Trans: Un modelo de predicción para el estado de mutación EGFR en NSCLC basado en radiómica y características clínicas

Resumen

Antecedentes

La detección temprana del receptor del factor de crecimiento epidérmico (EGFR) es crítica para guiar las decisiones terapéuticas en el cáncer de pulmón no de células pequeñas (NSCLC). El estudio tiene como objetivo desarrollar un modelo predictivo para las mutaciones de EGFR con datos de mulicohort.

Métodos

El estudio inscribió a 254 pacientes con CPNC de cuatro cohortes: el Hospital Afiliado de la Universidad de Qingdao (Ahqu, N = 54), el segundo hospital afiliado de la Universidad Soochow (Sahsu, N = 78), TCGA-NSCLC (n = 91) y CPTAC-NSCLC (N = 31). Las características radiómicas se extrajeron utilizando el software LIFEX. Se utilizó el algoritmo de operador de contracción y selección menos absoluto (LASSO) para seleccionar características predictivas de la radiómica CT, los datos clínicos y la secuenciación de ARN, que se evaluaron utilizando curvas características de operación del receptor (ROC). Se desarrolló un nomograma integrando características predictivas. Las funciones biológicas se analizaron utilizando datos de secuenciación de ARN.

Resultados

Se seleccionaron ocho características radiómicas, cuatro características clínicas y siete características genómicas para construir firmas distintas. A través de la validación transversal 5 veces interna, las dos primeras firmas demostraron capacidades de discriminación notables para distinguir entre EGFR mutado y de tipo salvaje, lo que dio como resultado un área bajo los valores de la curva (AUC) de 0.79 (± 0.08) y 0.74 (± 0.06), respectivamente. La combinación de variables clínicas y firma de radiómica dio como resultado un aumento de AUC de 0.84 (± 0.01). Este modelo combinado se llamó trans, que representa TTF-1, firma radiómica, AE1/AE3, Napsina y etapa, que utiliza radiómica y marcadores de inmunohistoquímica de rutina como entradas. Se observó que el trans de alto riesgo se asoció con una supervivencia general deficiente, y mostró relaciones con una alta infiltración de células T y respuesta a la inmunoterapia PD-1.

Conclusiones

El modelo trans demostró una capacidad favorable para predecir el estado de mutación EGFR en NSCLC, proporcionando un enfoque valioso para optimizar las estrategias terapéuticas en la práctica clínica.

Fondo

En los últimos años, el manejo del cáncer de pulmón de células no pequeñas (NSCLC) ha subrayado la importancia de identificar un estado de mutación específico. En NSCLC, el estado del receptor del factor de crecimiento epidérmico (EGFR) debe evaluarse a tiempo antes del tratamiento, porque el estado de la mutación EGFR es un biomarcador crítico que determina la elegibilidad para la terapia dirigida con EGFR-TKI (inhibidores de la tirosina quinasa), que ofrece la velocidad de respuesta superior, la supervivencia de progreso y la mejor calidad de la vida en comparación con la quimioterapia estándar para los pacientes con los pacientes con la mutación de la activación (la velocidad de la activación (tasa de respuesta de la activación (velocidad de la activación (velocidad de la activación (velocidad de la activación (velocidad de la activación (1). Los avances recientes en el perfil molecular han mejorado la predicción de la respuesta al tratamiento (2, 3), subrayando la importancia de la detección de mutaciones EGFR (4). Sin embargo, estos enfoques son caros, requieren mucho tiempo y carecen de la resolución espacial para describir la heterogeneidad intra-tumoral y la complejidad del microambiente tumoral (5).

Estudios recientes han demostrado que las características identificadas a partir de imágenes clínicas, como los escaneos de tomografía computarizada (TC), pueden funcionar como biomarcadores, revelando asociaciones de diagnóstico y pronóstico a través de correlaciones con referencias patológicas o moleculares, respuesta al tratamiento y resultados de supervivencia ((6). Actualmente, los modelos basados en radiómicos que utilizan tomografías computarizadas presentan una estrategia no invasiva prometedora para detectar el estado de mutación EGFR en pacientes con NSCLC (7). Los enfoques basados en radiómicos pueden capturar información abundante y multidimensionalidad de todo el tumor y su tejido circundante.

