结合瘤周影像组学建立磨玻璃结节手术切除预测模型

目的 融合肺磨玻璃结节(GGN)瘤内及瘤周影像组学特征,并与临床模型相结合建立GGN手术切除预测模型。方法 回顾性搜集311例肺GGN患者CT图像,包括良性/腺体前驱病变121例,肺腺癌(微浸润腺癌/浸润性肺腺癌)190例。对GGN行手动分割获得瘤内ROI,使用膨胀算法外扩3 mm获得瘤周ROI,分别提取影像组学特征。按照7∶3比例随机划分训练集(217例)与验证集(94例),使用支持向量机构建瘤内组学模型、瘤周组学模型及融合组学模型。选取其中表现最好的模型与临床模型相结合,建立GGN手术切除预测模型。使用曲线下面积(AUC)、准确率、敏感度、特异度评价各模型预测效能,DeLong检验用于比较各模型AUC差异,使用决策曲线评估各模型的临床应用。结果 瘤内组学模型训练集AUC值为0.805(95%CI:0.745～0.866),验证集AUC值为0.787(95%CI:0.696～0.878);瘤周组学模型训练集AUC值为0.727(95%CI:0.655～0.799),验证集AUC值为0.759(95%CI:0.653～0.866);融合组学模型训练集AUC值为0.827 (95%CI:...     

基于影像组学分析预测磨玻璃结节型肺腺癌浸润性的初步研究

目的探讨影像组学对表现为磨玻璃结节的肺腺癌浸润性的预测能力。方法选取在我院经手术病理证实为肺腺癌的290例患者(浸润前88例,微浸润91例,浸润性肺腺癌111例),根据分层随机抽样分为训练组和验证组。使用AK分析软件进行影像特征提取,采用最小绝对收缩算子法(LASSO)进行降维、筛选最优子集并生成组学标签。采用多元Logistic回归分析方法建立影像组学模型,并采用ROC曲线及曲线下面积(AUC)来评价组学模型的预测效能。结果共提取396个影像学特征,最终降维筛选出17个组学特征并建立组学标签。基于三分类影像组学模型能有效鉴别训练组中浸润前病变、微浸润(MIA)、浸润性肺腺癌(IAC)(AUC分别为0.93、0.85、0.90),并在验证组中得到验证(AUC分别为0.95、0.77、0.80),特别对浸润前病变表现出优越的鉴别能力。结论影像组学标签作为一种无创的术前预测生物标志物,能有效鉴别磨玻璃结节型肺腺癌的浸润前病变、微浸润和浸润性病变。     

基于薄层CT的三维影像组学在预测亚厘米磨玻璃样肺腺癌浸润程度的价值

【摘要】目的：探讨基于术前薄层CT的三维影像组学预测亚厘米磨玻璃样肺腺癌浸润程度的临床应用价值。方法：回顾性分析华东医院2013年1月－2017年7月经病理证实的394例亚厘米肺腺癌患者（共446个结节）的术前肺部薄层CT和临床资料。选取2013年1月－2015年12月的253例患者的286个结节为验证集;2016年1月－2017年7月141例患者的160个结节为训练集。所有病例参照病理金标准分为浸润前病变和浸润性病变,且所有结节均逐层勾画ROI而得到其容积感兴趣区（VOI）。采用Matlab 2016b软件从每个结节的VOI中提取475个影像组学特征,利用最小绝对收缩和选择算子（LASSO）进行特征筛选,随后建立影像组学标签。采用单因素及多因素分析方法筛选出训练集中两组病变间差异有统计学意义的变量并建立回归模型,进一步在验证集中对此模型进行验证。采用ROC曲线评价模型对结节浸润性的预测效能。结果：经可重复性分析及LASSO降维,最终筛选出13个影像组学特征并建立影像组学标签。多因素分析结果显示影像组学标签和CT值是预测肺癌浸润程度的独立危险因子。在训练集中,回归方程、CT值和影像组学标签的ROC曲线下面积（AUC）分别为0.785（95%CI：0.730~0.840）、0.742（95%CI：0.681~0.802）和0.696（95%CI：0.630~0.760）。在验证集中,回归模型、CT值和影像组学标签的AUC分别为0.704（95%CI：0.618~0.790）、0.683（95%CI：0.595~0.772）和0.674（95%CI：0.588~0.761）。结论：基于薄层CT的三维影像组学特征联合临床资料建立的多因素logistic回归模型对预测亚厘米级磨玻璃结节样肺腺癌的浸润程度具有很好的临床应用价值及发展前景。     

