Efficacy of support vector machine model constructed based on dual-parameter MRI radiomics in predicting the expression of human epidermal growth factor receptor-2 and hormone receptor in breast cancer patients
-
摘要:目的
构建基于磁共振T2WI反转恢复压脂(TIRM)及扩散加权成像(DWI)序列图像的支持向量机(SVM)模型, 评估其对乳腺癌人表皮生长因子受体-2(HER-2)和激素受体(HR)表达水平的预测效能。
方法收集128个于术前或治疗前接受乳腺MRI检查的乳腺癌病灶。根据免疫组织化学(IHC)或原位荧光杂交(FISH)检测结果进行分组。使用ITK-SNAP软件在磁共振TIRM和DWI序列图像上勾画三维容积感兴趣区(VOI), 并导入Pyradiomics程序提取影像组学特征。对数据进行归一化处理后使用基于支持向量机的递归特征消除法(SVM-RFE)筛选特征。采用随机分层抽样方法将108例病例按照8∶2比例分为训练组及验证组，另外20例作为外部测试组。采用SVM机器学习分类器构建影像组学模型。采用受试者工作特征(ROC)曲线评估模型预测效能。采用DeLong检验评估各影像组学模型ROC曲线下面积(AUC)。采用SHAP算法进行可视化分析，并筛选最具贡献力的预测特征。
结果联合模型(训练组AUC=0.94; 验证组AUC=0.90)对HER-2的预测效能均高于TIRM模型(训练组AUC=0.85; 验证组AUC=0.80)、单DWI模型(训练组AUC=0.88; 验证组AUC=0.66)。外部测试组联合模型的AUC为0.89。SHAP算法得出DWI序列的特征贡献较大。基于TIRM和DWI序列联合特征(训练组AUC=0.96; 验证组AUC=0.88)、单DWI序列特征(训练组AUC=0.92; 验证组AUC=0.86)构建的影像组学模型预测HR效能优于单TIRM序列特征(训练组AUC=0.84; 验证组AUC=0.68)构建的模型。外部测试组证明联合模型具有较好的预测效能, AUC为0.90。SHAP算法得出TIRM序列的特征贡献较大。
结论基于磁共振成像TIRM和DWI序列联合特征构建的影像组学模型对于HER-2水平具有良好的预测效能，对HR表达具有较大的预测潜力，可为乳腺癌患者制订个性化治疗方案提供依据。
-
关键词:
- 影像组学 /
- 乳腺癌 /
- 支持向量机 /
- 人表皮生长因子受体-2 /
- 激素受体
Abstract:ObjectiveTo construct a support vector machine (SVM) model based on magnetic resonance imaging (MRI) T2WI turbo inversion recovery magnitude (TIRM) and diffusion-weighted imaging (DWI) sequences, and evaluate its predictive performance for expression levels of human epidermal growth factor receptor-2 (HER-2) and hormone receptor (HR) in breast cancer.
MethodsA total of 128 breast cancer lesions underwent breast MRI before surgery or treatment were collected, and were grouped according to immunohistochemical (IHC) method or in situ fluorescence hybridization (FISH) results. ITK-SNAP software was used to outline the three-dimensional volume region of interest (VOI) on magnetic resonance TIRM and DWI sequence images, and Pyradiomics program was introduced to extract the image omics features. After normalization of the data, a recursive feature elimination method based on support vector machine-recursive feature elimination (SVM-RFE) was used to filter the features. A total of 108 cases were divided into training group and verification group according to 8∶2 ratio by random stratified sampling method, and the other 20 cases were used as external test group. SVM machine learning classifier was used to construct the image omics model. Receiver operating characteristic (ROC) curve was used to evaluate the prediction efficiency of the model. DeLong test was used to evaluate the area under the curve (AUC) of each image omics model. SHAP algorithm was used for visual analysis, and the most contributing prediction features were screened.
ResultsThe prediction efficiency of the combined model (training group AUC=0.94, verification group AUC=0.90) for HER-2 was higher than that of TIRM model(training group AUC=0.85, verification group AUC=0.80) and single DWI model(training group AUC=0.88, verification group AUC=0.66). The AUC of combined model in the external test group was 0.89. The feature contribution of DWI sequence obtained by SHAP algorithm was great. The image omics model based on the combination of TIRM and DWI sequence features (training group AUC=0.96, verification group AUC=0.88) and the single DWI sequence features (training group AUC=0.92, verification group AUC=0.86) was better than the model based on the single TIRM sequence features (training group AUC=0.84, verification group AUC=0.68) in HR prediction. The external test group proved that the combined model had good predictive efficiency, with an AUC of 0.90. The feature contribution of TIRM sequence obtained by SHAP algorithm was great.
