pitch wynoszącym 0.5–0.8, czasie rotacji 0.5 s, polu widzenia około 300–400 mm i macierzy 512 × 512. Grubość warstwy akwizycji wynosiła 1.0–1.5 mm. Obrazy wykorzystane do analizy radiomicznej zrekonstruowano przy grubości warstwy 1.0–1.5 mm z odstępem 1.0–1.5 mm przy użyciu jądra średnio-gładkiego (B30f lub B31f). Niejonowy jodowy środek kontrastowy (300–370 mg I/mL) podano dożylnie w dawce około 1.0–1.5 mL/kg, przy szybkości wstrzykiwania 2.5–3.5 mL/s, a następnie przepłukano 30–40 mL soli fizjologicznej.
  2. Należy ustawić parametry akwizycji i parametry rekonstrukcji. Wykonać automatyczne skanowanie z bramkowaniem na początku fazy tętniczej.
  3. Jako obszar zainteresowania (ROI) należy wybrać łuk aorty i ustawić próg wyzwalania na 60 HU.
    Dla wszystkich serii obrazów należy zastosować rekonstrukcję cienkowarstwową.
  4. Wyeksportować obrazy TK w fazie tętniczej w formacie Digital Imaging and Communications in Medicine (DICOM) do późniejszego wstępnego przetwarzania i analizy. Szczegółowe parametry akwizycji podsumowano w Tabeli uzupełniającej 1.

5. Przetwarzanie wstępne i anonimizacja obrazów

  1. Zanonimizuj wszystkie obrazy CT zgodnie z wytycznymi Safe Harbor ustawy Health Insurance Portability and Accountability Act.
  2. Prześlij zanonimizowane obrazy CT w fazie tętniczej do platformy badawczej Deepwise Multimodal Research Platform, wersja 3.1.3, która integruje Pyradiomics (wersja 3.0.1) oraz Scikit-learn (wersja 0.22)13,14.
  3. Na platformie radiomiki wybierz „Sample”, wskaż serię DICOM jako dane wejściowe i załaduj odpowiadającą im maskę segmentacji.

6. Segmentacja guza i obszaru około الورمowego

  1. Przeprowadź półautomatyczną segmentację13 pierwotnych guzów płuca na obrazach TK w fazie tętniczej.
    Segmentacje powinny zostać ręcznie zweryfikowane i skorygowane przez radiologa z 9-letnim doświadczeniem w obrazowaniu klatki piersiowej w celu zapewnienia dokładności anatomicznej.
  2. Przejrzyj maskę w płaszczyznach osiowej, czołowej i strzałkowej. Ręcznie popraw granice, aby objęły żywą tkankę guza i wykluczyły sąsiednią niedodmę, naczynia, drogi oddechowe, wysięk opłucnowy oraz ścianę klatki piersiowej, chyba że zostały one bezpośrednio nacieknięte przez guz. Zapisz końcową maskę, używając identyfikatora badania.
  3. Automatycznie wygeneruj obszary peritumoralne poprzez rozszerzenie granicy guza na zewnątrz o 1 mm, 3 mm i 5 mm we wszystkich kierunkach, wykluczając w razie potrzeby struktury poza płucami
  4. Przed ekstrakcją cech obrazy TK zostały przepróbkowane do izotropowej wielkości woksela 1 × 1 × 1 mm3. Intensywność obrazów zinterpolowano za pomocą algorytmu B-spline, natomiast maski segmentacji przepróbkowano z zastosowaniem interpolacji najbliższego sąsiedztwa, aby zachować ich etykiety binarne.

7. Ekstrakcja cech radiomicznych

  1. Wyekstrahuj cechy radiomiczne z obszarów guza, w tym cechy kształtu, pierwszego rzędu intensywności oraz cechy tekstury i inne, zgodnie z wytycznymi Image Biomarker Standardization Initiative.
  2. Wyekstrahuj te same kategorie cech radiomicznych z obszarów okołoguzowych.

