基于MRI影像组学特征的机器学习模型预测胰腺癌CD 8+T细胞浸润及预后的研究

目的:探讨基于MRI影像组学特征的机器学习模型预测胰腺癌CD 8+T细胞浸润及患者预后的价值。 方法:回顾性分析2017年1月至2018年4月间海军军医大学第一附属医院156例术前7 d内接受MRI检查且术后经病理证实为胰腺癌患者的临床资料。依据国际预测模型建模共识，将2017年1月至12月共116例患者纳入训练集，2018年1月至4月共40例纳入验证集。以患者总生存期为结局变量，使用X-Tile软件获取CD 8+T细胞占比的截点值，以此为界值，将患者分为高CD 8+T细胞组和低CD 8+T细胞组，比较两组的临床、病理学和影像学特征。使用3D Slicer软件对每例患者MRI平扫的T 1加权、T 2加权以及三期动态增强原始横断面图像逐层勾画感兴趣区进行肿瘤分割，使用Python程序包提取分割后的胰腺肿瘤影像组学特征，采用最小绝对收缩和选择算子(Lasso)回归方法对提取到的组学特征进行降维和选择，根据Lasso回归方程公式计算患者的组学分值。然后采用极端梯度提升(XGBoost)建立机器学习预测模型。绘制受试者工作特征曲线(ROC)，计算曲线下面积(AUC)、灵敏度、特异度、准确度、阳性预测值和阴性预测值，评估模型的性能。 结果:X-Tile软件获取的CD 8+T细胞含量的截点值为19.09%。高CD 8+T细胞组患者中位生存时间比低CD 8+T细胞组患者更长(25.51个月比22.92个月， P＝0.007)；两组在训练集的T分期和验证集的MRI图像测量的肿瘤大小方面差异有统计学意义( P值均<0.05)。共获得MRI图像1 409个组学特征，经Lasso回归降维后得到19个与CD 8+T细胞含量相关的组学特征。高CD 8+T细胞组的组学分值为－0.43(－1.55~0.65)，低CD 8+T细胞组的组学分值为0.22(－0.68~2.54)，两组间差异有统计学意义( P<0.001)。将肿瘤大小和组学分值纳入机器学习模型，模型在训练集的AUC值为0.90(95% CI 0.85~0.95)，灵敏度、特异度、准确度、阳性预测值和阴性预测值分别为75.47%，90.48%，0.84，0.87和0.81，在验证集的AUC值为0.79(95% CI 0.63~0.96)，灵敏度、特异度、准确度、阳性预测值和阴性预测值分别为90.00%，80.00%，0.85，0.82和0.89。利用预测模型可以准确区分胰腺癌CD 8+T细胞高、低组患者。 结论:基于MRI影像组学特征的机器学习模型在预测胰腺癌CD 8+T细胞浸润上具有较高价值，有助于筛选可以从免疫治疗中获益的患者。