ConclusionThe imaging omics model constructed based on the combined features of TIRM and DWI sequences in magnetic resonance imaging has good predictive efficacy for HER-2 level, and has great potential in predicting HR expression, which can provide a basis for the formulation of personalized treatment for breast cancer patients.
-
酒依赖为精神科最常见的物质依赖之一，是一种长期、反复的成瘾性身心疾病，临床特征是对饮酒影响的耐受性增强，对饮酒的控制能力下降，存在心理和生理危害或戒断症状和体征[1]。酒依赖患者的死亡原因多为躯体疾病，最常见的有肝脏疾病[2]、心脏疾病[3]和营养不良[4-5]等。目前，临床常用的权威营养不良风险筛查工具包括营养风险筛査(NRS)、营养不良通用筛査工具(MUST)、主观全面评定(SGA)等。相关研究[6-7]指出，MUST筛查住院患者营养不良风险相比NRS和SGA更具精准性，且具有很好的表面效度和内容效度，灵敏度、特异度较高，操作简单、耗时少，便于护士操作。本研究应用MUST对新入院酒依赖患者进行营养不良风险筛査，评估MUST的适用性及预测效能，现报告如下。
1. 资料与方法
1.1 研究资料
采用便利抽样法选择2019年11月—2020年1月本院临床心理科收治的29例新入院酒依赖患者作为研究对象，均为男性，其中1例自动出院，最终研究纳入28例。纳入标准: ①年龄≥18岁者; ②神志清楚，具有语言交流能力者; ③愿意参与本研究者。排除标准: ①未完成研究，自动出院者; ②合并严重感染者。
1.2 MUST评估方法
评估分为5个步骤: ①测量患者身高和体质量，计算体质量指数，卧床患者可测量皮褶厚度，根据表格查询对应体质量指数; ②计算非计划性体质量丧失的百分比; ③评价急性疾病或疾病的急性期对躯体的影响; ④将前3步得分相加，以确定营养不良的风险; ⑤根据总得分制订干预计划。MUST总分为0~6分，0分为低风险，1分为中风险，≥2分为高风险。低风险者无需特殊的营养治疗，中、高风险者需要制订营养治疗计划加以干预。本研究将MUST得分 < 1分者纳入对照组，将得分≥1分者纳入观察组。
1.3 观察指标
所有患者入院即接受MUST评估，评估者为责任护士(由本院营养科专家进行培训)，同时使用自制调查问卷收集患者的一般资料，记录患者入院后首次检验的血钾浓度、肝功能指标丙氨酸转氨酶(ALT)或天冬氨酸转氨酶(AST)、血清总蛋白检验结果; 记录患者入院72 h内的临床表现，主要观察有无戒断症状。比较2组患者的一般资料、血液指标情况和入院72 h内的临床症状。
1.4 统计学分析
采用SPSS 20.0统计学软件分析数据，计量资料比较采用t检验，计数资料比较采用Fisher确切概率法进行检验, P < 0.05为差异具有统计学意义。
2. 结果
2.1 MUST评估结果
28例患者中, MUST得分为0分者9例(占32.14%), 1分者2例(占7.14%), ≥2分者17例(占60.71%), 即营养不良低风险者(对照组患者)占32.14%, 营养不良中或高风险者(观察组患者)占67.86%。
2.2 一般资料比较
2组患者在年龄、学历、民族、饮酒史、吸烟史、胃肠功能紊乱方面比较，差异均无统计学意义(P>0.05), 见表 1。
表 1 2组患者一般资料比较(x±s)[n(%)]指标 对照组(n=9) 观察组(n=19) 年龄/岁 45.89±11.23 42.74±8.87 学历 初中及以下 3(33.33) 4(21.05) 高中及中专 2(22.22) 5(26.32) 大专及本科 4(44.44) 10(52.63) 研究生及以上 0 0 民族 汉族 9(100.00) 15(78.95) 少数民族 0 4(21.05) 饮酒史/年 26.22±10.45 20.32±10.33 吸烟史 有 8(88.89) 13(68.42) 无 1(11.11) 6(31.58) 胃肠功能紊乱 有 3(33.33) 5(26.32) 无 6(66.67) 14(73.68) 2.3 血液指标情况比较
2组患者血钾浓度情况比较，差异无统计学意义(P>0.05); 观察组肝功能异常率和血清总蛋白异常率均高于对照组，差异有统计学意义(P < 0.05), 见表 2。
表 2 2组患者入院首次检测血液指标情况比较[n(%)]组别 n 血钾浓度 肝功能 血清总蛋白 正常 低下 正常 异常 正常 异常 对照组 9 9(100.00) 0 7(77.78) 2(22.22) 8(88.89) 1(11.11) 观察组 19 15(78.95) 4(21.05) 7(36.84)* 12(63.16)* 9(47.37)* 10(52.63)* 与对照组比较, *P < 0.05。 2.4 入院72 h内临床症状比较
入院72 h内，对照组患者均未出现戒断症状，观察组出现戒断症状11例，观察组戒断症状发生率(57.89%)高于对照组，差异有统计学意义(P < 0.05)。