8. Partycjonowanie zbioru danych i redukcja cech radiomicznych

  1. Przed jakimikolwiek etapami przetwarzania wstępnego, redukcji cech lub opracowywaniem modelu, należy losowo podzielić pełny zestaw danych na kohortę treningową i wydzieloną kohortę walidacyjną w stosunku 7:3, stosując próbkowanie warstwowe zgodnie ze wzorcem nawrotu i używając stałego ziarna losowości (random seed) 1.
  2. Zablokować kohortę walidacyjną i nie używać jej do selekcji cech, dostrajania hiperparametrów ani określania progów.
    ​UWAGA: W obrębie kohorty treningowej sprawdzono obecność wartości brakujących i nieskończonych. Nie zidentyfikowano wartości brakujących ani nieskończonych, w związku z czym nie przeprowadzono imputacji. Ocenić powtarzalność segmentacji.
    1. Wybrać 20% kohorty za pomocą warstwowego próbkowania losowego według wzorca nawrotu, używając ziarna losowości 1 z zestawu treningowego. Potwierdzić, że wybrany podzbiór zachowuje rozkład nawrotów miejscowych/przerzutów odległych.
    2. Pierwszy czytelnik powinien powtórzyć segmentację po odstępie 2 tygodni, a drugi czytelnik (radiolog z 6-letnim doświadczeniem w obrazowaniu klatki piersiowej) powinien niezależnie przeprowadzić segmentację tych samych przypadków.
    3. Obaj czytelnicy nie powinni mieć dostępu do informacji klinicznych, wyników patomorfologicznych, wzorca nawrotu oraz wyników modelu.
    4. Obliczyć współczynniki korelacji wewnątrzklasowej (ICC) dla pojedynczego pomiaru i bezwzględnej zgodności (inter- i intra-czytelniczej). Zachować cechy tylko wtedy, gdy oba wskaźniki ICC (między czytelnikami i wewnątrzczytelnicze) są większe niż 0,8 (> 0,8).
  3. Przeprowadzić analizę korelacji parzystej i usunąć jedną cechę z każdej silnie skorelowanej pary, gdy współczynnik korelacji przekracza 0,90.
  4. Zastosować liniowe modele z regularyzacją L1 w celu wyboru cech informacyjnych, gdzie parametr regularyzacji kontroluje rzadkość cech.

9. Konstrukcja i ocena modelu

  1. Na podstawie sfinalizowanych zestawów cech zbudowano modele Linear SVC dla obszaru wewnątrzguźlowego, perytumoralnego o szerokości 3 mm oraz model łączony w ramach kohorty treningowej.
  2. Hiperparametry modeli dostrojono, stosując stratyfikowaną 10-krotną walidację krzyżową ograniczoną do kohorty treningowej.
    UWAGA: Modele Linear SVC zaimplementowano przy użyciu biblioteki scikit-learn w wersji 0.22 z karą L1, funkcją straty squared-hinge, ustawieniem dual = False, tolerancją zbieżności 1 × 10⁻4, maksymalną liczbą 1 000 iteracji oraz włączonym dopasowaniem punktu przecięcia (intercept fitting). Parametr regularyzacji C zoptymalizowano na kohorcie treningowej za pomocą stratyfikowanej 10-krotnej walidacji krzyżowej z ziarnem losowym wynoszącym 1. Po wyborze hiperparametrów każdy model ponownie dopasowano do pełnej kohorty treningowej, a następnie zastosowano bezpośrednio do wydzielonej kohorty walidacyjnej. Nie stosowano ponownego próbkowania ani korekty wag klas.
  3. Każdy zablokowany model zastosowano bezpośrednio do wydzielonej kohorty walidacyjnej bez ponownego dopasowania, ponownego wyboru cech, rekalibracji lub optymalizacji progu.
  4. Wydajność modeli oceniono za pomocą pola pod krzywą charakterystyki operacyjnej odbiornika (AUC), czułości, swoistości oraz dokładności.

10. Analiza statystyczna

  1. Porównaj zmienne ciągłe, stosując odpowiednie testy parametryczne lub nieparametryczne w zależności od rozkładu danych.
  2. Porównaj zmienne kategoryczne, wykorzystując testy chi-kwadrat lub dokładny test Fishera.
  3. Wyznacz próg klasyfikacji poprzez maksymalizację indeksu Youdena wyłącznie w kohorcie treningowej, a następnie zastosuj ten ustalony próg bez zmian w wydzielonej kohorcie walidacyjnej. Oblicz przedziały ufności metodą bootstrap.
  4. Wszystkie analizy statystyczne przeprowadź w programie SPSS (wersja 25), przyjmując za istotne statystycznie obustronne wartości p < 0,05.

Wyniki

Charakterystyka kohorty aplikacyjnej
Spośród początkowo kwalifikujących się pacjentów wykluczono 12 pacjentów z resekcją R1, a przypadków resekcji R2 nie zidentyfikowano. W konsekwencji końcowa kohorta składała się ze 103 pacjentów, u których wykonano resekcję R0. Zaproponowany protokół radiomiczny zastosowano w kohorcie 103 pacjentów z leczonym chirurgicznie niedrobnokomórkowym rakiem płuca (NSCLC) w stopniu T3–T4 (60,6 ± 8,6 lat; 82,5% mężczyzn), w tym 33 z pooperacyjnym nawrotem miejscowym i 70 z przerzutami odległymi. Wśród 33 pacjentów z nawrotem miejscowym 17 (51,5%) miało potwierdzenie patomorfologiczne, natomiast u pozostałych 16 (48,5%) rozpoznanie postawiono na podstawie sekwencyjnych wyników tomografii komputerowej (CT) w badaniach kontrolnych oraz konsensusu klinicznego. Żaden przypadek nawrotu miejscowego nie został potwierdzony wyłącznie za pomocą PET/CT. Sześćdziesięciu jeden pacjentów (59,2%) miało chorobę w stopniu patologicznym T3, a 42 (40,8%) w stopniu T4. Żadna z klinicznych lub patomorfologicznych zmiennych przedstawionych w Tabeli 1 nie różniła się istotnie między grupą z nawrotem miejscowym a grupą z przerzutami odległymi (wszystkie p ≥ 0,064).

