论文评审 - 原生T1映射放射组学的机器学习在肥厚型心肌病表型分类中的应用

概述

本文提出了一种机器学习方法，通过原生 T1 映射放射组学对肥厚型心肌病表型进行分类。

论文引用

Antonopoulos, A.S., Boutsikou, M., Simantiris, S. et al. 原生 T1 映射放射组学的机器学习用于肥厚型心肌病表型分类。Sci Rep 11, 23596 (2021). https://doi.org/10.1038/s41598-021-02971-z

常见问题解答

用简单术语解释本文摘要

本文探讨使用机器学习技术通过左心室的放射组学特征对肥厚型心肌病 (HCM) 表型进行分类。放射组学特征是医学图像纹理和强度的数学表示。研究发现，这些特征对于识别不同的 HCM 表型是有用的，这对疾病的诊断和治疗可能有重要影响。

用 2 行解释本文摘要

本文研究机器学习技术使用放射组学特征识别肥厚型心肌病 (HCM) 表型。研究表明，放射组学特征可以用于分类不同的 HCM 表型，这可以帮助疾病的诊断和治疗。

用五岁孩子能理解的方式解释本文摘要

这篇论文讲述了如何使用计算机帮助医生识别不同类型的心脏问题。他们通过查看心脏的图片来找到图片中的模式，这些模式告诉他们是哪种类型的心脏问题。这可以帮助医生给病人提供正确的治疗。

本文的贡献是什么

本文表明，放射组学特征可以用于分类不同类型的肥厚型心肌病 (HCM) 表型，这有助于诊断和治疗该疾病。这个结果展示了机器学习技术在医学图像分析中的潜力，并强调了考虑放射组学特征在临床决策中的重要性。

本文的实际意义是什么

本文建议可以利用机器学习技术通过识别不同的 HCM 表型来改善肥厚型心肌病 (HCM) 的诊断和治疗。这可以帮助医生为患者提供更有针对性的治疗，从而潜在地改善效果和生活质量。在医学影像分析中使用放射组学特征，可能在医学的其他领域也具有更广泛的应用。

总结本文的引言

本文的引言概述了肥厚型心肌病 (HCM)，这是一种影响心肌结构的心脏疾病。作者讨论了当前诊断方法的局限性，这些方法依赖于对超声心动图和其他影像技术的主观评估。他们认为，需要更多的客观和定量指标来帮助诊断和分类 HCM。

作者建议使用放射组学特征，即医学图像纹理和强度的数学表示，作为一种潜在解决方案。他们描述了这些特征如何捕捉可能表示不同 HCM 表型的组织成分和微观结构的细微差异。作者还强调了机器学习技术分析大量放射组学数据并识别可能对肉眼不可见的模式的潜力。

随后，作者概述了研究的目标，包括识别在不同成像模式下稳定的放射组学特征，探讨不同放射组学特征之间的关系，以及利用机器学习技术根据放射组学特征分类不同 HCM 表型。他们还描述了研究设计，包括两个不同的患者队列，以及从心脏磁共振成像扫描中提取和分析放射组学数据的方法。

总体而言，引言提供了详细的背景和研究依据，突显了放射组学特征和机器学习技术在改善 HCM 的诊断和分类方面的潜力。

本文中使用的方法

研究人群

研究分为两个组，第一组包含 20 个可用的原生 T1 映射的 CMR 扫描，这些扫描由其档案随机选择，用于提取的放射组学特征稳定性评估（即观察者间变异性），这些特征将被纳入第二组进一步分析。

第二组包括 152 名连续接受 CMR 扫描（时间 2019-2020）和原生 T1 映射的患者，具体如下：无结构性心脏疾病证据的个体 (n = 30)，各种原因导致的左心室肥厚 (LVH，墙厚度增大 ≥ 12 mm 或 LV 质量指数增大) 的患者（运动员、瓣膜性心脏病、高血压等，n = 30），已知 HCM 的患者 (n = 61) 和已知心脏淀粉样变的患者 (n = 28)。

完整的数据处理流程、数据抽样和机器学习工作流可以在图 1 找到。

数据提取和分析

他们从心脏磁共振 (CMR) 的 T1 映射中提取了总共 850 个放射组学特征，并探讨了它们在疾病分类中的价值。他们在探索性分析中应用了主成分分析和无监督聚类，然后利用机器学习进行最佳放射组学特征的选择，以最大化心脏疾病分类的诊断价值。

他们用以下步骤处理数据：

• 放射组学特征提取：使用 PyRadiomics 库从 T1 映射中提取放射组学特征。
• 探索性分析：对提取的放射组学特征进行无监督层次聚类。
• 特征选择：作者使用机器学习算法选择最佳放射组学特征用于心脏疾病表型分类。他们使用了随机森林和递归特征消除 (RFE) 的组合。
• 模型验证：使用所选的放射组学特征训练机器学习模型以分类心脏疾病表型。该模型使用内部和外部数据集进行验证。
• 放射组学模型的诊断性能通过接收者操作特征曲线下面积 (AUC) 进行评估。
• 统计分析使用卡方检验和逻辑回归模型进行。

