右半结肠癌No.206组淋巴结转移的观察研究

目的:分析右半结肠癌No.206组淋巴结转移的规律,为淋巴结的清扫提供临床参考。方法:回顾性收集2015年1月至2019年12月完成的111例右半结肠癌根治术患者的临床资料。观察指标:人口学特征、手术与术后恢复情况、术后病理学检查、随访及生存情况。结果:111例患者中男59例,女52例,中位年龄60岁。肿瘤部位回盲部9例,升结肠37例,结肠肝曲62例,横结肠右侧3例。患者均顺利完成右半结肠癌根治术,其中腹腔镜手术79例,开放手术8例,达芬奇手术24例;腹腔镜手术中1例中转开腹。手术时间110(98,115)min,术中出血量30(20,50)mL,术后肛门排便时间4(3,5)d,术后住院7(6,8)d。术后总并发症发生率9.9%(11/111),其中切口感染、脂肪液化5例,乳糜瘘5例,吻合口出血1例。病理标本肿瘤TNM分期Ⅰ期17例、Ⅱ期44例、Ⅲ期49例、Ⅳ期1例。淋巴结检出27(23,31)枚,阳性淋巴结检出0(0,2)枚,淋巴结转移率为44.14%(49/111)。No.206组淋巴结检出数为3(1,4)枚,阳性淋巴结检出数为0(0,0)枚,淋巴结转移率为0.9%(1/111)。术后102例(91.9%)获得随访,9例失访,随访7~65个月,中位随访时间23个月。5年总生存率86.3%,5年无病生存率73.4%。结论:右半结肠癌No.206组淋巴结转移率较低,如果术前或术中评估怀疑No.206组淋巴结转移或局部进展期肝曲结肠癌,建议清扫No.206组淋巴结。

基于ABVS影像组学列线图术前预测T1期乳腺癌腋窝淋巴结转移

目的:探讨基于自动乳腺全容积成像(automatic breast volume scanner,ABVS)影像组学构建的列线图模型术前预测T1期乳腺癌腋窝淋巴结(axillary lymph node,ALN)转移的价值。方法:收集华东师范大学附属芜湖医院158例T1期乳腺癌患者的临床病理及影像资料,按7比3将患者随机分为训练组(n=110)及验证组(n=48)。利用MaZda纹理分析软件基于ABVS最大冠状面图像提取影像组学特征,并采用最小绝对收缩和选择算子算法(least absolute shrinkage and selection operator,LASSO)回归降维筛选最优特征,并构建影像组学标签评分(radiomics score,radscore)。通过单因素与多因素Logistic回归分析筛选预测T1期乳腺癌ALN转移的独立危险因子,构建联合预测模型,并绘制列线图。用受试者工作特征(receiver operating characteristic,ROC)曲线及曲线下面积(area under curve,AUC)进行模型性能评价,Hosmer-Lemeshow检验进行拟合优度评价。校准曲线评价模型的校准度,Delong检验比较模型的诊断效能,决策曲线分析(decision curve analysis,DCA)评估模型的临床实用性。结果:单因素与多因素Logistic回归发现象限、冠状面汇聚征、超声淋巴结阳性为独立危险因素。联合模型训练组、验证组AUC分别为0.944、0.862,Delong检验联合模型诊断效能最高,Hosmer-Lemeshow检验模型均拟合较好(训练组χ^(2)=6.877,P=0.550;验证组χ^(2)=13.904,P=0.084),校准曲线及DCA表明列线图具有较高的校准度及较好的临床适用性。结论:基于ABVS影像组学列线图术前能有效的预测T1期乳腺癌ALN转移风险,构建的列线图能够可视化预测结果,为精准诊疗提供无创手段。

