DOI: https://doi.org/10.3389/fdgth.2025.1752699
PMID: https://pubmed.ncbi.nlm.nih.gov/41635556
تاريخ النشر: 2026-01-19
المؤلف: Antonio Brunetti وآخرون
الموضوع الرئيسي: الرياضيّات والتعلم الآلي في التصوير الطبي
نظرة عامة
تتناول هذه الدراسة تحدي التنبؤ بالنتائج لدى المرضى الذين يعانون من نقائل الكبد الناتجة عن سرطان القولون والمستقيم (CRLM) من خلال تطوير والتحقق من صحة نماذج التعلم الآلي القابلة للتفسير (ML) التي تستخدم ميزات راديومية من كل من الآفات النقيلية والأنسجة الكبدية المحيطة. شملت الأبحاث تحليل بيانات المرضى وصور الأشعة المقطعية المحسنة بالتباين من مجموعتين: مجموعة بيانات متاحة للجمهور للاكتشاف ومجموعة سريرية للتحقق الخارجي. تضمنت المنهجيات الرئيسية تقسيم أكبر نقيلة كبدية (L-MAX) وأنسجة كبدية صحية (L-BKG)، واستخراج ميزات راديومية، وتطبيق مصنفات ML مختلفة. تم تحديد أفضل النماذج أداءً للتنبؤ بالانتكاس والبقاء على قيد الحياة (OS) على أنها مجموعة تصويت ناعمة ومجموعة تصويت صلبة من شبكة عصبية متعددة الطبقات (MLP)، على التوالي، محققة قيم منطقة تحت المنحنى (AUC) تبلغ 0.78 و0.68 في التحقق الخارجي.
تؤكد النتائج على إمكانية دمج خصائص الآفات مع معلومات الكبد السياقية لتعزيز تصنيف التنبؤ بما يتجاوز درجات المخاطر السريرية التقليدية. قدم استخدام SHapley Additive exPlanations (SHAP) رؤى حول أهم الميزات الراديومية، التي احتفظت بأهمية تنبؤية في مجموعات مستقلة. تبرز الدراسة قوة وقابلية تطبيق النماذج المطورة في السريرية، داعية إلى دمجها في عمليات اتخاذ القرار السريرية. ستركز الأبحاث المستقبلية على توسيع الإطار التحليلي من خلال دمج أوضاع بيانات إضافية، واستخدام تقنيات التعلم العميق المتقدمة، ودمج البيانات متعددة الأوميات لتحسين نمذجة التنبؤ لـ CRLM بشكل أكبر.
مقدمة
يعتبر سرطان القولون والمستقيم (CRC) مساهمًا كبيرًا في الوفيات المرتبطة بالسرطان على مستوى العالم، حيث تؤثر نقائل الكبد الناتجة عن سرطان القولون والمستقيم (CRLM) على 25%-50% من المرضى، مما يعقد التنبؤ بالنتائج. تستخدم النماذج التنبؤية التقليدية، مثل درجة المخاطر السريرية لفونغ، بشكل أساسي المتغيرات السريرية وميزات التصوير الأساسية، والتي قد تتجاهل بيولوجيا الورم الحرجة والتباين المكاني. توفر الراديوميات، التي تستخرج ميزات التصوير الكمية المتعلقة بخصائص الورم، مع التعلم الآلي (ML)، طريقًا واعدًا لتعزيز دقة التنبؤ. ومع ذلك، تثير تعقيدات نماذج ML مخاوف بشأن قابلية التفسير السريرية، مما يستلزم تطوير أدوات تنبؤية شفافة.
