多期相MRI影像组学预测乳腺癌人表皮生长因子受体2低表达和过表达状态的应用价值:一项多中心研究

目的:探讨多期相MRI影像组学预测乳腺癌人表皮生长因子受体2(HER2)低表达和过表达状态的应用价值。方法:回顾性分析2016年1月至2022年12月在温州医科大学附属第五医院(中心1,n=231)、丽水市人民医院(中心2,n=115)及温州医科大学附属第三医院(中心3,n=57)经术后病理免疫组化染色结果为“2+”,并经荧光原位杂交检测明确HER2状态的403例乳腺癌患者。提取动态增强MRI(DCE-MRI)第2期(DCE-2)和第6期(DCE-6)图像中病灶的影像组学特征,依次采用方差分析、单变量特征选择以及最小绝对收缩和选择算子(LASSO)对高维特征进行降维。采用支持向量机构建3个影像组学模型,包括DCE-2模型、DCE-6模型和DCE-2+DCE-6模型。将P<0.05的临床、病理和MRI影像特征纳入到多因素Logistic回归分析中,筛选出区分HER2低表达和过表达状态的独立影响因素,并建立临床模型。最终,基于最佳影像组学模型和临床影响因素构建联合模型,并绘制列线图。采用ROC曲线的AUC、灵敏度、特异度和准确度评价模型的诊断性能。结果:经LASSO回归分别得到9(DCE-2)、8(DCE-6)和14(DCE-2+DCE-6)个与预测HER2低表达和过表达状态显著相关的特征,并建立相应的影像组学模型。其中,DCE-2+DCE-6模型表现出最佳的诊断性能,其在训练集、外部验证集1和外部验证集2的AUC分别为0.892、0.812和0.833。多因素Logistic回归分析显示,肿瘤最大径和Ki-67表达是预测HER2低表达和过表达状态的独立影响因素,进一步结合DCE-2+DCE-6影像组学特征建立列线图。ROC曲线结果显示,该列线图呈现出良好的诊断性能,在训练集中的AUC、灵敏度、特异度、准确度分别为0.920、86.57%、87.80%、87.24%;在外部验证集1中的AUC、灵敏度、特异度、准确度分别为0.854、80.02%、82.67%、81.73%。在外部验证集2中的AUC、灵敏度、特异度、准确度分别为0.871、86.67%、78.57%、80.55%。结论:多期相MRI影像组学可用于预测乳腺癌HER2低表达和过表达状态,进一步结合临床影响因素构建的列线图能更好地提升诊断性能。

基于不同时相增强CT的影像组学预测≤3 cm非小细胞肺癌脏层胸膜侵犯:一项双中心研究

目的:探讨基于不同时相增强CT影像组学模型在术前预测≤3 cm非小细胞肺癌(NSCLC)脏层胸膜侵犯(VPI)的价值。方法:选取2019年1月至2023年9月在温州医科大学附属第五医院及宁波大学附属人民医院经手术病理证实为NSCLC并接受增强CT检查的患者325例。根据病理结果,将患者分为VPI阳性组和VPI阴性组。将温州医科大学附属第五医院数据集经随机分层抽样法按7:3的比例分为训练集(163例,VPI阴性/VPI阳性为104例/59例)、内部测试集(70例,VPI阴性/VPI阳性为44例/26例),宁波大学附属人民医院病例作为外部测试集(92例,VPI阴性/VPI阳性为62例/30例)。通过人工智能辅助诊断建模分析软件分别基于平扫期(NP)、动脉期(AP)、静脉期(VP)及NP+VP+AP提取图像中的影像组学特征,依次采用方差分析选择法、单变量特征选择法以及最小绝对收缩和选择算子进行降维,筛选出具有鉴别意义的组学特征,并构建了各时相的单独模型及多时相模型。单因素比较差异有统计学意义的临床资料和CT形态学特征,结合最终相关性最高的影像组学特征构建融合模型。最后通过ROC曲线评估不同模型的预测效能。结果:从NP、AP、VP及NP+VP+AP图像中筛选得到8、9、8和13个最优影像组学特征,分别构建NP、AP、VP单独时相模型和NP+AP+VP多时相模型。ROC曲线结果显示,NP+AP+VP模型的AUC值为0.891,优于任一单独时相模型。VPI阴性组与VPI阳性组间肿瘤最大径和肿瘤密度差异均有统计学意义(均P<0.05)。融合模型由2种CT形态学特征与13个最优的影像组学特征共同构建,在训练集和内/外部测试集中展示出最高的预测效能,其AUC值分别为0.906、0.85和0.884,优于其他模型。结论:基于多时相增强CT图像的影像组学融合模型对≤3 cm的NSCLC患者VPI状态具有较好的预测价值,可为临床的治疗与决策提供重要参考。