基于数字化乳腺X线影像组学预测浸润性乳腺癌腋窝淋巴结转移的多中心研究

目的:探讨基于多中心数字化乳腺X线影像组学预测浸润性乳腺癌腋窝淋巴结转移的临床应用价值。方法:回顾性搜集728例经病理证实的浸润性乳腺癌患者,按照7:3的比例将皖南医学院第一附属医院弋矶山医院413例浸润性乳腺癌患者随机拆分为训练组289例(淋巴结转移阴性197例,淋巴结转移阳性92例)和验证组124例(淋巴结转移阴性85例,淋巴结转移阳性39例),将阜阳市人民医院和太和县人民医院浸润性乳腺癌患者共计315例(淋巴结转移阴性221例,淋巴结转移阳性94例)作为外部测试组。对比分析双乳内外斜位(MLO)和头尾位(CC)图像,选取病变面积较大的数字化乳腺X线图像使用深睿医疗多模态科研平台进行图像分割及影像组学特征提取,采用特征间线性相关性分析与最小绝对收缩和选择算法(LASSO)对组学特征进行降维并使用支持向量机(SVM)分类器构建影像组学预测模型。采用受试者工作特征(ROC)曲线和决策曲线分析(DCA)评价模型性能。结果:最终筛选出8个影像组学特征构建预测模型用于预测浸润性乳腺癌腋窝淋巴结转移,该模型的预测效能在训练组、验证组和外部测试组分别为0.807、0.790和0.753,敏感度、特异度分别为84.8%和61.4%、79.5%和69.4%、44.7%和92.8%。决策曲线证实了该模型的临床实用性。结论:基于数字化乳腺X线影像组学对浸润性乳腺癌腋窝淋巴结转移的预测具有较高效能,对患者制定个性化的治疗方案和预后评估有着重要的临床应用价值。

超声影像组学诺模图预测甲状腺乳头状癌淋巴结转移的价值

目的探讨超声影像组学诺模图预测甲状腺乳头状癌(PTC)淋巴结转移(LNM)的价值。资料与方法回顾性分析2021年3月—2022年1月山西医科大学第一医院400例经手术病理证实且术前行超声扫查的PTC,以7∶3随机分为训练组(n=280)和验证组(n=120)。使用单因素分析患者临床特征与LNM的关系,多因素逻辑回归构建临床模型。基于术前超声图像共提取3348个特征,筛选有效特征后采用逻辑回归建立影像组学模型。联合临床危险因素和影像组学评分构建诺模图,使用受试者工作特征曲线和决策曲线评估各模型预测PTC发生LNM的诊断性能和临床收益。结果年龄、原发灶大小、甲状腺结节超声恶性危险分层中国指南及超声报告LNM是LNM的独立危险因素(t/χ^(2)=2.938、55.923、30.081、34.639,P均<0.05)。超声影像组学诺模图预测PTC发生LNM的曲线下面积在训练组和验证组分别为0.860、0.847;在43%~85%阈值范围联合模型临床获益最高。结论超声影像组学诺模图对预测PTC发生LNM具有一定价值。

基于CT影像组学术前预测淋巴结阴性胃癌淋巴血管侵犯

目的探讨基于CT影像组学术前预测淋巴结阴性胃癌淋巴血管侵犯(LVI)的价值,并结合临床变量构建列线图。资料与方法回顾性分析浙江大学医学院附属邵逸夫医院2019年1月—2021年6月173例淋巴结阴性且病理证实为胃癌患者的临床及CT影像,其中LVI阳性60例,LVI阴性113例,按7∶3随机分为训练组(n=121)和验证组(n=52)。基于训练组分别构建临床模型、影像组学模型、融合模型,并在验证组进行验证。临床资料和常规CT特征包括年龄、性别、肿瘤指标、肿瘤部位、肿瘤形态、强化幅度等,通过单因素及多因素分析筛选出临床显著变量并建立临床模型。用3D-Slicer软件勾画肿瘤感兴趣区并提取影像组学特征,用最小绝对值收缩和选择算子降维筛选特征,然后通过随机森林构建影像组学模型,并转化为随机森林评分。联合临床显著变量和随机森林评分构建融合模型并可视化为列线图。根据受试者工作特征曲线及曲线下面积(AUC)评估模型的预测效能,采用决策曲线分析评估临床实用性。结果影像组学模型优于临床模型,训练组和验证组中影像组学模型AUC分别为0.872(0.810~0.935)、0.827(0.707~0.947),临床模型AUC分别为0.767(0.682~0.852)、0.761(0.610~0.913)。列线图的预测效能得到进一步提高,AUC分别为0.898(0.842~0.953)、0.844(0.717~0.971)。决策曲线分析显示列线图的临床价值。结论本研究构建的影像组学模型可用于术前预测淋巴结阴性胃癌患者LVI状态,列线图可进一步提高预测效能。

