目的:对比最优磁共振组学参数及临床病理参数预测早期宫颈癌患者无病生存期的诊断效能。方法:回顾性分析2013年1月—2018年6月行根治性子宫切除及淋巴结清扫术的186例早期宫颈癌患者[术前国际妇产科联盟(Federation International of Gy...目的:对比最优磁共振组学参数及临床病理参数预测早期宫颈癌患者无病生存期的诊断效能。方法:回顾性分析2013年1月—2018年6月行根治性子宫切除及淋巴结清扫术的186例早期宫颈癌患者[术前国际妇产科联盟(Federation International of Gynecology and Obstetrics,FIGO)分期ⅠB~ⅡA],搜集患者多模态磁共振组学参数、临床特征、术后病理特征及患者术后无病生存期,用最小决策收缩和选择算子(LASSO)及比例风险回归模型来计算影像组学评分(Rad-score),构建临床病理特征模型(包括有意义的临床特征和病理特征)、影像组学模型(T1CE、DWI、T2WI、T1CE+DWI、T1CE+T2WI、DWI+T2WI和T1CE+DWI+T2WI的影像组学评分)及联合模型对早期宫颈癌患者无病生存期的预测效能进行相互比较。结果:在预测早期宫颈癌无病生存期中,T1CE序列的组学模型(C指数:训练集0.798,验证集0.758)优于临床病理模型(C指数:训练集0.746,验证集0.641)。联合模型(病理类型、淋巴结转移及T1CE的影像组学评分)拥有最高的诊断效能(C指数:训练集0.848,验证集0.784)。结论:基于T1CE的影像组学评分联合临床病理特征对早期宫颈癌无病生存期具有较高的预测效能。展开更多
文摘目的探讨基于机器学习的影像组学模型对子宫内膜癌患者无病生存期(disease-free survival,DFS)的预测价值。材料与方法回顾性分析双中心212例接受过根治性手术并正规随访的子宫内膜癌患者资料。提取所有患者T2WI序列中原发灶及瘤周5 mm区域的影像组学特征。采用5种机器学习方法(梯度提升机、最小绝对收缩和选择算法、随机生存森林、支持向量机和极端梯度上升)构建影像组学模型并计算最佳影像组学评分(radiomics score,Radscore)。分析Radscore对现有临床预测指标的增量价值并构建联合模型。最后,采用生物信息学分析揭示影像组学模型的生物学机制。结果基于梯度提升机的影像组学模型预测效能最佳,其在训练集和验证集预测1年、3年、5年DFS的曲线下面积(area under the curve,AUC)分别为0.977、0.986、0.995和0.745、0.764、0.802。多因素Cox回归分析显示临床分期、糖类抗原125(carbohydrate antigen 125,CA125)和Radscore为子宫内膜癌患者DFS的独立预测因素。联合模型在训练集和验证集预测1年、3年、5年DFS的AUC分别为0.926、0.894、0.864和0.828、0.839、0.873。同时,生信分析提示Radscore与子宫内膜癌患者免疫水平显著相关。结论基于机器学习的影像组学模型有助于子宫内膜癌DFS及免疫水平的预测。影像组学和临床指标的联合能进一步提高预测精度,为子宫内膜癌患者的预后预测和个体化治疗提供参考依据。
文摘目的:对比最优磁共振组学参数及临床病理参数预测早期宫颈癌患者无病生存期的诊断效能。方法:回顾性分析2013年1月—2018年6月行根治性子宫切除及淋巴结清扫术的186例早期宫颈癌患者[术前国际妇产科联盟(Federation International of Gynecology and Obstetrics,FIGO)分期ⅠB~ⅡA],搜集患者多模态磁共振组学参数、临床特征、术后病理特征及患者术后无病生存期,用最小决策收缩和选择算子(LASSO)及比例风险回归模型来计算影像组学评分(Rad-score),构建临床病理特征模型(包括有意义的临床特征和病理特征)、影像组学模型(T1CE、DWI、T2WI、T1CE+DWI、T1CE+T2WI、DWI+T2WI和T1CE+DWI+T2WI的影像组学评分)及联合模型对早期宫颈癌患者无病生存期的预测效能进行相互比较。结果:在预测早期宫颈癌无病生存期中,T1CE序列的组学模型(C指数:训练集0.798,验证集0.758)优于临床病理模型(C指数:训练集0.746,验证集0.641)。联合模型(病理类型、淋巴结转移及T1CE的影像组学评分)拥有最高的诊断效能(C指数:训练集0.848,验证集0.784)。结论:基于T1CE的影像组学评分联合临床病理特征对早期宫颈癌无病生存期具有较高的预测效能。