基于术前脾脏CT影像组学列线图预测胃癌的浆膜浸润

目的：联合临床检验指标及影像学特征构建一种能够术前识别胃癌浆膜浸润的模型。方法：选取2015年1月至2019年12月温州医科大学附属第一医院经病理证实的656例胃癌患者,采用随机数字表法分为建模组（394例）和验证组（262例）。收集建模组患者的脾脏影像学资料,对收集的数据进行套索回归并选取差异有统计学意义的特征来构建浆膜浸润预测模型。在最大约登指数下取肿瘤浸润风险评分截断值将患者分为高危组（238例）和低危组（418例）,然后与其他浸润相关因素如BMI、年龄、性别、高血压、糖尿病等进行单变量和多变量Logistic回归分析,结合显著的独立影响因素共同建立可视化的浆膜浸润预测列线图。结果：将患者以肿瘤浸润评分≤-0.335分为低危组,＞-0.335为高危组,经验证组验证,建模组和验证组的诊断准确性较为一致（P＜0.001）。经浸润影响因素的单变量和多变量Logistic回归分析发现,影像组学肿瘤浸润评分（OR=2.9,95%CI=2.1～4.2,P＜0.001）、术前低白蛋白（OR=1.3,95%CI=1.2～3.1,P=0.003）、血小板与淋巴细胞比值（OR=1.8,95%CI=1.2～2.7,P=0.004）、肿瘤分化程度（OR=2.6,95%CI= 1.8～3.7,P＜0.001）是浆膜浸润的独立影响因素。基于这4个指标建立的预测模型能够较为准确地预测浆膜浸润风险,其AUC值为0.733。结论：基于脾脏影像的肿瘤浸润评分联合其他临床因素可准确预测胃癌浆膜浸润与否,提高诊断精度。     

Synthetic MRI improves radiomics-based glioblastoma survival prediction

Glioblastoma is an aggressive and fast-growing brain tumor with poor prognosis. Predicting the expected survival of patients with glioblastoma is a key task for efficient treatment and surgery planning. Survival predictions could be enhanced by means of a radiomic system. However, these systems demand high numbers of multicontrast images, the acquisitions of which are time consuming, giving rise to patient discomfort and low healthcare system efficiency. Synthetic MRI could favor deployment of radiomic systems in the clinic by allowing practitioners not only to reduce acquisition time, but also to retrospectively complete databases or to replace artifacted images. In this work we analyze the replacement of an actually acquired MR weighted image by a synthesized version to predict survival of glioblastoma patients with a radiomic system. Each synthesized version was realistically generated from two acquired images with a deep learning synthetic MRI approach based on a convolutional neural network. Specifically, two weighted images were considered for the replacement one at a time, a T2w and a FLAIR, which were synthesized from the pairs T1w and FLAIR, and T1w and T2w, respectively. Furthermore, a radiomic system for survival prediction, which can classify patients into two groups (survival >480 days and $\le$ 480 days), was built. Results show that the radiomic system fed with the synthesized image achieves similar performance compared with using the acquired one, and better performance than a model that does not include this image. Hence, our results confirm that synthetic MRI does add to glioblastoma survival prediction within a radiomics-based approach.     

基于术前MRI影像组学特征预测肝癌经肝动脉化疗栓塞治疗的反应性

目的 探索术前MRI影像组学特征预测肝细胞癌（hepatocellular carcinoma,HCC）对经肝动脉化疗栓塞（transcatheter arterial chemoembolization,TACE）治疗反应性的可行性。方法 回顾性收集2016年3月至2018年4月经临床或病理确诊、并在温州医科大学附属第五医院接受TACE治疗的中晚期HCC患者86例,采用随机数字表法分为训练组（n=59）及验证组（n=27）,基于ITK-SNAP软件在术前T2WI图像勾画肿瘤感兴趣区,使用GE AI-Kit软件提取影像特征;经最小绝对收缩与选择算子（LASSO）回归筛选最优的特征子集,并构建TACE反应性预测模型;利用受试者工作特征（ROC）曲线、校准曲线及决策曲线分析评价模型的诊断效能和临床应用价值。结果 共筛选出8个影像学特征与TACE反应性相关,并成功构建预测模型。训练组中,该模型的ROC曲线下面积（AUC）为0.838（95%CI 0.737～0.939）,灵敏度为74.1%,特异度为84.4%;在验证组中,AUC为0.794（95%CI 0.604～0.985）,灵敏度为75.0%,特异度为80.0%。校准曲线显示该模型在训练组和验证组的预测概率与实际概率拟合较好;决策曲线分析显示该模型在0.1～1.0的阈值范围内具有较高的净收益。结论 术前MRI T2WI图像影像组学特征可用于预测HCC的TACE 反应性,基于MRI T2WI图像影像特征的预测模型特异度和灵敏度较高。     

