基于CT及MRI影像组学在卵巢癌中的研究

卵巢癌是女性常见的生殖系统恶性肿瘤,对卵巢癌术前诊断及术后评估的常用影像学检查方法除了超声、CT及MRI外,影像组学已成为热点研究方向。它是一项新型的影像学统计技术,通过计算机软件从可视化影像图像中提取大量内部特征,转化为可用于定量分析的数据,再基于机器学习或统计学方法,筛选出与疾病高度相关的影像组学特征,然后进行后续数据分析,主要用于肿瘤的诊断、分期、病理分级、疗效及预后评估等,从而指导并优化临床决策。

肿瘤类疾病的过度与错误医疗检查控制机制与模型的研究

针对当前肿瘤类疾病诊治过程中存在的错误与过度医疗问题,本研究基于医疗大数据提取出相似病案专家处方中的影像信息,利用机器学习分类模型提出了发现错误与过度诊治的检查控制机制与解决方案。该方案依托医院长期积累的各类肿瘤疾病病历中的CT、MRI图像,以每次诊疗过程中的实际肿瘤类型为依据,从医疗数据库中选择对应类型的影像数据进行特征提取、特征选择、模型构建,得到该类型肿瘤的预测分类器,预测当前病例的良恶性;并通过跟医生诊断结果的对比判断诊疗过程中是否存在过度与错误医疗问题。其核心是提高不依赖人工判别方法的判别正确率来降低肿瘤类疾病的错诊可能性,通过实验证明结合了Spearman去冗余方法的SVM_RFE降维,与传统的SVM_RFE方法相比,在肺结节良恶性分类问题的SVM模型中表现更佳,同时也优于传统的radiomics方法。该方案能及时发现错误与过度医疗问题并提出预警,发挥监督提醒的作用,在实现预防和避免诊治错误的同时减少对人工鉴别的依赖,为错误医疗问题及减轻患者负担提供一种新的解决途径。

上皮性卵巢癌"二元论模型"的分子生物学研究现状

上皮性卵巢癌(EOC)是导致患者死亡率最高的妇科肿瘤。EOC具有多种病理学类型,根据发病机制及"二元论模型(dualistic model)"可将其分为Ⅰ、Ⅱ型EOC。由于Ⅰ、Ⅱ型EOC具有不同发病机制、前驱病变及基因遗传学改变等,因此在肿瘤化疗敏感度和患者预后方面,均具有完全不同的临床结局。"二元论模型"对EOC患者可进行精准分型,并且可进一步探究其相关信号通路,而这些均有助于临床医师对EOC的预防、诊疗等采取更有效的方案,从而明显改善EOC患者的生存质量。笔者拟针对EOC"二元论模型"的提出、临床特点、分子遗传学特征,以及以"二元论模型"对EOC患者的早期诊断、预防及治疗策略等的最新研究现状进行阐述。

人工智能辅助压缩感知技术在上腹部T2WI压脂序列中的应用

目的探讨人工智能辅助压缩感知(Acs)技术在上腹部T2WI压脂序列中的应用。方法本研究对象为2022年6月至2022年10月在中山大学附属第三医院行上腹部MRI检查的30例患者。患者均签署知情同意书,符合医学伦理学规定。其中男21例,女9例;年龄31~76岁,中位年龄55岁。所有患者均分别采用常规并行采集(PI)方案和Acs方案进行磁共振扫描,PI组采用轴位、门控触发、频率选择饱和技术(AX-T2WI-FS-RT),Acs组采用Acs技术(AX-T2WI-FS-BH-Acs)。客观评价指标包括图像信噪比(SNR)、对比噪声比(CNR)、扫描时间等。两组比较采用配对t检验。两组图像质量评分和病灶检出数量比较采用Wilcoxon检验。2名医师的图像质量评分一致性评估采用Kappa检验。结果Acs组图像SNR平均为24.3±8.2,明显高于PI组11.7±4.4(t=13.00,P<0.05)。Acs组图像CNR为4.2±2.3,亦明显高于PI组的2.2±1.3(t=9.20,P<0.05)。Acs组扫描时间为66 s,明显短于PI组的156 s。Acs组图像质量评分中位数为4.4(4.3,4.6)分,明显高于PI组的4.1(3.4,4.4)分(Z=3.98,P<0.05)。对于呼吸紊乱患者,Acs组图像质量评分为4.6(4.3,4.7)分,亦明显高于PI组的3.4(3.1,3.4)分(Z=3.80,P<0.05)。两组病灶检出数量分别为1(0,3)、1(0,2)个,差异无统计学意义(Z=0.50,P>0.05)。2名医师的图像质量评分一致性强(κ=0.96)。结论与上腹部PI组AX-T2WI-FS-RT序列相比,Acs技术的T2WI-FS-BH-Acs序列可在不降低病灶检出率的前提下,明显缩短扫描时间,提高图像质量,尤其可极大提高呼吸紊乱患者检查图像质量。

