基于多参数MRI的影像组学模型对子宫内膜样腺癌微卫星不稳定状态的术前预测价值

目的探讨基于多参数MRI影像组学模型术前预测子宫内膜样腺癌患者微卫星不稳定(MSI)状态的应用价值。方法回顾性队列研究。纳入2017年1月—2021年12月山西省肿瘤医院经病理证实为子宫内膜样腺癌的患者225例。患者年龄29~78(55.1±7.5)岁,均行全子宫+双附件切除术,并于术前行盆腔多参数MRI检查。将225例患者按7∶3的比例随机分为训练集(158例)和验证集(67例),根据手术标本病理免疫组织化学检查结果分为高度微卫星不稳定(MSI-H)组58例和低度微卫星不稳定/微卫星稳定(MSI-L/MSS)组167例。对每例患者的快速自旋回波压脂序列T2加权像、增强T1加权像、表观弥散系数(ADC)3个序列进行图像分割和特征提取,在训练集中采用组内相关系数(ICC)、Mann-WhitneyU检验、Spearman相关及Boruta算法进行图像特征筛选,并使用朴素贝叶斯(NB)、随机森林(RF)及支持向量机(SVM)3种分类器构建影像组学模型。在训练集、验证集中分别采用受试者工作特征(ROC)曲线、Delong检验、决策分析曲线(DCA)评估并验证3种模型对MSI状态的诊断性能、预测性能、净收益。将筛选出的影像组学特征纳入诊断效能较高的最佳模型中,对每例患者进行影像组学评分,分别在训练集、验证集中评估MSI-H组和MSI-L/MSS组影像组学评分的分布情况。结果训练集与验证集间比较,患者肿瘤分化程度差异有统计学意义(χ^(2)=8.40,P=0.015),患者年龄、体质量指数、国际妇产科联盟分期,以及肌层浸润深度等临床病理资料差异均无统计学意义(P值均>0.05)。在训练集中,MSI-H组与MSI-L/MSS组比较,患者是否绝经2组间差异有统计学意义(χ^(2)=4.56,P=0.033),其他临床病理资料2组间差异均无统计学意义(P值均>0.05);在验证集中,2组间各临床病理差异均无统计学意义(P值均>0.05)。多参数MRI图像经特征提取后,每例患者获得4245个影像组学特征,在训练集中筛选出6个关键特征构建模型。在训练集中NB模型、RF模型及SVM模型预测子宫内膜样腺癌患者MSI状态的ROC曲线下面积(AUC)分别为0.764[95%可信区间(CI)0.682~0.846]、0.821(95%CI 0.751~0.892)和0.905(95%CI 0.848~0.961),验证集中AUC分别为0.712(95%CI 0.568~0.856)、0.812(95%CI 0.710~0.915)、0.875(95%CI 0.762~0.988),结果表明SVM模型的诊断性能最佳。Delong检验结果显示,训练集中SVM模型与NB模型、RF模型AUC间差异均有统计学意义(Z=-3.45、-2.33,P值均<0.05),而在验证集中AUC差异均无统计学意义(P值均>0.05)。DCA曲线显示,在训练集和验证集中,SVM模型预测MSI状态的净收益均优于NB模型、RF模型,也优于将所有患者MSI状态都看作MSI-H或MSI-L/MSS。采用最佳模型SVM模型对每例患者进行影像组学评分,训练集及验证集中MSI-H组与MSI-L/MSS组影像组学评分分布有明显差异。结论基于多参数MRI的SVM模型对于子宫内膜样腺癌患者MSI状态具有一定的术前预测价值。

基于多参数MR的影像组学融合模型术前预测宫颈鳞癌脉管浸润的应用价值

目的探讨基于多参数MR的影像组学融合模型术前预测宫颈鳞癌脉管间隙浸润(LVSI)的应用价值。方法回顾性研究。纳入2016年6月—2019年3月山西省肿瘤医院宫颈鳞癌患者168例。患者年龄22~76(52.0±10.1)岁,临床分期为国际妇产联盟(FIGO)ⅠB期127例、ⅡA期41例。所有患者术前行多参数盆腔MR扫描,均接受根治性子宫切除术联合盆腔淋巴结清扫术治疗。收集其临床病理资料和多参数MRI数据,以7∶3的比例按照随机抽样法分为训练集117例和验证集51例。在T2加权像(T2WI)、表观弥散系数[ADC,由2个b值的弥散加权成像数据自动生成]及增强T1加权像(cT1WI)3个序列的MRI上,对病灶进行手动分割勾画肿瘤轮廓感兴趣区(ROI),得到三维感兴趣区(VOI)并提取特征,通过以最大相关最小冗余和最小绝对收缩与选择算子回归为主的三步降维法筛选特征并构建影像组学模型。多因素logistic回归分析筛选临床特征并联合影像组学模型建立融合模型,制作列线图。受试者操作特征曲线(ROC曲线)、校正曲线、决策分析曲线评估列线图的效能及临床效益。结果术后病理检查确诊LVSI阳性42例,阴性126例。训练集与验证集患者的年龄、FIGO分期、肿瘤最大径、肿瘤分化程度、LVSI状态等临床病理特征比较,差异均无统计学意义(P值均>0.05)。基于T2WI、ADC及cT1WI多参数MRI提取的影像组学特征,经特征筛选后得到7个关键特征,均与宫颈癌LVSI相关(P值均<0.05),并构建影像组学模型。训练集T2WI、ADC及cT1WI 3个序列独立构建的影像组学模型预测宫颈癌LVSI的ROC曲线下面积(AUC)分别为0.630[95%可信区间(CI)0.557~0.698]、0.686(95%CI 0.563~0.694)、0.761(95%CI 0.702~0.818),3个序列共同构建的联合影像组学模型对应的AUC为0.887(95%CI 0.842~0.925),诊断效能最优,并在验证集中得到验证。联合影像组学模型与肿瘤分化程度构建的融合模型列线图预测宫颈癌LVSI,在训练集与验证集中的AUC分别为0.893(95%CI 0.851~0.929)、0.854(95%CI 0.749~0.943),校正曲线显示出列线图有良好的校正性能;决策曲线表明当风险阈值概率范围在0.50~0.96时,采用影像组学融合模型预测宫颈癌LVSI的净收益优于“将所有患者视为宫颈癌LVSI阳性或阴性”。结论基于多参数MRI影像组学特征与临床特征的融合模型对宫颈癌LVSI状态有良好的预测价值。