Ocena obrazowania semantycznego i zmiennych związanych z leczeniem
Płat guza, lokalizacja centralna w przeciwieństwie do obwodowej, zajęcie głównego oskrzela oraz zajęcie dużych naczyń nie różniły się istotnie pomiędzy grupą z nawrotem miejscowym a grupą z przerzutami odległymi (wszystkie p ≥ 0.272; Tabela 2). Rozkład terapii neoadjuwantowej, immunoterapii i radioterapii był podobny w obu grupach wzorców progresji R0 (wszystkie p ≥ 0.742; Tabela 3). Terapia celowana występowała rzadziej w grupie z nawrotem miejscowym niż w grupie z przerzutami odległymi (2/33 [6.1%] w porównaniu do 15/70 [21.4%]; surowe p = 0.0499). Ponieważ leczenie pooperacyjne może wpływać na wzorzec nawrotu, tę dysproporcję należy traktować jako potencjalny czynnik zakłócający, a nie jako dowód na efekt przyczynowy.

Wzorce obserwacji i rozkład punktów końcowych
Wśród 103 pacjentów z ujemnym marginesem resekcyjnym u 33 wystąpił nawrót miejscowy (średni czas przeżycia wolnego od progresji (PFS) wyniósł 16,36 ± 14,741 miesiąca), a u 70 wystąpiły przerzuty odległe (średni PFS wyniósł 11,39 ± 11,388 miesiąca). Nie stwierdzono statystycznie istotnej różnicy między grupą z nawrotem miejscowym a grupą z przerzutami odległymi (p = 0,131). Choć nie zaobserwowano istotnej różnicy w czasie przeżycia wolnego od progresji między tymi dwoma wzorcami nawrotów, celem zastosowania obecnego podejścia jest zbadanie, czy obrazowanie przedoperacyjne pozwala rozróżnić anatomiczny wzorzec pierwszej progresji choroby po resekcji R0. Taka przedoperacyjna stratyfikacja ryzyka może ułatwić odpowiednie zastosowanie leczenia miejscowego u pacjentów z wysokim ryzykiem nawrotu miejscowego i potencjalnie poprawić ich wyniki; jednak użyteczność kliniczna tej metody wymaga dalszej walidacji w badaniach prospektywnych.

Charakterystyka cech radiomicznych guza i obszaru okoguza
Powtarzalność oceniono w podgrupie 25 pacjentów. Po filtrowaniu w oparciu o współczynnik korelacji wewnątrzklasowej (ICC) do dalszej analizy zachowano 1820 z 2207 cech radiomicznych wewnątrzguzowych oraz 1856 z 2211 cech radiomicznych okołoguzowych z obszaru 3 mm. Filtrowanie wariancji usunęło 124 cechy wewnątrzguzowe i 120 cech okołoguzowych 3 mm. Następnie filtrowanie korelacji parowej z progiem 0,90 usunęło 1357 z pozostałych cech wewnątrzguzowych i 1395 z pozostałych cech okołoguzowych, pozostawiając odpowiednio 339 i 341 cech do selekcji cech z regularyzacją L1. Procedura L1 ostatecznie wybrała 9 cech wewnątrzguzowych i 12 cech okołoguzowych do konstrukcji modelu. Cechy radiomiczne wyekstrahowane z guza, obszaru okołoguzowego i regionów połączonych wykazały odmienne zachowania prognostyczne. W kohorcie walidacyjnej modele dla guza, obszaru okołoguzowego 3 mm i modelu połączonego osiągnęły wartości AUC odpowiednio 0,71 (95% CI, 0,61–0,81), 0,75 (95% CI, 0,65–0,85) i 0,80 (95% CI, 0,71–0,89) (Tabela 4 i Rycina 2A). W analizie wrażliwości odległości okołoguzowej modele dla 1, 3 i 5 mm osiągnęły jawne wartości AUC odpowiednio 0,62, 0,75 i 0,59. W porównaniu z modelem 3 mm różnica AUC nie była istotna statystycznie dla 1 mm (ΔAUC = −0,13, p = 0,078), ale była istotna dla 5 mm (ΔAUC = −0,16, p = 0,040) (Tabela uzupełniająca 1).

Po wykluczeniu 17 pacjentów, którzy otrzymali terapię celowaną przed pierwszą progresją choroby, pozostało 86 pacjentów, w tym 31 z nawrotem miejscowym i 55 z progresją wyłącznie w odległych miejscach. Model fuzji osiągnął wartość AUC wynoszącą 0,80 (95% CI, 0,70–0,89), co było zgodne z wynikiem w analizie pierwotnej (AUC, 0,80; ΔAUC, −0,001; 95% CI, −0,034 do 0,033; p = 0,948). Wyniki te sugerują, że wydajność modelu fuzji nie została w sposób istotny wpłynięta przez terapię celowaną podaną przed progresją choroby.

