基于双参数MRI影像组学构建的支持向量机模型对乳腺癌人表皮生长因子受体-2和激素受体表达的预测效能

目的构建基于磁共振T_(2)WI反转恢复压脂(TIRM)及扩散加权成像(DWI)序列图像的支持向量机(SVM)模型,评估其对乳腺癌人表皮生长因子受体-2(HER-2)和激素受体(HR)表达水平的预测效能。方法收集128个于术前或治疗前接受乳腺MRI检查的乳腺癌病灶。根据免疫组织化学(IHC)或原位荧光杂交(FISH)检测结果进行分组。使用ITK-SNAP软件在磁共振TIRM和DWI序列图像上勾画三维容积感兴趣区(VOI),并导入Pyradiomics程序提取影像组学特征。对数据进行归一化处理后使用基于支持向量机的递归特征消除法(SVM-RFE)筛选特征。采用随机分层抽样方法将108例病例按照8∶2比例分为训练组及验证组,另外20例作为外部测试组。采用SVM机器学习分类器构建影像组学模型。采用受试者工作特征(ROC)曲线评估模型预测效能。采用DeLong检验评估各影像组学模型ROC曲线下面积(AUC)。采用SHAP算法进行可视化分析,并筛选最具贡献力的预测特征。结果联合模型(训练组AUC=0.94;验证组AUC=0.90)对HER-2的预测效能均高于TIRM模型(训练组AUC=0.85;验证组AUC=0.80)、单DWI模型(训练组AUC=0.88;验证组AUC=0.66)。外部测试组联合模型的AUC为0.89。SHAP算法得出DWI序列的特征贡献较大。基于TIRM和DWI序列联合特征(训练组AUC=0.96;验证组AUC=0.88)、单DWI序列特征(训练组AUC=0.92;验证组AUC=0.86)构建的影像组学模型预测HR效能优于单TIRM序列特征(训练组AUC=0.84;验证组AUC=0.68)构建的模型。外部测试组证明联合模型具有较好的预测效能,AUC为0.90。SHAP算法得出TIRM序列的特征贡献较大。结论基于磁共振成像TIRM和DWI序列联合特征构建的影像组学模型对于HER-2水平具有良好的预测效能,对HR表达具有较大的预测潜力,可为乳腺癌患者制订个性化治疗方案提供依据。

基于多中心数字化乳腺X线摄影影像组学预测乳腺癌人表皮生长因子受体-2过表达

目的观察基于多中心数字化乳腺X线摄影(DM)影像组学预测乳腺癌人表皮生长因子受体-2(HER-2)过表达的价值。方法回顾性分析来自机构1(n=336)、2(n=142)、3(n=130)共608例经病理证实乳腺癌患者的DM资料。按照7∶3比例将来自机构1、2共478例分为训练集(334例,其中92例HER-2阳性、242例HER-2阴性)和验证集(144例,40例HER-2阳性、104例HER-2阴性);以来自机构3的130例(33例HER-2阳性及97例HER-2阴性)为外部验证集。于显示病变面积较大的内外斜(MLO)位或头足(CC)位DM图像中勾画病灶ROI,提取及筛选最佳影像组学特征,以支持向量机(SVM)构建影像组学模型,用于预测乳腺癌HER-2过表达;采用受试者工作特征(ROC)曲线评估模型的诊断效能,绘制校准曲线及决策曲线,评价其校准度及临床获益。结果共筛选出3个最佳影像组学特征,以之构建的SVM影像组学模型预测训练集、验证集及外部验证集乳腺癌HER-2过表达的曲线下面积(AUC)分别为0.824、0.775及0.812。校准曲线显示,该模型在训练集、验证集及外部验证集的平均绝对误差分别为0.08、0.05和0.04;决策曲线分析显示,阈值概率为0.2~0.8时,模型的临床实用性较好。结论基于多中心DM影像组学可有效预测乳腺癌HER-2过表达。