MR功能成像及影像组学评估宫颈癌淋巴结转移的研究进展

腹主动脉旁及盆腔淋巴结转移是影响宫颈癌患者预后的重要因素,在治疗方案的选择中起关键作用。常规磁共振成像(MRI)是依靠淋巴结形态来检测淋巴结转移,但这种方法具有一定的局限性。近年来MR功能成像技术快速发展,可以从分子和细胞水平来更准确的检测淋巴结转移。影像组学作为影像领域的研究热点,目前已广泛应用于宫颈癌诊断、分期以及预后等方面。本文现就MR功能成像及影像组学评估宫颈癌淋巴结转移的研究进展情况进行综述。

基于能谱CT碘图的影像组学诊断甲状腺乳头状癌颈部淋巴结转移的价值

目的:探讨基于能谱CT碘图的影像组学特征对甲状腺乳头状癌患者颈部转移性淋巴结的诊断价值。方法:收集术前两周行颈部能谱CT检查的甲状腺乳头状癌患者,共纳入117枚转移性和176枚非转移性淋巴结,按照3︰1的比例随机分为训练集和验证集。从静脉期碘图中提取并筛选淋巴结的影像组学特征。采用Logistic回归分别建立影像组学模型、常规CT图像特征模型及联合模型,并绘制列线图将联合模型可视化。各模型的诊断效能、校准能力及临床实用性分别通过ROC曲线、校准曲线及决策曲线分析评估。结果:联合模型在训练集和验证集中均表现出最佳的诊断效能,其次是影像组学模型,且两者显著优于常规CT图像特征模型。所有模型均显示出良好的校准能力,决策曲线分析表明列线图的临床实用性优于其余两种模型。结论:能谱CT的影像组学特征在诊断甲状腺乳头状癌淋巴结转移方面表现出良好的性能,联合常规CT图像特征后诊断效能进一步提高。

多参数MRI影像组学在术前预测胰腺导管腺癌淋巴结转移中的价值

目的联合常规MRI及表观扩散系数(apparent diffusion coefficient,ADC)图的影像组学特征构建多参数MRI影像组学模型术前预测胰腺导管腺癌(pancreatic ductal adenocarcinoma,PDAC)淋巴结转移(lymph node metastasis,LNM),并与建立的常规MRI影像组学模型和临床模型比较预测效能,探索基于ADC图影像组学的附加价值。材料与方法218例PDAC按照7∶3的比例随机分为训练集和验证集。纳入临床及常规影像特征构建临床影像学模型。提取常规MRI图像(T1WI、T2WI、动脉期图像及门静脉期图像)及ADC图的影像组学特征。在训练集中采用最小绝对收缩和选择算子筛选出与LNM最相关的特征用于模型构建。构建基于常规MRI影像组学模型(影像组学模型1)和联合常规MRI和ADC图的影像组学模型(影像组学模型2)。使用受试者工作特征曲线下面积(area under the curve,AUC)评估模型预测效能。采用DeLong检验比较模型间的AUC值的差异是否有统计学意义。校准曲线评估模型的准确性。决策曲线分析评估模型的临床价值。结果临床影像学模型、影像组学模型1、影像组学模型2术前预测LNM的AUC值在训练集和验证集中分别是0.741和0.674、0.818和0.702、0.854和0.839。影像组学模型2术前预测LNM的AUC值高于临床影像学模型(训练集P=0.009,验证集P=0.023)及影像组学模型1(训练集P=0.044,验证集P=0.041),差异均具有统计学意义。影像组学模型1的预测效能与临床影像学模型相比,差异不具有统计学意义(训练集P=0.095,验证集P=0.759)。三个模型的校准曲线均显示预测值与实际值具有较好的一致性。决策曲线显示影像组学模型2比影像组学模型1和临床影像学模型具有更高的净效益。结论联合常规MRI及ADC图构建的多参数MRI影像组学模型具有术前预测PDAC患者LNM的潜能,且其效能优于常规MRI影像组学模型及临床影像学模型。

