基于增强MRI多期图像的影像组学联合模型预测肝细胞癌患者Ki-67表达水平

目的:探索基于增强MRI多期图像的影像组学技术,结合临床资料及影像特征构建预测肝细胞肝癌(HCC)患者Ki-67表达水平模型的价值。方法:回顾性分析2016年1月至2023年9月在温州医科大学附属第五医院治疗的215例HCC患者资料,其中男180例,女35例,年龄(59.7±10.6)岁。依据术后免疫组化Ki-67染色结果,分为低表达组(n=89)和高表达组(n=126)。215例患者按7:3随机分为训练集(低表达组63例,高表达组87例)和测试集(低表达组26例,高表达组39例)。基于术前MRI多期增强扫描,在Radcloud平台上分别从A(动脉期)、V(门静脉期)、D(延迟期)、A+V、A+D、V+D、A+V+D中提取影像组学特征,使用方差阈值方法、SelectKBest和最小绝对收缩和选择算子对影像组学特征进行筛选,分别筛选出7、13、9、11、12、10、15个强相关的影像组学特征,最后使用支持向量机分类器分别构建相应的7种影像组学预测模型。将临床和影像高危因素进行Logistic回归分析,构建临床预测模型。将影像组学预测效能最佳的模型结合临床和影像高危因素构建联合预测模型,评估联合模型的预测效能。分别比较各模型在训练集和验证集上的灵敏度、特异度、ROC曲线的AUC,评估纹理特征分类方法预测Ki-67表达状态效能。结果:A、V、D、A+V、A+D、V+D和A+V+D 7种影像组学模型中,A+D的模型预测效能最佳,训练集和测试集中的AUC分别为0.827,0.809。Ki-67高表达组的肝硬化、AFP≥200 ng/mL、肿瘤边界不清和动脉期不均匀强化方式比例高于Ki-67低表达组,ADC值和假包膜完整比例低于Ki-67低表达组,差异均有统计学意义(P<0.05)。多因素Logistic回归分析发现ADC值(OR=0.281,P=0.038)、肝硬化(OR=2.256,P=0.032)、肿瘤假包膜(OR=0.183,P<0.001)为Ki-67高表达的独立预测因子(P<0.05),以上述危险因素构建临床模型,在训练集和测试集中的AUC分别为0.764、0.744。联合预测模型在训练集和测试集中的AUC分别为0.890、0.821。结论:基于术前增强MRI纹理分析的A+D模型在预测HCC患者Ki-67表达状态方面具有高度的应用价值。结合临床资料的联合模型显示出良好的效能,可作为一种临床术前无创性预测HCC Ki-67表达状态的可靠方法。

基于多参数MRI的影像组学融合模型鉴别Luminal型与非Luminal型乳腺癌的应用价值

目的:探讨基于多参数MRI的影像组学融合模型在术前鉴别Luminal型与非Luminal型乳腺癌的价值。方法:回顾性收集2017年5月至2023年6月在温州医科大学附属第五医院(中心1)及2020年1月至2023年4月在丽水市人民医院(中心2)经病理证实的乳腺癌患者的临床病理及MRI资料。中心1纳入458例患者,以7:3的比例随机分为训练集(319例)和内部测试集(139例);中心2纳入215例患者作为外部测试集。所有患者在术前均行多参数乳腺MRI检查,且术后接受免疫组化分析确定其分子亚型。在Radcloud平台上提取T2WI、表观弥散系数、动态增强MRI序列中病灶的影像组学特征,通过降维获得最佳特征并建立6种机器学习分类器。选择测试集中AUC最高的分类器作为最佳影像组学模型,并将其结果输出为影像组学评分(Rad-score)。使用多因素Logistic回归分析筛选出独立危险因素,并建立临床模型。进一步基于Rad-score和临床危险因素建立融合模型,并绘制列线图。结果:通过降维得到19个最佳影像组学特征。在内部测试集和外部测试集中,6种机器学习分类器AUC分别为0.696~0.857、0.677~0.782,其中随机森林在内部测试集和外部测试集中具有最高的AUC(分别为0.857和0.782)。肿瘤最大径大和毛刺征是鉴别Luminal型和非Luminal型乳腺癌的危险因素,进一步结合Rad-score建立列线图模型。结果显示,该列线图具有较高的预测性能,在训练集、内部测试集及外部测试集中的AUC分别为0.941、0.877和0.811。结论:基于多参数MRI的影像组学融合模型可在术前有效鉴别Luminal型与非Luminal型乳腺癌。

双能量CT预测下咽鳞状细胞癌隐匿性淋巴结转移

目的:探讨双能量CT在预测下咽鳞状细胞癌(HPSCC)隐匿性淋巴结转移(OLNM)中的应用价值。方法:回顾性收集2019年1月至2023年4月期间在温州医科大学附属第五医院经病理证实的c N0期HPSCC患者89例,根据颈淋巴结清扫结果,分为有OLNM组和无OLNM组。在动、静脉双能量CT图像上测量病灶在40、50、60、70 ke V时的CT值(表示为CT_(40ke V)、CT_(50ke V)、CT_(60ke V)、CT_(70ke V))、碘浓度(IC)、有效原子序数(Zeff),并计算标准化碘浓度(NIC)及能谱曲线斜率(λ_(Hu));同时收集临床病理资料。使用最小绝对值收敛和选择算子(LASSO)回归筛选c N0期HPSCC患者OLNM的潜在影响因素,随后代入多因素Logistic回归分析中分别建立临床模型、双能量CT模型和联合模型,并绘制列线图。根据ROC曲线的AUC、灵敏度、特异度和准确度评价预测模型的性能。结果:分化程度和浸润深度在两组之间差异有统计学意义(均P<0.05)。OLNM组动脉期CT_(40ke V)、CT_(50ke V)、CT_(60ke V)、IC、NIC、Zeff和λ_(Hu)均高于无OLNM组(均P<0.05)。经LASSO筛选获得6个潜在影响因素,包括分化程度、浸润深度、CT_(40ke V)、NIC、Zeff、λ_(Hu)。ROC曲线分析显示,临床模型的AUC、敏感度、特异度和准确度分别为0.733、87.88%、46.43%、56.27%;双能量CT模型的AUC、敏感度、特异度和准确度分别为0.816、81.82%、73.21%、76.18%;列线图的AUC、敏感度、特异度和准确度分别为0.891、81.82%、82.14%、82.02%。结论:双能量CT动脉期多个参数对HPSCC患者OLNM均有一定的预测价值,进一步结合临床病理特征建立的列线图模型具有更高的诊断性能。