背景：
计算机提取的肿瘤特征已被纳入医学影像计算机辅助诊断(CAD)算法数十年。影像组学是CAD的一个扩展，涉及高通量计算机提取的健康或病理结构和过程的定量表征(如医学成像)，随着影像组学的出现，人们对这种计算机提取的测量值的兴趣大幅增加。然而，尽管有成千上万的影像组学研究，但影像组学成功转化为临床有用工具或获得FDA批准的情况相对较少。这种相对缺乏可能归因于以下因素:不同研究中使用的影像学和影像组学特征提取方案不同，影像组学数据分析中存在许多潜在缺陷，以及缺乏研究表明采用基于影像组学的工具可使患者获得良好的获益-风险平衡。目前已经有一些关于影像组学数据获取和分析具体方面的指南，但在将影像组学转化为可用于临床治疗的工具的整个过程中，我们还需要类似的路线图。在本文中，作者提供了有效执行这一过程的16条标准，希望它们能够指导未来开发更多临床有用的影像组学检查。
简介：
2022年11月28日，来自美国美国国立卫生研究院国立癌症研究所癌症治疗和诊断部的Erich P. Huang教授课题组在Nat Rev Clin Oncol（IF: 66.7）杂志上发表题为“Criteria for the translation of radiomics into clinically useful tests”的文章[1]。
主要结果：
几十年来，计算机辅助诊断(CAD)算法利用计算机提取的肿瘤特征来改进疾病的检测和诊断、治疗计划和随访，在乳腺癌和肺癌筛查方面取得了一些特别显著的进展。最近，影像组学已成为CAD的延伸，它通过高通量计算机提取健康或病理结构和过程的定量表征，并通过体内医学成像捕捉到这些结构和过程。与其他“组学”技术类似，从标准临床工作流程中获得的图像中提取如此大量的信息，能够对肿瘤进行广泛的表征，并有助于评估肿瘤内部和肿瘤之间的异质性和纵向变化。
临床应用。
在任何正式的开发和验证之前，应确定放射组学检查的预期临床用途和目标人群(标准1)。在临床治疗中使用放射组学检查应指导疾病评估和治疗决策，使其达到有利的获益-风险权衡，并且与旨在为目标人群发挥相同作用的其他检查相比具有优势(标准2)。预期临床用途将对后续开发和治疗阶段产生重要影响验证，包括从成像数据中提取哪些特征，最佳成像时间点，以及直接评估测试在其预期作用中的性能的临床试验设计。
标准1:预期角色和目标人群。
影像组学常用于癌症筛查或诊断。例如，MRI影像组学可用于诊断乳腺异常，CT影像组学可用于检测包括肺、脑和前列腺在内的各个器官的病变。利用影像组学进行预后预测，即预测接受标准治疗的患者的临床结局，是一个越来越受关注的研究领域;例如，基于CT的影像组学可能是预测接受标准治疗的头颈部鳞状细胞癌或非小细胞肺癌患者结局的有用方法。放射组学检测也可用于治疗选择，即用于指示从特定类别的治疗中获益或缺乏获益的检测;例如，基于动态对比增强MRI (DCE-MRI)上肿瘤大小、形状和熵特征的雌激素受体表达模型已被开发用于指导乳腺癌患者的治疗选择。放射组学检测也可用于评估治疗反应和监测疾病状态。
标准2:患者从临床治疗中使用该试验获益。
使用影像组学检查的益处应在目标人群现有治疗和可获得具有类似作用的其他检查的背景下明确说明。影像组学检测可用于对患者进行分层，以优化每个个体的治疗选择，从而避免患者接受无效或不必要的治疗。旨在指导治疗选择的预测性检验有可能区分有可能从特定治疗或治疗类别中获益(如较长的中位无进展生存期(PFS)或总生存期)的患者和无获益的患者。一项预后检测可以识别在标准治疗中结局特别差，并且可能考虑更强化治疗的患者;然而，这种检查可能只有在有合适的替代疗法的情况下才有用。
图1：自1967年以来每年的出版物数量。在PubMed检索“(计算机辅助诊断)或CAD或放射组学和(癌症或肿瘤)”。报告了截至2022年9月20日每年公布的条目数量。
标准3:图像采集和处理的标准操作程序。
应规定图像采集参数，以优化图像质量(例如，通过将成像噪声保持在可接受的低水平或确保足够的空间、对比度和/或时间分辨率)，并应进行标准化，以最大限度地提高各成像中心、设备和操作人员的再现性。
标准4:特征提取的标准操作程序。
在正式测试开发之前，应确定从影像学数据中提取的数量清单。传统上，影像组学特征是人类工程的，通过手动、半自动或全自动分割从周围组织中勾画肿瘤，然后对感兴趣区域内的体素数据应用预先指定的计算程序来提取。
标准5:特征检测的技术效度。
充分的技术效度通常需要评估特征测量的可重复性和再现性。可重复性指的是在短时间内由同一名操作者对同一中心的同一患者进行多次特定的成像和特征提取标准操作程序。再现性是指当成像中心和操作者等因素发生变化时，重复测量的精度。