3. 讨论
酒依赖患者的营养不良表现常被人们忽视[8], 若在患者新入院时未能加以重视并积极干预，很可能会诱发Wernicke-Korsakoff综合征、院内感染，甚至引起癫痫发作和谵妄，不仅延长患者的卧床时间和住院时间，加重经济负担，还会升高病死率[9]。分析原因，酒依赖患者长期大量饮酒，使得长期饮食中营养密集型食物的摄入减少，加上营养物质的消化、吸收、代谢和利用过程受到影响，故而患者全身多个器官受到损害。目前，关于酒依赖患者营养不良的定性及定量研究尚较少见。MUST是由英国肠外肠内营养学会多学科营养不良咨询小组开发的营养风险筛查工具，主要用于评估患者是否存在蛋白质-热量营养不良风险，优点是具有很好的信度与效度，且操作简单。但MUST也存在一些缺点，若患者卧床或有水肿、腹腔积液等影响体质量测量的情况以及意识不清时，该工具的使用将受到限制。本研究筛查了新入院酒依赖患者的营养不良风险状况，并评估MUST是否能够准确筛查酒依赖患者的营养不良风险。
相关研究[10]将NRS应用于酒依赖患者中，评估结果提示营养不良者约占37.55%。国外研究[11]表明，处于戒断期的住院酒依赖患者中, 53%的患者被确定有营养不良中风险或高风险。本研究应用MUST筛查酒依赖患者营养不良风险的结果提示，存在营养不良中、高风险者约占67.86%, 略高于其他研究。这可能与患者的居住地及生活水平不同有关，也可能与本研究样本量较少有关，还可能与研究者使用的评估工具不同有关。本研究结果还显示，观察组入院72 h内戒断症状发生率高于对照组，差异有统计学意义(P < 0.05), 与相关研究[9]结论一致。由此提示，营养不良很可能会导致戒断症状的发生。护士若在患者新入院时即进行MUST评估，可提升护理安全预警能力，做到心中有数，预防在先，从而减少安全隐患。
MUST可能具有预测酒依赖患者肝功能及血清总蛋白是否正常的能力，本研究中2组患者血钾浓度比较，差异无统计学意义(P>0.05), 但观察组肝功能异常率和血清总蛋白异常率均高于对照组，差异有统计学意义(P < 0.05), 与相关研究[10, 12]结果相似。在患者新入院时进行MUST评估，可帮助护士对患者实施饮食护理及生活指导，并制订个性化的健康教育计划。研究[13-14]指出，酒依赖患者的营养支持计划应贯穿住院全过程，包括鼓励进食，提供补充剂(硫胺素、氨基酸等)，确保水分摄入充足，并持续监测营养状况。护理人员不仅应关注患者的电解质水平，还应关注患者有无饮食摄入量较少情况或再喂养综合征发生风险，必要时可请营养师协助确认再喂养综合征风险并提供针对性建议。以食物为基础的饮食模式[15], 结合社会心理学方面的干预，可为患者带来长期的可持续健康结果。
综上所述，新入院酒依赖患者的营养不良发生风险较高, MUST可较准确地预测患者肝功能、血总蛋白及72 h内戒断症状。将MUST作为酒依赖患者新入院时的营养不良风险筛查工具使用，可对护理工作起到预警作用。本研究仍存在一定局限性，如样本量不够大，日后还应扩大样本量进一步深入探讨，如何对营养不良中、高风险患者进行合理的营养干预也是日后研究的重点。
-
表 1 不同模型评估乳腺癌HER-2表达水平的预测效能
指标 训练组 验证组 TIRM模型 DWI模型 TIRM+DWI模型 TIRM模型 DWI模型 TIRM+DWI模型 AUC 0.85 0.88 0.94 0.80* 0.66* 0.90 95%CI 0.82~0.88 0.80~0.95 0.90~0.98 0.70~0.89 0.48~0.84 0.81~0.98 准确度 0.85 0.84 0.94 0.81 0.76 0.88 灵敏度 0.96 0.92 0.98 0.92 0.86 0.94 特异度 0.50 0.60 0.83 0.46 0.47 0.73 精准率 0.85 0.87 0.94 0.84 0.83 0.92 f1-score 0.90 0.90 0.96 0.88 0.85 0.93 与TIRM+DWI模型比较, * P < 0.05。 
下载: 导出CSV
表 2 不同模型评估乳腺癌HR表达水平的预测效能
指标 训练组 验证组 TIRM模型 DWI模型 TIRM+DWI模型 TIRM模型 DWI模型 TIRM+DWI模型 AUC 0.84 0.92 0.96 0.68 0.86* 0.88* 95%CI 0.81~0.88 0.90~0.93 0.95~0.97 0.48~0.88 0.82~0.91 0.78~0.98 准确度 0.78 0.85 0.92 0.68 0.81 0.84 灵敏度 0.85 0.91 0.96 0.79 0.90 0.88 特异度 0.63 0.74 0.84 0.46 0.65 0.75 精准率 0.83 0.86 0.92 0.74 0.83 0.89 f1-score 0.83 0.89 0.94 0.76 0.86 0.88 与TIRM模型组比较, * P < 0.05。
下载: 导出CSV
-
[1] SUNG H, FERLAY J, SIEGEL R L, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2021, 71(3): 209-249. doi: 10.3322/caac.21660
