影像组学在预测脑胶质瘤基因分型中的研究进展

脑胶质瘤是成人中常见的原发性脑肿瘤.基因分型对脑胶质瘤患者的预后分析和个性化治疗有重要的指导意义,因此术前无创预测脑胶质瘤基因分型成为当前的研究热点.基于磁共振成像的影像组学具有广泛表征肿瘤内异质性的潜力,可以预测与脑胶质瘤相关的基因型,在临床指导中展示出很好的辅助作用.笔者就影像组学预测脑胶质瘤基因分型的研究进展进行...     

影像组学在头及颈部疾病诊疗中的应用进展

影像组学指从医学图像中提取高通量特征,将影像信息进行更深层次的数据挖掘,用于基于证据的临床诊疗决策支持。该文重点讲述了影像组学在头及颈部疾病诊疗中的应用与进展,包括疾病的诊断及鉴别诊断、疗效监测和预后、肿瘤基因表型及分子标记物、深度学习的应用等方面的研究成果,最后总结现阶段影像组学技术存在的不足,并进一步分析未来影像组学在医学影像诊断中的发展方向。     

基于MR-T2WI影像组学模型预测宫颈鳞癌临床分期

目的 观察基于MR-T2WI影像组学模型预测宫颈鳞癌临床分期的价值。方法 对159例经术后或活检病理证实的宫颈鳞癌患者采集盆部MRI,根据国际妇产科联盟（FIGO）分期系统及病理结果分为早期组（ⅠB~ⅡA期,n=73）和晚期组（ⅡB~Ⅳ期,n=86）。按照7 ：3比例将患者随机分为训练集（n=113）和验证集（n=46）。训练集包括52例早期、61例晚期宫颈鳞癌,验证集含21例早期及25例晚期宫颈鳞癌。提取轴位T2WI中病灶的影像组学特征,以最大相关最小冗余和最小绝对收缩选择算子回归分析方法筛选最优影像组学特征,构建预测早、晚期宫颈鳞癌的影像组学模型。分析影像组学模型的拟合优度,采用受试者工作特征（ROC）曲线评估模型的预测效能,以决策曲线分析（DCA）评估模型的临床应用价值。结果 共提取396个影像组学特征,最终筛选11个最优影像组学特征,并以之构建预测早、晚期宫颈鳞癌的影像组学模型。影像组学模型在训练集和验证集中的拟合优度均佳（χ²=2.68、8.87,P均>0.05）;其在训练集及验证集中的曲线下面积（AUC）均为0.80。DCA显示,阈值取0.10~1.00时,影像组学模型的净收益较大。结论 基于MR-T2WI的影像组学模型对预测宫颈鳞癌临床分期具有较高价值。     

MRI影像组学预测结直肠癌患者KRAS基因突变

目的 构建MR T2WI影像组学模型,评价其预测结直肠癌患者Kirsten大鼠肉瘤（KRAS）病毒癌基因亚型的价值。方法 将99例经病理证实的结直肠癌患者分为训练组（n=68）及验证组（n=31）,根据KRAS基因检测结果进一步将其分为突变亚组及野生亚组,训练组2亚组分别含36、32例,验证组2亚组分别含16、15例,比较亚组间实验室检查结果及肿瘤大小的差异;提取并筛选训练组MR T2WI影像组学特征,构建影像组学模型、临床模型及影像组学-临床联合模型。绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评价各模型预测结直肠癌患者KRAS基因亚型的效能;以DeLong检验比较各模型间效能差异。通过校正曲线分析3种模型的校正性能,以Hosmer-Lemeshow检验评价校准曲线的校准度;以决策曲线分析（DCA）评价3种模型临床应用价值。结果 训练组和验证组内亚组间实验室检查结果及肿瘤大小差异均无统计学意义（P均>0.05）。共提取3个组学特征用于构建预测模型。影像组学模型与临床模型、影像组学-临床联合模型预测2组KRAS基因亚型的AUC差异均无统计学意义（P均>0.05）;影像组学-临床联合模型预测训练组KRAS基因亚型的AUC显著高于临床模型（P<0.05）,但在验证组差异均无统计学意义（P>0.05）。校准曲线及Hosmer-Lemeshow检验显示3种模型预测值和观察值的一致性良好（P均>0.05）。影像组学模型和影像组学-临床联合模型在2组中的DCA曲线净收益值均高于临床模型。结论 MR T2WI影像组学纹理特征预测结直肠癌患者KRAS基因突变亚型具有一定潜力。     

基于全肿瘤ADC图纹理特征诊断脑胶质瘤分级

目的 探讨基于全肿瘤ADC图的纹理特征鉴别高级别胶质瘤（HGG）与低级别胶质瘤（LGG）的价值。方法 收集66例经病理证实的脑胶质瘤患者,HGG 41例和LGG 25例。基于术前ADC图,提取107个全肿瘤纹理特征,比较HGG与LGG患者107个纹理特征和临床特征的差异;将差异有统计学意义的变量纳入Logistic回归分析模型,筛选出HGG的独立危险因素,并绘制ROC曲线,评价其诊断HGG的效能。结果 单因素分析显示LGG与HGG患者性别、年龄和3个纹理特征（表面体积比、总能量和区域熵）差异有统计学意义。Logistic回归分析显示年龄（P=0.002,优势比=1.090）和区域熵（P=0.003,优势比=2.984）为HGG的独立危险因素。联合年龄和区域熵诊断HGG的ROC曲线下面积为0.844,敏感度为75.6%,特异度为88.0%。结论 基于全肿瘤ADC图纹理特征有助于判断脑胶质瘤级别,联合临床特征诊断效能较高。     