瘤内和瘤周CT影像组学预测肺腺癌间变性淋巴瘤激酶基因突变状态:一项双中心研究

目的:探究瘤内和不同瘤周影像组学特征预测肺腺癌患者间变性淋巴瘤激酶(ALK)突变状态的价值。方法:回顾性收集温州医科大学附属第五医院2016年1月至2023年9月及嘉兴大学附属第一医院2018年1月至2023年9月经病理证实为肺腺癌的患者病例资料共362例,所有病例均在治疗前进行胸部平扫CT检查。采取7:3的比例将温州医科大学附属第五医院223例患者随机分为训练集(156例)和内部测试集(67例),将嘉兴大学附属第一医院139例患者作为外部测试集。使用人工智能辅助诊断建模分析软件提取瘤内(GTV)、瘤周0~3 mm(PTV_(0~3mm))、瘤周-3~3 mm(PTV_(-3~3mm))、瘤周0~6 mm(PTV_(0~6mm))、瘤内联合瘤周0~3 mm(GTV+PTV_(0~3mm))和瘤内联合瘤周0~6 mm(GTV+PTV_(0~6mm))的影像组学特征,依次采用Z-score、t检验、最大相关最小冗余算法和最小绝对收缩和选择算子回归进行降维,筛选出具有鉴别性的特征子集,极端梯度上升算法构建组学模型;利用多因素Logistic回归筛选临床信息中的独立危险因素,以此构建临床模型;以验证集中AUC最高的分类器作为最佳瘤周组学模型,计算相应的影像组学评分(Rad-score),并联合临床特征构建综合模型。采用AUC、灵敏度、特异度、准确度评价模型的效能。结果:筛选后保留GTV中24个特征、PTV_(0~3mm)中26个特征、PTV_(-3~3mm)中26个特征、PTV_(0~6mm)中7个特征、GTV+PTV_(0~3mm)中12个特征、GTV+PTV_(0~6mm)中29个特征。在组学模型中,PTV_(-3~3mm)模型表现出最佳性能,在训练集、内部测试集、外部测试集中的AUC分别为0.830、0.785、0.807。临床分期、结节密度、胸膜凹陷征是预测ALK状态的临床危险因素。由上述因素构成的临床模型在训练集、内部测试集、外部测试集中的AUC分别为0.712、0.692、0.714。联合Radscore和临床危险因素构建综合模型,其在训练集、内部测试集、外部测试集中的AUC分别为0.874、0.855、0.857。结论:瘤内和瘤周影像组学特征可以有效预测肺腺癌ALK突变状态,且PTV_(-3~3mm)模型具有最佳预测效能。