影像组学与机器学习在非小细胞肺癌淋巴结分期中的应用

肺癌是最常见的肿瘤,也是死亡率最高的肿瘤。近年来,人工智能在科技创新的推动下迅速发展,并已经成功应用于医疗健康等领域。机器学习、影像组学是人工智能领域的重要方法。机器学习是指通过经验学习改善具体算法的性能研究,影像组学指高通量地提取大量描述肿瘤特征性的影像特征的方法。本文总结了影像组学和机器学习在非小细胞肺癌淋巴结分期(N分期)中的应用。

超声影像组学模型预测直径≤1 cm的单发甲状腺乳头状癌中央淋巴结转移的应用价值

目的:探讨基于超声的影像组学模型预测直径≤1 cm的单发甲状腺乳头状癌中央淋巴结转移的诊断价值。方法:回顾性分析2018年09月至2021年09月间474例经病理证实的直径≤1 cm的单发甲状腺乳头状癌患者的术前超声影像及临床资料。其中中央淋巴结转移156例,中央淋巴结未转移318例。用软件Mazda勾画超声图像上的肿瘤区域并提取该区域的影像组学特征。应用最小绝对收缩和选择算子(LASSO)逻辑回归方法筛选出最优特征子集。最后利用三种机器学习算法(逻辑回归、随机森林、支持向量机)构建预测模型,用受试者工作特征(ROC)曲线评价预测能力,计算三种预测模型的ROC曲线及曲线下面积即AUC、灵敏度、特异度及精确度。结果:逻辑回归、随机森林、支持向量机模型的训练组AUC分别为0.763、0.806、0.792,测试组分别为0.759、0.861、0.791。其中以随机森林模型预测效能最好,其ROC为0.861。结论:超声影像组学模型在预测直径≤1 cm的单发甲状腺乳头状癌的中央区淋巴结转移方面具有一定的诊断价值。其中随机森林模型具有较高的预测能力。

超声影像组学联合模型预测甲状腺乳头状癌同侧颈部中央区淋巴结转移的价值

目的 探讨超声检查联合模型预测甲状腺乳头状癌(PTC)同侧中央区颈部淋巴结转移(CLNM)的价值。方法 回顾性分析南方医科大学南方医院2021年1~7月137例经病理证实的PTC患者的临床资料及术前甲状腺超声二维影像,根据术后病理结果将患者分为转移组65例,非转移组72例。所有患者均淋巴结行预防性中央区淋巴结清扫,并根据术后病理结果分为转移组和非转移组。在超声影像中手动勾画病变,从处理后的超声图像中导出了纹理特征。然后使用ICC、统计筛选、相关系数筛选以及LASSO方法,最终将LASSO筛选的非0特征作为输入,进行影像特征模型建模。将137例患者的临床有效信息构建与影像特征模型相同的临床特征模型。将影像特征与临床特征相结合,构建联合模型。结果 在影像特征模型中,ExtraTrees模型表现最佳,训练集和测试集的曲线下面积分别为0.895和0.836。临床特征的最优模型也是ExtraTrees模型,训练集和测试集的曲线下面积分别为0.843和0.701。而联合模型的预测能力最好,训练集和测试集的曲线下面积分别为0.900和0.854。结论 结合影像特征和临床特征的联合模型对PTC同侧CLNM的预测能力较好,可为临床决策提供一种无创、有效的方法。

MRI影像组学在浸润性乳腺癌腋窝淋巴结转移诊断中的作用

目的:探究MRI影像组学在浸润性乳腺癌腋窝淋巴结(ALN)转移中的诊断效果。方法:对福建省立医院(南院)放射科于2016年1月至2022年12月收治70例浸润性乳腺癌患者的临床病理和影像资料进行回顾性分析,并进行一致性评估。对腋窝淋巴结转移用病理分组,分阴性组(n=30例)、阳性组(n=40例),分析MRI影像组学参数。结果:两组医师提取的MRI影像组学特征组间、组内ICC为0.830(0.701~0.915)、0.883(0.774~0.929),提示:一致性良好。两组淋巴结MRI影像组学参数相比,存在明显差异(P<0.05)。预测AUC值最高的是直方图参数—均匀度,且比形态学参数-表容比等其他淋巴结MRI影像组学参数高(P<0.05)。预测浸润性乳腺癌腋窝淋巴结转移的敏感度、特异度是94.23%、97.68%。结论:在浸润性乳腺癌腋窝淋巴结转移诊断中,用MRI影像组学,应用价值较高,尤其是直方图参数—均匀度。

