论文部分内容阅读
目的1.运用影像组学技术,筛选缺血性中风病早期复发及致残预后相关影像组学特征,构建影像组学预后预测模型,评估基于多中心数据集的影像组学特征在缺血性中风病预后预测中的应用价值;2.构建中医证候要素、现代医学临床危险因素与影像组学结合的联合预测模型,进行多模型的比较;3.探索缺血性中风病复发相关miRNA及miRNA-mRNA靶向调控关系,揭示复发相关内在生物机制,应用基因代表的生物学功能提高影像组学特征的可解释性。方法1.缺血性中风病复发及致残相关MRI-DWI影像组学特征研究:研究对象为急性缺血性中风病初发患者,主要结局指标为缺血性中风病患者随访期间内的复发事件,包括TIA、脑梗死和脑出血。次要结局指标为患者致残预后情况,以3个月后的mRS评分评估预后情况（0-2分为预后良好,3-6分为预后不良）。入组时（基线）记录患者一般资料、既往史、家族史、中医证候、中医体质、NIHSS评分、mRS评分、颅脑MR检查、检验指标等;入组后第12周（3个月）随访记录患者mRS评分,结合电话随访至2年。使用患者发病72h内颅脑MRI-DWI图像DICOM图片进行影像组学分析。采用人工分割法进行ROI图像分割,在PyRadiomics开源平台进行影像组学特征提取,共提取First Order、Shape、GLCM、GLRLM、GLSZM、NGTDM、GLDM7种特征类型。同时采用3种滤波器,对目标图像进行降噪声处理。特征提取之前通过“Setting”进行内部参数设置实现原始图像重采样及标准化。运用Z-Score对影像组学特征值进行数据标准化,采mRMR算法进行组学特征及临床特征的降维与筛选,运用logistic回归模型构建影像组学特征预测模型（Rad-score）及临床特征联合影像组学特征的综合模型,采用Nomogram模型进行可视化表达。并运用留一法交叉验证,绘制ROC曲线对模型进行评价。采用Spearman相关性检验分析影像组学标签特征与中医证候要素的相关性。2.缺血性中风病复发相关miRNA表达及miRNA-mRNA调控关系研究:研究对象为研究内容二中急性缺血性中风病复发研究人群,随机抽取7例复发患者,根据年龄（±5岁）、性别相同进行1:1匹配未复发患者7例,共14例患者,在患者发病7天内采血。实验流程包括:总RNA提取与质控、文库构建、上机测序、测序数据过滤与质控、参考基因组比对等过程。研究过程中的小RNA表达定量分析采用特异性分子标签的方法,采用DEGseq进行差异基因筛选,基于MA-plot的随机抽样模型方法计算差异表达。采用miRanda、RNAhybrid和TargetScan软件进行靶基因预测,采用GO数据库和KEGG数据库进行富集分析。依据Starbase数据库识别调控网络中基因之间的靶向关系,利用R软件制作可视化Target网络图展示miRNA-mRNA的调控关系。结果1.缺血性中风病复发及致残相关MRI-DWI影像组学特征研究:（1）针对复发结局指标共收集75例患者,其中15例复发患者,未复发患者60例。共提取出1037个影像组学特征,对影像组学特征进行降维筛选得到7个与复发最大相关特征:wavelet.LLHfirstorderMinimum、wavelet.LHLglcmDifference Variance、wavelet.HHLglcmMCC、wavelet.HLLglrlmRunVariance、wavelet.HLLglcmCorrelation、wavelet.LHLglcmInverseVariance、wavelet.LHLglcmClusterProminence。通过构建影像组学预测模型评分标签（Rad-score）,得到与缺血性中风病患者复发相关的Rad-score公式:Rad-score（复发）=-1.9161527-0.7766219*wavelet.LLHfirstorderMinimum-0.8060113*wavelet.LHLglcmDifferenceVariance+0.1427865*wavelet.HHLglcmMCC-1.0276311*wavelet.HLLglrlmRunVariance-0.1635419*wavelet.HLLglcmCorrelation-0.731 1634*wavelet.LHLglcmIn verse Variance+0.9219086*wavelet.LHLglcmClusterProminence。