Ocena porównawcza i użyteczność kliniczna protokołu
Testy DeLonga przeprowadzone parami nie wykazały statystycznie istotnych różnic między modelem guza a modelem okołoguzowym 3 mm (p = 0.533), modelem guza a modelem łączonym (p = 0.168) ani modelem okołoguzowym 3 mm a modelem łączonym (p = 0.439). W analizie krzywych decyzyjnych model guza, model okołoguzowy 3 mm oraz model łączony przyniosły większą korzyść netto niż strategie referencyjne „lecz wszystkich” oraz „nie lecz nikogo” w zakresach prawdopodobieństw progowych odpowiednio 0,19–0,51, 0,18–0,56 i 0,17–0,59 (Rysunek 2B). Przy progu prawdopodobieństwa przewidywanego wynoszącym 0,20 model łączony osiągnął czułość 66,7% i swoistość 77,1%. Zakresy te opisują pozorną użyteczność w wybranej kohorcie progresji i nie stanowią zwalidowanych progów terapeutycznych. Jak pokazano na Rysunku 3A–D, dwie zmiany lite w A i B zostały prawidłowo sklasyfikowane przez model, natomiast zmiany w C i D zostały sklasyfikowane błędnie. Obie błędnie sklasyfikowane zmiany zawierały obszary martwicy wewnątrzguzowej, co mogło zmienić rozkład tłumienia i heterogeniczność tekstury rejestrowaną przez cechy radiomiczne, przyczyniając się tym samym do rozbieżnych wyników prognoz.

Schemat procesu analizy guza: segmentacja, ekstrakcja cech radiomicznych, proces budowania modelu.
Rycina 1: Schemat segmentacji guza, wyboru cech radiomicznych i opracowania modelu. (A) Guz pierwotny został poddany segmentacji półautomatycznej. Wewnątrzguzowy obszar zainteresowania zdefiniowano jako tkankę nowotworową, natomiast obszar okołoguzowy utworzono poprzez rozszerzenie granicy guza na zewnątrz o 3 mm z wyłączeniem samego guza. (B) Wyekstrahowano wewnątrzguzowe i okołoguzowe cechy radiomiczne, oceniono ich powtarzalność wewnątrz- i międzyobserwatorową, a następnie zredukowano je za pomocą analizy korelacji i selekcji cech z regularyzacją L1. (C) Kwalifikujących się pacjentów losowo podzielono na kohortę treningową (70%) i wewnętrzną kohortę walidacyjną (30%). Osobno skonstruowano radiomiczne modele guzowe i okołoguzowe, które następnie zintegrowano w modelu łączonym. Skróty: CT = tomografia komputerowa; L1 = regularyzacja oparta na metodzie least absolute shrinkage and selection operator. Rycina 1 została stworzona przez autorów przy użyciu programu Microsoft PowerPoint i nie wymagała zgód autorskich. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Charakterystyka operacyjna odbiornika i analiza krzywej decyzyjnej; wykres porównujący wydajność modelu guza.
Rysunek 2: Krzywe charakterystyki operacyjnej odbiornika i analiza krzywej decyzyjnej modeli radiomicznych. (A) Krzywe charakterystyki operacyjnej odbiornika dla modeli guza, 3-mm obszaru okoguza oraz modelu połączonego w celu różnicowania nawrotu miejscowego od przerzutów odległych w kohorcie walidacyjnej. Odpowiednie wartości AUC wyniosły 0.71 (95% CI, 0.61–0.81), 0.75 (95% CI, 0.65–0.85) oraz 0.80 (95% CI, 0.71–0.89); 95% CI oszacowano przy użyciu 1,000 prób bootstrapowych. (B) Analiza krzywej decyzyjnej trzech modeli dla prawdopodobieństw progowych od 0.01 do 0.80. Dla odniesienia przedstawiono strategie „lecz wszystkich” (treat-all) i „nie lecz nikogo” (treat-none). Skróty: AUC = pole pod krzywą charakterystyki operacyjnej odbiornika; CI = przedział ufności; DCA = analiza krzywej decyzyjnej; ROC = charakterystyka operacyjna odbiornika. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Przekroje tomografii komputerowej płuc; porównawcza analiza radiologiczna; diagnostyka obrazowa.
Rysunek 3: Reprezentatywna postać prawidłowo i błędnie sklasyfikowanych przypadków w zintegrowanym modelu radiomicznym. (A) Prawidłowo sklasyfikowany wznowienie miejscowe u 50-letniego mężczyzny z rakiem płaskonabłonkowym lewego płuca, u którego doszło do wznowienia miejscowego po 4 miesiącach. (B) Prawidłowo sklasyfikowana progresja wyłącznie odległa u 44-letniej kobiety z gruczolakorakiem dolnego płata lewego, u której w 31. miesiącu rozwinęły się przerzuty do kości bez wznowienia miejscowego. (C) Przykład wyniku fałszywie ujemnego, w którym wznowienie miejscowe zostało sklasyfikowane jako progresja wyłącznie odległa. (D) Przykład wyniku fałszywie dodatniego, w którym progresja wyłącznie odległa została sklasyfikowana jako wznowienie miejscowe. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Tabela 1: Charakterystyka kliniczna i patologiczna pacjentów z nawrotem miejscowym i przerzutami odległymi. Analiza objęła 103 pacjentów: 33 z nawrotem miejscowym i 70 z przerzutami odległymi. Dane przedstawiono jako średnia ± odchylenie standardowe lub n (%). Wiek porównano za pomocą testu t Studenta dla prób niezależnych. Zmienne kategoryczne porównano za pomocą testu chi-kwadrat Pearsona lub dokładnego testu Fishera, gdy oczekiwana liczebność którejkolwiek komórki była <5. *Surowe p < 0,05. Skróty: ADC = gruczolakorak; SCC = rakowiak; SD = odchylenie standardowe; TNM = klasyfikacja guz-węzeł-przerzut. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 2: Charakterystyka lokalizacji i zajęcia u pacjentów z nawrotem miejscowym i przerzutami odległymi. Analiza objęła 103 pacjentów: 33 z nawrotem miejscowym i 70 z przerzutami odległymi. Dane przedstawiono jako n (% w kolumnie). Zmienne kategoryczne porównywano za pomocą testu chi-kwadrat Pearsona lub dokładnego testu Fishera, gdy jakakolwiek oczekiwana liczebność komórki wynosiła <5. Brakujące dane nie wystąpiły. *Surowe p < 0.05. Skróty: CT = tomografia komputerowa. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 3: Strategie leczenia okołooperacyjnego i pooperacyjnego u pacjentów z nawrotem miejscowym i przerzutami odległymi. Analiza objęła 103 pacjentów: 33 z nawrotem miejscowym i 70 z przerzutami odległymi. Dane przedstawiono jako n (%). Zmienne kategoryczne porównywano za pomocą testu chi-kwadrat Pearsona lub dokładnego testu Fishera, gdy jakakolwiek oczekiwana liczba w komórce była <5. Brak było brakujących danych. *Surowe p < 0,05. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 4: Skuteczność modeli radiomicznych, peritumorystycznych i łączonych w różnicowaniu wznowy miejscowej od przerzutów odległych. Analiza objęła 103 pacjentów: 33 ze wznową miejscową i 70 z przerzutami odległymi. Przedziały ufności 95% CI zostały oszacowane przy użyciu 1000 prób bootstrapowych. Skróty: AUC = pole pod krzywą charakterystyki operacyjnej odbiornika; CI = przedział ufności. Kliknij tutaj, aby pobrać tę tabelę.

