HIF-1α与VEGF在乳腺癌组织中的表达及与放疗敏感性的相关性研究

目的探讨缺血诱导因子-1α(HIF-1α)与血管内皮生长因子(VEGF)蛋白在原发性乳腺癌组织中的表达及与放疗疗效的关系。方法采用SABC免疫组化方法,检测乳腺癌组织(88例)和正常乳腺组织(20例)中HIF-1α与VEGF蛋白的表达。并分析HIF-1α或VEGF蛋白表达与原发性乳腺癌组织临床病理学特征和预后的关系。结果 HIF-1α与VEGF蛋白在原发性乳腺癌组织中的阳性表达率分别为69.32%(61/88)、78.40%(69/88),两者存在显著正相关性(r=0.68,P=0.006)。二者均与癌组织的临床病理学特征有关;27例HIF-1α阴性表达患者的生存时间明显长于61例阳性表达患者(P=0.008);19例阴性VEGF患者的生存时间明显长于69例阳性VEGF患者(P=0.006)。HIF-1α阳性表达患者中,VEGF表达强度及放疗后局部未控率均高于HIF-1α阴性组(P=0.01);其中16例VEGF阴性表达患者的生存时间明显长于42例VEGF阳性表达患者的生存时间(P=0.01)。结论 HIF-1α与VEGF蛋白表达可能与原发性乳腺癌的发生、浸润、转移有关,二者高表达与乳腺癌放射抗拒性有密切关系。     

基于机器学习的鼻咽癌转移淋巴结鉴别模型

目的:研究使用机器学习与影像组学建立用于鼻咽癌CT图像中鉴别转移淋巴结的模型。方法:选择50例鼻咽癌患者初诊CT平扫及静脉灌注增强图像及18F-FGD-PET图像,患者均经病理及PET检查证实为鼻咽癌伴局部淋巴结转移。手动勾画患者CT图像中体积＞1 cm3的淋巴结,由18F-FGD-PET图像中对应区域SUVmax＞2.5及现行影像学标准作为转移与否的分类标准。研究中共获得143枚淋巴结,其中转移淋巴结103枚。使用机器学习方法对上述分类结果进行训练,其中列入训练组淋巴结100枚,验证组43枚,分组方式为随机分组以避免特定的分组方式造成的系统误差。结果:机器学习过程中获得由淋巴结体积、最大横截面短轴及数个影像组学特征构建模型,模型对转移淋巴结的鉴别准确率可达86%。特征选择结果得出:最大横截面直径、平均宽度、灰度强度能量、像素数量、频度、形态密实度等可作为诊断转移淋巴结的重要特征。结论:研究中建立的鉴别模型可在CT图像中实现辅助诊断转移淋巴结,为影像检查中快速判定鼻咽癌患者淋巴结是否转移提供一种新思路,有利于个体化放疗中靶区的精准勾画。