基于肺部CT生境模型预测表皮生长因子受体突变型肺腺癌脑转移

目的观察基于肺部CT生境模型预测表皮生长因子受体(EGFR)突变型肺腺癌脑转移(BM)的价值。方法回顾性分析198例EGFR突变型肺腺癌患者肺部平扫CT资料,按7∶3比例将其分为训练集(n=138)与测试集(n=60)并进一步划分BM亚组与非BM亚组。筛选训练集亚组间差异有统计学意义的变量构建逻辑回归(LR)临床模型;分别于瘤体及瘤体亚区提取特征,基于随机森林、高斯过程(GP)及支持向量机(SVM)算法构建影像组学及生境模型并筛选其中泛化能力最佳者,基于泛化能力最佳影像组学、生境模型及临床模型预测值构建LR联合模型;绘制受试者工作特征曲线,计算曲线下面积(AUC),评估各模型预测EGFR突变型肺腺癌BM的效能,以Spearman相关分析观察EGFR突变型肺腺癌Ki-67水平与生境特征的相关性。结果LR临床模型、GP影像组学模型、SVM生境模型及LR联合模型预测训练集EGFR突变型肺腺癌BM的AUC分别为0.700、0.726、0.801及0.834,在测试集分别为0.754、0.600、0.715及0.848。LR联合模型在训练集的AUC高于LR临床模型(P<0.001)、在测试集的AUC高于GP影像组学模型(P=0.010);其在训练集的效能相比GP影像组学模型及SVM生境模型均有显著正向提高[综合判别改善指数(IDI)=8.60%、8.55%,P均<0.001]。EGFR突变型肺腺癌Ki-67水平与生境图谱中的habitatmap_original_glszm_lalgle呈低度正相关(│rs│=0.201,P=0.004)。结论基于肺部CT生境模型可有效预测EGFR突变型肺腺癌BM。

超声影像组学模型对乳腺癌人表皮生长因子受体2表达的预测价值

目的 探讨超声影像组学模型对乳腺癌分子标志物人表皮生长因子受体2(HER-2)表达的预测价值。方法 回顾2018年1月至2023年4月三峡大学第一临床医学院经病理检查证实为乳腺癌女性患者235例,其中HER-2表达阳性患者85例,HER-2表达阴性患者150例。将患者按7∶3随机分为训练集164例和验证集71例。选取显示乳腺病灶最大径线切面的超声图像,利用3D-Slicer软件手动图像分割和影像组学特征提取。然后对特征进行筛选,将特征进行Z-Score标准化,通过Pearson相关系数最小冗余最大相关算法和最小绝对收缩和选择算子筛选特征,利用AdaBoost算法构建影像组学模型。使用ROC曲线评估模型效能,Delong检验评价训练集和验证集间AUC的差异。结果 最终选取8个影像组学特征用于构建超声影像组学模型。该模型在训练集和验证集中预测HER-2阳性表达的AUC、准确度、灵敏度、特异度、阳性预测值和阴性预测值分别为0.830(95%CI:0.772~0.888)、0.718、0.853、0.642、0.574、0.885,0.771(95%CI:0.629~0.912)、0.723、0.706、0.733、0.600、0.815。Delong检验结果显示训练集和验证集AUC的差异无统计学意义(P>0.05)。结论 超声影像组学模型对乳腺癌分子标志物HER-2表达的预测具有重要价值。

基于CT影像组学在非小细胞肺癌表皮生长因子受体突变中的预测价值

目的探讨基于CT影像组学模型在非小细胞肺癌表皮生长因子受体(epithelial growth factor receptor,EGFR)突变状态中的预测价值。方法回归性分析2018年8月-2022年3月蚌埠医学院第一附属医院确诊的125例有EGFR基因检测结果的肺腺癌患者临床及影像资料。其中EGFR突变型32人,野生型93人,将患者按照1:3的比例随机分为测试集和训练集。对所有病例进行临床资料及增强CT图像采集,用惠影软件对采集的CT图像进行高标准手动分割,并提取影像组学特征,应用最小绝对收缩和选择算子(least absolute shrink-age and selection ope rator,LASSO)算法及5折交叉验证筛选出最佳特征子集,并构建影像组学模型。通过绘制受试者操作特征曲线(receiver operating characteristic,ROC),计算ROC曲线下面积(AUC),评价影像组学特征在EGFR基因突变中的预测效能。结果非小细胞肺癌EGFR突变预测模型共提取1409个特征,筛选后得到5个最佳影像组学特征用于构建模型,构建的影像组学模型可有效预测肺腺癌EGFR基因突变状态。测试集和训练集在上述模型中ROC曲线下面积(AUC)分别为0.75(95%CI为0.53-0.97)0.80(95%CI为0.70-0.91)。结论基于CT影像组学模型在非小细胞肺癌表皮生长因子受体突变状态中拥有较好的预测价值。