基于T2WI与RS-EPI DWI影像组学特征的自动化机器学习模型预测直肠癌术前T分期的价值

目的探讨基于磁共振T2加权成像(T2 weighted image,T2WI)和分段读出平面回波成像(readout-segmented EPI,RS-EPI)与扩散加权成像(diffusion weighted image,DWI)的影像组学特征,通过开发和验证自动化机器学习模型,预测直肠癌术前病理T分期的价值。方法回顾性分析2016年10月−2018年12月经手术病理结果证实为直肠癌且在我院行术前直肠磁共振的患者131例。采用ITK-SNAP软件从T2WI和RS-EPI DWI图像中手动分割出肿瘤区域。使用PyRadiomics包提取出200个特征〔100个特征来自于T2WI,100个特征来自RS-EPI DWI的表观弥散系数(apparent diffusion coefficient,ADC)图〕。使用mwmote与neater重采样均衡数据,加入13例T1-2期模拟数据。根据3∶1的比例将总体数据分割成训练集111例和测试集37例。在训练集上使用Tree-based Pipeline Optimization Tool(TPOT)最优化模型参数并选取最重要的组学特征建模,得到5个互相独立的T分期模型。使用准确率和受试者工作特征(ROC)曲线下面积(area under the curve,AUC)筛选出最优模型。在测试集和原数据集上预测直肠癌T分期。结果自动化机器学习推荐的5个T分期模型,在训练集上的准确率为0.802~0.838,敏感度为0.762~0.825,特异度为0.833~0.896,AUC范围为0.841~0.893,average precision(AP)范围为0.870~0.901。经过对比后,最终选择的模型的敏感度、特异度、AUC,在训练集上为0.810、0.875、0.893,在测试集上为0.810、0.813、0.810,在原始数据集上为0.810、0.830、0.860。结论基于T2WI和RS-EPI DWI的影像组学数据,通过自动化机器学习建立的模型在预测直肠癌T分期上有较高的准确率。

磁共振影像组学模型在直肠癌肝转移评估中的临床价值

目的探究基于不同磁共振序列构建的影像组学模型在直肠癌肝转移评估中的临床应用价值。方法回顾性纳入2015年4月-2018年5月经病理证实为直肠癌并在我院行治疗前基线磁共振检查的患者140例。根据肝脏穿刺活检、手术病理和影像结果分为肝转移组和未转移组。通过ITK-SNAP软件在T2加权图像(T2 weighted image,T2WI)、弥散加权图像(diffusion weighted image,DWI)和表观弥散系数(apparent diffusion coefficient,ADC)图像上对原发灶逐层勾画感兴趣区(region of interest,ROI)。3D ROI导入Artificial Intelligent Kit软件平台提取影像组学特征,每个序列图像提取396个特征。基于Python平台对特征数据进行预处理,使用支持向量机-合成少数类过采样法(Support Vector MachineSynthetic Minority Over-Sampling Technique,SVM-SMOTE)对样本进行过采样,使截止随访时发生肝转移组和未发生肝转移组样本数平衡,之后按2∶1比例分为训练集和测试集。对影像组学特征进行筛选后,使用R软件构建logistic回归模型,用受试者工作特征(ROC)曲线和校准曲线对模型效果进行评价。结果纳入的患者中发生肝转移的有52例,截止随访时未发生肝转移的有88例,癌胚抗原(CEA)水平、MRI的T分期和N分期在肝转移组和未转移组的差异有统计学意义(P<0.05)。在对特征进行预处理和筛选后,最终,除去非影像组学特征17个,多序列联合数据集(T2WI+DWI+ADC)共筛选出32个特征,T2WI独立数据集10个特征,DWI独立数据集30个特征,ADC独立数据集15个特征。多序列联合数据集、T2WI独立数据集以及ADC独立数据集构建的模型能准确评估肝转移,训练集的ROC曲线下面积(AUC)为93.5%、89.2%、90.6%,测试集的AUC分别为80.8%、80.5%、81.4%,多序列联合数据集并未表现出高于独立数据集的AUC。DWI独立数据集表现稍差,训练集和测试集的AUC为90.3%、75.1%。校准曲线显示,联合数据集模型的波动最小,最接近参考线;3个独立数据集模型的波动范围相接近;4种模型的校准曲线均显示随着风险升高,模型预测从对风险的低估转为对风险的高估。总体而言,多序列联合数据集与独立T2WI数据集、独立ADC数据集都具有较高的AUC,而多序列联合数据集校准曲线偏离对角参考线最近,模型效果最好。独立T2WI和ADC数据集总体效果次之,独立DWI数据集效果欠佳。结论磁共振影像组学模型能够对直肠癌肝转移进行有效评估,为临床分期和诊治提供信息。