تهدف هذه الدراسة إلى إنشاء والتحقق من صحة خطوط أنابيب ML القابلة للتفسير للتنبؤ بالانتكاس والبقاء على قيد الحياة (OS) لدى مرضى CRLM. تستخرج بشكل مبتكر ميزات راديومية ليس فقط من الآفات النقيلية ولكن أيضًا من النسيج الكبدي المحيط، مما قد يوفر رؤى تنبؤية إضافية. تستخدم الدراسة مصنفات ML والتعلم العميق المختلفة، المدربة على مجموعة بيانات متاحة للجمهور والمتحققة على مجموعة سريرية مستقلة. لتعزيز قابلية التفسير، يتم استخدام SHAP (SHapley Additive exPlanations) لتوضيح مساهمات الميزات الفردية في التنبؤات، وبالتالي تحديد الميزات الراديومية الرئيسية وتفاعلاتها التي تؤثر على التنبؤ.
الطرق
تحدد قسم “المواد والطرق” في ورقة البحث التصميم التجريبي والإجراءات المستخدمة للتحقيق في سؤال البحث. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، مما يضمن إمكانية تكرار الدراسة. تشمل المنهجية إعداد التجربة، تقنيات جمع البيانات، والأساليب التحليلية المطبقة لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم التحليلات الإحصائية التي تم إجراؤها للتحقق من النتائج، بما في ذلك أي برامج تم استخدامها لمعالجة البيانات. بشكل عام، يخدم هذا القسم لتقديم نظرة شاملة على الأساليب المتبعة لضمان موثوقية ودقة نتائج البحث.
النتائج
في هذه الدراسة، أدت تطبيق خوارزمية SMOTE إلى مجموعة بيانات متوازنة للنتائج السريرية، مما أدى إلى استخراج 1,246 ميزة راديومية. أسفر اختيار الميزات من خلال مصفوفة ارتباط سبيرمان عن 65 و62 ميزة لنموذج L-MAX، و89 و85 ميزة لنموذج RATIO، مما يتوافق مع حالة الانتكاس والبقاء على قيد الحياة (OS). تم تدريب ما مجموعه 48 نموذجًا للتعلم الآلي (ML)، بما في ذلك خوارزميات تقليدية مختلفة وتكوينات لمصنفات الشبكة العصبية متعددة الطبقات (MLP). كان أفضل نموذج أداءً للانتكاس هو الانحدار اللوجستي باستخدام ميزات RATIO، محققًا منطقة تحت المنحنى (AUC) تبلغ 0.75 في مجموعة الاكتشاف، بينما وصلت MLP المحسنة باستخدام الخوارزميات الجينية (GA) إلى AUC قدره 1.00. بالنسبة للبقاء على قيد الحياة، كان نموذج TabNet هو الأفضل بأداء AUC قدره 0.73.
أظهر التحليل المقارن أن النماذج الراديومية تفوقت بشكل كبير على النماذج السريرية في التنبؤ بالانتكاس والبقاء على قيد الحياة، خاصة في مجموعة الاكتشاف، حيث أظهرت مقاييس مثل AUC، ومنطقة تحت منحنى الدقة-الاسترجاع (AUPRC)، والدقة اختلافات كبيرة (قيم p < 0.05). بالنسبة للانتكاس، حقق نموذج RATIO الراديومي AUC قدره 0.99 في مجموعة الاكتشاف ولكنه انخفض إلى 0.62 في التحقق. وبالمثل، بالنسبة للبقاء على قيد الحياة، أظهر نموذج RATIO أداءً معتدلاً مع AUC قدره 0.74 في مجموعة الاكتشاف و0.61 في التحقق. بشكل عام، بينما أظهرت النماذج الراديومية قدرات تنبؤية متفوقة، كانت أدائها ملحوظًا أقل في التحقق مقارنة بمجموعة الاكتشاف.
