双参数磁共振影像组学联合PSAD在前列腺癌Gleason分级分组中的应用价值

目的探讨双参数磁共振成像(biparametric magnetic resonance imaging,bpMRI)影像组学联合前列腺特异性抗原密度(prostate-specific antigen density,PSAD)在低、高级别前列腺癌(prostate carcinoma,PCa)中的诊断价值。方法回顾性分析2018年6月至2022年10月台州市中心医院经病理证实为PCa患者的临床及影像资料。根据Gleason分级分组(Gleason grade group,GGG),将GGG≤2定义为低级别PCa,GGG>2定义为高级别PCa。按7∶3比例将不同级别的PCa患者随机分为训练组和测试组。基于T2加权成像(T2 weighted imaging,T2WI)、表观扩散系数(apparent diffusion coefficient,ADC)序列提取影像组学特征,采用最大相关最小冗余、最小绝对收缩和选择算子进行特征选择和降维,并进行5倍交叉验证,保留最佳特征组合构建影像组学模型。通过受试者操作特征曲线(receiver operating characteristic curve,ROC曲线)和Delong检验评估各模型的诊断性能。采用决策曲线分析(decision curve analysis,DCA)评价模型的临床效用。结果所有模型中,T2WI-ADC-PSAD联合模型的诊断效能最高,在训练组和测试组中的曲线下面积(area under the curve,AUC)分别为0.882、0.772。Delong检验结果显示,在训练组中,T2WI-ADC-PSAD模型与T2WI模型的AUC比较差异无统计学意义(P>0.05),与其他模型的AUC比较差异均有统计学意义(P<0.05)。在测试组中,T2WI-ADC-PSAD模型与其他模型的AUC比较差异均无统计学意义(P>0.05)。DCA结果显示,当阈值概率低于97%时,T2WI-ADC-PSAD模型可为临床决策提供更高的净效益。结论BpMRI影像组学联合PSAD可提高对低、高级别PCa的诊断效能,并指导患者的治疗决策。

MRI增强序列列线图预测脑胶质瘤IDH1基因突变的研究

目的 探讨T_(1)WI MRI增强序列的临床–影像组学列线图预测脑胶质瘤异柠檬酸脱氢酶1(isocitrate dehydrogenase 1,IDH1)基因突变的价值。方法 回顾性分析2016年2月至2022年2月宁波市医疗中心李惠利医院收治的98例经手术病理证实的脑胶质瘤(Ⅱ~Ⅳ级)T_(1)WI MRI增强图像。其中,26例IDH1基因突变型(IDH1-M)、72例IDH1基因野生型(IDH1-W),以7∶3比例划分为训练集(n=69)和测试集(n=29),使用逻辑回归方法筛选特征并建立临床模型。勾画并测量脑胶质瘤的实质区及坏死区参数,建立Logistic回归影像组学模型,计算Radscore,生成列线图。采用校准曲线和受试者操作特征(receiver operating characteristic,ROC)曲线评价3个模型对脑胶质瘤IDH1基因突变状态的预测效能,进行决策曲线分析,评估列线图临床实用性。结果 训练集经过特征筛选,最终选择6个影像组学特征和2个临床特征用于构建列线图。临床模型在训练集和测试集中的曲线下面积(area under the curve,AUC)分别为0.834和0.718,影像组学模型分别为0.902和0.831,临床–影像组学组合模型最高,分别为0.906和0.857。校准曲线表明,临床–影像组学列线图在训练集中IDH1基因型的预测值和观察值之间具有较好的一致性(P=0.751)。决策分析曲线表明,组合模型的净收益在几乎整个Pt值范围内均高于临床模型及影像组学模型。结论 基于MRI T_(1)WI增强序列的临床-影像组学列线图能较精准地预测IDH1基因突变状态。

基于影像组学的T_(1)WI增强模型预测高级别脑胶质瘤TP53基因突变的研究

目的探讨基于术前T_(1)WI增强MRI序列的影像组学模型预测高级别脑胶质瘤TP53基因型表达状态的价值。方法卡回顾性分析2015年3月至2021年10月经手术病理证实的脑胶质瘤患者146例,最终入组68例,按7:3比例随机分为训练集和测试集。依次经过靶区勾画、特征提取及降维筛选等操作,得到最有价值的特征参数,应用这些特征构建影像基因组学Logistic回归模型,并使用校准曲线对模型准确度进行检验。采用ROC曲线下面积(AUC)对TP53基因表达进行预测效能评价。结果从T_(1)WI增强图像中共提取396个组学特征参数,经筛选后选取9个最有预测价值的特征构建模型。训练集模型的AUC值为0.883,灵敏度为0.697,特异度为0.933;测试集模型的AUC为0.802,灵敏度为0.769,特异度为0.857结论基于增强T_(1)WI序列构建的影像组学模型可有效预测高级别脑胶质瘤TP53基因表达状态。