基于CT影像组学组合模型对高级别浆液性卵巢癌初次肿瘤细胞减灭术预后的评估价值

目的探讨CT影像组学特征结合临床风险因素建立的组合模型对高级别浆液性卵巢癌(HGSOC)患者初次肿瘤细胞减灭术(PDS)预后的评估价值。方法回顾性队列研究。纳入山西医科大学附属肿瘤医院2014年10月—2022年5月确诊HGSOC并行PDS治疗的患者170例,年龄26~79(55.5±9.7)岁。采用随机抽样法将170例患者以7∶3的比例随机分为训练组(118例)和验证组(52例)。应用阈值方差法、K最佳选择法,以及最小绝对收缩和选择算法,筛选出与预后相关的CT影像组学特征,构建影像组学模型;通过单因素和多因素logistic回归分析筛选出HGSOC预后相关的临床风险因素,构建临床模型;将筛选出的CT影像组学特征联合临床风险因素结合梯度提升机器学习方法建立组合模型。在训练集和验证集中,通过受试者操作特征曲线下面积(AUC)和决策曲线分析评估3种模型对患者预后的预测效能。结果训练组与验证组患者的临床资料比较,除PDS后疾病残留状态外,其他临床指标差异均无统计学意义(P值均>0.05)。2组内的生存与死亡患者比较:年龄、甲胎蛋白水平、癌胚抗原水平、糖类抗原199水平差异均无统计学意义(P值均>0.05),人附睾蛋白4水平、国际妇产科学联合会(FIGO)分期、PDS后疾病残留状态差异均有统计学意义(P值均<0.05),糖类抗原125水平、淋巴结转移状态在验证组中差异均有统计学意义(P值均<0.05)、在训练组中差异均无统计学意义(P值均>0.05)。用筛选出的6个CT影像组学特征构建影像组学模型,影像组学模型预测HGSOC患者PDS术后预后的AUC在训练组和验证组分别为0.93(95%CI:0.90~0.96)和0.81(95%CI:0.54~0.72);用筛选出的3个临床风险因素(HE4、PDS后疾病残留状态和FIGO分期)构建临床模型,临床模型在训练组和验证组预测预后的AUC分别为0.98(95%CI:0.97~0.99)和0.89(95%CI:0.86~0.97);联合CT影像组学特征和临床风险因素构建的组合模型在训练和验证组预测预后的AUC分别为0.99(95%CI:0.98~1.00)和0.95(95%CI:0.83~0.98)。3种模型中,组合模型对训练组和验证组患者的预后预测具有较高的一致性,其决策收益率大于影像组学模型和临床模型。结论相比于临床模型和CT影像组学模型,CT影像组学特征与临床风险因素结合建立的组合模型对HGSOC患者PDS后的预后预测效能更好。

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CT影像组学构建模型在浸润性肺腺癌术前预测组织学分级中的应用价值