المناقشة
في هذه الدراسة، طور المؤلفون والتحقق من صحة خطوط أنابيب التعلم الآلي (ML) التي تستخدم ميزات راديومية للتنبؤ بالنتائج لدى المرضى الذين يعانون من نقائل الكبد الناتجة عن سرطان القولون والمستقيم (CRLM). تم جمع البيانات من مجموعتين: مجموعة اكتشاف تضم 197 مريضًا من أرشيف تصوير السرطان (TCIA-CRLM) ومجموعة تحقق تضم 66 مريضًا من المعهد الوطني للسرطان ريجينا إيلينا (IRE-IRCCS). التزمت الدراسة بالإرشادات الأخلاقية، وتم التنازل عن الموافقة المستنيرة بسبب طبيعتها الاستعادية. أظهرت النتائج الرئيسية أن دمج الميزات الراديومية من كل من أكبر الآفات والأنسجة الكبدية المحيطة عزز بشكل كبير التنبؤات بالانتكاس والبقاء على قيد الحياة (OS). تم تحديد النماذج الأكثر فعالية على أنها TabNet وMLPs المحسنة بواسطة GA، حيث كشفت تحليل SHAP عن ميزات تصوير حاسمة أثرت على تنبؤات النموذج.
أظهرت النتائج أن النماذج المطورة حققت قيم منطقة تحت المنحنى (AUC) تصل إلى 0.78 للانتكاس و0.71 للبقاء على قيد الحياة في التحقق الخارجي، مما يدل على أداء تنبؤي قوي مقارنة بالأدوات السريرية الحالية. ومن الجدير بالذكر أن ميزات مثل original_firstorder_RootMeanSquared وwavelet.HHH_GLCM_MaximumProbability كانت مرتبطة باستمرار بمخاطر الانتكاس، بينما كانت log.sigma.1.0.mm.3D_GLCM_ClusterShade وwavelet.HLL_GLSZM_SALGLE مهمة للبقاء على قيد الحياة. تؤكد الدراسة على إمكانية استخدام الراديوميات في نمذجة التنبؤ الشخصية، مشيرة إلى أن التنبؤات المستندة إلى التصوير يمكن أن تُعلم القرارات السريرية بشأن تصنيف المرضى واستراتيجيات العلاج. ومع ذلك، تبرز القيود مثل تنوع المجموعة واستقرار الميزات الحاجة إلى تحسين مستمر والتحقق من صحة العلامات الراديومية في الممارسة السريرية.
DOI: https://doi.org/10.3389/fdgth.2025.1752699
PMID: https://pubmed.ncbi.nlm.nih.gov/41635556
Publication Date: 2026-01-19
Author(s): Antonio Brunetti et al.
Primary Topic: Radiomics and Machine Learning in Medical Imaging
Overview
This study addresses the challenge of predicting outcomes in patients with colorectal cancer liver metastases (CRLM) by developing and validating explainable machine learning (ML) models that utilize radiomic features from both metastatic lesions and surrounding liver tissue. The research involved analyzing patient data and contrast-enhanced CT images from two cohorts: a publicly available dataset for discovery and a clinical cohort for external validation. Key methodologies included segmentation of the largest liver metastasis (L-MAX) and healthy liver tissue (L-BKG), extraction of radiomic features, and the application of various ML classifiers. The best-performing models for predicting recurrence and overall survival (OS) were identified as a soft-voting ensemble and a hard-voting ensemble of a multilayer perceptron (MLP), respectively, achieving area under the curve (AUC) values of 0.78 and 0.68 in external validation.
The findings underscore the potential of combining lesion characteristics with contextual liver information to enhance prognostic stratification beyond traditional clinical risk scores. The use of SHapley Additive exPlanations (SHAP) provided insights into the most significant radiomic features, which retained prognostic relevance in independent cohorts. The study highlights the robustness and clinical applicability of the developed models, advocating for their integration into clinical decision-making processes. Future research will focus on expanding the analytic framework by incorporating additional data modalities, employing advanced deep learning techniques, and integrating multi-omic data to further refine prognostic modeling for CRLM.
Introduction
Colorectal cancer (CRC) is a significant contributor to cancer-related deaths worldwide, with colorectal liver metastases (CRLM) affecting 25%-50% of patients, often complicating prognosis. Traditional prognostic models, such as the Fong clinical risk score, primarily utilize clinical variables and basic imaging features, which may overlook critical tumor biology and spatial heterogeneity. Radiomics, which extracts quantitative imaging features related to tumor characteristics, combined with machine learning (ML), offers a promising avenue for enhancing prognostic accuracy. However, the complexity of ML models raises concerns about clinical interpretability, necessitating the development of transparent prognostic tools.