MRI影像组学模型术前预测乳腺癌人表皮生长因子受体2表达状态的价值

目的探讨常规及功能MRI影像组学在预测乳腺癌人表皮生长因子受体2 (humanepidermalgrowthfactor receptor-2, HER-2)表达状态中的价值。材料与方法 回顾性收集我院2016年1月至2020年5月142例经手术病理证实的乳腺癌患者的完整资料,其中HER-2阳性57例、阴性85例;将患者随机分为训练组(100例,HER-2阳性60例、阴性40例)、验证组(42例,HER-2阳性25例、阴性17例)。所有患者均行乳腺常规和动态对比增强磁共振成像扫描,手动勾画感兴趣区并用AK软件提取纹理特征,利用最小冗余最大相关和最小绝对收缩和选择算子回归方法对纹理特征降维,建立影像组学标签;采用多因素logistic回归构建包含影像组学标签和临床因素的个性化预测模型。通过受试者工作特征(receiver operating characteristic, ROC)曲线和决策曲线分析(decision curve analysis, DCA)评价诊断效能和临床应用价值。结果 临床预测模型在训练组和验证组中预测乳腺癌HER-2阳性的ROC曲线下面积(area under the curve, AUC)分别为0.81和0.69,联合序列影像组学标签的AUC分别为0.89和0.81,个性化预测模型的AUC分别为0.94和0.87。DCA表明个性化预测模型临床应用价值高于临床预测模型及联合序列影像组学标签。结论 个性化预测模型诊断效能优于联合序列影像组学标签及临床预测模型,对预测HER-2表达状态具有一定的价值。

影像组学在预测非小细胞肺癌表皮生长因子受体基因突变中的应用

非小细胞肺癌表皮生长因子受体(EGFR)基因突变与否对患者治疗方案的选择以及预后评估具有重要的作用。目前,临床上主要依靠有创手段获得肿瘤的病理组织并进行分子检测来确定非小细胞肺癌患者的EGFR基因突变状况,但由于采样和分析的局限性,检测到的结果可能无法完全反应病灶部位肿瘤内和肿瘤间的异质性。影像组学可从影像图像中高通量地提取并分析大量影像组学特征数据,并将其与肿瘤基因表达相关联,可为临床诊断和治疗提供更多的参考依据。本文将对影像组学辅助诊断非小细胞肺癌EGFR基因突变的研究进行综述。

基于CT传统机器学习和深度神经网络预测肺腺癌表皮生长因子受体基因突变

目的探讨基于CT机器学习和深度学习网络预测肺腺癌表皮生长因子受体基因突变的价值。资料与方法回顾性分析2018年10月—2020年11月遵义医科大学附属医院术前接受胸部CT检查的173例肺腺癌患者(其中表皮生长因子受体突变119例)。使用Lung Intelligence Kit软件对胸部CT图像进行预处理、病灶感兴趣区分割及组学特征提取。通过最小冗余最大相关和最小绝对收缩和选择算子回归算法进行特征筛选降维。随后分别采用逻辑回归和深度学习网络进行模型的构建,绘制受试者工作特征曲线,并通过曲线下面积(AUC)比较其效能,在验证集上进行独立验证。结果每个病灶共提取1037个组学特征,经过特征筛选共选取9个具有显著性的特征。基于逻辑回归模型,在训练集和验证集中预测效能AUC分别为0.730、0.700;基于深度学习网络模型训练集和验证集的AUC分别为0.738、0.682,两个模型预测效能差异无统计学意义(Z=0.564,P=0.573)。最后选取较简单的逻辑回归模型与临床筛选指标联合建模,训练集AUC为0.840,验证集为0.710。结论基于机器学习和深度学习网络构建组学模型均能较好地预测肺腺癌表皮生长因子受体基因突变,有较好的应用价值。

