论文部分内容阅读
目的通过基于CT影像的影像组学研究,分析Lauren分型中肠型和弥漫型之间的临床病理学特征的差别,并通过构建影像组学诺模图用于术前区分肠型和弥漫型胃癌。方法方法:本次研究由江苏大学附属人民医院伦理审查委员会批准,选取了539例胃癌病例,按照7:3的比例随机分为训练集和验证集,所有患者均进行术前增强CT检查及术后病理检查,收治时间跨度为2011年12月至2017年12月。通过查询医院PACS系统(Picture Archiving and Communication Systems,PACS,影像归档和通信系统)获得CT图像并以DICOM格式导出原始图像。利用ITK-SNAP软件对门脉期CT图像最大层面进行手动勾画。两名具有10年诊断经验的影像科医师分别对所有图像感兴趣区进行手动勾画,然后具有30年经验的影像科主任医师对所有图像进行校对。时隔一个月之后从539例胃癌患者中随机抽取30例图像重复以上的分割过程,用于影像组学特征稳定性分析。从每张CT图像的瘤内及瘤周提取2074(1037+1037)个影像组学特征,包括形状特征、一阶特征及纹理特征。首先采用z评分法,根据训练集中患者的平均值和标准差参数,对大量影像组学特征进行标准化,然后以ICC>0.75的影像组学特征的可作为可靠性较高的特征,最后我们使用了10倍交叉验证的最小绝对收缩选择算子方法(Least absolute shrinkage and selection operator,Lasso)识别了最优影像组学特征组合,同时收集了患者的临床信息(年龄、性别、CTT分期、CTN分期),本研究采用R软件进行统计学分析,单因素分析中,连续变量(年龄)使用Mann-Whitney U检验,分类变量(性别、CTT分期、CTN分期)采用卡方检验或Fisher精确检验。双侧p值<0.05为差异有统计学意义。分别构建了基于瘤内的模型,基于瘤周的模型及综合肿瘤及瘤周特征的影像组学标签,基于临床特征的临床特征模型1和临床模型2,结合了临床特征和影像组学标签的影像组学模型。为了评估这6个模型识别能力,本研究利用受试者工作特征(receiver operating characteristic curve,ROC)曲线下面积(area under curve,AUC)评估模型的预测能力,同时计算出各个模型预测的准确性、特异性和敏感性。采用Delong检验两两比较各个模型的预测性能。为了验证模型预测概率与实际概率的匹配性,对影像组学模型使用了校准曲线加以评估。为了量化研究的临床价值,在验证集中通过计算某些阈值概率下的净效益来的方法来使用决策曲线进而对影像组学模型进行评估。结果从每张CT图像中瘤内及瘤周分别提取2074(1037+1037)个影像组学特征。以ICC>0.75为可靠标准,将232个肿瘤特征和206个瘤周特征作为后续特征选择的依据。利用LASSO方法筛选出3个最优影像组学特征,包括两个瘤内的一阶特征以及一个瘤周的形状特征,基于最优特征组合构建联合影像组学标签。通过训练集中的单因素分析,确定了预测Lauren分型的临床特征为年龄、CTT分期及CTN分期,结合影像组学标签及临床特征,本研究构建了影像组学模型。联合影像组学标签在训练集与验证集的AUC分别为0.715(95%CI:0.663-0.767),0.714(95%CI:0.636-0.792)。结合了临床特征及联合影像组学标签的影像组学模型性能优于其它模型,在训练集与验证集的AUC分别为0.745(95%CI:0.696-0.795),0.758(95%CI:0.685-0.831)。Delong检验结果表明,训练集和验证集影像组学模型预测性能与临床模型1、临床模型2、瘤内模型和瘤周模型的预测性能之间存在显著差异。验证集中5.71%的综合判别改善指数(Integrated Discrimination Improvement,IDI)显示出影像组学模型相对于影像组学标签预测性能的提升。影像组学模型的校准曲线显示出良好的适应度,验证集中的决策曲线分析表明,相比与临床模型1及临床模型2,影像组学模型在指导不同Lauren分型胃癌患者的治疗策略时获得了更多益处。结论本研究基于瘤内及瘤周的影像组学特征、CTT分期、CTN分期、年龄构建了影像组学诺模图,可以个性化地用于术前预测胃癌患者的Lauren分型,辅助临床决策的制定。