基于18F-FDG PET/CT影像组学治疗前预测唾液腺癌颈部淋巴结转移

目的研究氟代脱氧葡萄糖正电子发射计算机断层显像(18F-FDG PET/CT)影像组学在预测唾液腺癌颈部淋巴结转移中的价值。方法对北京大学口腔医学68例唾液腺癌患者进行回顾性研究, 随机分为训练组(40例)、验证组(14例)和测试组(14例)。从PET图像中半自动勾画肿瘤原发病灶并提取影像组学特征。经过特征筛选和降维, 构建人工神经网络(ANN)预测模型。采用受试者操作特征(ROC)曲线、ROC曲线下面积(AUC)、准确度、灵敏度、特异度对模型预测性能进行评价, 采用Delong检验对各模型性能进行比较。结果基于影像组学特征构建的影像组学模型AUC为0.88(95%CI:0.78～0.95), 灵敏度为75%, 特异度为92.3%, 准确度为88.2%。结合PET/CT报告的淋巴结状态(cN)和影像组学特征构建的联合模型的AUC为0.97(95%CI:0.89～0.99), 灵敏度为87.5%, 特异度为100%, 准确度为97.1%。Delong检验显示联合模型与cN的差异具有统计学意义(Z=2.27, P<0.05), 影像组学模型与cN差异无统计学意义(P>0.05)...     

基于18F-FDG PET/CT图像建立的多元影像组学模型对乳腺癌原发灶HER-2表达状态的预测价值

目的 评估基于18F-氟脱氧葡萄糖（FDG） PET/CT图像建立的多元影像组学模型对乳腺癌原发灶人表皮生长因子受体2（HER-2）表达状态的预测价值。 方法 回顾性分析2010年1月1日至2019年12月31日于天津医科大学肿瘤医院行18F-FDG PET/CT检查的273例女性乳腺癌患者的临床和影像学资料,年龄26~78（51.8±10.8）岁。根据乳腺癌原发灶HER-2表达状态的不同将患者分为HER-2阳性组和HER-2阴性组,比较2组患者的临床特征和PET/CT代谢参数的差异。勾画原发灶的感兴趣区,提取所有影像组学特征并建立基于PET/CT图像的影像组学特征模型,将样本中70%的患者作为训练集,剩余30%的患者作为测试集,采用受试者工作特征曲线比较PET/CT代谢参数及影像组学模型对乳腺癌原发灶HER-2表达状态的预测能力,采用十折交叉验证计算预测模型的平均性能。采用Wilcoxon秩和检验比较组间各PET代谢参数是否存在差异。计数资料的比较采用χ2检验,计量资料的比较采用两独立样本t检验和Mann-Whitney U秩和检验。 结果 HER-2阳性组患者106例、阴性组患者167例。HER-2阴性组患者合并腋下淋巴结转移的比例较HER-2阳性组患者高[85.03%（80/106）对75.47%（142/167）],且差异有统计学意义（χ2=3.900,P<0.05）。除腋下淋巴结转移情况外,2组患者的年龄、病理学类型及肿瘤分期间的差异均无统计学意义（t=?0.028,χ2=5.429、1.891,均P>0.05）。2组患者的PET代谢参数最大标准化摄取值、平均标准化摄取值、标准化摄取值峰值、肿瘤代谢体积、病灶糖酵解总量之间的差异均无统计学意义（Z=?1.583~?0.064,均P>0.05）。最终筛选出具有较好预测价值的37个影像组学特征建立组学特征模型,其中,PET影像组学参数8个、CT影像组学参数29个。在训练集中,影像组学特征模型曲线下面积（AUC）、准确率、灵敏度和特异度分别为0.913（95% CI:0.871~0.954）、0.882（95%CI:0.832~0.922）、0.849（95%CI:0.759~0.910）和0.910（95%CI:0.841~0.952）;在测试集中,影像组学特征模型AUC、准确率、灵敏度和特异度分别为0.820（95%CI:0.723~0.918）、0.830（95%CI:0.738~0.900）、0.875（95%CI:0.701~0.959）和0.807（95%CI:0.683~0.892）;经十折交叉验证后,影像组学模型的AUC、准确率、灵敏度、特异度的均值分别为0.818、0.847、0.908、0.764。 结论 相较于传统的PET代谢参数,基于18F-FDG PET/CT图像建立的多元影像组学模型对乳腺癌原发灶HER-2表达状态有较好的预测价值,有助于临床医师筛选曲妥珠单抗受试人群,改善患者预后。     