基于胸部CT影像组学的列线图对非小细胞肺癌表皮生长因子受体基因突变的预测价值

目的通过基于胸部CT影像组学的列线图对非小细胞肺癌(NSCLC)表皮生长因子受体(EGFR)基因突变进行鉴别和预测。方法回顾杭州市第一人民医院2019年1月至2020年8月经病理检查证实为NSCLC的153例患者胸部CT图像及EGFR基因检测结果,将所有患者分为基因突变组90例及野生组63例,通过7︰3比例的分层抽样将所有患者分为训练组108例和验证组45例,提取所有CT图像影像组学特征并筛选,得到影像组学特征参数分数(Rad-score),同时建立影像组学特征模型。通过纳入Rad-score、图像语义特征及患者的临床资料,用多因素二元logistic回归建立联合模型,得到联合模型的列线图,实现模型可视化,并进行模型验证。绘制ROC曲线评价影像组学特征模型、临床-语义特征模型及联合模型对NSCLC EGFR基因突变的预测效能。结果联合模型对于鉴别NSCLC EGFR基因突变具有较好的预测效能,训练组AUC=0.77,95%CI:0.68~0.85,准确度为70.0%,灵敏度为0.67,特异度为0.76,阳性预测值为79.3%,阴性预测值为61.8%;验证组AUC=0.77,95%CI:0.63~0.91,准确度为71.1%,灵敏度为0.79,特异度为0.62,阳性预测值为70.4%,阴性预测值为72.2%。Rad-score、结节分型、吸烟史均为独立预测因子。结论通过基于胸部CT Rad-score、图像语义特征及临床特征资料建立的的联合模型所得到的列线图,对预测NSCLC EGFR基因突变具有一定价值。

重组人表皮生长因子治疗放射性口腔溃疡效果报告

目的 探讨重组人表皮生长因子 (rhEGF)治疗放射性口腔溃疡的效果。方法 将 6 2例放射性口腔溃疡病例分为两组 ,治疗组用rhEGF治疗 ,对照组使用中成药喉风散。结果 治疗放射性口腔溃疡的有效率治疗组明显高于对照组。

影像学在胃癌人类表皮生长因子受体2中的研究进展

鉴于靶向治疗标志物人类表皮生长因子受体-2 (HER-2)的分子靶向药物已被证实可以显著增加晚期胃癌患者的生存获益,因此,准确评估HER-2状态具有极其重要的意义。然而,病理组织标本的获取通常需要进行有创手段,这不仅增加了患者的痛苦和风险,而且还存在组织获取不足等实际问题。因此,无创评估胃癌HER-2状态的方法成为了当前研究的热点。近年来,随着医学影像技术的不断发展,CT、MRI、PET/CT等影像学方法在评估胃癌HER-2状态方面展现出了巨大的潜力。这些影像学技术不仅可以提供肿瘤的形态学信息,还可以提供肿瘤的生物学特征和分子信息,为预测胃癌HER-2状态提供了新的途径。然而,尽管这些影像学技术在无创评估胃癌HER-2状态方面取得了一定的进展,但仍存在一些挑战和问题。例如,不同成像模式的准确性和可靠性仍需进一步验证,影像组学的分析方法和特征提取仍需优化和完善等。本文主要对近年来正确评估和预测HER-2状态的相关影像学研究及其进展进行综述。

基于T2WI影像组学标签预测乳腺癌人表皮生长因子受体2表达状态

目的探讨基于MR T2WI的影像组学标签在术前预测乳腺癌人表皮生长因子受体2(HER2)表达状态的价值。方法回顾性收集209例乳腺癌患者的T2WI,将患者随机分为训练组(n=145)和验证组(n=64)。手动勾画病灶ROI,并于Matlab 2013a平台中提取组学特征。通过组间相关系数及最小绝对收缩和选择算子逻辑回归模型筛选组学特征并构建组学标签。比较HER2表达阳性与阴性亚组患者的影像组学得分差异,采用ROC曲线评价训练组中影像组学标签预测HER2的效能,并以获得的预测阈值用于验证组中进行验证。结果最终获得由13个组学特征构成的影像组学标签。在训练组及验证组中,HER2阳性亚组与阴性亚组患者间组学得分差异均有统计学意义(P均<0.05)。基于T2WI的影像组学标签在训练组及验证组中的AUC分别为0.798、0.707。结论基于T2WI构建的影像组学标签对术前预测乳腺癌HER2表达状态具有一定价值。