子宫颈癌淋巴结转移全转录组表达谱的分析与验证

目的通过高通量测序及生信分析,挖掘子宫颈癌淋巴结转移调控机制。方法收集3例淋巴结转移、3例无淋巴结转移的子宫颈癌组织,全转录组高通量测序筛选差异表达信使RNA(mRNA)、微小RNA(miRNA)和长链非编码RNA(lncRNA)(|log 2FC|≥1、P<0.05),构建竞争内源性RNA(ceRNA)网络,进行基因本体(GO)和京都基因与基因组百科全书(KEGG)通路分析。癌症基因组图谱(TCGA)数据集转移相关mRNA与ceRNA网络中mRNA取交集,检测交集mRNA表达情况。结果高通量测序筛选出差异表达的118个mRNA(47个上调,71个下调)、5个miRNA(1个上调,4个下调)和64个lncRNA(35个上调,29个下调),构建22个mRNA、5个miRNA、13个lncRNA的ceRNA网络。GO分析发现22个mRNA主要富集在趋化因子调节、tRNA甲基转移酶活性等;KEGG通路分析发现22个mRNA主要富集于Wnt、Rap1、MAPK、TNF等信号通路。TCGA数据集筛选出1404个转移相关的mRNA,与22个mRNA取交集后得到TRMT9B、FRAS1、BEND7、SLC35G1,实时定量聚合酶链反应结果显示,相比于无淋巴结转移的子宫颈癌患者,淋巴结转移的子宫颈癌患者BEND7(Z=3.628,P<0.001)、FRAS1(Z=2.570,P=0.010)和TRMT9B(Z=3.024,P=0.002)mRNA相对表达量更低,SLC35G1(Z=1.965,P=0.049)mRNA相对表达量更高。免疫组化结果显示,BEND7表达与国际妇产科联合会分期、淋巴脉管间隙浸润和淋巴结转移有关(χ^(2)=17.500,P<0.001;χ^(2)=4.351,P=0.037;χ^(2)=17.500,P<0.001)。结论本研究描绘子宫颈癌淋巴结转移表达谱,构建ceRNA网络,筛选并验证4个子宫颈癌淋巴结转移相关分子,为深入研究子宫颈癌淋巴结转移分子机制提供了思路。

利用MRI影像组学模型可有效预测乳腺癌前哨淋巴结转移

目的 探索基于不同乳腺MRI序列联合临床病理因素的MRI影像组学模型预测乳腺癌前哨淋巴结转移的潜在价值。方法 回顾性分析182例经病理确诊为乳腺癌伴前哨淋巴结转移状态患者,其中前哨淋巴结转移阳性组91例,前哨淋巴结转移阴性组91例,并按7:3的比例分训练组(阳性组64例、阴性组64例)和验证组(阳性组27例、阴性组27例)。对乳腺癌患者的临床、影像及病理资料进行单因素和多因素Logistic回归分析并筛选出与乳腺癌前哨淋巴结转移相关的独立风险因素;基于T2WI、弥散加权成像、动态对比增强提取最佳影像组学特征,分别构建多个单、多序列影像组学标签评分,并结合临床、病理及影像特征独立风险因素建立影像组学联合预测模型。绘制ROC曲线,计算曲线下面积,评价各模型预测乳腺癌前哨淋巴结转移的效能。结果 瘤周水肿(P<0.001)、肿瘤长径(P<0.001)、肿瘤短径(P<0.001)、病理分级(P<0.001)、脉管侵犯(P<0.001)、毛刺征(P=0.006)、弥散加权成像边缘高信号征(P=0.028)及表观弥散系数值(P<0.001)为乳腺癌前哨淋巴结转移的独立临床病理因素。在影像组学标签评分中,T2WI+弥散加权成像+动态对比增强联合序列的影像组学标签评分预测效能最佳,其验证组曲线下面积为0.744,进一步联合临床、病理及影像特征独立风险因素建立的影像组学联合预测模型的预测效能得到进一步提高,其验证组曲线下面积为0.834。结论 基于乳腺MRI的影像组学模型在术前能够有效预测乳腺癌前哨淋巴结的转移。

