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

Technische Samenvatting: Gecombineerd Nomogram voor het Voorspellen van Uitkomsten van Neoadjuvante Chemoradiotherapie bij Rectumkanker

Probleemstelling
Nauwkeurige voorspelling van de uitkomsten van neoadjuvante chemoradiotherapie (nCRT) bij lokaal gevorderde rectumkanker (RC) is cruciaal voor het bepalen van daaropvolgende behandelstrategieën, zoals "watch and wait" voor volledige responders of tijdige chirurgie voor non-responders. Huidige evaluatiemethoden, waaronder pathologische examinatie (invasief en beperkt door monsterneming), digitaal rectaal onderzoek (subjectief en niet in staat om diepte te kwantificeren) en serumtumormarkers zoals CEA (ineffectief voor non-secretoren), missen de niet-invasieve, nauwkeurige en gepersonaliseerde capaciteiten die vereist zijn voor klinische besluitvorming. Bovoltrecht vertonen post-nCRT laesies vaak oedeem, fibrose en inflammatie, wat de beoordeling via standaard MRI alleen bemoeilijkt. Deze studie adresseert de behoefte aan een robuuste, niet-invasieve voorspellende tool die beeldvorming en klinische gegevens integreert om de effectiviteit van nCRT te voorspellen.

Methodologie
De studie maakte gebruik van een retrospectieve cohort van 292 patiënten met rectumkanker (230 in de trainingsset, 62 in de validatieset) die een pre-nCRT T2-gewogen MRI en een daaropvolgende totale mesorectale excisie (TME) ondergingen. De uitkomst werd gedefinieerd door de pathologische tumorregressiegraad (TRG), waarbij patiënten werden gecategoriseerd als responders (TRG1/2) en non-responders (TRG3).

De methodologie omvatte een meerstaps modelleringsaanpak:

1. Beeldpreverwerking en Annotatie: MRI-beelden ondergingen N4 bias field correctie, resampling naar isotrope 1mm³ voxels, en handmatige segmentatie van intra-tumorale en peri-tumorale regio's door ervaren radiologen met behulp van ITK-SNAP.
2. Ontwikkeling van Radiomics-model: 1.561 radiomics-features (vorm, first-order statistieken en textuur) werden geëxtraheerd met PyRadiomics. Features werden gefilterd op inter-observer betrouwbaarheid (ICC > 0,80), multicollineariteit (|r| ≥ 0,95) en geselecteerd via LASSO-regressie. Er werden twee modellen gebouwd: één met enkel intra-tumorale regio's (Rad-Tumor) en één die intra- en peri-tumorale regio's combineert (Rad-Tumor+Peri).
3. Ontwikkeling van Deep Learning (DL) Model: Een ResNet50 convolutioneel neuraal netwerk werd getraind op dezelfde gesegmenteerde regio's. Data-augmentatie (rotatie, translatie, schaling, flipping) werd toegepast om de omvang van de trainingsset achtmaal te vergroten. Vergelijkbaar met radiomics werden ook twee DL-modellen geconstrueerd: DL-Tumor en DL-Tumor+Peri.
4. Selectie van Klinische Variabelen: Klinische factoren (demografie, MRI-staging, serum biomarkers) werden gescreend via univariate en multivariate regressie. Alleen extramurale vasculaire invasie (EMVI) en tumorlocatie werden behouden als significante voorspellers.
5. Constructie van Nomogram: Een gecombineerd nomogram werd ontwikkeld door de Radscore (van Rad-Tumor+Peri), de DLscore (van DL-Tumor+Peri) en de geselecteerde klinische variabelen (EMVI, Tumorlocatie) te integreren.

Belangrijkste Bijdragen

• Integratie van Peri-tumorale Regio's: De studie toont aan dat het opnemen van kenmerken van het peri-tumorale vetweefsel de voorspellende prestaties aanzienlijk verbetert ten opzijde van modellen met enkel de tumor voor zowel radiomics- als deep learning-benaderingen.
• Hybride Modelleringsstrategie: Het artikel introduceert een nomogram dat hoogdimensionale deep learning-features, statistische radiomics-signatures en specifieke klinische risicofactoren synthetiseert, in plaats van te vertrouwen op een enkele modaliteit.
• Vergelijkende Analyse: Het biedt een directe prestatievergelijking tussen traditionele radiomics, deep learning en hun gecombineerde toepassing binnen een enkel klinisch kader.

Resultaten

• Modelprestaties: In de validatieset bereikte het gecombineerde nomogram de hoogste voorspellende nauwkeurigheid met een Area Under the Curve (AUC) van 0,921 (95% CI, 0,824–0,974). Dit was significant superieur aan het standalone DL-Tumor+Peri model (AUC 0,845) en het Rad-Tumor+Peri model (AUC 0,739) (alle p-waarden < 0,05).
• Impact van Peri-tumorale Kenmerken: Het opnemen van peri-tumorale regio's verbeterde de AUC voor zowel het radiomics-model (van 0,666 naar 0,739) als het deep learning-model (van 0,817 naar 0,845) in de validatieset.
• Klinische Bruikbaarheid: Decision Curve Analysis (DCA) gaf aan dat het nomogram een hogere netto voordelen (net benefit) bood over het grootste deel van de drempelwaarde-kansen vergeleken met andere modellen. Kalibratiecurves en de Hosmer–Lemeshow test bevestigden een goede consistentie tussen voorspelde waarschijnlijkheden en werkelijke uitkomsten.
• Specifieke Klinische Factoren: Multivariate analyse identificeerde EMVI en tumorlocatie als de enige significante klinische voorspellers onder de 13 initieel verzamelde factoren.

Betekenis en Claims
De auteurs beweren dat het ontwikkelde nomogram dient als een effectieve, niet-invasieve tool voor het voorspellen van postoperatieve nCRT-uitkomsten bij patiënten met rectumkanker. Door deep learning-features, radiomics-signatures en klinische variabelen te integreren, biedt het model een verbeterde diagnostische prestatie ten opziese van single-modality benaderingen. De studie stelt dat dit instrument clinici kan ondersteunen bij het personaliseren van behandelstrategieën, waardoor patiënten potentieel wordt bespaard van onnodige bijwerkingen van ineffectieve therapie of het voorkomen van tumorprogressie door non-responders vroegtijdig te identificeren. De auteurs erkennen beperkingen, waaronder het retrospectieve, single-center karakter van de studie en de complexiteit van de computationele methoden, en suggeren dat externe validatie noodzakelijk is om de robuustheid te bevestigen.