CT影像组学标签预测肺腺癌表皮生长因子受体基因敏感突变

目的建立基于CT平扫图像的影像组学标签,探讨其用于预测肺腺癌表皮生长因子受体(EGFR)基因敏感突变的可行性。方法根据EGFR基因突变情况将80例肺腺癌患者分为EGFR敏感组(n=37)及EGFR不敏感组(n=43)。收集2组肺部病灶CT平扫主观影像征象,并提取影像组学特征;采用LASSO法进行特征挑选,以多因素Logistic回归分别建立主观影像征象模型、影像组学标签及融合模型,采用ROC曲线评估各模型预测EGFR基因敏感突变的效能。结果 EGFR敏感组与不敏感组间CT主观影像征象差异均无统计学意义(P均>0.05)。通过特征选择,确定CT影像组学标签由4个影像组学特征构成。主观影像征象模型(AUC=0.66)、影像组学标签(AUC=0.77)及融合模型(AUC=0.83)预测EGFR基因敏感突变的效能差异均有统计学意义(P均<0.05),以融合模型预测的效能最优。结论基于CT平扫图像建立的影像组学标签能够预测肺腺癌EGFR基因敏感突变。

影像组学对肺腺癌表皮生长因子受体突变状态的预测价值

目的:探讨基于CT平扫肺窗图像的影像组学模型预测肺腺癌表皮生长因子受体(EGFR)突变状态的价值。方法:回顾性分析2016年6月~2019年6月弋矶山医院确诊的156例有EGFR基因检测结果的肺腺癌患者资料,其中EGFR突变型104例,EGFR野生型52例。按7∶3随机分为训练集和验证集。用ITK-SNAP软件在肺窗图像上手动勾画病灶三维容积感兴趣区,AK软件提取影像组学特征。应用最大相关最小冗余、最小绝对收缩和选择算子回归及十折交叉验证筛选最佳特征子集,并构建多因素逻辑回归模型。绘制ROC曲线评估模型的效能,并用验证集数据进行内部验证。使用校正曲线评估模型预测值与观测值之间的一致性。结果:共提取396个影像组学特征,筛选后得到11个最佳影像组学特征用于建模。构建的逻辑回归模型可有效预测肺腺癌EGFR基因突变状态,训练集曲线下面积(AUC)为0.83(95%CI:0.74~0.91),特异度、灵敏度分别为83.8%、71.2%;验证集AUC为0.81(95%CI:0.66~0.96),特异度、灵敏度分别为73.3%、87.1%。校准曲线显示,模型预测值与观测值之间一致性较好。结论:基于CT平扫肺窗图像的影像组学模型对肺腺癌EGFR突变有较好的预测价值,有利于临床精准医疗的实现。

MRI影像组学模型预测乳腺癌组织中HER-2低表达状态的价值

目的:探讨使用基于动态增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)影像组学模型早期预测乳腺癌患者人表皮生长因子受体2(human epithelial growth factor receptor 2,HER-2)低表达的可能性及其价值。方法:收集294例经穿刺或手术病理证实的乳腺浸润性导管癌女性乳腺癌患者的临床及病理资料,对MRI图像原始数据进行瘤内感兴趣区(regions of interest,ROI)勾画及特征提取,经Mann-Whitney U筛选出相关性的特征,LASSO回归进行特征选择,使用10折交叉验证建模,受试者工作特征曲线(receiver operator curve,ROC)分析模型对模型的性能进行评价。结果:经10折交叉验证Linear SVC建模后,所得验证集的平均准确性为79.6%,敏感性为73.7%,特异性为85.6%,ROC分析平均AUC为0.87;经过1000次置换检验后的置换数据集的诊断效能与原数据集相比较,平均准确性、敏感性和特异性的P值均小于0.05,差异有统计学意义,经交叉验证后建立的模型可以对乳腺癌患者HER-2阳性和HER-2低表达进行分类,并且其模型的分类效能高于机会水平。结论:DCE-MRI影像组学模型可以帮助预测乳腺癌组织中HER-2受体低表达状态,具有较好的预测效能,这将为临床进行无创HER-2状态的诊断提供新的思路。