多模态影像组学列线图术前预测乳腺浸润性导管癌腋窝淋巴结转移的价值

目的探讨多模态影像组学列线图术前预测乳腺浸润性导管癌腋窝淋巴结(axillary lymph node,ALN)转移的价值。材料与方法回顾性分析2019年1月至2023年6月在我院经手术病理证实为乳腺浸润性导管癌的224例患者的临床及影像资料。首先,选取T2WI图像和动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)第二期图像的病灶最大层面及同一病灶的钼靶(mammography,MG)头尾位、内外斜位图像勾画感兴趣区,并且提取病灶感兴趣区特征,按照7∶3比例将样本随机分为训练集156例和测试集68例,通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归进行特征降维筛选,选择5种机器学习分类器[支持向量机(support vector machine,SVM)、K近邻(K nearest neighbors,KNN)、极端梯度提升决策树(extreme gradient boosting,XGBoost)、逻辑回归(logistic regression,LR)、随机森林(randomforest,RF)]构建多模态影像组学模型并选择预测性能最佳分类器建立MRI、MG影像组学模型。通过单-多因素logistic回归筛选临床高危因素构建临床模型。最终选择影像组学评分联合临床高危因素构建影像组学列线图模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线及曲线下面积(area under the curve,AUC)评价模型预测乳腺癌患者ALN状态的性能,利用校准曲线评价模型的拟合能力,决策曲线评估预测模型的临床实用性。结果最终得到14个最佳影像组学特征。在测试集中5种机器学习分类器AUC值范围为0.764~0.864,其中SVM的AUC值最高(0.864)。淋巴结触诊(P<0.001)及MRI_ALN(P=0.005)是评估ALN是否转移的独立危险因素。列线图模型训练集AUC、敏感度、特异度及准确度分别为0.941、90.7%、88.9%、88.5%;测试集分别为0.926、84.4%、86.1%、85.3%。结论列线图模型性能最佳,在术前预测ALN状态具有重要的价值,可以协助临床制订科学有效的诊疗方案。

基于CT影像组学的列线图术前预测胃癌淋巴结转移的价值

目的:探讨CT影像组学列线图术前预测胃癌淋巴结转移的价值。方法:回顾性收集208例经手术病理证实为胃癌患者的临床和影像资料,按7∶3的比例随机分为训练集147例和验证集61例,2个数据集再根据有无淋巴结转移进行分组。分别在CT平扫、动脉期、静脉期、延迟期图像上逐层勾画病灶ROI,经三维融合后导入FAE v.3.7.7z软件提取每个病灶的纹理特征。采用最小冗余最大相关(mRMR)和最小绝对值收缩和选择算子(LASSO)算法分别对上述单一序列及联合序列(平扫+动脉期+静脉期+延迟期)的组学特征进行筛选,建立相应影像组学模型并计算影像组学评分。通过多因素logostic回归分析筛选出独立预测因子,构建临床和影像组学的综合模型,绘制列线图,分析其预测概率。分别采用ROC曲线、Hosmer-Lemeshow检验及决策曲线分析评估模型的预测效能、校准度和临床应用价值。结果:在训练集中CT平扫、动脉期、静脉期、延迟期及联合序列影像组学模型预测胃癌淋巴结转移的AUC分别为0.80、0.76、0.81、0.76、0.79,以静脉期模型预测效能最高。临床模型在训练集和验证集中的AUC分别为0.79和0.81,而综合模型为0.86和0.82,明显优于临床模型,静脉期影像组学评分为独立预测因子(OR=2.45,P<0.05)。决策曲线分析显示,风险阈值为26%~88%时,综合模型的净收益高于临床模型和静脉期影像组学模型。结论:CT报告淋巴结转移、肿瘤厚度、静脉期影像组学评分是胃癌淋巴结转移的独立预测因子,三者联合诊断效能更高;基于静脉期CT增强扫描影像组学特征建立的列线图对胃癌的淋巴结转移有较高的预测效能。