基于静脉期增强CT影像组学的机器学习模型术前预测非小细胞肺癌脉管侵犯的价值

目的:探讨基于静脉期增强CT影像组学的机器学习模型术前预测非小细胞肺癌(NSCLC)患者的脉管侵犯(LVI)的应用价值。方法:回顾性收集2017年5月至2023年5月期间在温州医科大学附属第五医院(中心1)及宁波大学附属人民医院(中心2)经手术病理证实为NSCLC并术前1个月接受增强CT检查的患者病例资料共306例。根据病理结果,将患者分为LVI阳性组和LVI阴性组。采取7:3的比例将中心1的213例患者随机分为训练集(149例)和内部验证集(64例),将中心2的93例患者作为外部验证集。纳入分析的临床病理和影像学特征,采用单因素和多因素分析筛选出影响NSCLC患者LVI的独立危险因素。对所有患者的静脉期增强CT图像的病灶区域进行手动分割,并摄取影像组学特征,采用方差阈值、单变量特征选择法、最小绝对值收缩和选择算子回归对高维特征集进行降维,以选择最优的影像组学特征。采用随机森林、Logistic回归(LR)、支持向量机和极端梯度提升4种最常用的机器学习对最优特征子集进行模型构建。采用ROC和校准曲线评估4种模型对LVI的预测效能。选择验证集中AUC最高的机器模型作为最佳影像组学模型,并将其结果输出为影像组学评分(Rad-score),结合Rad-score和临床独立危险因素构建预测模型并绘制列线图。结果:基于静脉期增强CT图像共提取到1688个影像组学特征,最终筛选出8个最优组学特征。机器学习模型中LR模型效能最优,在训练集、内部验证集、外部验证集的AUC分别0.877、0.823、0.803。临床分期、分化程度是术前预测LVI的临床独立危险因素。结合Rad-score和临床危险因素构建的列线图能进一步提高预测能力,在训练集、内部验证集、外部验证集的AUC分别0.924、0.856、0.829。结论:基于静脉期增强CT影像组学的机器学习模型对术前NSCLC患者LVI具有较高的预测价值,其中LR模型具有最佳预测效能。

双参数MRI影像组学结合机器学习预测前列腺癌神经侵犯的价值

目的:探讨双参数MRI影像组学结合机器学习在术前预测前列腺癌(PCa)神经侵犯(PNI)的应用价值。方法:回顾性分析2016年4月至2023年5月期间在温州医科大学附属第五医院经病理证实的PCa患者672例。以7:3的比例随机分为训练集和验证集。提取T2加权成像(T2WI)和表观弥散系数(ADC)序列中肿瘤的影像组学特征,通过降维获得最佳特征,并建立了6种机器学习分类器。选择验证集中AUC最高的分类器作为最佳影像组学模型,将其结果输出为影像组学评分(Rad-score)。使用多因素Logistic回归筛选出预测PCa患者PNI的独立危险因素,并建立临床模型。进一步基于Rad-score和临床危险因素建立临床-影像组学融合模型,并绘制列线图。结果:通过降维得到19个最优影像组学特征用于构建机器学习分类器,其中12个来自T2WI序列,7个来自ADC序列。在验证集中,极端梯度提升决策树的预测性能最高,AUC为0.871。临床T分期和PI-RADS评分是预测PCa患者发生PNI的独立危险因素,进一步结合Rad-score建立列线图。结果显示,该列线图可表现出较高的诊断性能,在训练集和验证集中的AUC分别为0.945、0.896。结论:双参数MRI的影像组学对PCa患者PNI具有潜在的预测价值,进一步结合影像学特征建立的列线图能够更好地提升性能。

影像人工智能在肿瘤精准分型诊断中的研究现状及展望

肿瘤的精准分型诊断对降低病死率至关重要。影像学检查以其全面、可重复和非侵入性的特点,成为目前肿瘤术前诊断的主要方法。人工智能(AI)的应用突破了传统影像学检查的局限,能够快速准确地处理大量数据,并挖掘图像中的隐含信息,在早期筛查、鉴别诊断、病理分级、基因检测和免疫监测等方面展现出显著优势。在肺癌、乳腺癌等肿瘤的筛查中AI的应用可以减少放射科医师66%~88%的工作量,提高12%~13%的诊断灵敏度;在常见肿瘤的鉴别诊断与分型预测方面,AI的准确度普遍高于80%。笔者概述了近年来在肿瘤精准分型方面影像AI的研究现状及其未来展望。

