Development of a combined nomogram integrating radiomics, deep learning and clinical risk factors to predict neoadjuvant chemoradiotherapy outcomes in patients with rectal cancer

ملخص تقني: مخطط بياني (Nomogram) مدمج للتنبؤ بنتائج العلاج الكيميائي الإشعاعي المساعد قبل الجراحة في سرطان المستقيم

بيان المشكلة
يعد التنبؤ الدقيق بنتائج العلاج الكيميائي الإشعاعي المساعد قبل الجراحة (nCRT) في حالات سرطان المستقيم المتقدم موضعياً أمراً بالغ الأهمية لتحديد استراتيجيات العلاج اللاحقة، مثل "المراقبة والانتظار" للمستجيبين الكاملين أو الجراحة في الوقت المناسب لغير المستجيبين. تفتقر طرق التقييم الحالية، بما في ذلك الفحص الباثولوجي (الذي يتسم بكونه جراحياً ومحدوداً بسبب أخذ العينات)، والفحص الرقمي للمستقيم (الذي يتسم بالذاتية وغير قادر على تحديد العمق كمياً)، والمؤشرات الورمية في المصل مثل (CEA) (التي لا تكون فعالة لغير المفرزين لها)، إلى القدرات غير الجراحية والدقيقة والمخصصة المطلوبة لاتخاذ القرارات السريرية. علاوة على على ذلك، غالباً ما تُظهر الآفات بعد العلاج (nCRT) وذمة وتليف والتهاب، مما يعقد عملية التقييم عبر التصوير بالرنين المغناطيسي القياسي وحده. تعالج هذه الدراسة الحاجة إلى أداة تنبؤية قوية وغير جراحية تدمج البيانات التصويرية والسريرية للتنبؤ بفعالية العلاج (nCRT).

المنهجية
استخدمت الدراسة مجموعة استعادية مكونة من 292 مريضاً بسرطان المستقيم (230 في مجموعة التدريب، و62 في مجموعة التحقق) خضعوا لتصوير بالرنين المغناطيسي (T2-weighted MRI) قبل العلاج (nCRT) متبوعاً باستئصال الميزوريكتوم الكلي (TME). تم تحديد النتيجة بناءً على درجة تراجع الورم باثولوجياً (TRG)، حيث صُنِّف المرضى إلى مستجيبين (TRG1/2) وغير مستجيبين (TRG3).

تضمنت المنهجية نهج نمذجة متعدد الخطوات:

1. المعالجة المسبقة للصور والتعليق التوضيحي: خضعت صور الرنين المغناطيسي لتصحيح مجال الانحياز (N4 bias field correction)، وإعادة أخذ العينات لتصبح مكعبات متساوية القياس بحجم 1 مم³، والتقسيم اليدوي للمناطق داخل الورم وحول الورم من قبل أطباء أشعة ذوي خبرة باستخدام برنامج ITK-SNAP.
2. تطوير نموذج الراديوميكس (Radiomics): تم استخراج 1,561 سمة راديوميكس (الشكل، والإحصاءات من الدرجة الأولى، والنسيج) باستخدام برنامج PyRadiomics. تمت تصفية السمات بناءً على موثوقية المراقب (ICC > 0.80)، والارتباط المتعدد (|r| ≥ 0.95)، واختيارها عبر انحدار LASSO. تم بناء نموذجين: أحدهما يستخدم المناطق داخل الورم فقط (Rad-Tumor)، والآخر يجمع بين المناطق داخل الورم وحول الورم (Rad-Tumor+Peri).
3. تطوير نموذج التعلم العميق (DL): تم تدريب شبكة عصبية تلافيفية من نوع ResNet50 على نفس المناطق المجزأة. تم تطبيق تعزيز البيانات (الدوران، الإزاحة، تغيير الحجم، القلب) لزيادة حجم عينة التدريب ثمانية أضعاف. وبشكل مشابه للراديوميكس، تم إنشاء نموذجين للتعلم العميق: DL-Tumor و DL-Tumor+Peri.
4. اختيار المتغيرات السريرية: تم فحص العوامل السريرية (الديموغرافيا، مرحلة التصوير بالرنين المغناطيسي، المؤشرات الحيوية في المصل) عبر الانحدار أحادي ومتعدد المتغيرات. تم الاحتفاظ فقط بغزو الأوعية خارج الجدار (EMVI) وموقع الورم كمتنبئات ذات دلالة إحصائية.
5. بناء المخطط البياني (Nomogram): تم تطوير مخطط بياني مدمج من خلال دمج درجة Radscore (من نموذج Rad-Tumor+Peri)، ودرجة DLscore (من نموذج DL-Tumor+Peri)، والمتغيرات السريرية المختارة (EMVI، وموقع الورم).