基于术前MRI影像组学及临床特征的卵巢癌淋巴结转移预测模型构建及验证

目的探讨卵巢癌淋巴结转移的危险因素,并构建基于术前MRI影像组学及临床特征的卵巢癌淋巴结转移的列线图。方法选取2018年2月—2021年7月期间于安徽医科大学第一附属医院就诊的225例卵巢癌患者作为研究对象,根据淋巴结转移情况分为淋巴结转移组和无淋巴结转移组。应用Logistic回归分析筛选卵巢癌淋巴结转移的危险因素。利用LIFEx软件提取卵巢癌患者手术前的核磁共振(MRI)影像组学特征,将所选MRI影像组学与其对应非零系数乘积的线性组合确定其MRI影像组学评分。建立MRI影像组学、临床特征模型。通过整合优化的MRI影像组学及临床特征模型,采用R(R4.2.0)软件建立卵巢癌淋巴结转移的列线图,并对模型进行内部验证。结果225例卵巢癌中有95例患者出现淋巴结转移,淋巴结转移的发生率为42.22%(95/225)。Logsitc回归分析结果显示,临床分期、病灶位置、分化程度及糖尿病等是卵巢癌淋巴结转移的危险因素(P<0.05)。结合多因素结果及MRI影像组学参数提取构建了3组预测模型,其中包括临床模型1组,MRI影像组学模型1组,组合模型(临床-MRI影像组学模型)1组,其中临床-MRI影像组学模型的AUC(0.862)最高。构建的临床-MRI影像组学关于卵巢癌淋巴结转移的列线图模型的结果显示,校正曲线显示预测值和实际值具有良好的拟合度,模型的ROC曲线下面积为0.862(95%CI:0.790~0.934),决策曲线显示阈值概率为22%~80%时,列线图预测卵巢癌淋巴结转移的净获益值较高。结论基于术前MRI影像组学及临床特征的卵巢癌淋巴结转移的列线图模型具有较高的准确率和较好的临床应用价值,能够用于术前卵巢癌淋巴结转移的识别。

CT平扫影像组学预测甲状腺乳头状癌中央区隐匿性淋巴结转移的价值

目的:探讨基于CT平扫的影像组学术前预测甲状腺乳头状癌(PTC)中央区隐匿性淋巴结转移(OLNM)的价值。方法:回顾性分析2家医院(中心1和中心2)经病理证实为PTC患者的临床影像资料。中心1纳入394例,以7∶3的比例随机分为训练集276例和内部测试集118例;中心2纳入143例作为外部测试集。从CT平扫图像中提取病灶的影像组学特征,通过降维获得最佳特征,建立5种机器学习分类器。选择内部测试集和外部测试集中平均AUC最高的分类器作为最佳影像组学模型,并将其结果转换为影像组学评分。将单因素分析中P<0.05的临床和常规CT特征纳入多因素logistic回归分析,得到与OLNM相关的危险因素并建立临床模型。基于临床危险因素和影像组学评分构建联合模型,并绘制列线图。采用ROC曲线评价预测模型的性能。结果:从CT平扫图像中获得10个最佳影像组学特征。在内部测试集和外部测试集中,极端梯度提升具有最佳的预测性能(平均AUC为0.782)。进一步将性别、肿瘤最大径与影像组学评分相结合建立联合模型。联合模型在训练集、内部测试集和外部测试集中预测PTC中央区OLNM的AUC分别为0.869、0.823、0.802。结论:基于CT平扫的影像组学特征对PTC中央区OLNM具有较好的预测价值,进一步结合临床特征建立的联合模型能更好地提升性能。