Rycina uzupełniająca 1: Schemat blokowy wyboru pacjentów. Przesiewowo wyłoniono pacjentów, u których między 2013 a 2020 rokiem wykonano co najmniej jedno badanie CT klatki piersiowej, a raporty patomorfologiczne zawierały terminy „lung” (płuco) i „cancer” (rak). Po wykluczeniach na podstawie raportów patomorfologicznych i zapisów w szpitalnym systemie informatycznym pozostało 238 pacjentów. Kolejnych 45 pacjentów wykluczono z powodu braku obrazów CT sprzed rozpoczęcia leczenia (n = 39), raka zapalnego (n = 4) lub artefaktów CT utrudniających analizę obrazu (n = 2). Ostatecznie wykluczono pacjentów z resekcją R1 (n = 12), utratę z obserwacji (n = 43) lub brak progresji do końca okresu obserwacji (n = 35), co dało grupę 103 pacjentów do zestawów treningowego i walidacyjnego. CT, tomografia komputerowa; HIS, szpitalny system informatyczny; R1, resekcja z mikroskopowo dodatnim marginesem. Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 1: Analiza wrażliwości wydajności modelu w zależności od różnych odległości rozszerzenia okoguźnego. Dyskryminację modelu oceniono w kohorcie walidacyjnej, wykorzystując obszary okoguźne o szerokości 1, 3 i 5 mm. Model okoguźny 3 mm służył jako referencyjny. ΔAUC oznacza różnicę w AUC w stosunku do modelu 3 mm, a wartości p obliczono za pomocą dwustronnego testu DeLonga. AUC, pole pod krzywą charakterystyki operacyjnej odbiornika; CI, przedział ufności. Kliknij tutaj, aby pobrać ten plik.