基于CT影像组学模型术前预测喉癌淋巴结转移

【摘要】目的：研究CT影像组学在术前预测喉癌患者淋巴结转移中的价值。方法：搜集本院304例经手术病理证实为喉癌患者的影像学资料,随机选择243例及61例分别作为训练集和验证集。从术前静脉期CT图像中手工勾画肿瘤体积并提取影像组学特征。在训练集中,采用LASSO回归进行特征筛选,使用Logistic回归分别构建影像组学模型、形态学模型及二者联合模型。利用受试者工作特征（ROC）曲线评价各个模型的预测效能,并对模型的ROC曲线行Delong检验。在验证集中评估各种模型的诊断效能。结果：最后获得5个影像组学特征。在训练集中,影像组学模型ROC曲线下面积（AUC）为0.85（95%CI：0.77~0.93）,形态学模型AUC为0.66（95%CI：0.59~0.72）,联合模型AUC为0.82（95%CI：0.74~0.91）;在验证集中,影像组学模型AUC为0.83（95%CI：0.69~0.97）,形态学模型AUC为0.59（95%CI：0.40~0.77）,联合模型AUC为0.73（95%CI：0.56~0.91）。Delong检验显示影像组学模型与形态学模型差异、联合模型与形态学模型差异均有统计学意义（P＜0.05）,而联合模型与影像组模型差异无统计学意义（P＞0.05）。结论：基于病灶为兴趣区的CT影像组学模型可以术前较好地预测喉癌淋巴结转移,其诊断效能高于形态学模型。     

高分辨CT影像学特征对非实性肺结节微浸润性腺癌与浸润性腺癌的鉴别诊断

目的 分析非实性肺结节(NSN)的高分辨CT(HRCT)的临床表现和影像学特征,探讨其鉴别诊断微浸润性腺癌（MIA）与浸润性腺癌（IAC）的临床应用价值。 方法 回顾性分析2017年2月至2019年4月在中山大学附属江门医院和中山大学附属第五医院经手术病理学结果证实和胸部HRCT表现为NSN的患者187例,其中男性 66例、女性121例,年龄19~81（54.8±12.2）岁。将所有患者分为MIA组和IAC组,记录患者的临床表现,包括性别和年龄, 分析NSN患者的HRCT影像学征象,包括结节位置、结节径线、密度、形态、分叶征、毛刺征、空泡征、空气支气管征、胸膜牵拉征和周围肺气肿。对NSN的临床表现及CT征象在MIA组和IAC组的分布进行单因素统计分析,定量资料采用两组独立样本 t 检验或Mann-Whitney U秩和检验,定性资料采用χ2检验或Fisher确切概率法。筛选有统计学差异的指标纳入多因素Logistic回归分析。采用受试者工作特征（ROC）曲线分析,得到最佳临界值,计算诊断的灵敏度,特异度和准确率。 结果 MIA组患者90例,其中男性25例、女性65例,年龄25~76（50.67±12.03）岁;IAC组患者97例,其中男性41例、女性56例,年龄19~81（58.57±11.11）岁。单因素分析结果显示,MIA组与IAC组在性别、年龄、结节径线、密度、形态、分叶征、毛刺征、空泡征、空气支气管征、胸膜牵拉征之间的差异均有统计学意义（χ2=4.292,P=0.038;Z=?4.577,P=0.000;Z=?8.467,P=0.000;t=?5.214,P=0.000;χ2=31.547,P=0.000;χ2=27.105,P=0.000;χ2=5.604,P=0.018;χ2=7.316,P=0.007;χ2=5.576,P=0.018;χ2=4.989,P=0.026）。多因素Logistic回归分析结果显示,结节径线和密度是预测NSN腺癌浸润程度的独立危险因素,OR值分别为1.428（95% CI:1.264~1.614,P=0.000）、1.004（95% CI:1.001~1.008,P=0.006）。ROC曲线分析结果:结节径线最佳临界值为10.0 mm,密度最佳临界值为?490 HU,对应曲线下面积分别为0.859和0.714;结节径线和结节密度的灵敏度、特异度和准确率分别75.3%、83.3%、79.1%和56.7%、77.8%、66.8%。结节径线和密度联合模型曲线下面积为0.867,其灵敏度、特异度和准确率分别为78.9%、82.5%和80.2%。 结论 HRCT影像学特征有助于NSN腺癌浸润程度的鉴别诊断,结节径线和密度是预测腺癌浸润程度的独立危险因素。     