治疗前多参数MRI影像组学特征预测晚期宫颈鳞癌患者新辅助化疗后淋巴结转移

目的基于治疗前多参数磁共振成像(multi-parametric magnetic resonance imaging,mpMRI)影像组学特征,结合临床变量构建模型,预测局部晚期宫颈鳞癌(locally advanced cervical squamous cell carcinoma,LACSCC)患者新辅助化疗(neoadjuvant chemotherapy,NACT)后淋巴结转移状况。材料与方法回顾性分析两个中心2013年1月至2022年2月的265例接受NACT并行根治性子宫切除术的LACSCC患者病例及影像,中心1的数据用于模型训练,中心2的数据用于模型验证。所有患者NACT治疗前行盆腔MRI检查。于矢状位T2加权成像(sagittal T2-weighted imaging,Sag_T2WI)、轴位弥散加权成像(axial diffusion-weighted imaging,Ax_DWI)和延迟期矢状位对比增强T1加权成像(sagittal T1-weighted contrast-enhanced imaging,Sag_T1C)勾画肿瘤感兴趣区(region of interest,ROI)并提取影像组学特征。通过K最佳(K-Best)及最小绝对值收缩与选择算法(least absolute shrinkage and selection operator,LASSO)降维并筛选出与淋巴结转移强相关影像组学特征。基于每个序列筛选后的组学特征构建三个单序列模型,在所有特征间作相关性分析,排除高度相关的组学特征,并对临床变量进行多变量回归分析,融合临床变量及筛选后的影像组学特征构建临床-影像组学的组合模型,比较模型间性能差异。利用受试者工作特征(receiver operating characteristic,ROC)曲线及决策曲线(decision curve analysis,DCA)评估模型的诊断性能及临床效能。结果Sag_T2WI、Ax_DWI、Sag_T1C三个序列分别筛选出6、3、7个与淋巴结转移高度相关的组学特征,其中2个形状特征和10个纹理特征被纳入组合模型。多因素logistic回归分析显示MRI评估的淋巴结状态是淋巴结转移的预测因素(P<0.05)。与单序列模型相比,组合模型具有更好的预测能力,在训练集和验证集的诊断能力最高,ROC曲线下面积、敏感度和特异度分别为0.848[95%(confidence interval,CI):0.785~0.912]、78.2%、74.4%和0.827(95%CI:0.737~0.917)、80.8%、69.4%。DCA显示如果风险阈值超过60%,则用组合模型预测LACSCC患者NACT后淋巴结状态可获得较大的临床效益。结论基于治疗前MRI,联合Sag_T2WI、Ax_DWI、Sag_T1C三个序列的组学特征及临床信息对LACSCC患者NACT后淋巴结转移具有较好的预测效能。

多模态MRI影像组学对非小细胞肺癌纵隔淋巴结转移的预测价值

目的建立基于常规MRI序列的影像组学模型,比较不同模型预测非小细胞肺癌(non-small cell lung cancer,NSCLC)纵隔淋巴结转移的效能。材料与方法回顾性分析2012年10月至2022年5月南通市第一人民医院90例NSCLC患者的术前MRI数据,根据手术病理结果分为淋巴结转移阳性组(52例)和阴性组(38例),采用完全随机法按照7∶3比例将患者分为训练集和测试集,盐城第一人民医院的31例患者数据作为外部验证(阳性9例,阴性22例),放射科医师半自动逐层勾画原发病灶,提取基于T1WI、T2WI、高b值弥散加权成像(diffusion weighted imaging,DWI)、表观扩散系数(apparent diffusion coefficient,ADC)图像的组学特征,由超参数搜索在单因素方差分析、L1正则化、树模型等特征筛选法中选择最佳方法用于降维,分别建立逻辑斯特回归(logistic regression,LR)、高斯朴素贝叶斯(Gaussian naive Bayes,Gaussian NB)、随机森林(random forest,RF)、支持向量机(support vector machine,SVM)、决策树(decision tree,DT)等11种模型,通过受试者工作特征(receiver operating characteristic,ROC)曲线来评估模型的性能。结果在不同序列中DT、LR、SVM模型的预测性能都表现良好,其中基于T2WI图像构建的SVM模型效能最佳,训练集、测试集及外部验证集曲线下面积(area under the curve,AUC)分别达0.98、0.98、0.72,准确度分别为96%、67%、61%、敏感度分别为88%、67%、55%、特异度分别为100%、67%、78%。结论MRI影像组学可帮助识别NSCLC患者纵隔淋巴结是否转移,以基于T2WI的SVM模型表现最优。