多参数MRI影像组学预测乳腺癌腋窝淋巴结负荷的价值

目的:探讨多参数MRI影像组学术前预测乳腺癌腋窝淋巴结(ALN)负荷的应用价值。方法:回顾性收集2017年5月至2023年6月间在温州医科大学附属第五医院706例经病理证实乳腺癌患者。经筛选后纳入349例,根据病理结果分为ALN高负荷组和ALN低负荷组,并以7:3的比例随机分为训练集244例和验证集105例。瑞安市人民医院2017年1月至2022年12月经病理证实乳腺癌患者,经筛选后纳入157例作为外部测试集。在人工智能辅助诊断建模分析软件平台上提取T2WI、表观弥散系数(ADC)、动态增强MRI(DCEMRI)序列中病灶的影像组学特征,通过降维获得最佳特征,采用支持向量机机器学习算法建立4种组学模型(T2WI、ADC、DCE-MRI和联合序列)。通过比较各个模型的AUC判断模型效能。结果:筛选出16个最佳特征与腋窝淋巴结负荷状态高度相关。在构建的三种单序列影像组学模型中,DCE-MRI模型表现最优,AUC值在训练集、验证集和外部测试集中达到了0.786、0.752和0.752。基于最佳影像组学特征构建的联合序列模型表现出更好的预测效能,在训练集、验证集和外部测试集中的AUC分别为0.852、0.827和0.795。校准曲线和决策曲线提示联合序列模型有较好的稳定性和临床应用价值。结论:基于多参数MRI的影像组学模型可在术前有效评估乳腺癌的ALN负荷,指导临床治疗方案的选择。

基于虚拟单能量图像的影像组学对甲状腺乳头状癌中央区淋巴结转移的预测价值

目的:探讨虚拟单能量图像(VMI)的影像组学在预测甲状腺乳头状癌(PTC)患者中央区淋巴结转移(CLNM)的价值。方法:选取2021年8月至2023年4月期间在温州医科大学附属第五医院经手术病理证实为PTC并接受双能量CT检查的269例患者,采用7:3的比例随机分为训练集188例和测试集81例。纳入分析的临床特征包括年龄、性别、肿瘤最大径、肿瘤位置、甲状腺外侵犯(ETE)、CT报告淋巴结状态、碘浓度(IC)、标准化碘浓度(NIC)、有效原子序数(Zeff)和能谱曲线斜率(λ_(Hu))。双能量CT扫描后手动重建增强期40 keV、70 keV、100 keV共3组VMI,提取3组VMI序列中肿瘤的影像组学特征,经降维后采用支持向量机建立40 keV模型、70 keV模型、100 keV模型、40+70 keV模型、40+100 keV模型、70+100 keV、40+70+100 keV共计7个模型,利用AUC值筛选出最佳影像组学模型,并将其结果转换为影像组学评分(Radscore)。将单因素分析中P<0.05的临床特征纳入到多因素Logistic回归分析中,获得临床危险因素并建立临床模型。为了进一步提高预测模型的性能,通过结合临床危险因素和Rad-score构建综合模型。结果:年龄、肿瘤最大径、CT报告淋巴结状态、IC和NIC在训练集CLNM阳性组和CLNM阴性组间有统计学意义(均P<0.05)。7个模型在训练集中,AUC值分别为0.802、0.725、0.696、0.886、0.841、0.852和0.893。在测试集中,AUC值分别为0.750、0.681、0.628、0.801、0.787、0.808和0.811。40+70+100 keV模型在训练集和测试集中的AUC均为最高,将其结果转化为Rad-score。多因素Logistic回归分析显示,年龄(OR=3.533)、肿瘤最大径(OR=1.119)、CT报告淋巴结状态(OR=9.443)和NIC(OR=2.542)是CLNM的独立预测因素。临床模型AUC在训练集达到0.816,在测试集达到0.791。进一步将上述特征与Rad-score结合建立综合模型,在训练集和验证集中的AUC分别为0.922和0.889。结论:VMI影像组学能够较好地预测PTC患者CLNM状态,可用于辅助临床决策。