薄层CT对早期肺腺癌的浸润性征象分析

目的 探讨早期肺腺癌的浸润性CT征象,为临床选择合理的治疗方案提供依据。 方法 回顾性分析2015年1月至2020年10月惠州市中心人民医院收治的经手术后组织病理学检查结果证实的101例肺腺癌患者[男性42例、女性59例,年龄28~75（56.5±9.4）岁]的薄层CT影像学资料,包括结节内部特征（实性成分、血管征、支气管征、空泡征）、边缘特征（光整、分叶征、毛刺征、胸膜凹陷征）、结节长径、CT值、相对CT值、结节体积、CT值/体积的比值等。根据病理亚型将患者分为浸润前组（25例）和浸润组（76例）,并对2组数据进行对照分析。 计量资料的比较采用Mann-Whitney U检验和独立样本t检验,计数资料的比较采用χ2检验或Fisher确切概率法,并绘制受试者工作特征（ROC）曲线,计算最佳临界值和曲线下面积（AUC）。 结果 浸润前组25例患者中有纯磨玻璃结节20例（80.0%）、混合磨玻璃结节5例（20.0%）。浸润组76例患者中有纯磨玻璃结节13例（17.1%）、混合磨玻璃结节26例（34.2%）、实性结节37例（48.7%）。浸润组患者结节内部出现实性成分、支气管征、血管征、空泡征的概率均高于浸润前组,且差异均有统计学意义[82.9%（63/76）对20.0%（5/25）、26.3%（20/76）对4.0%（1/25）、43.4%（33/76）对16.0%（4/25）、32.9%（25/76）对8.0%（2/25）,χ2=4.14~33.82,均P<0.05]。浸润前组患者结节边缘光整的概率高于浸润组,且差异有统计学意义[68.0%（17/25）对10.5%（8/76）,χ2=33.36,P<0.001],浸润组患者结节边缘出现分叶征、毛刺征、胸膜凹陷征的概率均高于浸润前组,且差异均有统计学意义[73.7%（56/76）对32.0%（8/25）、71.1%（54/76）对0、47.4%（36/76）对0,χ2=14.08、Fisher确切概率法,均P<0.001]。浸润前组与浸润组患者的结节长径[7.50（6.50, 8.25） mm对13.00（11.00, 16.00） mm]、CT值[?537.00（?612.00, ?418.00） HU对?61.00（?318.25, 21.50） HU]、相对CT值[?289.00（?412.00, ?210.50） HU对?758.50（?839.00, ?534.25） HU]、结节体积[ 0.18（0.14, 0.26） cm3对 0.86（0.44, 2.16） cm3]、CT值/体积的比值[?2685.00（?3564.00, ?1972.00）对?48.19(?422.14,12.80）]的差异均有统计学意义（Z=?6.51~?5.43,均P<0.001）。浸润前病变与浸润性病变的最佳临界值:当结节长径≥8.75 mm时,灵敏度为87.5%、特异度为84.0%;当结节体积≥0.31 cm3时,灵敏度为82.9%、特异度为88.0%;当CT值为?464 HU时,灵敏度为89.5%、特异度为72.0%;当CT值/体积的比值为?1681.7时,灵敏度为93.4%、特异度为88.0%。结节长径、CT值、结节体积、CT值/体积的比值的AUC分别为0.902（95%CI:0.843~0.962）、0.889（95%CI:0.824~0.955）、0.863（95%CI:0.784~0.942）、0.936（95%CI:0.886~0.985）。 结论 早期肺腺癌的浸润性CT征象与其结节体积、长径、密度、内部特征、边缘特征有关,需多平面仔细观察相关征象,综合分析,一旦发现其具有浸润倾向,应及早手术。     