探索性数据分析可以在图 2 找到。

本文的结果

本文的结果如下：

• T1 放射组学的前三个主成分与心脏疾病类型显著相关。
• 通过心肌 T1 放射组学对人群进行无监督层次聚类与心肌疾病类型显著相关。
• 在特征选择、内部验证和外部测试后，T1 放射组学模型在多项式分类疾病表型（正常 vs. LVH vs. HCM vs. 心脏淀粉样变）的诊断性能良好 (AUC 0.753)。
• 一组六个放射组学特征的分类效果优于平均原生 T1 值在心肌健康与疾病及 HCM 表型之间的分类。

因此，本文的结果表明，通过原生 T1 映射评估的心肌纹理与心肌疾病特征相关，心肌放射组学表型分析可以增强 T1 映射在心肌疾病检测和分类中的诊断效果。

性能分析和混淆矩阵可以在图 4 找到。

本文的结论

本文的结论如下：

• 放射组学特征为区分健康与病变心肌以及区分 HCM 与相关表型（如淀粉样变）提供了附加的诊断价值，这在原生 T1 的基础上。
• 将放射组学应用于标准的原生 T1 映射是对人类心肌纹理特征化的有前景的方法，并为进一步增强 CMR 的诊断价值提供了可能性。

因此，本文建议使用 T1 放射组学分析进行心肌放射组学表型分析，有助于提高 T1 映射在心肌疾病检测和分类中的诊断效果。

本文的局限性

本文的局限性如下：

• 该研究在单个中心进行，样本量相对较小，这可能限制了结果的普适性。
• 仅使用 T1 映射的基础切片进行纹理分析，这可能无法完全代表整个心肌。
• 放射组学特征在不同扫描仪/供应商及采集序列间的可重复性仍然是一个问题，这可能限制了放射组学的临床应用。
• 该研究没有与其他成像方式或生物标记物进行比较，这可能限制了对放射组学附加诊断价值的评估。
• 该研究未包括纵向随访以评估放射组学特征对疾病进展或治疗反应的预后价值。

因此，在解读研究结果时，应考虑这些局限性。

本文建议的未来工作

本文建议的未来工作如下：

• 需要进一步研究在不同扫描仪/供应商及采集序列之间统一读数，以解决放射组学的可重复性问题。
• 未来的研究应包括更大的样本量和多中心设计，以验证本研究的发现并改善结果的普适性。
• 未来的研究还应包括与其他成像方式或生物标记物的比较，以评估放射组学的附加诊断价值。
• 需要进行纵向随访研究以评估放射组学特征对疾病进展或治疗反应的预后价值。
• 未来的研究还应调查放射组学在其他 CMR 应用中的潜力，例如灌注成像和晚期钆增强成像。

因此，这些未来工作可以帮助进一步验证和改善放射组学在 CMR 中的临床应用。

高级问题

放射组学分析如何增强 CMR 对心肌纹理表型的诊断价值？

使用放射组学特征可以提高 CMR 对于健康与病变心肌的区分能力，同时增强对 HCM 和其他类似条件的区分能力。放射组学特征提供了关于心肌纹理和异质性的额外信息，这些信息可能未被传统的 CMR 参数（如原生 T1 值）捕获。放射组学特征是医学图像中图像纹理和异质性的定量测量，可以通过先进的图像处理技术提取。

在本研究中，作者从通过 CMR 生成的 T1 映射中提取了放射组学特征，并利用机器学习识别用于分类心脏疾病的最佳放射组学特征。结果显示，使用 T1 放射组学的模型在不同类型心脏疾病的分类中具有良好的诊断表现。此外，六个放射组学特征的子集在健康与病变心肌之间的区分以及识别 HCM 表型方面的表现优于平均原生 T1 值。

因此，使用放射组学特征可以增强 T1 映射在检出和分类心肌疾病方面的准确性。

人群热图可以在图 3 找到。

本研究的一些局限性是什么，它们可能如何影响其发现对其他人群或成像环境的普适性？

研究的局限性在 局限性章节 中已总结。

这些局限性可能影响研究结果对其他人群或成像环境的普适性。因此，进一步进行更大样本量、多中心设计和纵向随访的研究是必要的，以验证本研究的发现并改善结果的普适性。此外，放射组学特征在不同扫描仪/供应商及采集序列之间的可重复性问题也应得到解决，以改善放射组学的临床应用。

你能解释一下如何从医学图像中提取放射组学特征，以及它们可以提供关于组织体积、形状和纹理的哪种信息吗？

放射组学特征是可以通过先进的图像处理技术从医学图像中提取的关于图像纹理和异质性的定量测量。在本研究中，放射组学特征是通过 CMR 的 T1 映射提取的。提取放射组学特征的过程包括以下步骤：

