基于放射组学的机器学习模型在PET图像上检测口腔癌颈部淋巴结转移的评估

口腔癌淋巴结转移检测中基于PET图像放射组学分析优于传统SUV参数。研究通过机器学习模型提取129个淋巴结的放射组学特征，结果显示模型AUC达0.84-0.86，敏感性84.8%-96.3%，显著优于SUVmax（0.82）、SUVmean（0.80）、MTV（0.71）和TLG（0.73）的传统方法。

Yutaka Nikkuni|Hideyoshi Nishiyama|Masaki Takamura|Taichi Kobayashi|Marie Soga|Makiko Ike|Kouji Katsura|Takafumi Hayashi

新潟大学医学与牙科学研究生院口腔颌面放射学系

摘要

目的

在本研究中，我们假设将放射组学分析应用于治疗前的PET图像，在检测口腔鳞状细胞癌的淋巴结转移方面，会比基于SUV_max、SUV_mean、MTV和TLG的传统方法更准确。

材料与方法

本研究回顾性分析了2016年至2023年间在一家医疗机构进行临床诊断时，通过颈部淋巴结清扫术组织病理学确认有转移/无转移的淋巴结。在这些淋巴结中，对治疗前PET成像中确认有转移的淋巴结进行了淋巴结分割，并从分割结果中提取了放射组学特征。我们选择了有助于检测转移性淋巴结的特征，构建了机器学习（ML）模型，并验证了其检测准确性。对于SUV_max、SUV_mean、MTV和TLG，确定了检测转移性淋巴结的临界值及其准确性。

结果

最终共有67名患者纳入研究，从129个淋巴结（96个转移性，33个非转移性）中提取了放射组学特征。基于所选放射组学特征构建的ML模型的AUC范围为0.84至0.86。而传统方法的AUC分别为SUV_max 0.82、SUV_mean 0.80、MTV 0.71和TLG 0.73。此外，ML模型的敏感性范围为84.8%至96.3%，高于传统方法的53.1%至79.2%。

结论

与传统方法相比，放射组学可能有助于检测转移性淋巴结。

引言

正电子发射断层扫描（PET）检查在确定口腔癌分期方面起着非常重要的作用[1]。在用于诊断目的的成像方式中，PET的辐射暴露量特别高。从辐射剂量的角度来看，这与不产生电离辐射的磁共振成像（MRI）和超声检查相比明显是一个缺点。然而，PET成像在肿瘤检测中的假阴性（FN）率明显较低[1]，这是其他成像方式无法实现的诊断优势。换句话说，PET能够最大限度地减少假阴性结果，这在恶性肿瘤的诊断中是一个非常有价值的特性[1]。多项研究表明，病变的最大标准化摄取值（SUV_max）、平均SUV值（SUV_mean）、代谢肿瘤体积（MTV）和总病变糖酵解（TLG）有助于预测口腔癌的预后[[2]、[3]、[4]、[5]、[6]]。然而，尽管这些传统评估标准有一定作用，但它们的准确性并不可靠。近年来，一种称为放射组学的新医学图像分析方法受到了关注[7,8]。随着不同成像方式的发展，医学图像中的信息量大幅增加。放射组学利用高通量从医学图像中提取特征，然后利用这些特征对病变进行表型分析。有多种方法可用于单独评估放射组学方法提取的大量特征，近年来人们尝试通过结合多个放射组学特征来构建机器学习（ML）预测模型，以提高诊断准确性[[9]、[10]、[11]、[12]]。ML模型通过使用与预测目标相关的多个特征来创建预测算法，从而在各个领域进行预测。利用ML模型提高预测准确性的研究已在医学领域得到广泛应用，包括预测恶性肿瘤治疗后的复发和后续颈部淋巴结转移等任务。放射组学结果通常基于计算机断层扫描（CT）和MRI，尽管从PET图像中获得的放射组学特征也可能提高口腔癌术前诊断的准确性。基于以上原因，我们假设放射组学ML模型在检测PET图像中的转移性淋巴结方面会比传统参数（SUV_max、MTV、TLG）更准确，并通过调查每种方法的检测准确性来验证这一假设。已有多项研究报道了利用基于PET的放射组学来提高口腔癌诊断准确性的尝试。本研究与前人工作的独特之处在于：首先，它直接使用相同的数据集比较了基于放射组学的机器学习模型与传统评估方法的诊断性能，从而实现了无偏且易于解释的对比；其次，它使用了比以往研究更多样的放射组学特征，这有助于识别更具区分性的特征，有望促进更准确的机器学习模型的开发。

方法与步骤

材料与方法

本研究在BLINDED伦理委员会的伦理审查后（批准编号2022-0329）被批准为人类流行病学研究。研究程序符合《赫尔辛基宣言》的要求。所有患者均获得了口头知情同意。

结果

本研究共纳入81名患者，从这些患者的PET图像中提取了144个淋巴结的放射组学特征。然而，有14名患者的15个淋巴结未提取到放射组学特征，因此最终的放射组学数据集包含67名患者的129个淋巴结的数据。该样本数量满足了本研究的要求。表1显示了最终纳入的67名患者的特征。

讨论

本研究构建的ML模型基于表3中显示的10个特征，这些特征均为纹理特征，不包括一阶特征。在这些纹理特征中，只有“bins0.05 WL_HHH GLSZM Small Area Low Gray Level Emphasis”关注上下灰度级别（SUV），而其他特征关注灰度级别的分布模式（SUV）。转移性淋巴结仅包含活肿瘤细胞，其代谢活动较高。

作者贡献声明

Yutaka Nikkuni：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、资源管理、方法学设计、研究实施、数据分析、概念构建。Hideyoshi Nishiyama：撰写 – 审稿与编辑、监督、方法学设计、概念构建。Masaki Takamura：研究实施、数据分析、数据管理。Taichi Kobayashi：研究实施、数据分析、数据管理。Marie Soga：研究实施、数据分析。Makiko Ike：研究实施

利益冲突声明

作者声明没有利益冲突。本研究未接受任何外部资助。