基于标准化增强CT影像组学列线图预测肺腺癌表皮生长因子受体突变状态的研究

目的探讨基于治疗前标准化胸部增强CT的影像组学列线图预测肺腺癌患者表皮生长因子受体(EGFR)突变状态的价值。方法回顾性分析济宁医学院附属医院2017年7月至2023年6月262例经病理证实且接受EGFR基因检测的原发性肺腺癌患者的治疗前胸部增强CT影像及临床资料,EGFR野生型(n=122)和突变型(n=140),采用分层抽样方式按照7∶3比例分为训练组(n=183)和测试组(n=79)。对CT图像进行标准化预处理、勾画感兴趣区(ROI)并提取影像组学特征,采用最小绝对收缩和选择算子(LASSO)算法进行降维和关键特征筛选,通过Logistic Regression(LR)机器学习方法建立标准化影像组学模型、临床模型及两者相结合的联合模型,计算影像组学分数(Rad⁃score)并绘制列线图。采用ROC曲线及Delong检验评估并比较不同模型的预测性能。结果最终筛选出23个标准化增强CT影像组学特征和4个临床特征。标准化影像组学模型预测性能好于未标准化影像组学模型[曲线下面积(AUC):0.863 vs.0.805,t=2.19,P<0.05]。联合模型和标准化影像组学的AUC高于临床模型(训练组:0.885,0.863 vs.0.774,t=3.57、2.17,P<0.05;测试组:0.873,0.829 vs.0.763,t=2.19、2.02,P<0.05)。根据Rad⁃score、年龄、性别、吸烟史及BMI绘制了影像组学列线图。结论联合模型及标准化影像组学模型可有效预测肺腺癌患者治疗前EGFR突变状态,具有一定的临床价值。

基于MRI影像组学模型预测肺癌脑转移瘤EGFR基因突变

目的探讨基于T2WI及增强T1WI(contrast enhanced T1WI,CE-T1WI)MRI的影像组学模型在术前无创预测肺癌患者脑转移瘤表皮生长因子受体(epidermal growth factor receptor,EGFR)突变的价值。材料与方法多中心回顾性分析2016年12月至2021年10月在中山大学孙逸仙纪念医院、中山大学肿瘤防治中心、安徽省立医院进行脑转移瘤手术切除并行EGFR基因检测的肺癌患者的临床及影像资料,共纳入103例患者(118个脑转移瘤),以中山大学肿瘤防治中心、安徽省立医院80例患者为训练集,共89个脑转移瘤(EGFR突变型49个,EGFR野生型40个),中山大学孙逸仙纪念医院23例患者为测试集,共29个脑转移瘤(EGFR突变型23个,EGFR野生型6个)。在CE-T1WI图像勾画脑转移瘤轮廓获取感兴趣体积(volume of interest,VOI),将CE-T1WI-VOI复制至配准后的T2WI图像获取脑转移瘤的T2WI-VOI,采用PyRadiomics软件从上述VOI提取脑转移瘤影像组学特征,采用mRMR和LASSO-logistics筛选影像组学特征,构建EGFR基因突变的预测模型,采用受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under the curve,AUC)评价影像组学模型对EGFR基因突变的预测效能。采用校准曲线和Hosmer-Lemeshow test(HL)评价模型校准度。采用决策曲线(decision curve analysis,DCA)评价影像组学模型预测EGFR基因突变状态的临床净获益。结果年龄、性别、病理类型、脑转移瘤数目、脑转移瘤直径在训练集和测试集中EGFR突变型及野生型的组间差异均无统计学意义(P>0.05)。在CE-T1WI及T2WI图像上共提取了3190个脑转移瘤的影像组学特征,最终筛选出了4个基于CE-T1WI图像和5个基于T2WI图像的影像组学特征构建预测EGFR基因突变状态的模型。该模型预测EGFR基因突变状态在训练集中AUC为0.828,准确度、敏感度、特异度分别为76.4%、81.6%、70.0%;在测试集中AUC值为0.783,准确度、敏感度、特异度分别为82.8%、95.7%、33.3%,均表现出较高的预测效能。影像组学模型训练集和测试集的校准曲线显示EGFR基因突变状态的预测概率与实际概率的一致性较好(HL>0.05)。DCA显示影像组学模型在13.8%~87.2%的阈值范围内具有较强的临床适用性。结论基于T2WI及CE-T1WI MRI构建的影像组学模型能够术前无创预测肺癌患者脑转移瘤EGFR基因突变状态。

