Page 88 - 南京医科大学学报自然科学版
P. 88

第43卷第9期
               ·1266 ·                           南 京    医 科 大 学 学         报                        2023年9月


                                                                                             +
                  透明细胞肾细胞癌（clear cell renal cell carcino⁃       种正常细胞含量，获得 3 个 CD8 T 浸润评分、TMB、
              ma，ccRCC）是肾细胞癌最常见的类型            ［1-2］ ，相比乳头状      MSI、4 种免疫耗竭相关基因（LAG3、CD244、PDCD1
              和嫌色细胞亚型，更容易进展、转移，预后较差                  ［3-4］ 。患   及 TIGIT） 以及 21 种免疫细胞得分（使用 R 语言
                                                                         ［15］
              者状态、肿瘤分期、细胞核分级等是临床实践中常                            estimate 包中的 ESTIMATE 算法），根据得分中位数
              用的预后指标。然而，随着ccRCC 个体化治疗的不                         分为高、低表达两组。
              断发展，特别是晚期肾癌，免疫治疗仅对 20%~30%                        1.2  方法
              的患者有效，目前尚无有效靶标对患者进行筛选和                            1.2.1 CT图像勾画和特征提取
              疗效预测 。                                                 使用国内开发的软件 SRhythm Multi Label 和
                      ［5］
                  肿瘤微环境包括细胞外基质、可溶性分子和肿                          Oncology Imaging Analysis（OCIA，上海师范大学上
              瘤基质细胞，对肿瘤患者的免疫治疗疗效及预后影响                           海磁共振重点实验室），分别由1名具有3年腹部影
              重大  ［6- 7］ 。肿瘤突变负荷（tumor mutational burden，       像诊断经验的放射科医师和1名具有6年临床手术
              TMB）即每个肿瘤基因组编码区域的突变总数，是免                          经验的泌尿外科医生在 CT 皮质期轴位图像上对病
              疫治疗的生物标志物，TMB越高的肿瘤患者免疫治                           灶边缘进行逐层勾画，然后融合成三维感兴趣区
              疗效果往往越好       ［8-9］ 。微卫星不稳定性（microsatellite       （region of interest，ROI）；每一次勾画均由另 1 名具
              instability，MSI）即重复 DNA 束中核苷酸的自发丢                 有 15 年腹部影像诊断经验的放射科医师进行校
              失或获得，可以辅助诊断胃肠道、子宫内膜和结直肠                           对。校准完毕后利用 Pyradiomics 软件包提取肿瘤
              肿瘤的表型，为各种癌症提供治疗决策信息                   ［10-11］ 。基  影像组学特征，包括 14 个形状特征、18 个一阶直方
              于机器学习（machine learning，ML）的CT影像组学分                图特征以及75个纹理特征、24个灰度共生矩阵（gray
              析可捕获肉眼无法识别的图像特征，并揭示病理生理                           level co⁃occurrence matrix，GLCM）特征、16个灰度游
              相关的潜在生物医学图像变化，预测治疗反应和生存                           程矩阵（gray level run⁃length matrix，GLRLM）特征、
              期 ［11-13］ 。                                       16 个灰度区域大小矩阵（gray level size zone matrix，
                  因此，本研究利用集成ML算法，将ccRCC影像                       GLSZM）特征、5 个邻域灰度差分矩阵（neighborhood
              组学特征与肿瘤免疫微环境表达相关联，建立多模                            gray⁃tone difference matrix，NGTDM）特征、14个灰度相
              通道的免疫影像（immuno⁃radiomics，ImRad）分型，                关矩阵（gray level dependence matrix，GLDM）特征 。
                                                                                                          ［16］
              并进一步研究该表型对患者术后生存的预测价值。                            1.2.2 模型构建
                                                                     构建肿瘤 ImRad：①降维及特征筛选。考虑高
              1  对象和方法
                                                                维数据ML 建模产生的过拟合风险，首先采用4种特
              1.1  对象                                           征 筛 选 算 法 ，即 信 息 增 益（information gain，Info.
                  纳入南京医科大学第一附属医院经手术病理                           gain）、增益率（gain ratio）、基尼系数下降（gini de⁃
              证实为ccRCC、术前行肾脏CT增强扫描且具有完整                         crease，Gini）、快速相关滤波器（fast correlation based
              临床病理及免疫基因资料的患者 113 例。其中，男                         filter，FCBF），分别对影像组学特征降维筛选。②集
              77 例，女36例，年龄（59.4±12.9）岁（26~88岁）；AJCC             成 ML 建模。利用随机森林（random forest，RF）、梯
              分期 68.1%为 T1~2 期，31.9%为 T3~4 期；41.6%为低            度增强（gradient boosting，GDBT）、逻辑回归（logistic
              级别细胞核分级，58.4%为高级别。113例患者均有                        regression，LR）、支 持 向 量 机（support vector ma⁃
              标准随访结果，随访内容包括治疗后有无复发及总                            chines，SVM）、朴素贝叶斯（naive bayes，NB）、k 最近
              生存时间（overall survival，OS），随访时间为 1~86 个            邻（k⁃nearest neighbor，kNN）、神经网络（neural net⁃
              月，删失病例 OS 按最长随访时间计算。中位 OS 为                       work，NN）及堆叠式集成学习（stacking learning）8 种
              31（10~54）个月。                                      算法在经筛选后的 20 个组学特征上建立二分类预
                                                                      ［17］
                  患者临床、影像数据从公开数据库癌症影像档                          测模型 ，预测目标包含3个CD8 T浸润评分、1个
                                                                                               +
              案（the cancer imaging archive，TCIA）下 载（http：//     TMB 表达、1 个 MSI 表达、4 个免疫耗竭相关基因及
              www.cancerimagingarchive.net），对应免疫、基因数据           21 种免疫细胞浸润表达结果，共建立 30 个 ImRad
              从癌症基因图谱（the cancer genome atlas，TCGA）库            表型。多种分类器算法的消融实验以获得最优算
              中获得（https：//portal.gdc.cancer.gov） 。利用癌症          法，五折法用于小样本数据下模型的准确性验证。
                                              ［14］
              样本转录谱的特性来推断肿瘤细胞以及浸润的各                                  生存分析：纳入指标包括患者性别、年龄、
   83   84   85   86   87   88   89   90   91   92   93