Dyskusja

Niniejsza praca przedstawia protokół radiomiczny oparty na TK w celu przedoperacyjnego odróżnienia nawrotu miejscowego od przerzutów odległych po resekcji R0 u pacjentów z NSCLC w stadium T3–T4. Zamiast skupiać się wyłącznie na przewidywaniu wyników, zaproponowany model operacjonalizuje ryzyko nawrotu miejscowego poprzez integrację wewnątrzguzowych i okołoguzowych reprezentacji radiomicznych pochodzących z rutynowych obrazów TK z kontrastem. Protokół wykazał stabilną skuteczność w reprezentatywnej kohorcie chirurgicznej, przy czym najwyższą wartość AUC osiągnął model łączący analizę guza i obszaru okołoguzowego. W celu oszacowania ryzyka nawrotu pooperacyjnego w NSCLC zbadano kilka podejść przedoperacyjnych, w tym modele kliniczno-radiologiczne, parametry metaboliczne pochodne z 18F-FDG PET/CT, ręcznie opracowane cechy radiomiczne TK oraz uczenie głębokie. Metaboliczna objętość guza oraz całkowita glikoliza zmian wyznaczone za pomocą PET/CT dostarczają informacji prognostycznych po resekcji chirurgicznej, lecz wymagają dodatkowego badania obrazowania molekularnego i są zależne od protokołów akwizycji oraz rekonstrukcji15. Modele radiomiczne i oparte na uczeniu głębokim w TK mogą nieinwazyjnie szacować ryzyko nawrotu lub przeżycie wolne od choroby16, a wcześniejsze badania wykazały wartość włączenia informacji okołoguzowych lub łączenia obrazowania ze zmiennymi klinicznymi17,18. Jednakże poprzednie podejścia skupiały się głównie na tym, czy i kiedy doszło do nawrotu, szczególnie w przypadku gruczolakoraka płuca we wczesnym stadium, a nie na anatomicznym wzorcu pierwszej progresji choroby. Potencjalną zaletą obecnego modelu jest wykorzystanie rutynowo wykonywanej przedoperacyjnej TK z kontrastem oraz integracja informacji wewnątrzguzowych i bezpośrednio przylegających informacji okołoguzowych w celu odróżnienia nawrotu miejscowego od progresji w postaci przerzutów odległych po resekcji R0 u pacjentów z NSCLC w stadium T3–T4.

Z perspektywy metodologicznej motywacją kliniczną do opracowania niniejszego protokołu są immanentne ograniczenia oceny marginesów patologicznych. Choć histopatologia pozostaje standardem referencyjnym, jest ona z natury ograniczona przez błąd próbkowania oraz niepełne pokrycie przestrzenne marginesu chirurgicznego. Badania wykazały, że w przypadku niedrobnokomórkowego raka płuca (NSCLC) w stadium IA wskaźnik nawrotów miejscowych po resekcji klinowej jest znacznie wyższy niż po lobektomii19. Uważa się, że wynika to głównie z przeoczenia obecności resztkowych komórek nowotworowych w marginesie chirurgicznym oraz wysokiego wskaźnika nawrotów miejscowych spowodowanego niepełną resekcją. Ponadto, analizując preparaty patologiczne pacjentów z nawrotowym miejscowo NSCLC, można zaobserwować komórki nowotworowe w marginesie chirurgicznym20. Wcześniejsze serie zabiegowe wykazały, że niepełna resekcja i utajona choroba resztkowa istotnie zwiększają ryzyko nawrotu miejscowego i niekorzystnie wpływają na przeżycie długoterminowe, podczas gdy badania obrazowe pozwalają ocenić makroskopowe i przestrzenne cechy nowotworu przed operacją. Niniejszy protokół należy zatem traktować jako uzupełniającą metodologię badawczą służącą do charakteryzacji wzorców nawrotów, a nie jako zamiennik patologicznego badania marginesów. Takie rozróżnienie pozwala uniknąć retrospektywnego określania nawrotów miejscowych w przypadku R0 jako dowodu na dodatni lub immanentnie obarczony wysokim ryzykiem margines chirurgiczny.

Centralnym elementem projektu proponowanego modelu jest jawne włączenie radiomicznych cech okoguza. Predefiniowany pierścień o szerokości 3 mm próbuje bezpośredni interfejs między guzami a płucami, gdzie wzorce obrazowania mogą odzwierciedlać inwazję, reakcję desmoplastyczną, obrzęk, zmiany naczyniowe lub interakcje między guzem a organizmem gospodarza. W analizie wrażliwości pozorne wartości AUC dla modeli 1, 3 i 5 mm wynosiły odpowiednio 0,62, 0,75 i 0,59. Model 1 mm był numerycznie niższy od modelu 3 mm, bez statystycznie istotnej różnicy między nimi, podczas gdy model 5 mm wykazał znacznie gorsze wyniki. Wyniki te wspierają predefiniowaną definicję 3 mm w tej kohorcie, ale nie ustalają 3 mm jako uniwersalnie optymalnej odległości. Szersze pierścienie w guzach T3–T4 mogą obejmować miąższ pozapłucny lub sąsiednie struktury anatomiczne.

