CN110391015B - 一种基于影像组学量化肿瘤免疫状态的方法 - Google Patents

Abstract

本发明公开了一种基于影像组学量化肿瘤免疫状态的方法，包括下述步骤：S1、收集肿瘤患者的临床信息、免疫组化特征、总生存期OS和无病生存期DFS；S2、获得实体肿瘤CT图像样本组；S3、把患者按比例随机分为训练集和测试集；S4、利用免疫标记物计算出免疫评分，将患者分成高免疫状态和低免疫状态；S5、分割感兴趣区，提取感兴趣区内实体肿瘤的影像组学特征；S6、对训练集中的影像组学特征筛选出与免疫状态相关的影像组学特征，训练预测模型；S7、预测肿瘤患者影像免疫评分，得到影像免疫状态，进而预测患者DFS和OS。本发明可以利用CT图像特征对结直肠癌、肺癌、胃癌和乳腺癌等实体肿瘤进行免疫状态预测，减少或避免病理切片和免疫组化的分析。

Description

一种基于影像组学量化肿瘤免疫状态的方法

技术领域

本发明属于图像处理的技术领域，具体涉及一种基于影像组学量化肿瘤免疫状态的方法。

背景技术

目前对肿瘤患者进行病理标本活检，病理分期，进而指导临床治疗是临床常用的检测方法。但是由于有一部分病人即使有相同的TNM分期、组织学分型，却具有不同的预后，而且许多病人发现肿瘤时已是晚期，无法手术切除，即无法获得病理标本。因此临床急需一种更加简便、快捷、准确的方法弥补TNM分期的不足。

术前CT扫描是患者术前常规检查项目之一，适用人群广、检查时间短。而且CT图像中蕴含着许多肉眼无法直接观测的信息，这些信息与肿瘤的分子分型、生物学特性等可能存在一定的关系。影像组学通过患者的影像图像，快速提取出定量特征并定量转化图像为可挖掘的大数据，从而进一步挖掘数据中蕴含的免疫组化信息。因此我们选择运用影像组学的方法预测免疫评分(immune score)，得到影像免疫状态(immune status)，可以预测患者DFS和OS，进而指导临床医生选择合适的治疗，比如：手术，化疗或免疫治疗。这样不仅可以对无法取得病理活检的患者进行快速评估，而且不增加额外费用。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于影像组学量化肿瘤免疫状态的方法，对无法手术取得病理活检的患者，利用影像组学挖掘CT图像特征，并对各种实体肿瘤预测免疫评分(immune score)，得到免疫状态(immune status)，可以预测患者DFS and OS，进而指导临床医生选择合适的治疗。

为了达到上述目的，本发明采用以下技术方案：

本发明一种基于影像组学量化肿瘤免疫状态的方法，包括下述步骤：

S1、收集肿瘤患者的临床信息、免疫组化特征和总生存期OS和无病生存期DFS；其中肿瘤包括结直肠癌、乳腺癌、肺癌和胃癌实体肿瘤；

S2、采集实体肿瘤患者的CT图像，并对原始图像进行标准化处理，获得实体肿瘤CT图像样本组；

S3、把患者按比例随机分为训练集和测试集，所述训练集用于训练预测模型，所述测试集用于测试预测模型的性能；

S4、利用免疫标记物计算出免疫评分，从而得到与DFS与OS的关系，通过设置DFS和OS的cutoff值，将患者分成高免疫状态和低免疫状态；

S5、对实体肿瘤CT图像样本组进行手动或自动分割感兴趣区，提取感兴趣区内实体肿瘤的影像组学特征；

S6、对训练集中的影像组学特征运用机器学习的方法筛选出与免疫状态相关的影像组学特征，训练预测模型，生成与免疫相关的影像组学预测模型，并在测试集中验证模型；

S7、运用影像组学特征预测肿瘤患者影像免疫评分Radio-immune score，得到影像免疫状态immune status，进而预测患者DFS和OS。

作为优选的技术方案，步骤S1中，所述的临床信息包括CEA、CA-199、肿瘤浸润深度、淋巴结转移、分化状态、肿瘤大小、劳伦手术评分、性别、年龄和TNM分期；

所述免疫标记物包括CD3_IM、CD8_IM、CD3_CT、CD8_CT，其中IM：浸润边界；CT：肿瘤中心。

作为优选的技术方案，步骤S2中，所述标准化处理是指去除患者个人信息和将不同厂家的CT图像格式统一化。

作为优选的技术方案，步骤S4具体为：

通过计算免疫标记物CD3_IM、CD8_IM、CD3_CT、CD8_CT的四个密度百分位数平均值获得免疫评分，使用分层多因素cox模型评估免疫评分与DFS和OS之间的关系，通过设置DFS和OS的cutoff值将免疫状态分成高免疫状态和低免疫状态。