基于CT影像组学预测肺癌患者化疗早期疗效的应用研究

目的 探讨基于治疗前CT影像组学模型预测肺癌患者化疗早期疗效的效能。方法 回顾性搜集2017年1月至2022年1月202例确诊肺癌患者的临床影像资料,通过对比化疗半年后的CT图像与化疗前CT图像,根据实体肿瘤疗效评价标准(RECIST 1.1)分为部分缓解(PR)组100例和疾病进展(PD)组102例,将入组患者的胸部CT平扫DICOM文件导入开源图像分割软件ITK-SNAP软件,进行感兴趣区(ROI)的勾画,再进行影像学特征提取,按照7∶3的比例随机分配为训练组和验证组,采用LASSO法进行降维及构建影像组学模型,最终根据受试者工作特征曲线(ROC)的曲线下面积(AUC)、敏感度、特异度来评价模型的预测效能。结果 训练组的AUC值、特异度、敏感度分别为0.737(95%CI:0.656～0.819)、0.71、0.67;验证组的AUC值、特异度、敏感度分别为0.722(95%CI:0.594～0.851)、0.77、0.53,模型达到了良好的预测效能。结论 基于治疗前CT的影像组学模型可在化疗前对肺癌的早期疗效做出较准确预测。     

CT影像组学在胃肠道间质瘤危险度分级预测中的价值

目的 探讨基于CT影像组学在术前预测胃肠道间质瘤(GIST)危险度分级的价值。方法 回顾性搜集经手术切除病理确诊为GIST且具有完整术前CT增强扫描图像及临床资料的127例患者,依据病理结果将其分为低危组(极低风险和低风险)和高危组(中风险和高风险)。使用达尔文平台在每例患者的增强CT动脉期图像上提取影像组学特征,然后以7∶3的比例随机分为训练组(n=88)和验证组(n=39)。通过最小绝对收缩降维和选择算子算法(LASSO),利用Logistic回归方法建立预测模型。诊断医师于PACS系统中观察两组病例的主观CT特征和临床资料,利用统计显著性特征构建预测模型。采用受试者工作特征(ROC)曲线评价模型的预测效能。结果 从CT动脉期图像中提取的939个影像组学特征参数中经筛选最终选择5个特征参数,构建影像组学预测模型。对于训练组,曲线下面积(AUC)为0.923(95%CI:0.846～0.969);验证组的AUC为0.917(95%CI:0.783～0.981)。两组在肿瘤最大径和肿瘤形态方面存在显著差异,用于建立临床-CT征象预测模型,训练组的AUC为0.865(95%CI:0.77...     

Radiomic signatures derived from multiparametric MRI for the pretreatment prediction of response to neoadjuvant chemotherapy in breast cancer

