Page 89 - 南京医科大学学报自然科学版
P. 89

第43卷第9期          李   巧，王宇昊，夏一凡，等. 集成机器学习构建透明细胞肾细胞癌免疫影像分型及预测
                  2023年9月             患者生存的价值［J］. 南京医科大学学报（自然科学版），2023，43（9）：1265-1272                  ·1267 ·


                AJCC TNM 分期、细胞核分化程度、ImRad分型、3个                   （表2），Rad模型预测OS的C⁃index为0.756（95%CI：
                CD8 T浸润评分、TMB、MSI、4种免疫耗竭关键基因                      0.636~0.876）。
                    +
                及21种免疫细胞表达。对于维度较多的临床⁃病理⁃                              30 个基于独立预测因子建立 ImRad 预后指数
                免疫影像（clinicopathologic⁃immuno⁃radiomics，Clinic   （表2，图2A），其预测OS的C⁃index为0.857（95%CI：
                ⁃Pt⁃ImRad）融合模型，利用 Lasso⁃Cox 回归将不相关                0.787~0.927），优于 Rad 模型。Clinic⁃Pt⁃Im 指标中，
                特征的回归系数缩小到零，得到系数不为零的特                             AJCC 分期、TMB、初始B细胞等11个指标是患者OS
                征。使用最大相关最小冗余法（mRMRe）基于有无                          的独立预测因子，Clinic⁃Pt⁃Im模型预测OS的C⁃index
                肿瘤复发对851个组学特征进行降维，获取30个关                          为 0.924（95%CI：0.872~0.976），优于 Rad 和 ImRad
                键特征构建影像组学（radiomics，Rad）预后模型。                    （表2，图2B）。
                    进一步多因素 Cox 回归分析，最终构建如下预                           融合模型Clinic⁃Pt⁃ImRad 预测OS的C⁃index 为
                后模型：①Rad 及 ImRad 模型；②临床⁃病理⁃免疫                     0.938（95% CI：0.902~0.974），优 于 Rad、ImRad 和

               （clinicopathologic immune，Clinic ⁃ Pt ⁃ Im）模 型 ；③  Clinic⁃Pt⁃Im模型（表3，图2C）。
                Clinic⁃Pt⁃ImRad模型。                                    各独立预测因子的生存分析中，Rad⁃静息态树

                1.3  统计学方法                                        突状细胞、Rad⁃激活态肥大细胞及Rad⁃M1巨噬细胞
                    采用受试者工作特征（receiver operating charac⁃          3个免疫影像特征的Kaplan⁃Meier曲线在高、低表达
                teristic，ROC）曲线和 ROC 曲线下面积（area under             组间存在显著差异（P < 0.05）。AJCC分期越早预后
                curve，AUC）评价分类器效能。多因素Cox回归分析                      越好；激活态肥大细胞及 MSI 高表达均提示预后不
                计算各模型中预测因子高、低表达组间OS的风险比                           佳，而静息态树突状细胞高浸润提示预后良好，其
               （hazards ratio，HR）及其 95%可信区间（confidence            高、低表达组间生存曲线均存在显著差异（P < 0.05，
                interval，CI）。C⁃index 评价模型预测效能。采用                  图3）。
                Kaplan⁃Meier 生存曲线分析独立预测因子的生存影
                                                                  3  讨 论
                响并进行 Log⁃Rank 检验。采用 SPSS 26、R3.6.1 和
                MeCalc19.9.4 软件进行统计学分析。双尾 P < 0.05                    ccRCC 多位于肾皮质，单发多见，通常大小不
                为差异有统计学意义。                                        一，圆形或椭圆形，和周围肾实质分界较清晰，可有
                                                                  假包膜，常有钙化、出血、坏死及囊变。显微镜下肿
                2  结 果
                                                                  瘤细胞体积较大，圆形或多边形，胞质丰富，透明或
                2.1  ImRad免疫影像表型构建                                颗粒状，间质具有丰富的毛细血管和血窦。CT平扫
                    在 两 步 骤 算 法 的 32 种 组 合 中（4 种 特 征 筛            表现主要取决于肿瘤本身的成分和血供的差异，以
                选×8 种 ML 分类器算法），NB 算法较其他分类器建                      及肿瘤内有无出血、坏死、囊变、钙化等。通常CT平
                模有更好的分类效能（AUC：0.717~0.956，表1）。基                   扫时密度与周围肾实质呈等或略低密度，体积较小
                于 NB 算法构建的 ImRad 表型能够有效监测肿瘤组                      的肿瘤密度多均匀，而体积较大者密度多不均匀，
                织记忆 B 细胞（AUC=0.954）、静息态记忆 CD4 T 细                 与瘤体内容易出血有关。绝大多数 ccRCC 为富血
                                                         +
                胞（AUC=0.942）、激 活 态 自 然 杀 伤 细 胞（AUC=               供肿瘤，增强扫描动脉期多明显不均匀或条纹状强
                0.931）、嗜酸性粒细胞（AUC=0.956）和调节性T细胞                   化，强化程度多与邻近肾皮质相仿，甚至略高，静脉
               （AUC=0.908）浸润（P < 0.05）。                           期及延迟期强化程度较周围肾实质减低，多呈“快

                2.2  多模组学融合预测OS效能                                 进快出”的特点。病理研究显示其早期高强化与透
                    分别对比分析 Rad、ImRad、Clinic⁃Pt⁃Im、Clinic⁃         明细胞的小泡状结构密切相关。本研究基于 CT 增
                Pt⁃ImRad对OS的预测效能。                                 强图像及集成 ML 构建 ccRCC 的免疫影像表型，并

                    采 用 梯 度 提 升 树 算 法（gradient boosting ma⁃       探讨其对患者预后的预测价值。
                chine，GBM⁃Cox）对 Rad 预测因子建模，获取 1 年、                    目前基于全肿瘤影像组学特征分析主要用于

                3 年、5 年 OS 的校准曲线图（图 1）。30 个经 mRMRe                肿瘤细胞异质性研究          ［12］ ，而本研究通过集成 ML 及
                降维后的关键Rad特征中，wavelet⁃LLL_glcm_Imc1、               全肿瘤 ROI 影像组学特征分析，构建 ccRCC 的多重

                wavelet ⁃ LHL_ngtdm_Strength、wavelet_HHH_glrlm_   免疫影像分型，在技术方法及临床应用方面具有一
                Long Run Low Gray Level Emphasis为独立预测因子           定探索性。本研究通过影像⁃免疫关联，构建了30个
   84   85   86   87   88   89   90   91   92   93   94