作为优选的技术方案，步骤S5中，对实体肿瘤CT图像样本组进行手动或自动分割感兴趣区是指选取动脉期图像逐一层面勾画肿瘤病症，并避开病灶内坏死、钙化及气体影像，最终得到整个瘤体感兴趣区VOI；

所提取的影像学特征包括：1)一阶灰度直方图特征；2)形态学特征；3)灰度纹理特征。

作为优选的技术方案，步骤S6中，对训练集中的影像组学特征运用机器学习的方法筛选出与免疫状态相关的影像组学特征，具体为：

使用最小绝对收缩和选择算子Lasso回归模型，将无相关或者不重要的特征的权重降为零，保留权重不为零的特征，从而达到了对影像组学特征筛选的目的。

作为优选的技术方案，步骤S6中，生成与免疫相关的影像组学预测模型，并在测试集中验证模型的具体步骤为：

使用逻辑回归logistic，支持向量机，决策树以及随机森林算法分别训练预测模型，生成与免疫状态相关的影像组学预测模型，在测试集上计算模型的错误率和精度，查全率和查准率，度量模型的性能。其中错误率为分类错误的样本数占样本总数的比例，精度是分类错误的样本数占样本总数的比例，查准率是分类为某一类的样本分类正确的比例，查全率为真实的某一类样本中分类正确的比例。

作为优选的技术方案，步骤S7进一步包括：

使用训练好的预测模型对患者进行二分类，即将患者的免疫状态分成高免疫状态和低免疫状态，根据高免疫状态与低免疫状态与DFS和OS之间的关系，预测出患者的DFS和OS。

本发明与现有技术相比，具有如下优点和有益效果：

对肿瘤患者进行病理活检，得到免疫状态对临床治疗至关重要。但对于晚期无法获得病理活检的患者，则无法得到免疫状态，因此利用影像资料获得肿瘤免疫状态具有重要意义。本发明利用免疫相关的影像组学特征分类器(IM-Radiomics-model)对各种实体肿瘤进行免疫状态预测，可对无法获得病理标本或不愿意进行活检的病人预测免疫评分(immune score)，得到免疫状态(immune status)，可以预测患者DFS和OS，进而指导临床医生选择合适的治疗，比如：手术，化疗或免疫治疗，给患者带来更精准的治疗。

附图说明

图1为本发明基于影像组学的预测实体肿瘤免疫状态的流程图；

图2本发明免疫组化染色切片；

图3为本发明结直肠癌CT图像。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本发明实施例中所用的样本(结直肠癌)来自广东省人民医院(2006年2月-2009年2月)，本实验通过了广东省人民医院伦理委员会，且已获得患者知情同意。

本次实施例的临床信息包括CEA、CA-199、肿瘤浸润深度、淋巴结转移、分化状态、肿瘤大小、劳伦手术评分、性别、年龄、TNM分期和总生存期(OS)和无病生存期(DFS)。其中CEA、CA-199由检验科提供；肿瘤浸润深度、TNM和分化状态由主治以上病理科医生审核；淋巴结转移和肿瘤大小由主治职称及以上的医生审核。

如图2所示，石蜡组织切片及烤片：将石蜡包埋的样本制备成4μm的连续切片，将所得的组织切片放置在金属染色架上，放置于60℃烘箱内烤片60分钟至表面石蜡融化；

切片常规脱蜡水化：组织切片依次经过二甲苯洗涤2次、每次10分钟，无水乙醇洗涤2次、每次5分钟，95％酒精洗涤2次、每次5分钟，75％酒精洗涤2次、每次5分钟，使组织切片表面的石蜡脱掉并充分水化，之后用自来水冲洗切片1min，用PBS缓冲液洗1分钟×3次；