基于^(18)F-FDG PET-CT的瘤内及瘤周影像组学预测肺腺癌表皮生长因子受体突变状态

目的探讨基于^(18)F-FDG PET-CT的瘤内、瘤周影像组学模型预测肺腺癌表皮生长因子受体(EGFR)突变状态的价值及瘤周影像组学特征的可解释性。方法该研究为横断面研究。回顾性收集2018年1月至2022年4月在苏州大学附属第三医院接受^(18)F-FDG PET-CT检查的肺腺癌患者,按6∶4的比例随以分层随机抽样分为训练集(309例)和测试集(206例)。分别基于PET及CT图像的瘤内及瘤周感兴趣区域提取影像组学特征,并筛选出最佳特征集。使用XGBoost算法建立影像组学模型,并计算影像组学标签(CT瘤内标签、CT瘤周标签、PET瘤内标签、PET瘤周标签)。采用logistic回归分析构建临床模型及联合模型(结合PET-CT瘤内、瘤周影像组学与临床特征及CT语义特征构建)。采用受试者操作特征曲线及曲线下面积(AUC)评估模型预测效能。使用无监督聚类、Spearman相关性分析及可视化方法增加瘤周影像组学特征的可解释性。结果在训练集和测试集中,CT瘤周标签预测肺腺癌EGFR突变型的AUC值大于CT瘤内标签(训练集:Z=3.84,P<0.001;测试集:Z=1.99,P=0.046);测试集中,PET瘤内标签预测肺腺癌EGFR突变型的AUC值(0.684)略大于PET瘤周标签的AUC值(0.672),但差异无统计学意义(P>0.05)。联合模型在训练集及测试集中预测肺腺癌EGFR突变型的AUC值均最大,且显著优于临床模型(训练集:Z=6.52,P<0.001;测试集:Z=2.31,P=0.021)。通过可解释性分析发现,CT瘤周影像组学特征与CT形状特征最具相关性,不同EGFR突变状态的CT瘤周特征差异有统计学意义。结论CT瘤周标签预测肺腺癌EGFR突变型的价值优于CT瘤内标签,作为一种可解释的方法,PET-CT瘤内、瘤周影像组学与临床特征及CT语义特征联合可提升预测效能。

基于增强CT影像组学预测浸润性肺腺癌EGFR突变状态的价值

目的探讨建立并验证影像组学诺模图预测浸润性肺腺癌表皮生长因子受体(EGFR)突变的能力。方法选取231例经病理证实为浸润性肺腺癌患者,并有EGFR突变资料,按照7∶3的比例分为训练集(n=162)和测试集(n=69)。利用最大相关最小冗余(mRMR)及最小绝对收缩与选择子算法(LASSO)筛选最佳影像组学特征,构建预测肺腺癌EGFR突变状态的模型;以单因素及多因素logistic回归筛选浸润性肺腺癌EGFR突变相关的临床、病理及CT特征,构建临床模型;联合影像组学特征及临床、病理、CT特征构建影像组学诺模图,ROC曲线及AUC值评估模型的预测效能,并采用DeLong检验比较模型间AUC值差异是否有统计学意义,校正曲线及DCA曲线评估影像组学诺模图的临床价值。结果最终基于增强扫描动脉期及静脉期筛选出13项影像组学特征建立影像组学模型,该模型在训练集及测试集中的AUC值为0.79、0.76;临床模型由性别、病理分期及血管集束征构成,该模型在训练集及测试集中的AUC值分别为0.75、0.75;影像组学诺模图在训练集及测试集中的AUC值分别为0.82、0.80;DeLong检验显示,训练集中影像组学诺模图AUC值大于临床模型,差异有统计学意义(P<0.05),影像组学模型与临床模型AUC值差异无统计学意义(P>0.05);测试集中3种模型AUC值差异均无统计学意义(P>0.05);影像组学诺模图在训练集及测试集中的拟合优度良好,DCA曲线显示影像组学诺模图临床效用优于临床模型。结论基于增强CT影像组学诺模图对浸润性肺腺癌EGFR突变状态有良好的预测能力。