基于CT影像组学模型鉴别诊断小细胞肺癌与非小细胞肺癌

目的观察基于CT影像组学模型鉴别诊断小细胞肺癌(SCLC)与非小细胞肺癌(NSCLC)的效能。方法回顾性分析1 524例经手术病理确诊的肺癌患者,其中526例SCLC (SCLC组), 998例NSCLC(NSCLC组)。采用特征提取软件MaZda(Version 4.6)提取CT图像中病灶最大层面的纹理特征参数,以Correlation相关性分析和最小绝对收缩和选择算子(LASSO)算法对数据进行降维,筛选组间差异明显的影像组学特征,构建影像组学模型。以7∶3比例将全部患者分为训练集和验证集,采用7种机器学习模型,包括Logistic回归、随机森林(RF)、贝叶斯算法(NB)、决策树(DT)、卷积神经网络(CNN)、邻近算法(KNN)和支持向量机(SVM)模型对数据集进行处理,根据其在验证集的准确率选择最佳分类器模型,采用受试者工作特征(ROC)曲线分析该分类器模型对SCLC与NSCLC的鉴别诊断效能。结果针对每个病灶提取306个纹理特征参数,最终筛选出20个组间差异明显的影像组学特征,并以之构建预测模型。模型训练结果显示,KNN模型鉴别诊断SCLC与NSCLC的准确率最高,其在训练集的AUC为0.88、准确率81.34%、特异度97.00%、敏感度51.63%,在验证集的AUC为0.82、准确率78.82%、特异度95.00%、敏感度48.10%。结论基于CT影像组学结合机器学习算法建立的诊断模型可用于鉴别SCLC与NSCLC,以KNN模型的效能更优。     

基于CT影像组学模型鉴别腺性膀胱炎与膀胱癌

目的探讨基于CT的影像组学模型对腺性膀胱炎(CG)与膀胱癌的鉴别诊断效能。方法回顾性分析经病理证实的40例CG (CG组)和70例膀胱癌(膀胱癌组),均于术前接受盆腔平扫和三期增强CT扫描。分别在平扫、动脉期、静脉期及延迟期CT图像上勾画三维容积感兴趣区(VOI),提取影像组学特征。将按7∶3随机将患者分入训练集与测试集。对各期CT影像组学特征数据行归一化处理,以最小冗余最大相关法(mRMR)、最小绝对收缩和选择算法(LASSO)及5折交叉验证进行特征降维;采用多因素Logistic回归分析建立影像组学模型。以受试者工作特征(ROC)曲线评价各模型的诊断效能,采用Delong检验评价其效能差异,以决策曲线分析评估模型临床应用价值。采用Hosmer-Lemeshow检验和校正曲线评估模型拟合度。结果分别基于平扫、动脉期、静脉期、延迟期影像组学特征建立了模型1、2、3、4,各纳入4、7、5及6个特征;其鉴别诊断CG与膀胱癌的曲线下面积(AUC)均0.80,且Delong检验表明不同模型间AUC值差异无统计学意义(P均0.05)。模型2在测试组的AUC=0.939,高于其他模型。决策曲线分析表明,模型2用于临床鉴别CG与膀胱癌的净获益最高,Hosmer Lemeshow拟合优度检验显示模型2预测结果与实际结果差异无统计学意义(训练集:χ~2=8.75,P=0.36;测试集:χ~2=4.72,P=0.79);校正曲线显示模型2的拟合效果较好。结论基于各时相盆腔CT影像组学模型均可用于辅助临床鉴别诊断CG与膀胱癌,其中基于动脉期影像组学模型的诊断效能最高。     

基于影像组学分类器术前预测直肠非黏液性腺癌淋巴结转移

目的：探讨影像组学方法在术前预测直肠非黏液性腺癌淋巴结转移中的价值。方法：回顾性分析91例手术病理切片证实为直肠非黏液性腺癌患者的影像学资料,其中61例为训练样本,30例为验证样本。基于全瘤体积,从每个原发病灶术前高分辨T2加权成像(T2-weighted imaging,T2WI)图像中提取影像组学特征1 301个。基于训练样本,利用最小绝对收缩和选择算子(the least absolute shrinkage and selection operator,LASSO)逻辑回归方法筛选关键特征并构建影像组学分类器。采用受试者工作特征(receiver operating characteristic,ROC)曲线评价影像组学分类器的辨别效能,并将其与形态学标准进行比较。在验证样本中验证影像组学分类器的价值。结果：由5个影像组学特征构建的分类器与淋巴结转移状态有关(P<0.001)。在训练样本和验证样本中,影像组学分类器诊断淋巴结转移的曲线下面积分别为0.874(95% CI：0.787~0.960)和0.878(95% CI：0.727~1.000),形态学标准诊断淋巴结转移的曲线下面积分别为0.619(95% CI：0.487~0.752)和0.556(95% CI：0.355~0.756)。无论是训练样本还是验证样本,影像组学分类器的诊断效能均高于形态学标准(均P<0.05)。结论：影像组学分类器可术前个体化预测直肠非黏液性腺癌淋巴结转移,而且其诊断效能高于形态学标准。     