Aunque existe evidencia que respalda la efectividad de la radiómica en la predicción del estado de la mutación EGFR en la CPNM, numerosos estudios relacionados han enfrentado limitaciones, particularmente en la interpretabilidad del modelo ((8). En dominios como la atención médica, explicar las características de entrada o cómo funciona el modelo de predicción puede ser tan crítico como el rendimiento del modelo en sí. Un modelo interpretable puede proporcionar información sobre las vías biológicas y los mecanismos moleculares, lo que puede conducir a nuevos descubrimientos científicos (9). El objetivo del estudio fue desarrollar un modelo predictivo interpretable para la mutación EGFR, proporcionando un nomograma cuantitativo y visual para la aplicación clínica.

Métodos

Diseño de estudio

In the retrospective analysis, radiomics analyses were conducted in four distinct cohorts: the Affiliated Hospital of Qingdao University cohort (AHQU) (n = 54), the Second Affiliated Hospital of Soochow University cohort (SAHSU) (n = 78), and the Cancer Imaging Archive dataset (TCIA) with TCGA-NSCLC cohort (n = 91) and Cohorte CPTAC-NSCLC (n = 31). Cifra 1 Muestra los detalles de cuatro cohortes inscritas en nuestro estudio. Mesa S1 (Archivo adicional 1) muestra los puntos finales de las cuatro cohortes.

Fig. 1

Diseño del estudio. Ahqu, el Hospital Afiliado de la Universidad de Qingdao; Sahsu, el segundo hospital afiliado de la Universidad Soochow; TCGA, el genoma del cáncer atlas; CPTAC, Consorcio de análisis de tumores proteómicos clínicos; RNA-seq, secuenciación de ARN; DICOM, imágenes digitales y comunicaciones en medicina

Imagen de tamaño completo

Los pacientes en cohortes ahqu y sahsu se inscribieron si siguieron los criterios: (1) diagnosticado con carcinoma de células escamosas pulmonares o adenocarcinoma de pulmón; (2) se sometió a cirugía o biopsia dentro de las 4 semanas posteriores a la tomografía computarizada; (3) La lesión tenía un diámetro máximo de más de 1 cm para minimizar el efecto de volumen parcial. Los pacientes fueron excluidos si cumplían con los siguientes criterios: (1) Historia de otras neoplasias malignas, n = 5; (2) ausencia de pruebas EGFR e inmunohistoquímica, n = 8; (3) registros de casos incompletos, n = 3; (4) mala calidad de imagen, n = 1; (5) lesiones objetivo difíciles de delinear en la tomografía computarizada, como superposición con lesiones adyacentes o tejidos circundantes, o lesiones difusas, n = 9; (6) edad menor de 18 años. En total, se inscribieron 132 pacientes de los dos hospitales (54 y 78, respectivamente). Las características clínicas incluidas son la edad, el género, la ubicación de la lesión, la estadificación clínica y los marcadores histopatológicos.

Protocolo de tomografía computarizada

Los pacientes en la cohorte AHQU y SAHSU fueron escaneados utilizando una de las tres máquinas CT multidetector: GE Revolution CT, GE CT 750 HD y Philips Brilliance TIC. Todos los escaneos se llevaron a cabo en posición supina en plena inspiración. Los parámetros de escaneo incluyeron 120 kvp, 100–450 mA, colimación del detector de 64 * 0.625 mm o 128 * 0.625 mm, y un campo de visión de 350 * 350 mm.

