基于T1WI增强的影像组学预测脑膜瘤Ki-67指数的研究

目的探讨基于T1WI增强图像的影像组学方法在预测脑膜瘤Ki-67指数中的可行性及价值。资料与方法纳入经术后病理及免疫组化证实的脑膜瘤240例,其中Ki-67指数≤4%120例,Ki-67指数>4%120例,均行MRI检查,将T1WI增强图像导入IBEX影像组学软件,勾画肿瘤感兴趣区,并提取影像组学特征;对特征数据进行降维处理后,分别采用逻辑回归、决策树、支持向量机以及自适应增强4种分类学习器构建预测模型(进行3次不同的随机分组试验);采用受试者工作特征曲线评价模型的预测效能;最后,选择上述4种分类学习器中表现最佳的1种,依次构建影像特征模型、联合模型,并建立Ki-67指数高表达的Nomogram预测模型。结果3次试验分别提取到12、14、12个具有非零系数的影像组学特征,LR模型在4种分类学习器中的预测效能最佳,其训练组与验证组的平均曲线下面积(AUC)分别为0.801(95%CI 0.736~0.866)和0.713(95%CI 0.593~0.832);进一步纳入肿瘤强化均匀度特征参数后获得的联合模型预测效能得到提升,训练组与验证组的AUC分别为0.817(95%CI 0.753~0.881)和0.822(95%CI 0.727~0.916);Nomogram预测模型显示:各危险因素赋分后,总分0~120分,对应的脑膜瘤Ki-67指数高表达风险为0.1~0.9。结论基于T1WI增强图像的影像组学特征结合常规影像特征建立的联合模型对脑膜瘤Ki-67指数表达具有较好的预测效能,而最终构建的Nomogram预测模型能够量化各危险因素,为患者的个体化评估提供直观可靠的参考依据。

基于MRI-T_(1)增强影像组学特征分析预测脑膜瘤p53基因表型

目的:探究基于MRI-T_(1)增强图像影像组学特征分析在预测脑膜瘤p53基因表型中可行性及存在的价值。方法:搜集本院2016年6月-2020年6月经术后病理及免疫组化证实脑膜瘤患者80例(p53基因野生型与突变型各40例)。将所有患者T_(1)增强图像导入基于MATLAB R2014a平台开发IBEX图像处理软件,由两位影像科硕士研究生在上级医师指导下勾画肿瘤感兴趣区(ROI)并提取影像组学特征。对特征数据进行降维处理,再分别采用逻辑回归、决策树、支持向量机以及自适应增强4种分类学习器构建脑膜瘤p53基因表型预测模型,同时使用受试者工作特征曲线(ROC)评价各种模型预测效能。选取上述4种分类学习器中表现最佳的一种,依次构建影像特征模型、联合模型并建立脑膜瘤p53基因突变风险量化评估模型(Nomogram模型)。结果:组间存在5个具有非零系数影像组学特征,4种分类学习器中SVM模型预测效能最佳,其训练集与验证集AUC(area under curve)分别为0.894和0.729;进一步纳入肿瘤强化均匀度、扩散是否受限这两个影像特征后得到联合模型AUC为0.954。Nomogram模型显示脑膜瘤出现扩散受限、强化不均匀表现且Radiomics值越高时患者为p53基因突变型可能性越大。结论:基于MRI-T_(1)增强图像影像组学特征分析结合影像特征建立联合模型对脑膜瘤p53基因表型具有较好预测价值,而最终构建Nomogram预测模型能对脑膜瘤p53基因突变风险进行量化评分的同时也为个体化评估脑膜瘤内生物学特性提供了有用参考依据。