小云說，基礎科研的最終目的還是臨床應用，朋友們應該也同意吧？

所以面臨現(xiàn)在生信卷、實驗難的境況，小云開始推薦臨床研究者回歸初衷，從臨床出發(fā)做研究，比如臨床數(shù)據(jù)庫挖掘、孟德爾隨機化、影像組學等等（ps：小云之前也分享過這類文章思路，感興趣的小伙伴可以單擊文末鏈接或公眾號搜索觀看哦）

為什么要這么推薦？

因為這是跳出常規(guī)生信、實驗類科研的一大突破口，這個大方向的發(fā)文空間大，而競爭壓力還沒有那么大，發(fā)高分文章還比較輕松。并且本身從臨床出發(fā)，不像是基礎科研，臨床科研人員容易受限于實驗，所以這個方向就更適合臨床科研者去嘗試，我們可以利用它實現(xiàn)彎道超車！

小云這次就再分享一個影像組學的文章，利用機器學習算法建立放射組學模型，結合免疫治療反應評估，直接拿下12分+SCI！在影像組學基礎上應用機器學習算法，創(chuàng)新性非常棒，這個高分思路學起來，SCI在向你招手啦~?~

l?題目：使用機器學習整合放射組學和臨床數(shù)據(jù)預測晚期乳腺癌基于抗PD-1抗體的聯(lián)合治療的療效:一項多中心研究

l?影響因子：IF=12.469

l?發(fā)表時間：2023年5月

研究背景

基于免疫檢查點抑制劑(ICIs)的治療被認為是癌癥治療的重大突破之一。然而，準確識別可能受益于ICIs的患者是一個挑戰(zhàn)。目前預測ICIs療效的生物標志物需要病理切片，其準確性有限。因此，作者的目標是開發(fā)一個放射組學模型，可以準確地預測晚期乳腺癌（ABC）患者ICIs的反應。

數(shù)據(jù)來源

該研究對2018年2月至2022年1月在中山紀念醫(yī)院(SYSMH)、中山大學腫瘤防治中心(SYSUCC)和中山大學第一附屬醫(yī)院(FAHSYSU)三所學術醫(yī)學中心接受ICIs治療的240例ABC患者進行了回顧性分析。

圖1?患者選擇流程圖

研究思路

首先將2018年2月至2022年1月在三家學術醫(yī)院接受基于ICIs治療的240例ABC患者分為訓練組和獨立驗證組。在基于ICIs的治療之前1個月的患者的CECT圖像中利用3D slicer中的radiomics擴展模塊提取CT圖像特征，利用多層感知器進行數(shù)據(jù)降維、特征選擇和放射組學模型構建。將放射組學特征與獨立的臨床病理學特征結合，通過多變量邏輯回歸分析整合模型。使用ROC曲線、陽性預測值和陰性預測值來評估該放射組學模型的準確性，并應用決策曲線分析(DCA)和臨床成像曲線(CIC)來評估凈效益。最后分析放射組學模型和聯(lián)合模型在免疫治療中的預后價值。

圖2 研究流程圖

?

主要結果

1. 放射組學特征的選擇和預測模型的建立

首先利用3D slicer中的radiomics擴展模塊提取CT圖像特征，包括強度特征、形狀特征、紋理特征、圖像濾波特征四個方面，共計1130個特征。然后使用MLP算法選擇與訓練隊列中免疫治療反應最密切相關的特征，最終選擇了以下九類放射組學特征：原始形狀、原始一階直方圖特征、原始GLCM、原始GLDM、原始GLRLM、原始GLSZM、原始NGTDM、小波變換和對數(shù)變換，以構建成像組織學特征模型來預測免疫治療反應。結果發(fā)現(xiàn)通過放射組學模型預測的ABC患者的免疫治療應答狀態(tài)與訓練和驗證隊列中的實際臨床免疫治療應答狀態(tài)非常一致（圖3A, C）。利用ROC曲線、校準曲線決策曲線分析(DCA)和臨床成像曲線(CIC)進行模型評價。ROC曲線顯示餓放射組學模型的高準確性（圖3E），校準曲線顯示了在訓練群組和驗證群組中模型預測和實際觀察之間的良好一致性（圖3G），DCA曲線顯示與臨床模型相比，在放射組學模型中實現(xiàn)了最高的總體凈效益(圖3H)，CIC曲線顯示放射組學模型可以準確地靶向免疫治療應答群體(圖3I)。（ps：模型評價也可以用小云新開發(fā)的零代碼生信分析小工具實現(xiàn)，云生信分析工具平臺包含超多零代碼小工具，上傳數(shù)據(jù)一鍵出圖，感興趣的小伙伴歡迎來參觀喲，網(wǎng)址：http://www.biocloudservice.com/home.html）。

圖3 放射組學特征的選擇和預測模型的建立

2. 組合模型的建立及模型預測能力的比較

作者利用在單因素和多因素分析中具有統(tǒng)計學差異的臨床病理因素使用邏輯回歸(LR)構建臨床病理模型。然后將臨床特征整合到放射組學模型中以開發(fā)臨床-放射組學模型（圖4B, D）。同樣利用ROC曲線、校準曲線決策曲線分析(DCA)和臨床成像曲線(CIC)進行組合模型評價。結果顯示與放射組學模型相比，臨床-放射組學模型并沒有取得顯著的改善（圖3E）。校準曲線、DCA和CIC分析顯示了放射組學模型和臨床-放射組學模型之間的相似一致性（圖3G, H, 圖4J）。但放射組學模型和臨床-放射組學模型的對于免疫治療反應的預測精度均優(yōu)于臨床病理模型（圖4A）。

圖4 組合模型的建立及模型預測能力的比較

3. 放射組學模型和聯(lián)合模型在免疫治療中的預后價值分析

作者將放射組學模型和聯(lián)合模型的分數(shù)建立在對數(shù)秩檢驗的基礎上，以根據(jù)點兩側的數(shù)據(jù)找到最佳截斷值。最佳臨界值用于將患者分為低風險和高風險組。然后使用Kaplan-Meier曲線來分析PFS，結果顯示放射組學模型低風險組的中位數(shù)PFS顯著高于高風險組（圖5A），臨床-放射組學模型的低風險患者也有較好PFS（圖5C）。然后作者根據(jù)PD-L1狀態(tài)(CPS評分)、既往治療方案、分子亞型、腫瘤轉移負荷和免疫治療方案進行亞組分析，結果顯示放射組學模型在高CPS組和低CPS組，不同分子亞型，各治療亞組中都取得了良好的表現(xiàn)，表明放射組學模型的性能不受PD-L1狀態(tài)、腫瘤轉移負荷或分子亞型的影響（圖6）。

圖5 放射組學模型和聯(lián)合模型在免疫治療中的預后價值分析

文章小結

這個文章基于多中心回顧隊列，利用機器學習算法建立放射組學的免疫治療反應預測模型，影像組學選題方向+機器學習分析方法，雙重創(chuàng)新性疊加，直接發(fā)到了12分+的文章，效果非常贊呀！所以臨床科研朋友，如果想從臨床方面發(fā)高分，不妨嘗試下影像組學方向，高分文章在向你招手啦！