Leczenie pooperacyjne może zmieniać lokalizację i czas wystąpienia nawrotu, a zatem pozostaje potencjalnym źródłem czynników zakłócających. Terapia celowana występowała rzadziej w grupie z nawrotem miejscowym niż w grupie z przerzutami odległymi (6,1% versus 21,4%; surowe p = 0,0499), podczas gdy pozostałe rozkłady leczenia nie różniły się istotnie. W analizie wrażliwości z wyłączeniem 17 pacjentów, którzy otrzymali terapię celowaną przed progresją choroby, model fuzji utrzymał AUC na poziomie 0,80 (95% CI, 0,70–0,89), co było niemal identyczne z wynikiem analizy podstawowej (ΔAUC = −0,001; 95% CI, −0,034 do 0,033; p = 0,948). Wyniki te sugerują, że zdolność dyskryminacyjna modelu fuzji nie była w istotny sposób determinowana przez terapię celowaną stosowaną przed progresją.

Stabilność i powtarzalność cech są kluczowymi kwestiami w metodologii radiomicznej. W niniejszym protokole ekstrakcja cech była zgodna z wytycznymi Image Biomarker Standardization Initiative21. Robustność została systematycznie oceniona za pomocą testów powtarzalności międzyobserwatorowej i wewnątrzobserwatorowej. Najbardziej wpływowe cechy w modelu łączonym pochodziły głównie z obszaru peritumoralnego, co podkreśla metodologiczną istotę standaryzowanego wyznaczania granic obszaru peritumoralnego. Kroki te wspólnie zwiększają niezawodność i przenaszalność proponowanego protokołu.

Należy zwrócić uwagę na kilka ograniczeń niniejszego protokołu. Po pierwsze, ramy metodologiczne zostały opracowane i zwalidowane w oparciu o dane z jednej instytucji, a dobór pacjentów może odzwierciedlać specyfikę praktyk chirurgicznych tej placówki. Po drugie, odstępy czasowe między wizytami kontrolnymi nie były jednolite, a utrata pacjentów z obserwacji mogła wpłynąć na charakterystykę nawrotu. Po trzecie, choć protokół identyfikuje cechy radiomiczne związane z ryzykiem nawrotu związanego z marginesem, nie wyjaśnia on bezpośrednio leżących u podstaw mechanizmów patologicznych. Przyszłe prace powinny skupić się na walidacji wieloośrodkowej, harmonizacji różnych platform obrazowania oraz integracji z korelatami patologicznymi i molekularnymi, aby dalej dopracować biologiczną interpretowalność cech radiomicznych. Podsumowując, niniejsze badanie wprowadza ustandaryzowany protokół radiomiczny oparty na tomografii komputerowej (CT) do przedoperacyjnej charakterystyki wzorca nawrotu w NSCLC stopnia T3-T4. Poprzez jawne włączenie radiomicznych informacji okołoguzowych, opracowane ramy mają służyć jako reprodukowalny protokół badawczy; przed wdrożeniem klinicznym lub podejmowaniem decyzji terapeutycznych wymagana jest zewnętrzna walidacja wieloośrodkowa oraz ocena w nieselekcjonowanej kohorcie pooperacyjnej.

Oświadczenia

Autorzy nie deklarują konfliktu interesów. Do stworzenia lub modyfikacji rycin w niniejszym manuskrypcie nie wykorzystano żadnych narzędzi generatywnej sztucznej inteligencji.

Podziękowania

Dziękujemy LetPub (www.letpub.com.cn) za pomoc językową podczas przygotowywania niniejszego manuskryptu. Praca ta była wspierana przez Science and Technology Innovation 2030-Major Projects (2020AAA0109500).

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Deepwise Multimodal Research PlatformDeepwisewersja 3.1.3wykorzystywane do segmentacji, ekstrakcji cech radiomicznych i budowy modelu
PythonPython Software Foundationhttps://www.python.orgwersja 3.9.13
RR Foundationhttps://www.r-project.orgwersja 4.3.2
Somatom DefinitionSimensbrakWykorzystywane do akwizycji obrazów CT
Somatom Definition FlashSimensbrakWykorzystywane do akwizycji obrazów CT
Somatom EmotionSimensbrakWykorzystywane do akwizycji obrazów CT
Somatom PerspectiveSimensbrakWykorzystywane do akwizycji obrazów CT