目的探讨基于增强CT图像构建影像组学模型及其与相关临床病理特征构建的融合模型在浸润性肺腺癌术前预测组织学分级中的应用价值。方法回顾性队列研究。纳入2017年1月—2019年12月山西省肿瘤医院经手术病理确诊且组织学分级明确的313例浸润性肺腺癌患者,其中男175例、女138例,年龄35~81(60.1±8.3)岁。组织学分级:高级别(G3级)85例,低级别(G1、G2级)228例。313例患者术前均行胸部增强CT检查。患者按照7∶3的比例随机分为训练组219例(高级别59例、低级别160例)和验证组94例(高级别26例、低级别68例)。基于每位患者的术前增强CT图像各提取1316个影像组学特征;训练组采用最大相关最小冗余、最小绝对收缩与选择算子算法和多因素logistic回归分析进行特征筛选及影像组学模型的构建。用单因素和多因素logistic回归分析从临床病理特征中筛选高级别浸润性肺腺癌的独立危险因素,联合影像组学模型建立融合模型,并绘制列线图。使用受试者操作特征曲线(ROC曲线)、校准曲线和决策曲线评估影像组学模型和融合模型对术前浸润性肺癌组织分级的预测效能及临床效益。结果训练组与验证组患者的临床病理特征比较,差异均无统计学意义(P值均>0.05)。训练组和验证组内的高级别与低级别患者比较,吸烟史、肿瘤实性程度、肿瘤最大径、血清癌胚抗原和细胞角蛋白19片段水平的差异均有统计学意义(P值均<0.05),年龄、毛刺征、分叶、胸膜牵拉的差异均无统计学意义(P值均>0.05);此外,验证组的低级别与高级别患者性别分布比较,差异有统计学意义(χ^(2)=4.70,P=0.030)。特征降维后得到5个影像组学特征用于构建影像组学模型,影像组学模型在训练组和验证组ROC曲线的曲线下面积(AUC)分别为0.852(95%CI:0.734~0.882、0.837(95%CI:0.733~0.863)。单因素和多因素logistic回归分析筛选出高级别浸润性肺腺癌的独立危险因素有吸烟史、肿瘤实性程度、肿瘤最大径、血清癌胚抗原和细胞角蛋白19片段水平,其与影像组学模型共同构建的融合模型在训练组和验证组ROC曲线的AUC分别为0.888(95%CI:0.721~0.894)、0.876(95%CI:0.707~0.852)。校准曲线分析显示,影像组学模型和融合模型均有良好的校准性能。决策曲线分析显示,2种预测模型均有一定的临床效益,其中融合模型净收益值更大。结论基于术前增强CT图像构建的影像组学模型及其与高级别浸润性肺腺癌的独立危险因素结合建立的融合模型,对于浸润性肺腺癌的组织学分级均有良好的术前预测价值,并且后者的预测效能相对更高。

基于多模态MRI的影像组学与临床危险因素联合模型对膀胱癌病理学分级的术前预测价值

目的探讨基于多模态MRI的影像组学特征和临床危险因素构建的联合预测模型,对膀胱癌术前病理组织学分级的预测价值。方法回顾性队列研究。纳入山西省肿瘤医院2013年5月—2022年7月135例膀胱癌患者术前2周的MRI资料和临床病理资料,其中男116例、女19例,年龄34~92(67.0±10.5)岁。采用随机抽样法,按照7∶3的比例将患者分为训练集(94例)和验证集(41例)。在T_(2)加权像(T_(2)WI)、弥散加权成像(DWI)、表观弥散系数(ADC)图、增强T_(1)加权图像(T_(1)WI)中,用ITK-SNAP软件沿着膀胱癌原发灶边缘逐层手动分割、勾画感兴趣区(ROI);使用开源Pyradiomics提取影像组学特征;通过Mann-WhitneyU检验、Pearson相关系数和LASSO回归等方法,对膀胱癌原发灶的影像组学特征进行筛选并构建影像组学预测模型。采用单因素和多因素logistic回归分析筛选膀胱癌病理组织学分级的临床危险因素构建临床预测模型;将最优影像组学标签与临床危险因素结合,构建联合预测模型。使用受试者工作特征(ROC)曲线和校准曲线、决策曲线分析(DCA)评估预测模型表观性能和临床实用性。结果从T_(2)WI、DWI、ADC、增强T_(1)WI序列中各提取1574个影像组学特征,4个序列联合的多模态MRI序列共提取6296个特征,并分别筛选出19、7、8、14、31个与膀胱癌病理分级相关的特征,构建了T_(2)WI、DWI、ADC、增强T_(1)WI序列以及4个序列联合的多模态MRI影像组学预测模型。在训练集及验证集中,上述5个序列影像组学预测模型的曲线下面积(AUC)值依次为0.923、0.823,0.770、0.797,0.781、0.812,0.870、0.617,0.971、0.912。通过单因素和多因素logistic回归分析筛选出临床危险因素为临床T分期,并构建了临床预测模型,其在训练集和验证集中AUC值分别为0.726、0.755;联合预测模型在训练集和验证集中的AUC值分别为0.974及0.980。DCA显示联合预测模型的预测效能高于影像组学预测模型及临床预测模型,使用列线图能够可视化该联合预测模型。校准曲线也表明,这种联合预测模型在训练集和验证集中具有良好的预测价值。结论由术前多模态MRI的影像组学特征和临床危险因素结合而构建的联合预测模型,可进一步提高对膀胱癌患者术前病理学分级的预测效能,且具有无创的优势,可为膀胱癌患者治疗策略的制订提供指导。