This study aims to create and validate explainable ML pipelines for predicting recurrence and overall survival (OS) in CRLM patients. It innovatively extracts radiomic features not only from metastatic lesions but also from the surrounding liver parenchyma, which may provide additional prognostic insights. The study employs various ML and deep learning classifiers, trained on a publicly available dataset and validated on an independent clinical cohort. To enhance interpretability, SHAP (SHapley Additive exPlanations) is utilized to elucidate the contributions of individual features to predictions, thereby identifying key radiomic features and their interactions that influence prognosis.
Methods
The “Materials and Methods” section of the research paper outlines the experimental design and procedures employed to investigate the research question. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the study. The methodology encompasses the experimental setup, data collection techniques, and analytical methods applied to interpret the results.
Additionally, the section may describe the statistical analyses performed to validate the findings, including any software used for data processing. Overall, this section serves to provide a comprehensive overview of the approaches taken to ensure the reliability and accuracy of the research outcomes.
Results
In this study, the application of the SMOTE algorithm resulted in a balanced dataset for clinical outcomes, leading to the extraction of 1,246 radiomic features. Feature selection through a Spearman correlation matrix yielded 65 and 62 features for the L-MAX model, and 89 and 85 features for the RATIO model, corresponding to recurrence and overall survival (OS) status. A total of 48 machine learning (ML) models were trained, including various traditional algorithms and configurations of multi-layer perceptron (MLP) classifiers. The best-performing model for recurrence was the logistic regression using RATIO features, achieving an area under the curve (AUC) of 0.75 in the discovery set, while the MLP optimized with genetic algorithms (GA) reached an AUC of 1.00. For OS, the TabNet model performed best with an AUC of 0.73.
Comparative analysis revealed that radiomic models significantly outperformed clinical models in predicting recurrence and OS, particularly in the discovery set, where metrics such as AUC, area under the precision-recall curve (AUPRC), and accuracy showed significant differences (p-values < 0.05). For recurrence, the radiomic RATIO model achieved an AUC of 0.99 in the discovery set but dropped to 0.62 in validation. Similarly, for OS, the RATIO model demonstrated moderate performance with an AUC of 0.74 in the discovery set and 0.61 in validation. Overall, while radiomic models exhibited superior predictive capabilities, their performance was notably reduced in validation compared to the discovery set.
Discussion
In this study, the authors developed and validated machine learning (ML) pipelines utilizing radiomic features to predict outcomes in patients with colorectal liver metastases (CRLM). Data were collected from two cohorts: a discovery cohort of 197 patients from The Cancer Imaging Archive (TCIA-CRLM) and a validation cohort of 66 patients from the National Cancer Institute Regina Elena (IRE-IRCCS). The study adhered to ethical guidelines, and informed consent was waived due to its retrospective nature. Key findings indicated that incorporating radiomic features from both the largest lesions and surrounding liver tissue significantly enhanced predictions of recurrence and overall survival (OS). The most effective models were identified as the TabNet and GA-optimized multi-layer perceptrons (MLPs), with SHAP analysis revealing critical imaging features that influenced model predictions.
The results demonstrated that the developed models achieved area under the curve (AUC) values of up to 0.78 for recurrence and 0.71 for OS in external validation, indicating robust predictive performance comparable to existing clinical tools. Notably, features such as original_firstorder_RootMeanSquared and wavelet.HHH_GLCM_MaximumProbability were consistently associated with recurrence risk, while log.sigma.1.0.mm.3D_GLCM_ClusterShade and wavelet.HLL_GLSZM_SALGLE were significant for OS. The study emphasizes the potential of radiomics in personalized prognostic modeling, suggesting that imaging-based predictions could inform clinical decisions regarding patient stratification and treatment strategies. However, limitations such as cohort diversity and feature stability highlight the need for ongoing refinement and validation of radiomic markers in clinical practice.