标准6:技术工件的特征测量校正。
技术伪影，即与成像中心、操作者和/或设备配置等变量相关的因素对特征测量分布的影响，可能会混淆随后的影像组学分析结果。因此，在开发和验证影像组学模型之前，应建立旨在纠正这些因素造成的特征测量变化的程序。
标准7:目标人群的影像学、转归及其他相关数据。
我们可以前瞻性地获取影像组学分析性能数据，通常是纳入目标人群的2期或3期试验中明确说明的次要目标的一部分，方法是在预期时间点进行图像采集和处理的标准操作程序，以及将特征提取方案(以之前描述的点为指导)写入方案。
标准8:建立影像组学模型并防止过拟合。
统计学和机器学习文献中提出的模型拟合技术范围已在其他文章中进行了详细描述。文献表明，没有任何一种模型拟合技术优于其他任何方法，但无论使用何种方法，都应始终注意避免过拟合，也就是说，将一个过于复杂的模型拟合到数据中的噪声中，从而产生一个模型，当应用到全新的数据时，只有很差的预测性。
标准9:模型验证。
在避免可能的过拟合的情况下，一旦建立了模型，则应证明该模型能够以足够的准确度预测关注的终点，无论是临床事件或状态还是生物学特征。稳健的模型性能并不一定意味着在指导医疗决策方面有用。
标准10:影像组学检测锁定。
一旦开发出模型并显示出合理的预测准确性，就应锁定测试的所有组成部分。在影像组学中，测量过程包括图像采集和处理的标准操作程序(标准3)以及特征提取(标准4)和模型输出的计算。
标准11:测试输出的解读。
基于支持向量机等技术的模型将产生由离散类别组成的输出，每个类别都可以与特定的临床解读和决策相关联。然而，通过大多数其他技术构建的模型将产生定量输出，如特定事件的预测概率。为了进行解读和临床决策，可能需要将这些连续的输出结果分成有限数量的离散类别。
标准12:测试输出的再现性。
测试输出结果的可重复性应被证明足够稳健，以确保放射组学测试无论在何处或由谁进行都会产生相似的结果。一种方法是让患者使用既定的标准操作程序进行重复扫描，期间不进行干预。
标准13:处理数据和放射组学测试漂移的过程。
大多数放射组学检查的计算程序可能会随着时间的推移而变化。成像硬件和计算软件可能会升级。此外，模型本身在拟合新数据后也会发生变化。应当对这些变化进行监测，以便能够评估其影响。某些更改可能还需要返回到模型开发和验证的前面步骤。
图2：影像组学分析的类型
标准14:测试的临床效度。
临床验证超越了模型验证，因为前者涉及对模型性能的评估，该性能对临床环境和预期用途具有更大的特异性。例如，对预后放射组学检验进行的模型验证可能包括显示总生存期和模型输出之间的一致性水平高于某些预先设定的有意义的阈值。与此同时，临床验证可能需要证明，在耐受性良好的标准治疗方案下，被归类为低危类别的患者有非常高(>90%)的5年PFS，而其他风险类别的患者结局明显较差。
标准15:直接评价该试验在其临床使用中的性能。
为了评估使用影像组学检查指导临床疾病管理的益处，最佳设计、终点和统计学分析存在很大差异，这取决于该检查的预期用途。例如，对于预期将优于目前广泛应用的体外预后分析的放射组学检测，我们应证明基于放射组学检测做出治疗决策的患者的结局显著优于根据体外分析决定临床治疗的患者。
标准16:使用影像组学检查的获益与风险平衡。
与使用影像组学检查相关的获益-风险平衡不仅包括与实施检查相关的风险和获益，还包括与由检查结果指导的临床决策相关的风险和获益。如果一项检查的预期用途是选择一种与其他可用选项相比具有更好临床结局的治疗，那么临床结局的改善不仅应达到统计学显著性，而且应达到足以证明使用放射组学检查合理性的程度。
图3：将影像组学转化为临床有用工具的16项标准
结论和展望：
本文提供的16项推荐标准旨在指导将影像组学检查转化为临床有用的工具，并有望适用于各种影像学模式和场景。其中许多建议与已发表的其他影像组学指南有共同的主题；例如，遵循这些建议涉及了影像组学质量评分的许多组成部分。
影像组学越来越可能涉及基于完全机器学习的图像分析(如基于深度学习的特征)，或者直接将人工智能和机器学习算法应用于体素水平数据。如前所述，这样的转换预计将消除人为错误造成的大部分变异性，并在许多场景中改善模型性能，但它也将受益于与临床信息的集成，从而更好地为每个患者提供个性化的测试结果。例如，这种类型的检查不仅可以用于检测癌症，还可以用于在有其他合并症的情况下进行检测(例如，在有糖尿病、慢性炎症过程和/或高血压的情况下检查肾脏)。增加不同类型数据的可用性应有助于这些类型的改进。
原文链接：https://pubmed.ncbi.nlm.nih.gov/36443594/
转自：“生物医学科研之家”微信公众号
如有侵权，请联系本站删除！