[2] 王海丽. 多参数MRI影像组学融合模型在预测HER-2 2+乳腺癌及不同激素受体状态下HER-2阳性乳腺癌中的应用价值[D]. 济南: 山东大学, 2021. [3] REINERT T, GONÇALVES R, BINES J. Implications of ESR1 mutations in hormone receptor-positive breast cancer[J]. Curr Treat Options Oncol, 2018, 19(5): 24. doi: 10.1007/s11864-018-0542-0
[4] 叶欣华, 熊戴群, 李金高. 西达本胺联合长春瑞滨软胶囊治疗HR阳性、HER-2阴性晚期乳腺癌的临床研究[J]. 实用癌症杂志, 2022, 37(12): 2070-2073. doi: 10.3969/j.issn.1001-5930.2022.12.041 [5] CANTINI L, PISTELLI M, MERLONI F, et al. Body mass index and hormone receptor status influence recurrence risk in HER2-positive early breast cancer patients[J]. Clin Breast Cancer, 2020, 20(1): e89-e98. doi: 10.1016/j.clbc.2019.06.008
[6] 代婷, 苏桐, 王锐, 等. DCE-MRI影像特征对乳腺癌激素受体、HER-2及三阴性乳腺癌的预测价值[J]. 磁共振成像, 2023, 14(4): 57-67. https://www.cnki.com.cn/Article/CJFDTOTAL-CGZC202304011.htm [7] LIANG X H, YU X Y, GAO T H. Machine learning with magnetic resonance imaging for prediction of response to neoadjuvant chemotherapy in breast cancer: a systematic review and meta-analysis[J]. Eur J Radiol, 2022, 150: 110247. doi: 10.1016/j.ejrad.2022.110247
[8] 陈文静, 牟伟, 张文馨, 等. 平扫T2脂肪抑制序列图像纹理可提高诊断乳腺良恶性结节的准确率[J]. 分子影像学杂志, 2019, 42(4): 453-456. https://www.cnki.com.cn/Article/CJFDTOTAL-FZYX201904007.htm [9] 王振东, 李悦, 申炳俊, 等. 基于迁移学习的乳腺肿瘤组织病理图像分类研究[J]. 长春理工大学学报: 自然科学版, 2023, 46(5): 130-136. https://www.cnki.com.cn/Article/CJFDTOTAL-CGJM202305018.htm [10] 张斌伟, 苟思琪, 程钲益, 等. 乳腺癌患者血清PCSK9、Tracp5b及MUC1表达水平及其与肿瘤病理特征的相关性分析[J]. 检验医学与临床, 2023, 20(9): 1235-1239. https://www.cnki.com.cn/Article/CJFDTOTAL-JYYL202309013.htm [11] 郑洁, 开震天, 夏超然, 等. 基于GEO及TCGA数据库建立乳腺癌他莫昔芬耐药相关预后模型[J]. 检验医学与临床, 2022, 19(23): 3227-3230. doi: 10.3969/j.issn.1672-9455.2022.23.016 [12] 张维, 龙松权, 唐瑞骏. 不同分子分型乳腺癌血清CYFRA21-1、HCY和CA15-3的表达差异及与术后复发、转移的关系[J]. 检验医学与临床, 2023, 20(12): 1686-1689. doi: 10.3969/j.issn.1672-9455.2023.12.005 [13] BALTZER P, MANN R M, ⅡMA M, et al. Diffusion-weighted imaging of the breast-a consensus and mission statement from the EUSOBI International Breast Diffusion-Weighted Imaging working group[J]. Eur Radiol, 2020, 30(3): 1436-1450. doi: 10.1007/s00330-019-06510-3
[14] FAN M, LIU Z H, XU M S, et al. Generative adversarial network-based super-resolution of diffusion-weighted imaging: application to tumour radiomics in breast cancer[J]. NMR Biomed, 2020, 33(8): e4345. doi: 10.1002/nbm.4345
