MR放射组学预测直肠腺癌患者神经周围侵犯的研究

【摘要】目的：探讨MR放射组学预测直肠腺癌患者神经周围侵犯（PNI）的价值。方法：将2016年12月-2019年7月经本院全直肠系膜切除术术后病理证实为直肠腺癌的110例患者纳入本研究,所有患者均行高分辨率直肠MR扫描,在直肠病灶高分辨率横轴面T2WI上勾画病灶,运用AK软件提取396放射组学特征,患者按13：7的比例分为训练集（72例）和验证集（38例）,以术后病理为金标准,采用最大相关最小冗余的方式对组学特征进行初步筛选,保留10个有最大预测效能的特征,然后进行LASSO回归分析,构建影像组学模型。采用ROC曲线分析评估模型预测PNI的效能,决策曲线分析法评估模型的临床价值。结果：训练集72例,验证集38例,两组年龄（65.6±9.7岁 vs 64.4±9.8岁,t=0.363,P=0.719）、性别（男∶女为50∶22 vs 26∶12,χ2=0.012,P=0.912）、CEA［2.86（1.49,4.84）ng/mL vs 3.20（2.14,6.37）ng/mL,Z=-0.0990,P=0.322］差异无统计学意义。术后病理提示有PNI的患者24例,无PNI的患者86例,PNI组和无PNI组年龄（63.9±12.1岁 vs 64.9±9.0岁,t=0.423,P=0.673）、性别（男∶女,57∶27 vs 9∶7,χ2=0.253,P=0.615）、CEA［3.20（1.94,4.88）ng/mL vs 2.90（1.68,6.12）ng/mL,Z=-0.004,P=0.997］差异无统计学意义,训练集中最终选取了9个MR放射组学参数,根据公式计算Radscore,构建出最佳预测模型,OR值为5.54,P＜0.05,训练集曲线下面积约0.79,验证集曲线下面积约0.76。决策曲线显示阈值在0.2~1较大的范围内,该模型净受益率比简单模型高。结论：采用MR放射组学构建的模型可较好预测直肠腺癌神经周围侵犯。     

基于全肿瘤区域MRI纹理分析鉴别肺癌脑转移瘤病理类型的研究

目的:探讨MRI增强T 1加权成像(CE-T 1WI)、液体衰减反转恢复序列(FLAIR)及表观扩散系数(ADC)纹理特征在肺腺癌及非腺癌脑转移瘤中的鉴别价值。方法:回顾分析经手术病理或影像随诊证实的脑转移瘤病灶127个,其中腺癌68个,非腺癌59个(鳞癌21个,小细胞肺癌38个)。利用ITK-SNAP 3.8.0软件分别在磁共振成像CE-T 1WI、FLAIR及ADC图上绘制肿瘤全体积的兴趣区(3D ROI),使用人工智能工具包(A.K)分析提取出纹理特征,共394个纹理特征。采用多因素logistic回归分析确定可以作为病理分型的最佳预测因素,并构建基于纹理分析的预测模型,采用受试者操作特征曲线(ROC)评价其诊断效能。结果:基于ADC图、CE-T 1WI及FLAIR的纹理分析模型用于鉴别腺癌与非腺癌脑转移瘤的ROC曲线下面积(AUC)分别为0.87、0.81及0.64,联合三种序列构建预测模型的AUC值为0.89。结论:基于脑转移瘤的ADC图、CE-T 1WI及FLAIR的纹理分析模型有助于鉴别肺部原发病灶病理类型(腺癌与非腺癌),三种序列联合分类预测模型诊断效能最佳。     

基于乳腺X线影像组学对类圆形肿块良恶性的预测价值

目的 探讨基于乳腺X线成像的影像组学特征在预测不伴有明显恶性或良性钙化特征的类圆形肿块良恶性中的应用价值.方法 回顾性分析2017年1月至2020年12月复旦大学附属闵行医院经手术病理证实的类圆形肿块129例患者资料.在良性组、恶性组中分别按照7∶3的比例随机选取训练集与验证集.应用ITK-SNAP软件手动勾画乳腺X线...     

基于临床病理及常规和功能MRI影像组学模型预测乳腺癌腋窝淋巴结转移

目的 评估基于临床病理及常规和功能MRI（fMRI）影像组学模型预测乳腺癌腋窝淋巴结（ALN）转移的价值。方法 回顾性分析140例浸润性乳腺癌,按7∶3比例将其分为训练集（n=99）和验证集（n=41）。采用多因素Logistic回归分析分别建立基于临床病理及MRI特征的临床模型及各序列图像影像组学、联合序列影像组学以及临床病理及常规和fMRI影像组学的个体化模型,以受试者工作特征（ROC）曲线评价其诊断效能;比较个体化模型与临床模型曲线下面积（AUC）的差异,应用决策曲线分析（DCA）评估模型的临床获益。结果 临床模型预测训练集和验证集ALN转移的AUC分别为0.95和0.88;T2WI、DWI、DCE-MRI模型及联合序列模型在验证集中的AUC分别为0.67、0.71、0.72及0.76。个体化模型在训练集和验证集中的AUC为0.98和0.93,与临床模型差异均无统计学意义（Z=1.56、1.34,P=0.12、0.18）。DCA结果显示阈值>0.25时,个体化模型的净受益高于临床模型。结论 基于临床病理及常规和功能MRI的个体化模型预测乳腺癌ALN转移的效能与临床模型相当,其净受益高于后者,且均优于单一序列模型。     

