Development of radiomics model for prognosis prediction in gastric cancer

Abstract

목적: 진행성 위암 환자에서 수술 전 항암화학요법은 예후 개선에 대한 가능성으로 인해 많은 관심을 불러 일으키고 있다. 수술 전 병기 결정을 기반으로 위험도가 높은 환자를 선별하는 것은 수술 전 항암화학요법 여부를 선택하는 데 중요하다. 임상 예측 모델과 비교하여 수술 전 조영증강 복부 전산화단층촬영을 이용한 라디오믹스 모델이 국소 진행 위암의 무재발 생존 기간을 더 잘 예측할 수 있는지 평가하고자 하였다. 방법: 2010년에 신촌 세브란스 병원에서 수술 전 항암화학요법치료를 받지 않고, 국소 진행성 위암으로 수술적 절제술을 받은 349명의 환자를 모형 훈련군으로 후향적으로 분석하였고, 같은 기준으로 강남 세브란스에서 수술 받은 환자 61명을 검증군으로 사용하였다. 기존의 CT 병기 및 내시경 데이터를 포함한 수술 전 검사에서 얻을 수 있는 임상 적 인자들을 얻었고 수술 전 CT에서 총 438 개의 라디오믹스 변수를 추출하였다. 10배 교차 유효성 검사를 사용한 LASSO 회귀분석을 통해 변수를 선택하고, 라디오믹스 점수를 정의하였다. 내부 및 외부 검증은 각각 부트스트랩 방법(1000회 실시)를 통해 수행되었고, 라디오믹스 모형의 예측력 향상은 통합 수신자 조작 특성 곡선(integrated receiver operating curve)을 통해 곡선 아래 면적(iAUC, integrated area under the curve)을 계산하여 비교되었다. 결과: 최종 410명 (58.2±13.0 세, 여성 268명)의 환자군이 최종 연구에 포함되었다. 라디오믹스 모형 구성에는 7가지 특성이 선택되었고, 임상 모형은 CT에서의 Borrmann 4형과 결절형 침윤 여부가 포함되었다. 병합 모형은 임상 정보와 라디오믹스 점수를 모두 포함하여 구성되었다. 내부 및 외부 검증 모두에서 라디오믹스 (iAUC [95 % 신뢰 구간], 0.714 [0.667, 0.759], P<0.001, 내부검증; 0.652 [0.628, 0.674], P=0.010, 외부검증)과 병합 모형(0.719 [0.674, 0.764], P<0.001, 내부검증; 0.651 [0.630, 0.673], P=0.014, 외부검증)이 각각 임상 모형 (0.616 [0.570, 0.663], 내부검증; 0.594 [0.544, 0.636], 외부검증)과 비교했을 때 통계적으로 유의하게 무재발 생존 기간 예측이 향상되었다. 결론: 조영증강 전산화단층촬영 영상을 기반으로 한 라디오믹스 모형은 수술 전 임상 정보와 통합되어 무재발 생존 기간을 더 잘 예측할 수 있으며 수술 전 영상 생체표지자로서 가능성을 가지고 있다. 따라서 라디오믹스 모형을 통해 재발 고위험군을 분류한다면, 진행성 위암 환자에서 수술 전 항암화학요법 여부를 결정하는데 도움을 줄 수 있다.

Purpose: Preoperative therapy has gained wide interest in advanced gastric cancer patients due to its potential advantages of improved disease control. Selection of high risk patients based on preoperative staging is crucial to choose the candidates for neoadjuvant therapy. To evaluate the added value of the radiomic signature for predicting recurrence-free survival (RFS) of locally advanced gastric cancer using preoperative contrast-enhanced abdominal computed tomography (CT), compared with the clinical prediction model. Methods: Our institutional review board approved this retrospective study and waived the requirement for patient consent. The present study included 349 patients who underwent curative resection for locally advanced gastric cancer in 2010 without neoadjuvant therapies as training cohort. External validation cohort with 61 patients was collected from another hospital. Clinical factors which were available in the preoperative setting including conventional CT staging and endoscopic data were obtained and a total 438 of radiomic features were extracted from the preoperative CT. To predict RFS, the radiomic model was developed using penalized Cox regression with a least absolute shrinkage and selection operator with ten-fold cross-validation. Internal and external validations were performed using a bootstrapping method (n=1000) for each validation. The incremental values of radiomic features were evaluated by using the integrated area under the receiver operating characteristic curve (iAUC). Results: With the final 410 patients (58.2±13.0 years-old; 268 female), the radiomic model consisted of seven selected features. The clinical model included two independent factors, CT Borrmann type 4 and extramural nodular infiltration, The merged model was built using both clinical and radiomic features. In both of the internal and the external validation, the integrated area under the receiver operating characteristic curve values of both the radiomic model (0.714 [95% confidence interval(CI) 0.667, 0.759], P<0.001 in internal validation; 0.652 [95% CI 0.628, 0.674], P=0.010 in external validation) and the merged model (0.719 [95% CI 0.674, 0.764], P<0.001; 0.651 [95% CI, 0.630, 0.673], P=0.014) were significantly higher than those of the clinical model (0.616 [95% CI, 0.570, 0.663]; 0.59 4[95% CI 0.544, 0.636]). Conclusion: The radiomics signature based on preoperative CT images is a possible preoperative imaging biomarker that can improve RFS prediction of the preoperative clinical profile in LAGC. The ability of radiomic signatures to identify high-risk LAGC patients may be helpful in selecting appropriate candidates for neoadjuvant therapy.