Objectives:To investigate the ability of radiomic signatures based on MRI to evaluate the response and efficiency of neoadjuvant chemotherapy (NAC) for treating breast cancers.Methods:152 patients were included in this study at our institution between March 2017 and September 2019. All patients with breast cancer underwent a preoperative breast MRI and the Miller–Payne grading system was applied to evaluate response to NAC. Quantitative parameters were compared between patients with sensitive and insensitive responses to NAC and between those with pathological complete responses (pCR) and non-pCR. Four radiomic signatures were built based on T2W imaging, diffusion-weighted imaging, dynamic contrast-enhanced imaging and their combination, and radiomics scores (Rad-score) were calculated. The combination of the clinical factors and Rad-scores created a nomogram model. Multivariate logistic regression was performed to assess the association between MRI features and independent clinical risk factors.Results:20 features and 18 features were selected to build the radiomic signature for evaluating sensitivity and the possibility of pCR, respectively. The combined radiomic signature and nomogram model showed a similar discrimination in the training (AUC 0.91, 0.92, 95% confidence interval [CI], 0.85–0.96, 0.86–0.98) and validation (AUC 0.93, 0.91, 95% CI, 0.86–1.00, 0.82–1.00) sets. The clinical factor model exhibited reduced performance (AUC 0.74, 0.64, 95% CI, 0.64–0.84, 0.46–0.82) in terms of NAC sensitivity and pCR.Conclusions:The combined radiomic signature and nomogram model exhibited potential predictive power for predicting effective NAC treatment which can aid in the prognosis and guidance of treatment regimens.Advances in knowledge:Identifying a means of assessing the efficacy of NAC before surgery can guide follow-up treatment and avoid chemotherapy-induced toxicity.     

CT影像组学模型预测肝移植术后肝癌早期复发的价值

 目的 探索基于CT影像组学技术构建的模型在预测肝细胞癌患者肝移植术后早期复发的价值。方法 回顾性分析接受肝移植治疗的131例肝癌患者,随机分为训练组(92例)和验证组(39例),术后定期随访,了解是否发生早期复发。通过逐层勾画肿瘤边缘对肿瘤进行三维分割并进行特征提取,共提取1218个影像组学特征。具有潜在预测价值特征的筛选选用LASSO算法。基于筛选出的特征,logistic回归应用于肝移植术后预测模型的构建。通过曲线下面积(area under the curve, AUC)对模型预测患者是否会早期复发的效能进行评价。结果 筛选出8个具有潜在预测价值的特征,预测模型在训练组中AUC为0.828,敏感度、特异度分别为82.4%、74.7%;在验证组中AUC为0.856,敏感度、特异度分别为77.8%、86.7%。结论 术前增强CT影像组学技术构建的模型,对预测肝癌肝移植术后复发具有一定价值。     

CT影像组学对中轴骨脊索瘤与骨巨细胞瘤的鉴别诊断价值

目的:建立术前鉴别中轴骨脊索瘤与骨巨细胞瘤的影像组学模型,并验证其诊断效能.方法:回顾性纳入中轴骨脊索瘤59例、骨巨细胞瘤33例共92例患者,64例为训练集,28例为验证集.基于CT图像进行影像组学特征提取,采用LASSO模型进行特征选择,构建影像组学模型,并计算影像组学得分(Rad-score).通过Logistic...     

基于CT影像组学列线图鉴别甲状腺良性与恶性滤泡性肿瘤的价值

目的:探讨基于CT影像组学列线图鉴别甲状腺滤泡性肿瘤良生与恶性的价值。方法:回顾性收集2016年1月至2018年12月复旦大学附属肿瘤医院经手术病理证实的200例甲状腺滤泡性肿瘤患者的临床资料及CT图像,其中甲状腺滤泡癌（FTC）46例、甲状腺滤泡腺瘤（FTA）154例。采用随机数表法随机分为训练集（ n=...     

基于薄层CT的影像组学和形态学特征联合模型在预测磨玻璃样肺腺癌浸润程度的价值

目的 探讨基于薄层CT的影像组学和形态学特征联合模型在预测磨玻璃样肺腺癌中的原位癌(AIS)、微浸润腺癌(MIA)、浸润性腺癌(IAC)的价值.方法 回顾性分析2018年6月至2021月3月经病理证实的327例肺腺癌患者(335个病灶)术前肺部CT检查图像,随机选取201个为训练集,134个为测试集.肺腺癌参照病理金标...     