Segmentación y estructuración de CT

Cifra 2 ilustra la tubería radiómica. Para todas las cohortes, los datos de CT en el formato DICOM se importaron al software LIFEX (10) (Higo. S1 en el archivo adicional 1). Cuatro radiólogos experimentados, desconocidos de la información del paciente, describieron las lesiones de los tumores primarios en la ventana del pulmón como un volumen de interés (VOI). Los VOI se volvieron a muestrear inicialmente a vóxeles 1 × 1 × 1 mm³, y luego se redvalaron de – 1,000 a 3,000 unidades Hounsfield (HU) a un tamaño de contenedor fijo de 10 Hu. Después de volver a muestrear y reescalizar, se extrajeron un total de 201 características de Radiomics, que incluyen características de forma, estadísticas de primer orden y estadísticas de segundo orden (cuatro matrices de nivel de grises). Para abordar la variabilidad potencial introducida por diferentes escáneres de tomografía computarizada, implementamos la armonización de combate, un método bayesiano no paramétrico que se ajusta a las variaciones específicas del sitio al tiempo que preservamos las diferencias biológicas. La reproducibilidad del etiquetado manual de la imagen se evaluó con el coeficiente de correlación interclase (ICC) para evaluar el acuerdo entre observadores. Se consideró que las características radiómicas con valor ICC <0.75 tenían mala reproducibilidad y se excluyeron (ver Fig. S2 en el archivo adicional 1). Se incluyeron un total de 143 características radiómicas en el siguiente estudio (detalles en la tabla S2).

Fig. 2

El flujo de trabajo de Radiomics del estudio. Ahqu, el Hospital Afiliado de la Universidad de Qingdao; Sahsu, el segundo hospital afiliado de la Universidad Soochow; TCGA, el genoma del cáncer atlas; CPTAC, Consorcio de análisis de tumores proteómicos clínicos; RNA-seq, secuenciación de ARN

Imagen de tamaño completo

Detección de mutación EGFR

Los pacientes en AHQU y SAHSU se sometieron a la detección de EGFR en muestras histológicas a través de resección quirúrgica o biopsia. El método de reacción en cadena de polimerasa en tiempo real (PCR) se empleó para identificar mutaciones en los exones 18-21 del gen EGFR utilizando el kit de preparación de la muestra de ADN de Roche Cobas y el kit de detección de mutación EGFR. El análisis de PCR se realizó utilizando el sistema Roche Cobas Z480. Si se detectó una mutación en los exones EGFR 18-21, el tumor se clasificó como EGFR mutante; De lo contrario, se clasificó como EGFR de tipo salvaje. Los datos de mutación para pacientes en las cohortes TCGA y CPTAC se descargaron y analizaron utilizando Maftools versión 2.18 (presentada en la Fig. S3 y S4).

Secuenciación de ARN

Los datos de RNA-seq incluyeron 91 muestras de la cohorte TCGA y 31 muestras de la cohorte CPTAC. Los tejidos recolectados durante la cirugía en la cohorte AHQU se usaron para la secuenciación de ARN. Extrajimos ARN con el mini kit RNeasy (Qiagen, Alemania), y la concentración de ARN cuantificada con un fluorómetro cuantus (Promega, Madison, WI). Los ARNm se enriquecieron y se transcribieron inversamente en ADNc para construir bibliotecas de secuenciación con el kit de biblioteca NebNext Ultra RNA (New England Biolabs). Las bibliotecas verificadas de calidad se sometieron a ligadura con adaptadores de secuenciación y se secuenciaron en la plataforma Illumina Novaseq 6000. En la cohorte Sahsu, la secuenciación de ARN no estaba disponible. Al construir el modelo basado en ARN, clasificamos muestras en la cohorte TCGA en un grupo EGFR de tipo salvaje y un grupo EGFR de tipo MUT. El límite se estableció en LOG2 (cambio de pliegue)> 2 para identificar genes (DEG) expresados diferencialmente. Valor p ajustado <0.05 se consideró estadísticamente significativo.

Selección de características y construcción del modelo

Después del preprocesamiento de datos, 143 características radiómicas, 14 características clínicas y 166 genes (detalles que se muestran en la tabla S3) se usaron para la selección de características. Las firmas bien realizadas (en validación cruzada, la AUC media> 0.70) se integrarían para mejorar la capacidad predictiva. Todas las cohortes se inscribieron en …

(Tagstotranslate) Mutación EGFR (T) NSCLC (T) Radiomics (T) Características clínicas (T) Nomograma (T) Sistema de neumología/respiratoria