纳入中医证候要素（气虚证、血瘀证、痰湿证、阴虚证、火热证、内风证）,构建影像组学联合中医证候的预测模型,得到缺血性中风病患者复发相关的联合预测模型 Rad-score 为:Rad-score（影像组学联合中医证候）=-2.84327630-0.81771224*wavelet.LLHfirstorderMinimum-1.58264990*wavelet.LHLglcmDifferenceVar iance+0.20585791*wavelet.HHLglcmMCC-1.58888131*wavelet.HLLglrlmRun Variance-0.02385994*wavelet.HLL glcmCorrelation-0.73377403*wavelet.LHLglc mInverseVariance+1.72894333*wavelet.LHLglcmClusterProminence-18.90938261*内风证+1.20700687*血瘀证+0.38518099*气虚证-16.45355707*阴虚证+1.05747405*痰湿证+1.08698547*火热证。采用留一法交叉验证对影像组学预测模型Rad-score及影像组学中医证候联合模型Rad-score标签进行评估,得出单一影像组学Rad-score标签的平均预测准确度为0.79;影像组学中医证候联合Rad-score标签的平均预测准确度为0.80。单一影像组学预测模型和联合预测模型的AUC值分别为0.845和0.879。（2）致残预后研究共纳入90例患者,其中致残预后不良者共18例,预后良好患者72例。从1037个影像组学特征中通过降维筛选得到9个与致残预后不良最大相关特征,包括:original firstorderKurtosis、wavelet.LHLglcmCorrelat ion、squareglrlmRunVariance、squarefirstorderInterquartileRange、originalsh apeMajorAxisLength、wavelet.LHL glcmMCC、wavelet.LHLfirstorderSkewne ss、wavelet.LHLgldmDependence Variance、wavelet.LLLfirstorderKurtosis。构建基于影像组学特征的缺血性中风病患者致残预后不良预测模型（Rad-score公式）:Rad-score（致残预后不良）=-2.2925848882-4.831483475*loriginalfirstor derKurtosis+0.1927196973*wavelet.LHLglcmCorrelation+0.0003237453*squareglrlmRunVariance-0.6117750640*squarefirstorderInterquartileRange+0.2798225232*originalshapeMajorAxisLength+0.7549377082*wavelet.LHLglcmMCC-0.4394640569*wavelet.LHLfirstorderSkewness+1.0825387075*wavelet.LHLgldmDependenceVariance+5.5284287144*wavelet.LLLfirstorderKurtosis。结合临床特征（梗塞病灶数、降糖药、脑叶梗死、TOAST分型、基线NIHSS评分）,构建影像组学联合现代医学临床特征的联合预测模型:Rad-score=-23.0324727-4.0221194*originalfirstorderKurtosis+0.3854199*wavelet.LHLglcmCorrelation-0.1 881209*squareglrlmRunVariance-0.6713484*squarefirstorderInterquartileRange+0.2897716*originalshapeMajorAxisLength+0.6307760*wavelet.LHLglcmMCC-0.3 904875*wavelet.LHLfirstorderSkewness+0.9508516*wavelet.LHLgldmDepen denceVariance+4.7410290*wavelet.LLLfirstorderKurtosis+0.4773 702*梗塞病灶数+0.7502595*降糖药-1.2292947*脑叶梗死+18.6229495*TOAST 分型+1.1861231*基线NIHSS总分。