MRI列线图模型对软组织肉瘤病理分级预测价值

目的探讨基于MRI影像学特征的列线图模型在术前预测软组织肉瘤(STS)病理分级的价值。方法回顾性收集137例经术后病理证实的STS病人的术前MRI资料。根据法国癌症中心联合会组织学分级系统,低级别STS(Ⅰ~Ⅱ级)82例,高级别STS(Ⅲ级)55例。采用单因素和多因素Logistic回归分析筛选STS病理分级预测因子,纳入并建立预测模型,生成列线图。基于10折交叉验证对模型性能进行评估,采用中位受试者工作特征曲线下面积(AUC)及中位准确度评估模型的预测效能。结果单因素和多因素Logistic回归分析显示,N分期、深度、T_(2)WI信号异质性和瘤周强化为STS病理分级预测因子。预测模型的中位AUC为0.898,中位准确度为82.1%。结论基于术前MRI影像学特征的列线图模型可有效预测STS病理分级。

基于术前MRI深度学习影像组学机器学习模型预测软组织肉瘤组织病理学分级的研究

目的探讨基于MRI的深度学习(DL)影像组学机器学习模型在术前区分病理低级别和高级别软组织肉瘤(STS)的价值。方法回顾性纳入2007年11月至2019年5月青岛大学附属医院经病理证实的151例STS患者为训练集、山东第一医科大学附属山东省立医院和河北医科大学附属第三医院的131例STS患者为外部验证集。根据法国国家癌症研究中心(FNCLCC)肿瘤分级标准,STS病理分级低级别(FNCLCCⅠ和Ⅱ级)161例,高级别(FNCLCCⅢ级)121例。分别提取病灶的手工影像组学(HCR)特征和DL影像组学特征,分别基于HCR特征、DL特征和两者组合特征,建立决策树、逻辑回归、支持向量机(SVM)3种分类器的机器学习模型,采用受试者操作特征曲线下面积(AUC)评价各机器学习模型预测高级别和低级别STS的效能,确定最优机器学习模型。采用单因素和多因素logistic回归筛选临床和影像学特征,建立临床影像学模型。结合最优机器学习模型和临床影像学模型,建立列线图,采用AUC来评估各模型和列线图的预测性能,AUC间比较采用DeLong检验。采用Kaplan-Meier生存曲线和log-rank检验评价最优机器学习模型在STS患者无进展生存期(PFS)风险分层中的表现。结果基于HCR和DL组合影像组学特征的SVM机器学习模型的AUC最大,在训练集和外部验证集中预测STS分级分别为0.931(95%CI 0.889~0.973)和0.951(95%CI 0.904~0.997),为最优机器学习模型。临床影像学模型在训练集和外部验证集中的AUC分别为0.795(95%CI 0.724~0.867)和0.615(95%CI 0.510~0.720),列线图分别为0.875(95%CI 0.818~0.932)和0.786(95%CI 0.701~0.872)。外部验证集中,最优影像组学机器学习模型预测STS分级的性能优于列线图和临床影像学模型(Z=3.16、6.07,P=0.002、<0.001)。最优影像组学机器学习模型预测的高级别和低级别STS患者的PFS差异有统计学意义(训练集χ^(2)=43.50,P<0.001;外部验证集χ^(2)=70.50,P<0.001)。结论基于MRI的DL影像组学模型可有效预测STS的FNCLCC肿瘤分级,其中HCR和DL组合影像组学特征的SVM分类器模型效能最佳,并有望对患者预后进行风险分层。