CT影像组学模型鉴别诊断肺淋巴瘤与肺浸润性黏液腺癌

目的观察CT影像组学模型鉴别诊断肺淋巴瘤与肺浸润性黏液腺癌(PIMA)的价值。方法回顾性分析经病理证实的34例肺淋巴瘤(淋巴瘤组)及64例PIMA患者(PIMA组),按7∶3比例将其随机分入训练集和验证集。于胸部CT纵隔窗图像上沿病灶边缘手动勾画三维容积感兴趣区(VOI),提取影像组学特征参数。以最小冗余最大相关、LASSO十折交叉验证进行特征降维,以多因素Logistic回归分别构建影像组学标签、影像学特征模型及二者融合的个体化预测模型(以列线图表示)。采用受试者工作特征(ROC)曲线评价各模型对肺淋巴瘤与PIMA的鉴别效能,以决策曲线分析(DCA)综合评价模型的临床效用价值。结果共获得15个影像组学参数用于构建影像组学标签;ROC曲线结果显示其鉴别训练集肺淋巴瘤与PIMA的AUC=0.84,验证集AUC=0.77。以空气支气管征、支气管扩张及胸腔积液构建影像学特征模型,训练集AUC=0.85,验证集AUC=0.81;融合列线图对训练集AUC=0.95,验证集AUC=0.92;列线图具有更高的临床效用价值。结论基于CT征象、影像组学标签构建的个体化预测模型可有效鉴别肺淋巴瘤与PIMA。     

基于T2WI和增强MRI影像组学列线图预测宫颈鳞癌淋巴脉管间隙浸润

目的:探讨基于T₂WI和增强MRI影像组学列线图对宫颈鳞癌淋巴脉管间隙浸润(LVSI)的预测价值。方法:将92例经术后病理证实的宫颈鳞癌患者纳入研究,并按7:3的比例随机分为训练集(66例)和验证集(26例)。所有患者术前行MRI检查,在横轴面T₂WI和对比增强T₁WI(T1CE)上选取病灶最大层面沿肿瘤边缘勾画ROI,应用AK软件提取影像组学特征。采用mRMR和LASSO回归分析对提取的纹理特征进行初步筛选,然后进行多因素logistic回归分析,构建影像组学模型。使用单因素logistic回归分析筛选临床病理危险因素,并使用多因素logistic回归结合影像组学评分(Radscore)构建影像组学列线图。应用ROC曲线评估影像组学模型、临床病理危险因素模型和影像组学列线图模型的预测能力,并应用决策曲线分析评估影像组学列线图的临床应用价值。结果:在T₂WI和T1CE图像上分别提取病灶的396个影像组学特征,最终筛选出14个具有最大诊断效能的纹理特征。使用多因素logistic回归构建包含FIGO分期、分化程度和Radscore的影像组学列线图。影像组学列线图的预测效能优于临床病理危险因素模型(训练集中,AUC:0.96 vs.0.70;Delong检验:Z=4.04,P=5.415e-05;验证集中,AUC:0.87 vs.0.71;delong检验:Z=1.24,P=0.02)。决策曲线分析显示风险阈值为0.01~1.00时使用影像组学列线图对预测宫颈鳞癌LVSI情况的临床应用价值较大。结论:基于双序列MRI构建的影像组学列线图对宫颈鳞癌LVSI情况有较好的预测能力,可作为一种术前评估的无创性影像学生物标志。     

基于增强CT影像组学模型预测胰十二指肠切除术后胰瘘

目的 评估基于术前腹部增强CT影像组学模型预测胰十二指肠切除术（PD）术后胰瘘（POPF）的价值。方法 回顾性分析252例接受PD患者的术前腹部增强CT资料,按7：3比例将其分为训练集（n=177）和验证集（n=75）。于训练集增强静脉期CT图像中勾画胰腺实质作为感兴趣容积（VOI）,提取其影像组学特征,并筛选最优特征建立影像组学模型;绘制模型预测PD术后POPF的受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评价模型预测效能;以验证集数据进行验证。结果 共选出14个最优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集和验证集的AUC分别为0.82[95%CI（0.76,0.88）]和0.82[95%CI（0.72,0.91）]。结论 基于术前增强CT影像组学模型能有效预测PD术后POPF。     

MR-T2WI纹理分析评价盆底功能障碍性疾病耻骨内脏肌损伤的价值

目的 探讨MR-T₂WI纹理分析评价盆底功能障碍性疾病耻骨内脏肌损伤的价值。方法 选取94例已育女性T₂WI图像，其中54例盆底功能障碍性疾病患者为观察组，40例盆底功能正常者为对照组。使用ITK-SNAP软件在T₂WI图像获得耻骨内脏肌全域三维感兴趣区，使用A.K.分析软件提取纹理特征。使用Mann Whitney U检验、单因素Logistic回归和最小冗余最大相关(mRMR)特征选择方法进行特征筛选和降维，同时筛选临床风险因素，共同构建多因素Logistic回归模型，绘制受试者工作特征曲线(ROC),并计算曲线下面积(AUC)值。最后利用交叉验证评价模型效能。结果 共提取了1 219个纹理特征，去冗余后剩余7个纹理特征，其中wavelet＿HHL＿firstorder＿Minimum AUC值最高0.87,一个临床特征Age, AUC值为0.84,其余特征的AUC值均大于0.75。将这些特征纳入多因素逻辑回归分析，建立联合预测模型，其模型敏感度和特异度分别为87%及98%,AUC值为0.96。结论 MR-T