通过留一法交叉验证对致残预后不良相关预测模型进行评估,得出单一影像组学预测模型（Rad-score标签）的平均预测准确度为0.84;影像组学与现代医学特征结合的联合模型（Rad-score标签）的平均预测准确度为0.86。二者的AUC值分别为0.88和0.922。（3）中医证候要素对影像组学特征的相关性分析结果发现,内风证与复发相关影像组学Rad-score值呈低度负向相关性（r值为-0.25,P＜0.05）,其他证候要素相关性不显著,且无统计学意义（P＞0.05）。2.缺血性中风病复发相关miRNA表达及miRNA-mRNA调控关系研究:（1）14 个样本总 RNA 在 45.0～478.2ng/μL 之间,RNA 总量在 0.90～19.13μg之间,平均RNA总量为7.24μg,14个样本均符合建库及测序条件。（2）原始数据经过滤后所有样本Q20≥97.4%,过滤后tag占原始tag的百分比≥81.42%。对过滤后得到的clean reads与参考基因组序列进行比对,样品比对基因组的平均比对率为94.4%。根据各个样品基因表达水平,对检测到的组间显著差异表达基因进行统计分析,复发组与未复发组共检测到30个显著表达的差异基因,其中包括10个上调基因和20个下调基因。对组间差异miRNA进行靶基因预测结果发现,共有TTC22、ZNF362、ZNF827等166个差异靶基因。（3）通过显著性GO富集分析可见,靶基因主要富集在蛋白复合物、突触等细胞成分;富集于蛋白结合、有机化合物结合、细胞因子受体活性、转录因子活性等分子功能;参与RNA代谢、蛋白质定位、组织发育过程等生物学过程。Kegg信号通路的富集分析,结果可见靶基因参与的信号通路包括:JAK-STAT信号通路、FoxO信号通路、PI3K-Akt信号通路、ErbB信号通路、mRNA监测途径、轴突再生等通路。采用miRNA-mRNA网络互作分析发现,CDKN1A、C SF3R、IL7R 等 6 个主要基因参与了 JAK-STAT 信号通路,hsa-miR-6791-3p、hs a-miR-17-3p、hsa-miR-423-5p 和 hsa-miR-744-5p 参与了该通路的调控。hsa-miR-17-3p、hsa-miR-4286、hsa-miR-6791-3p、hsa-miR-423-5p、hsa-miR-34a-5p、hsa-miR-497-5p、hsa-miR-744-5p 与靶基因 CDKN1A、IL7R、PIK3CD、MAPK13 在FoxO信号通路中存在调控关系;主要基因CDKN1A、COL9A2、CSF3、IL7R、ITGB5、PDGFRB、PIK3CD 与 hsa-miR-129-5p、hsa-miR-17-3p、hsa-miR-423-5 p、hsa-miR-6791-3p、hsa-miR-744-5p等在PI3K-Akt信号通路中存在靶向互作关系。复发相关的 hsa-miR-6791-3p、hsa-miR-744-5p 与基因 CDKN1A、COL9A2、CSF3、IL7R、ITGB5、PDGFRB、PIK3CD在ErbB信号通路中存在靶向互作关系。结论1.影像组学预测模型对缺血性中风病早期复发（≤2年）及致残预后不良（3个月）具有良好的预测价值。2.中医证候要素及现代医学临床特征与影像组学的联合模型在预测效能方面对单一影像组学模型具有增益作用。3.缺血性中风病复发可能与hsa-miR-6791-3p、hsa-miR-17-3p等基因相关,并参与调控JAK-STAT、FoxO、PI3K-Akt、ErbB等神经细胞炎性反应、细胞自噬等脑组织损伤信号通路。4.影像组学特征对缺血性中风病患者复发预测作用可能与多基因参与的神经炎症、自噬等脑损伤生物过程相关。创新点1.率先运用多中心研究设计探索了缺血性中风病早期复发相关的影像组学特征生物标志物,构建并评价了基于影像组学特征的预测模型对缺血性中风病早期复发预测的应用价值;2.构建并评价了影像组学与中医证候要素的联合预测模型,创新性的发现了中医证候要素与影像组学特征的预测效能差异;3.率先进行了影像组学纹理特征的中医证候的相关性分析。