基于18F-FDG PET/CT影像组学的非小细胞肺癌病理亚型分类

目的:旨在建立一种基于18F-FDG PET/CT的临床—影像组学相结合的综合模型用于区分非小细胞肺癌中的腺癌和鳞癌。方法:回顾性收集上海交通大学附属胸科医院120例经病理学验证为腺癌(65例)和鳞癌(55例)的患者,从预处理的CT图像和PET图像中分别提取1218、108个影像组学特征,并纳入10个临床特征因素;卡方检验和Wilcoxon检验用于对临床特征进行筛选,并使用Relief算法和最小绝对收缩和选择算子(LASSO)对影像组学特征进行筛选;通过6种机器学习分类器分别建立临床、影像组学、综合模型。通过受试者工作特征(ROC)曲线及曲线下面积(AUC)来评价模型的分类能力。结果:综合模型在训练集和测试集中均表现出最高的AUC值和准确率,其中随机森林(RF)和Bagging分类器表现出的分类效果最佳。经五折交叉验证后,训练集中RF和Bagging的AUC值和准确率分别为0.92±0.03、0.86±0.06和0.92±0.02、0.83±0.02;测试集中RF和Bagging的AUC值和准确率分别为0.92、0.81和0.91、0.86。结论:结合18F-FDG PET/CT临床特征和影像组学特征的分类预测模型可以很好地区分腺癌、鳞癌。

肺腺癌免疫相关基因预后模型的构建与应用

[目的]基于癌症基因图谱(TCGA)数据库和生物信息学方法构建免疫相关基因的肺腺癌患者预后模型。[方法]基于TCGA和IMMPORT数据库对肺腺癌中免疫相关基因进行LASSO-Cox分析构建模型,使用生存分析、ROC曲线分析和C指数(C-index)分析评估模型的预测性能,并在cBioPortal数据库下载的数据集中完成模型的外部验证。[结果]基于差异分析和LASSO-Cox筛选,一共得到26个预后免疫相关基因。训练集和验证集中的生存曲线都显示所构建的风险模型能够显著区分患者预后,高风险组患者预后更差。ROC曲线显示风险模型在训练集中预测1、3、5年生存率的曲线下面积(AUC)分别为0.752、0.772、0.736,在验证集中预测1、3、5年生存率的曲线下面积(AUC)分别为0.536、0.692、0.705,模型的C指数为0.715,显著高于第8版AJCC分期系统的C指数0.644。[结论]该模型的C指数显著高于第8版AJCC分期的C指数,能够较准确地预测肺腺癌患者的预后,可能是肺腺癌潜在的预后生物标志物。