European Radiology：年轻淋巴瘤患者中身体成分的CT深度学习定量评估

淋巴瘤是全世界范围内儿童、青少年（AYA）患者中诊断率最高的癌症之一。儿科和AYA患者的淋巴瘤存活率通常超过90%；然而，人们对癌症治疗的负面影响以及对这些患者的无事件存活率和生活质量的影响存在担忧。研究显示，接受淋巴瘤治疗的儿科和AYA患者的健康状况风险增加，如肥胖症、代谢综合征、心血管疾病和肌肉疏松症，这些疾病会影响患者的临床预后。因此，有必要建立生物标志物以深入了解这些年轻患者的治疗后期效果的风险。

现阶段，多项研究阐明了身体成分（BC）在影响化疗耐受性和毒性方面的作用、对化疗药代动力学的影响、与手术并发症和治疗后功能状态的关系[以及与住院时间和总体生存率的关系，BC已成为成人肿瘤学人群关注的一个重要特征。然而，儿童和AYA癌症患者在很大程度上忽略了对BC的评估。因此，开发定量的方法来确定BC在儿科和AYA癌症中的预后价值至关重要，可为化疗剂量和饮食建议提供参考并指导治疗后的监测计划。BC通常使用人体测量法（如身体质量指数、皮肤褶皱、腰臀比）进行评估。然而，这些措施并不总能准确代表基线体脂或BC的动态变化，也不总是反映营养状况。因此，双能X射线吸收仪（DXA）、磁共振成像和X射线计算机断层扫描（CT）成像等方法已引入临床应用，已成为评估BC的可靠方法。具体来说，CT成像在定义骨骼肌（SkM）、皮下脂肪组织（SAT）和内脏脂肪组织（VAT）方面具有很高的准确性，已经常规应用于BC的评估。此外，全身正电子发射断层扫描（PET）/CT扫描是监测儿科和AYA淋巴瘤的标准护理的一部分，提供了在不增加医疗费用或进一步暴露于电离辐射的情况下精确测量BC的机会。

尽管CT在评估BC方面有显著优势，并且在标准癌症护理中发挥了重要作用，但从CT图像中手动分割SkM、SAT和VAT限制了BC测量在儿科和AYA肿瘤患者中的广泛使用。深度学习是机器学习的一个分支，已经显示出CT图像自动分割的潜力。特别是卷积神经网络（CNN）已显示出从CT图像中分割骨骼肌和脂肪组织的临床前景；然而，这些方法很少被应用于儿科或AYA患者，也没有被用来评估半自动化的BC测量与治疗预后之间的关系。

近日，发表在European Radiology杂志的一项研究将深度学习的方法用于小儿和AYA淋巴瘤CT图像的半自动化分析，以简化BC的快速量化并评估其与癌症预后的关系。

本项研究是一项对110名儿童和AYA淋巴瘤患者的10年回顾性单点研究，涉及从260个CT成像数据集中手动分割脂肪和肌肉组织，这些数据集是初始分期和第一次治疗随访时常规成像的一部分。研究应用一个DL模型来进行脂肪和肌肉组织的半自动图像分割，并使用Cox比例危害回归分析评估了BC措施和3年晚期效应发生之间的相关性。 

DL指导下的BC测量与人类评测者获得的测量结果非常一致，这体现在每个相关组织的高Dice分数（≥0.95）和相关性（r>0.99）上。考克斯比例危害回归分析显示，与同龄人相比，基线和首次随访时皮下脂肪组织升高的患者，以及首次随访时拥有较低体积的骨骼肌的患者，其晚期影响的风险增加。 

图 根据从基线到第一次治疗随访期间骨骼肌的相对变化，对儿童和AYA淋巴瘤患者的无事件生存率进行Kaplan-Meier分析。与那些经历了较少的治疗引起的SkM损失（即<11.5%的SkM损失）的同龄人相比，SkM损失较大的患者（即定义为超过预先确定的SkM损失的分界线）的3年无事件生存率明显更差（P = 0.018）

本项研究表明，DL提供了快速和准确的BC图像的量化，这些方法与儿科和AYA淋巴瘤患者的治疗相关的晚期预后风险有关。基于图像的BC指标监测可以通过识别治疗后期效应风险最高的患者，增加了未来对儿童淋巴瘤患者进行个性化治疗的机会。

原始出处：

Nguyen K Tram,Ting-Heng Chou,Sarah A Janse,et al.Deep learning of image-derived measures of body composition in pediatric, adolescent, and young adult lymphoma: association with late treatment effects.DOI:10.1007/s00330-023-09587-z