Machine learning-based CT radiomics features for the prediction of pulmonary metastasis in osteosarcoma

Objective:This study aims to build machine learning-based CT radiomic features to predict patients developing metastasis after osteosarcoma diagnosis.Methods and materials:This retrospective study has included 81 patients with a histopathological diagnosis of osteosarcoma. The entire dataset was divided randomly into training (60%) and test sets (40%). A data augmentation technique for the minority class was performed in the training set, along with feature’s selection and model’s training. The radiomic features were extracted from CT’s image of the local osteosarcoma. Three frequently used machine learning models tried to predict patients with lung metastases (MT) and those without lung metastases (non-MT). According to the higher area under the curve (AUC), the best classifier was chosen and applied in the testing set with unseen data to provide an unbiased evaluation of the final model.Results:The best classifier for predicting MT and non-MT groups used a Random Forest algorithm. The AUC and accuracy results of the test set were bulky (accuracy of 73% [ 95% coefficient interval (CI): 54%; 87%] and AUC of 0.79 [95% CI: 0.62; 0.96]). Features that fitted the model (radiomics signature) derived from Laplacian of Gaussian and wavelet filters.Conclusions:Machine learning-based CT radiomics approach can provide a non-invasive method with a fair predictive accuracy of the risk of developing pulmonary metastasis in osteosarcoma patients.Advances in knowledge:Models based on CT radiomic analysis help assess the risk of developing pulmonary metastases in patients with osteosarcoma, allowing further studies for those with a worse prognosis.     

Prediction of disease-free survival by the PET/CT radiomic signature in non-small cell lung cancer patients undergoing surgery

Purpose

Radiomic features derived from the texture analysis of different imaging modalities e show promise in lesion characterisation, response prediction, and prognostication in lung cancer patients. The present study aimed to identify an images-based radiomic signature capable of predicting disease-free survival (DFS) in non-small cell lung cancer (NSCLC) patients undergoing surgery.

Methods

A cohort of 295 patients was selected. Clinical parameters (age, sex, histological type, tumour grade, and stage) were recorded for all patients. The endpoint of this study was DFS. Both computed tomography (CT) and fluorodeoxyglucose positron emission tomography (PET) images generated from the PET/CT scanner were analysed. Textural features were calculated using the LifeX package. Statistical analysis was performed using the R platform. The datasets were separated into two cohorts by random selection to perform training and validation of the statistical models. Predictors were fed into a multivariate Cox proportional hazard regression model and the receiver operating characteristic (ROC) curve as well as the corresponding area under the curve (AUC) were computed for each model built.

Results

The Cox models that included radiomic features for the CT, the PET, and the PET+CT images resulted in an AUC of 0.75 (95%CI: 0.65–0.85), 0.68 (95%CI: 0.57–0.80), and 0.68 (95%CI: 0.58–0.74), respectively. The addition of clinical predictors to the Cox models resulted in an AUC of 0.61 (95%CI: 0.51–0.69), 0.64 (95%CI: 0.53–0.75), and 0.65 (95%CI: 0.50–0.72) for the CT, the PET, and the PET+CT images, respectively.

Conclusions

A radiomic signature, for either CT, PET, or PET/CT images, has been identified and validated for the prediction of disease-free survival in patients with non-small cell lung cancer treated by surgery.

     

基于治疗前MR-DWI影像组学预测肺癌化疗疗效的初步研究

目的:探讨基于磁共振扩散加权成像(DWI)的影像组学对肺癌化疗疗效的预测价值.方法:回顾性搜集连续30例经病理证实的肺癌患者的病例资料,根据第二周期化疗后肿瘤最大径退缩率、按RECIST标准将患者分为治疗有效组(16例)和无效组(14例).提取所有患者的化疗前ADC图像(b=600、800和1000s/mm2),应用影像组学方法,在每种b值的ADC图像上提取病灶的19985个特征,采用Lasso进行降维和建模.采用受试者工作特征曲线(ROC)计算三种b值模型预测化疗疗效的诊断效能,并采用DeLong检验比较三种曲线的曲线下面积(AUC).结果:30例中有效组16例、无效组14例.基于b=600s/mm2的ADC图像的影像组学特征所建立的模型,其AUC、诊断敏感度和特异性分别为0.875、0.895和0.750;基于b=800s/mm2的ADC图像,其相应的AUC、诊断敏感度和特异度分别为0.924、0.947和0.938,基于b=1000s/mm2的ADC图像,相应的AUC、诊断敏感度和特异度分别为0.918、0.895和0.875.三种b值的AUC差异无统计学意义(P＞0.05).结论:基于MR-DWI的影像组学可在治疗前对肺癌化疗疗效作出准确预测.