المساهمات الرئيسية

• دمج المناطق المحيطة بالورم: تثبت الدراسة أن تضمين سمات الأنسجة الدهنية المحيطة بالورم يعزز بشكل كبير من الأداء التنبئي مقارنة بالنماذج التي تقتصر على الورم فقط، وذلك في كل من نهجي الراديوميكس والتعلم العميق.
• استراتيجية النمذجة الهجينة: تقدم الورقة مخططاً بيانياً يجمع بين سمات التعلم العميق عالية الأبعاد، وبصمات الراديوميكس الإحصائية، وعوامل الخطر السريرية المحددة، بدلاً من الاعتماد على وسيط واحد.
• التحليل المقارن: توفر الدراسة مقارنة مباشرة للأداء بين الراديوميكس التقليدي، والتعلم العميق، وتطبيقاتهما المشتركة ضمن إطار سريري واحد.

النتائج

• أداء النموذج: في مجموعة التحقق، حقق المخطط البياني المدمج أعلى دقة تنبؤية مع مساحة تحت المنحنى (AUC) بلغت 0.921 (فاصل ثقة 95%، 0.824–0.974). وكان هذا متفوقاً بشكل ملحوظ على نموذج DL-Tumor+Peri المستقل (AUC 0.845) ونموذج Rad-Tumor+Peri (AUC 0.739) (جميع قيم p < 0.05).
• تأثير السمات المحيطة بالورم: أدى دمج المناطق المحيطة بالورم إلى تحسين المساحة تحت المنحنى (AUC) لكل من نموذج الراديوميكس (من 0.666 إلى 0.739) ونموذج التعلم العميق (من 0.817 إلى 0.845) في مجموعة التحقق.
• الفائدة السريرية: أشار تحليل منحنى القرار (DCA) إلى أن المخطط البياني وفر فائدة صافية أعلى عبر معظم احتمالات العتبة مقارنة بالنماذج الأخرى. وأكدت منحنيات المعايرة واختبار هوزمر-ليميشو وجود اتساق جيد بين الاحتمالات المتوقعة والنتائج الفعلية.
• العوامل السريرية المحددة: حدد تحليل المتغيرات المتعددة EMVI وموقع الورم كأدوات التنبؤ السريرية الوحيدة ذات الدلالة من بين 13 عاملاً تم جمعها في البداية.

الأهمية والادعاءات
يزعم المؤلفون أن المخطط البياني المطور يعمل كأداة فعالة وغير جراحية للتنبؤ بنتائج العلاج (nCRT) بعد الجراحة في مرضى سرطان المستقيم. ومن خلال دمج سمات التعلم العميق، وبصمات الراديوميكس، والمتغيرات السريرية، يقدم النموذج أداءً تشخيصياً محسناً مقارنة بالنهج أحادي الوسيط. تفترض الدراسة أن هذه الأداة يمكن أن تساعد الأطباء في تخصيص استراتيجيات العلاج، مما قد يجنب المرضى الآثار الجانبية غير الضرورية للعلاج غير الفعال أو يمنع تطور الورم من خلال تحديد غير المستجيبين مبكراً. يقر المؤلفون بالقيود، بما في ذلك الطبيعة الاستعادية والدراسة الممركزة في مركز واحد، وتعقيد الطرق الحسابية، مشيرين إلى ضرما التحقق الخارجي لضمان القوة والمتانة.