Bibliografia

  1. Ohguri T, Yahara K, Moon SD, Yamaguchi S, Imada H, et al. Postoperative radiotherapy for incompletely resected non-small cell lung cancer: clinical outcomes and prognostic value of the histological subtype. J Radiat Res. 2012;53(2):319-325.
  2. Hancock JG, Rosen JE, Antonicelli A, Moreno A, Kim AW, et al. Impact of adjuvant treatment for microscopic residual disease after non-small cell lung cancer surgery. Ann Thorac Surg. 2015;99(2):406-413.
  3. Sawabata N, Maeda H, Matsumura A, Ohta M, Okumura M; Thoracic Surgery Study Group of Osaka University. Clinical implications of the margin cytology findings and margin/tumor size ratio in patients who underwent pulmonary excision for peripheral non-small cell lung cancer. Surg Today. 2012;42(3):238-244.
  4. Wang EH, Corso CD, Rutter CE, Park HS, Chen AB, et al. Postoperative radiation therapy is associated with improved overall survival in incompletely resected stage II and III non-small-cell lung cancer. J Clin Oncol. 2015;33(25):2727-2734.
  5. Sawabata N, Funaki S, Nakagiri T, Shintani Y, Inoue M, et al. Clinical implications of the margin cytology findings and margin/tumor size ratio in patients who underwent pulmonary wedge resection for peripheral non-small cell lung cancer. J Thorac Oncol. 2012;7(11):S473.
  6. Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2016;278(2):563-577.
  7. Huang Y, Liu Z, He L, Chen X, Pan D, et al. Radiomics signature: a potential biomarker for the prediction of disease-free survival in early-stage (I or II) non-small cell lung cancer. Radiology. 2016;281(3):947-957.
  8. Yang H, Wang L, Shao G, Dong B, Wang F, et al. A combined predictive model based on radiomics features and clinical factors for disease progression in early-stage non-small cell lung cancer treated with stereotactic ablative radiotherapy. Front Oncol. 2022;12:967360.
  9. She Y, He B, Wang F, Zhong Y, Wang T, et al. Deep learning for predicting major pathological response to neoadjuvant chemoimmunotherapy in non-small cell lung cancer: a multicentre study. EBioMedicine. 2022;86:104364.
  10. Wang S, Yu H, Gan Y, Wu Z, Li E, et al. Mining whole-lung information by artificial intelligence for predicting EGFR genotype and targeted therapy response in lung cancer: a multicohort study. Lancet Digit Health. 2022;4(5):e309-e319.
  11. Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, et al. A radiomics approach to assess tumour-infiltrating CD8 cells and response to anti-PD-1 or anti-PD-L1 immunotherapy: an imaging biomarker, retrospective multicohort study. Lancet Oncol. 2018;19(9):1180-1191.
  12. Chen Q, Shao J, Xue T, Peng H, Li M, et al. Intratumoral and peritumoral radiomics nomograms for the preoperative prediction of lymphovascular invasion and overall survival in non-small cell lung cancer. Eur Radiol. 2023;33(2):947-958.
  13. Qi LL, Wang JW, Yang L, Huang Y, Zhao SJ, et al. Natural history of pathologically confirmed pulmonary subsolid nodules with deep learning-assisted nodule segmentation. Eur Radiol. 2021;31(6):3884-3897.
  14. Qi LL, Wu BT, Tang W, Zhou LN, Huang Y, et al. Long-term follow-up of persistent pulmonary pure ground-glass nodules with deep learning-assisted nodule segmentation. Eur Radiol. 2020;30(2):744-755.
  15. Kim K, Kim SJ, Kim IJ, Kim YS, Pak K, et al. Prognostic value of volumetric parameters measured by F-18 FDG PET/CT in surgically resected non-small-cell lung cancer. Nucl Med Commun. 2012;33(6):613-620.
  16. Kim H, Goo JM, Lee KH, Kim YT, Park CM. Preoperative CT-based deep learning model for predicting disease-free survival in patients with lung adenocarcinomas. Radiology. 2020;296(1):216-224.
  17. Christie JR, Daher O, Abdelrazek M, Romine PE, Malthaner RA, et al. Predicting recurrence risks in lung cancer patients using multimodal radiomics and random survival forests. J Med Imaging (Bellingham). 2022;9(6):066001.
  18. Lan H, Wei C, Xu F, Yang E, Lu D, et al. 2.5D peritumoural radiomics predicts postoperative recurrence in stage I lung adenocarcinoma. Front Oncol. 2024;14:1382815.
  19. Koike T, Koike T, Yoshiya K, Tsuchida M, Toyabe S. Risk factor analysis of locoregional recurrence after sublobar resection in patients with clinical stage IA non-small cell lung cancer. J Thorac Cardiovasc Surg. 2013;146(2):372-378.
  20. Sawabata N, Matsumura A, Ohota M, Maeda H, Hirano H, et al. Cytologically malignant margins of wedge resected stage I non-small cell lung cancer. Ann Thorac Surg. 2002;74(6):1953-1957.
  21. Zwanenburg A, Vallières M, Abdalah MA, Aerts HJWL, Andrearczyk V, et al. The Image Biomarker Standardization Initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology. 2020;295(2):328-338.

Przedruki i uprawnienia

Przeglądaj więcej artykułów

Radiomika TKklasyfikacja nawrotówheterogeniczność guzaradiomika peritumoralnaresekcja R0ekstrakcja cech radiomicznychnawrót miejscowyprzerzuty odległe
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.