影像组学及其在肝癌中的进展

肝癌(hepatocellular carcinoma,HCC)是全球癌症相关死亡的第二大原因,因此早期发现和治疗反应的预测对HCC患者有很大益处。 目前,穿刺活检和常规医学成像在HCC患者的管理中发挥重要且基础的作用,而这两种方法分别存在样本误差和操作者依赖性的不足。 影像组学是一种新兴的非侵入性技术,可以突破时空限制来获取肿瘤的综合信息,用以反映肿瘤的情况,从而弥补上述方法的不足。影像组学的基本步骤包括图像的获取,感兴趣区的划分与重建,特征的提取、划分与分类,模型的建立与效能评价。影像组学在HCC的诊断、治疗和评价方面取得了一定的进展,具有应用前景。     

Radiomics in Antineoplastic Agents Development: Application and Challenge in Response Evaluation

The recent spring up of the antineoplastic agents and the prolonged survival bring both challenge and chance to radiological practice. Radiological methods including CT, MRI and PET play an increasingly important role in evaluating the efficacy of these antineoplastic drugs. However, different antineoplastic agents potentially induce different radiological signs, making it a challenge for radiological response evaluation, which depends mainly on one-sided morphological response evaluation criteria in solid tumors (RECIST) in the status quo of clinical practice. This brings opportunities for the development of radiomics, which is promising to serve as a surrogate for response evaluations of anti-tumor treatments. In this article, we introduce the basic concepts of radiomics, review the state-of-art radiomics researches with highlights of radiomics application in predictions of molecular biomarkers, treatment response, and prognosis. We also provide in-depth analyses on major obstacles and future direction of this new technique in clinical investigations on new antineoplastic agents.     

基于增强CT影像组学模型术前预测胰腺神经内分泌肿瘤病理分级

目的观察基于CT影像组学模型术前预测胰腺神经内分泌肿瘤(PNET)病理分级(G1和G2/3级)的价值。方法回顾性分析145例经病理证实的PNET,分为训练组91例、验证组54例,2组各自来源于同一医疗机构。基于训练组动脉期和门脉期CT图像提取PNET影像组学特征,以Pearson相关分析及ReliefF算法进行筛选;采用Logistic回归,针对差异有统计学意义的参数构建预测PNET病理分级的联合影像组学模型,绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),以敏感度、特异度及准确率评估其诊断效能,并以验证组加以验证。结果基于训练组动脉期与门脉期CT图像构建的联合影像组学模型具有良好预测效能,AUC为0.86[95%CI(0.78,0.94)],截断值为0.63时,敏感度为78.95%,特异度为85.29%,准确率为81.32%。验证组预测PNET病理分级AUC为0.85[95%CI(0.75,0.95)],截断值为0.63时,敏感度为84.61%,特异度为75.00%,准确率为79.63%。结论基于增强CT图像构建的影像组学模型对于术前预测PNET病理分级具有一定价值。     

基于T2WI影像组学模型产前预测胎盘植入性病变

目的 评估基于MR T2WI影像组学模型产前预测胎盘植入性病变（PAS）的价值。方法 回顾性分析241例孕妇及胎儿MRI,其中116例PAS、125例无PAS。按7：3比例将其分为训练集（n=168）和验证集（n=73）,于训练集提取并筛选半傅立叶采集单次激发快速自旋回波（HASTE）及真实稳态进动快速成像（TrueFISP）序列图像的影像组学特征,构建预测PAS的影像组学模型,并以回归分析方法构建临床模型、影像组学模型及临床-影像组学模型。采用校准曲线和受试者工作特征（ROC）曲线分析模型的效能,以决策曲线分析（DCA）评估其临床实用性。结果 对各序列图像分别提取1 130个影像组学特征,经LASSO回归等处理后,各筛选出9个影像组学特征,用于构建预测PAS的HASTE及TrueFISP影像组学模型。ROC曲线显示,临床模型、HASTE影像组学模型及TrueFISP影像组学模型在验证集中诊断PAS的曲线下面积（AUC）分别为0.882、0.968和0.930（P均>0.05）;HASTE联合TrueFISP影像组学模型的AUC为0.990,高于临床（Z=-2.36,P=0.02）、HASTE影像组学（Z=-2.48,P=0.02）及TrueFISP影像组学模型（Z=-2.43,P=0.02）;临床-HASTE-TrueFISP影像组学模型的AUC为0.995,与HASTE联合TrueFISP影像组学模型差异无统计学意义（Z=-0.85,P=0.40）,高于HASTE或TrueFISP影像组学模型（Z=-2.64、-2.47,P均<0.05）。临床模型之外,各模型在验证集数据中的校准度均较好;阈值取0~0.6时,其在验证集的临床净获益均大于临床模型。结论 基于产前HASTE及TrueFISP序列图像的联合影像组学模型有助于准确预测PAS。