[15] NEMETH A, CHAUDET P, LEPORQ B, et al. Multicontrast MRI-based radiomics for the prediction of pathological complete response to neoadjuvant chemotherapy in patients with early triple negative breast cancer[J]. MAGMA, 2021, 34(6): 833-844. doi: 10.1007/s10334-021-00941-0
[16] 徐丽娜, 唐竹晓, 李双标, 等. 基于DWI和DCE-MRI的影像特征对四种不同分子亚型乳腺癌的诊断价值探讨[J]. 现代肿瘤医学, 2021, 29(1): 116-120. https://www.cnki.com.cn/Article/CJFDTOTAL-SXZL202101026.htm [17] ZHANG S H, WANG X L, YANG Z, et al. Intra- and peritumoral radiomics model based on early DCE-MRI for preoperative prediction of molecular subtypes in invasive ductal breast carcinoma: a multitask machine learning study[J]. Front Oncol, 2022, 12: 905551. doi: 10.3389/fonc.2022.905551
[18] HUANG Y H, WEI L H, HU Y L, et al. Multi-parametric MRI-based radiomics models for predicting molecular subtype and androgen receptor expression in breast cancer[J]. Front Oncol, 2021, 11: 706733. doi: 10.3389/fonc.2021.706733
[19] LA FORGIA D, FANIZZI A, CAMPOBASSO F, et al. Radiomic analysis in contrast-enhanced spectral mammography for predicting breast cancer histological outcome[J]. Diagnostics, 2020, 10(9): 708. doi: 10.3390/diagnostics10090708
[20] WU Q X, WANG S, CHEN X, et al. Radiomics analysis of magnetic resonance imaging improves diagnostic performance of lymph node metastasis in patients with cervical cancer[J]. Radiother Oncol, 2019, 138: 141-148. doi: 10.1016/j.radonc.2019.04.035
[21] CHADDAD A, DANIEL P, NIAZI T. Radiomics evaluation of histological heterogeneity using multiscale textures derived from 3D wavelet transformation of multispectral images[J]. Front Oncol, 2018, 8: 96. doi: 10.3389/fonc.2018.00096
-
期刊类型引用(7)
1. 苏燕，徐九云，雷海露，刘晓蓓. 老年危重症患者发生再喂养综合征的危险因素回归方程的构建及干预措施分析. 实用临床医药杂志. 2024(01): 123-128 . 
本站查看
2. 谢婷，侯超，周旭辉，郭育君，练宇泽，曾亚琦. 经皮穴位电刺激在酒精依赖患者中的应用效果. 实用临床医药杂志. 2024(02): 38-42 . 本站查看
3. 孙桂敏. 脑卒中伴吞咽障碍患者营养管理现况及研究进展. 医药前沿. 2024(24): 17-21 . 百度学术
4. 王锦程，刘闯，周相宇，周素芳. 周素芳运用参苓白术散治疗酒精性肝病经验. 中医药通报. 2023(01): 12-14+67 . 百度学术
5. 张兰，沈晓芳，金瑾，徐吉，张静. 无基础代谢性疾病急性缺血性卒中患者短期营养不良预测模型构建与验证. 中国卒中杂志. 2023(04): 428-433 . 百度学术
6. 付志鹏，郑盛，杨涓. 肝硬化患者营养评价方法研究进展. 国际医药卫生导报. 2023(23): 3341-3344 . 百度学术
7. 姚绍敏，王学义，余艳堂，雍恩华，宋志领. 早期营养支持对酒依赖患者临床结局的影响. 神经疾病与精神卫生. 2021(08): 557-561 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 123
- HTML全文浏览量: 33
- PDF下载量: 15
- 被引次数: 7
苏公网安备 32100302010246号