微波抗原修复：将组织切片浸于由柠檬酸钠、柠檬酸三钠和纯水配制的抗原修复液中，于微波炉中高火档加热3分钟，然后用低火档加热4分钟×2次，取出后室温下冷却，用PBS缓冲液洗涤，5分钟×3次；

灭活内源性过氧化物酶：用30％过氧化氢和甲醇配成的灭活液，将组织切片浸泡在灭活液中10分钟，以灭活内源性过氧化物酶后，用PBS缓冲液洗涤，5分钟×3次；

除去PBS液，每张切片加1滴相应的第一抗体，室温下孵育2小时。

PBS冲洗3次。除去PBS液，每张切片加1滴聚合物增强剂，室温下孵育20分钟。PBS冲洗3次。

除去PBS液，每张切片加1滴酶标抗鼠/兔聚合物，室温下孵育30分钟。PBS冲洗3次。

除去PBS液，每张切片加1滴新鲜配制的DAB液(二氨基联苯胺)，显微镜下观察5分钟。

苏木素复染，0.1％HCl分化，自来水冲洗，蓝化，切片经梯度酒精脱水干燥，二甲苯透明，中性树胶封固，晾干后观察。

按照以上程序依次染色：CD3_IM、CD8_IM、CD3_CT、CD8_CT。

使用倒置相差显微镜(型号：DM IRB；Leica Germany)筛选组织切片，选取5最具代表性的区域。另外，为了评估染色细胞的密度，在200×放大倍数下测量肿瘤中心(CT)和肿瘤边缘(IM)的有核染色细胞，计算各类细胞的比。结果由两位病理学家进行验证评估，。

共收集了567位患者，把病人按比例随机分为训练集(n＝370)和测试集(n＝197)。

如图1所示，通过免疫评分的方法计算出与DFS与OS的关系，通过设置DFS和OS的cutoff值，将患者分成高免疫状态和低免疫状态两大类，并对上述结果进行验证，分别计算出训练集和测试集中分类为高免疫状态和低免疫状态中5年DFS和OS的比例，并且计算出hazard ratio(HR，风险比)，从而验证该结果具有临床意义。

如图3所示，收集病人术前CT图像，并对原始图像进行标准化，去除患者的临床信息，不同机器厂家的CT图像统一化处理，获得实体肿瘤CT图像样本组。

采用ITK-snap软件对CT连续断层图像勾画肿瘤的边界。

采取两种方法提取影像组学特征：①提取肿瘤最大侵袭层面的影像组学特征，反映肿瘤侵袭性最强区域的属性；②提取原始空间内完整肿瘤的三维影像组学特征，反映肿瘤的全局属性。

计算感兴趣区内实体肿瘤的影像参数特征：

1)一阶灰度直方图特征：能量、熵、最小值、最大值、平均值、中位数、平均绝对偏差、均方差、标准偏差、偏度、峰度、方差、均匀度；

2)形态学特征：表面积、周长、凹度、体素量、最大3D直径、球度；

3)灰度纹理特征：灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度区域大小矩阵(GLSZM)、灰度差异矩阵(GLDM)、邻域灰度差异矩阵(NGTDM)

4)在以上特征基础上，对图像进行小波变化，提取小波特征。

对训练集中的影像特征运用Lasso回归模型筛选与免疫状态相关的影像组学特征，其中，共筛选出影像组学特征：compactness1、GLZM_ZP、GLSZM_SAHGLE、band max、bandmean共五个特征。在训练集中，计算出所建立的模型预测患者为高免疫状态和低免疫状态的概率。

对筛选出来的影像组学特征使用logistic回归模型评估与免疫状态之间的关系，训练预测模型，生成IM-Radiomics-logistic回归预测模型。

在测试集中，对IM-Radiomics-logistic分类器进行验证，预测患者高免疫状态和低免疫状态的准确性与训练集中相一致。

本发明基于现有免疫组化病理切片、临床信息和CT影像学，先使用免疫标记物计算出免疫评分，根据免疫评分与DFS和OS之间的关系设置cutoff值把患者分为高免疫状态和低免疫状态，然后利用计算机影像组学分析技术，提取CT图像肿瘤特征，预测患者免疫状态，从而预测患者OS和DFS。