多模态MRI影像组学模型术前预测乳腺癌人表皮生长因子受体2表达状态

目的探讨多模态MRI影像组学模型术前预测乳腺癌人表皮生长因子受体2(HER-2)表达状态的价值。方法纳入2021年1月至2023年5月镇江市第一人民医院经术后病理诊断的女性乳腺癌患者187例,其中HER-2阴性139例,HER-2阳性48例。将患者分为训练集(131例)和验证集(56例),利用训练集构建预测模型,利用验证组对预测模型进行验证。在T2加权成像(T2WI)、表观扩散系数(ADC)及动态增强扫描第2期(DCE-2)、第6期(DCE-6)MRI图像中逐层勾画乳腺癌原发灶三维立体感兴趣区,使用Pyradiomic软件提取960个影像组学特征,通过重复性分析、Pearson相关分析及最小绝对收缩和选择算子回归方法进行筛选和降维后,建立影像组学标签,采用logistic回归分析分别构建预测乳腺癌HER-2表达状态的T2WI影像组学模型、ADC影像组学模型、DCE-2影像组学模型、DCE-6影像组学模型和联合序列影像组学模型。基于患者的临床、病理及MRI影像特征,采用单因素和多因素logistic回归分析构建临床病理MRI特征模型。利用患者的影像组学标签联合筛选得到的有统计学意义的临床病理MRI特征,构建列线图模型。采用受试者工作特性(ROC)曲线评价各模型的预测效能,绘制决策曲线评价列线图模型的临床获益。结果成功构建了预测乳腺癌HER-2表达状态的T2WI影像组学模型、ADC影像组学模型、DCE-2影像组学模型、DCE-6影像组学模型、联合序列影像组学模型、临床病理MRI特征模型和列线图模型。ROC曲线分析显示,在训练集和验证集中,T2WI影像组学模型的曲线下面积(AUC)分别为0.797和0.760,ADC影像组学模型的AUC分别为0.776和0.634,DCE-2影像组学模型的AUC分别为0.804和0.759,DCE-6影像组学模型的AUC分别为0.869和0.798,联合序列影像组学模型的AUC分别为0.908和0.847,临床病理MRI特征模型的AUC分别为0.703和0.693,列线图模型的AUC分别为0.938和0.859。在训练集中,联合序列影像组学模型的AUC高于T2WI、ADC、DCE-2影像组学模型和临床病理MRI特征模型(均P<0.05);在验证集中,联合序列影像组学模型的AUC高于ADC影像组学模型(P<0.01),但与临床病理MRI特征模型差异无统计学意义(P>0.05)。在训练集中列线图模型的AUC高于全部单模态影像组学模型和临床病理MRI特征模型(均P<0.05),在验证集中列线图模型的AUC高于ADC影像组学模型、DCE-2影像组学模型和临床病理MRI特征模型(均P<0.05)。在训练集和验证集中列线图模型的AUC与联合序列影像组学模型差异均无统计学意义(均P>0.05)。决策曲线显示,列线图模型术前预测乳腺癌HER-2表达状态的临床净获益明显优于临床病理预测模型。结论基于T2WI、ADC和早期-延迟期DCE MRI的多模态MRI影像组学模型能高效预测术前乳腺癌HER-2表达状态,有望用于乳腺癌HER-2状态的术前无创评估,为乳腺癌术前新辅助治疗方案的决策提供依据。