• 图像采集：使用 CT、MRI 或 PET 等各种成像模式获取医学图像。

• 图像分割：将感兴趣的解剖体积从背景中分割出来，使用手动或自动方法。

• 特征提取：从分割的体积中提取放射组学特征，采用数学算法分析（不）相似体素之间的空间关系。这些特征可以提供关于组织体积、形状和纹理的信息，例如：

• 一阶统计：像素/体素强度分布的测量，例如均值、中位数、标准差、偏度和峰度。

• 二阶统计：像素/体素之间空间关系的测量，例如灰度共现矩阵 (GLCM)、灰度运行长度矩阵 (GLRLM) 和灰度大小区矩阵 (GLSZM)。

• 高阶统计：高阶特征之间空间关系的测量，例如分形维度、波形变换和高斯拉普拉斯 (LoG)。

放射组学特征可以提供关于组织纹理和异质性的额外信息，这在传统成像参数中可能无法捕获。因此，放射组学分析有可能增强医学成像在各种疾病中的诊断和预后价值。

所选的最重要放射组学特征可以在表 2 中找到。

放射组学表型分析在临床肿瘤学等其他医学领域如何成功应用？这些应用与本文探讨的有何关键区别？

放射组学表型分析已成功应用于临床肿瘤学，以特征化肿瘤的不同生物表型，并提供与诊断、预后和治疗计划相关的信息。例如，从肺癌的 CT 或 MRI 图像中提取的放射组学特征已被证明与肿瘤分期、组织学和患者生存期相关。同样，从胶质母细胞瘤的 MRI 图像提取的放射组学特征显示与肿瘤等级、分子亚型和患者生存期相关。

这些应用与本文探讨的关键区别在于成像模式和研究的疾病。在本文中，从 CMR 的 T1 映射中提取放射组学特征，以增强 T1 映射在心肌疾病检测和分类中的诊断价值。因此，本文中放射组学表型分析的应用特定于 CMR 和心肌疾病。然而，放射组学分析的基本原理在不同成像模式和疾病之间是相同的，即提取定量的图像纹理和异质性测量，为疾病特征化和管理提供额外信息。

最重要的放射组学表型预测数据可以在表 1 中找到。

通过主成分分析识别的主成分是什么，它们如何用于探索与疾病背景的关联？

对通过 CMR 提取的 T1 映射的放射组学特征进行主成分分析 (PCA)，以识别描述研究人群中大部分表型变异的主成分 (PC)。前两个主成分 (PC1、PC2) 用于在相关集群图中探索与疾病背景的关联。T1 放射组学的前三个主成分与心脏疾病类型显著相关。通过心肌 T1 放射组学对人群进行的无监督层次聚类与心肌疾病类型显著相关 (chi 2 = 55.98, p < 0.0001)。因此，PCA 有助于识别与心脏疾病类型关联的最相关的放射组学特征，并为进一步分析放射组学特征提供基础。

主成分分析结果可以在图 2 中找到。

你能解释一下从 T1 映射中提取的放射组学特征的稳定性评估过程，以及它是如何用来限制分析的，以确保放射组学特征作为成像生物标记的潜在价值？

提取的放射组学特征的稳定性评估旨在限制分析的范围，以确保放射组学特征作为成像生物标记可能具有关联性。该过程包括以下步骤：

• 使用第一组的 20 个扫描评估每个放射组学特征在两个独立操作者的多次划分中的变异系数 (CV)。
• 通过将标准差与放射组学特征均值的比值计算 CV。
• 仅纳入多次划分关注特征的 CV < 10% 的特征进行进一步分析 (n = 628)。
• 这一过程旨在确保放射组学特征在不同划分和操作者中的稳定性和可重复性。
• 剩余的放射组学特征随后用于进一步分析，包括探索性分析、特征选择和机器学习以进行疾病分类。

通过进行稳定性评估，该研究能够限制分析为稳定可靠的放射组学特征，这可能作为疾病分类的成像生物标记。此步骤有助于确保用于分析的放射组学特征具有可靠性，能够为疾病表征提供有意义的信息。

本研究中用于特征选择和心脏疾病表型分类的具体机器学习算法是什么？

文章没有提供特征选择和心脏疾病表型分类中使用的具体机器学习算法的详细说明。然而，文章提到使用了机器学习来选择最佳的放射组学特征，以最大化心脏疾病分类的诊断价值。文章还提到，T1 放射组学模型的诊断表现良好 (AUC 0.753) 用于多项式分类疾病表型（正常 vs. LVH vs. HCM vs. 心脏淀粉样变）。因此，该研究使用了机器学习算法来进行特征选择和心脏疾病表型分类，但论文中未提及具体使用的算法。

• 原文链接： github.com/thogiti/thogi...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～