通过所建立的CT影像学预测模型不仅可以减少或避免病理切片和免疫组化的分析，降低医疗成本，而且特别是对于晚期无法取得病理标本的肿瘤进行预测影像免疫评分(Radio-immune score)，得到影像免疫状态(immune status)，可以预测患者DFS和OS，进而指导临床医生选择合适的治疗，比如：手术，化疗或免疫治疗。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于影像组学量化肿瘤免疫状态的方法，其特征在于，包括下述步骤：

S1、收集肿瘤患者的临床信息、免疫组化特征和总生存期OS和无病生存期DFS；其中肿瘤包括结直肠癌、乳腺癌、肺癌和胃癌实体肿瘤；

S2、采集实体肿瘤患者的CT图像，并对原始图像进行标准化处理，获得实体肿瘤CT图像样本组；

S3、把患者按比例随机分为训练集和测试集，所述训练集用于训练预测模型，所述测试集用于测试预测模型的性能；

S4、利用免疫标记物计算出免疫评分，从而得到与DFS与OS的关系，通过设置DFS和OS的cutoff值，将患者分成高免疫状态和低免疫状态；

S5、对实体肿瘤CT图像样本组进行手动或自动分割感兴趣区，提取感兴趣区内实体肿瘤的影像组学特征；

S6、对训练集中的影像组学特征运用机器学习的方法筛选出与免疫状态相关的影像组学特征，训练预测模型，生成与免疫相关的影像组学预测模型，并在测试集中验证模型，具体步骤为：

使用逻辑回归logistic，支持向量机，决策树以及随机森林算法分别训练预测模型，生成与免疫状态相关的影像组学预测模型，在测试集上计算模型的错误率和精度，查全率和查准率，画出AUC曲线，度量模型的性能；

S7、运用影像组学特征预测肿瘤患者影像免疫评分Radio-immune score，得到影像免疫状态immune status，同时使用训练好的预测模型对患者进行二分类，即将患者的免疫状态分成高免疫状态和低免疫状态，根据高免疫状态与低免疫状态与DFS和OS之间的关系，进而预测患者DFS和OS。

2.根据权利要求1所述基于影像组学量化肿瘤免疫状态的方法，其特征在于，步骤S1中，所述的临床信息包括CEA、CA-199、肿瘤浸润深度、淋巴结转移、分化状态、肿瘤大小、劳伦手术评分、性别、年龄和TNM分期；

所述免疫标记物包括CD3 _IM、CD8 _IM、CD3 _CT、CD8 _CT，其中IM：浸润边界；CT：肿瘤中心。

3.根据权利要求1所述基于影像组学量化肿瘤免疫状态的方法，其特征在于，步骤S2中，所述标准化处理是指去除患者个人信息和将不同厂家的CT图像格式统一化。

4.根据权利要求1所述基于影像组学量化肿瘤免疫状态的方法，其特征在于，步骤S4具体为：

通过计算免疫标记物CD3 _IM、CD8 _IM、CD3 _CT、CD8 _CT的四个密度百分位数平均值获得免疫评分，使用分层多因素cox模型评估免疫评分与DFS和OS之间的关系，通过设置DFS和OS的cutoff值将免疫状态分成高免疫状态和低免疫状态。

5.根据权利要求1所述基于影像组学量化肿瘤免疫状态的方法，其特征在于，步骤S5中，对实体肿瘤CT图像样本组进行手动或自动分割感兴趣区是指选取动脉期图像逐一层面勾画肿瘤病症，并避开病灶内坏死、钙化及气体影像，最终得到整个瘤体感兴趣区VOI；

所提取的影像学特征包括：1)一阶灰度直方图特征；2)形态学特征；3)灰度纹理特征。

6.根据权利要求1所述基于影像组学量化肿瘤免疫状态的方法，其特征在于，步骤S6中，对训练集中的影像组学特征运用机器学习的方法筛选出与免疫状态相关的影像组学特征，具体为：

使用最小绝对收缩和选择算子Lasso回归模型，将无相关或者不重要的特征的权重降为零，保留权重不为零的特征，从而达到了对影像组学特征筛选的目的。

Images