结直肠癌影像组学研究进展

影像组学包含大量人眼无法识别的信息，深度挖掘影像学特征可反映人体细胞分子水平特征。影像组学具有客观性、非侵入性特征，在肿瘤诊治过程中发挥巨大优势。结直肠癌是全球第三大常见恶性肿瘤，其发病率逐渐升高，影像组学可为其术前分期、制定治疗方案、评估疗效及预后提供参考依据。本研究就影像组学在结直肠癌中的研究进展进行综述。     

影像组学食管癌术前临床分期研究进展

食管癌(EC)是常见胃肠道恶性肿瘤之一,传统影像学方法对于EC术前指导的价值有限.影像组学可于EC术前进行较为精准的临床分期,对指导手术方案具有重要意义.本文对影像组学用于EC术前临床分期的研究进展进行综述.     

CT影像组学预测结直肠癌肝转移术后患者1年内无进展生存期

目的 评价CT影像组学模型预测结直肠癌肝转移(CRLM)患者术后1年无进展生存期(PFS)的价值。方法 回顾性分析147例CRLM术前末次CT资料,将其分为训练集(n=100)及验证集(n=47),依据临床预后分为预后良好(PFS≥12个月)及预后不佳(PFS＜12个月)。手动分割CT所示肝转移灶,提取及选择特征后,基于训练集数据构建影像组学模型,以多因素logistic回归构建临床模型及联合模型。绘制受试者工作特征曲线,计算曲线下面积(AUC),评价并比较各模型预测CRLM患者术后PFS的效能。结果 共选出7个特征用于构建影像组学模型。临床模型中,原发灶N分期、有无基因突变及有无术后化疗是预测CRLM患者术后PFS的独立因素;联合模型中的独立因素还包括影像组学评分。影像组学模型、联合模型预测训练集CRLM患者术后PFS的AUC均大于临床模型(0.89、0.93及0.67,P均＜0.05);其在验证集的AUC依次为0.77、0.78及0.56,前二者的效能优于临床模型(P＜0.05)。结论 影像组学模型及联合模型预测CRLM患者1年内PFS的效能均较好。     

A potential biomarker based on clinical-radiomics nomogram for predicting survival and adjuvant chemotherapy benefit in resected node-negative,early-stage lung adenocarcinoma

BackgroundWe aimed to construct a clinical-radiomics nomogram to predict disease-free survival (DFS) and the added survival benefit of adjuvant chemotherapy (ACT) for node-negative, early-stage (I–II) lung adenocarcinoma (ADC).MethodsIn this retrospective study including 310 patients from two independent cohorts, the CT-derived radiomics features were selected by least absolute shrinkage and selection operator Cox regression to generate a radiomics signature associated with DFS. The radiomics signature was incorporated to construct a clinical-radiomics nomogram along with the independent clinical risk predictors. The model performance was evaluated with reference to discrimination quantified by Harrell concordance index (C-index), integrated discrimination improvement (IDI) and net reclassification index (NRI), calibration and clinical utility. The risk score (RS) for clinical-radiomics nomogram was calculated. The association between ACT and survival benefit was assessed in high and low RS subgroup.ResultsThe clinical-radiomics nomogram achieved the highest C-index of 0.822 [95% confidence interval (CI): 0.769, 0.876] in training cohort and 0.802 (95% CI: 0.716, 0.888) in validation cohort. The incorporation of radiomics signature into clinical-radiomics nomogram showed an incremental benefit over clinical nomogram according to the improved NRI and IDI. The calibration curves and decision curve analysis further verified the clinical utility of clinical-radiomics nomogram. Further, patients with high RS based on clinical-radiomics nomogram were more prone to benefit from ACT.ConclusionsThe clinical-radiomics nomogram approach can feasibly conduct risk prediction and have potential to identify the beneficiaries of ACT among patients with node-negative, early-stage ADC, which might serve as a helpful tool in informing therapeutic decision-making.     

基于灰阶超声影像组学在鉴别膀胱尿路上皮癌病理分级中的应用价值

目的 通过灰阶超声影像组学特征鉴别膀胱尿路上皮癌病理分级。 方法 回顾性分析2016年4月~2023年5月山西白求恩医院153例经病理证实的膀胱尿路上皮癌患者。灰阶超声图像手工勾画肿瘤感兴趣区并提取组学特征,LASSO特征降维后采用3种机器学习方法建模并选出最优影像组学模型。采用ROC曲线对模型性能评估,采用Hosmer-Lemeshow适合度检验评价模型的拟合度,并绘制校正曲线,采用决策曲线分析进一步探讨模型的临床应用价值。 结果 3种机器学习模型中的支持向量机算法模型性能表现最优,此模型在训练集和测试集的曲线下面积分别为0.858(95% CI：0.787~0.928)和0.832(95% CI：0.708~0.936),校准曲线显示出良好的一致性。决策曲线分析结果显示具有较高的净收益。 结论 基于灰阶超声影像组学在鉴别膀胱尿路上皮癌病理分级具有术前诊断价值, 有助于临床精准诊疗。