论文部分内容阅读
第一部分 CT影像组学在肾透明细胞癌鉴别诊断中的应用研究[目的]基于CT影像组学特征构建包括肾透明细胞癌（clear cell renal cell carcinoma,ccRCC）、肾乏脂肪型血管平滑肌脂肪瘤（Angiomyolipoma without visible fat,AML.wovf）、肾乳头状细胞癌（papillary renal cell carcinoma,pRCC）、和肾嫌色细胞癌（chromophoberenal cell carcinoma,chRCC）的肾肿瘤影像组学预测模型,在此基础上进一步联合临床资料、常规影像学特征及校正CT增强参数构建肾肿瘤联合预测模型,分别探讨这两种模型在ccRCC与AML.wovf、ccRCC与non-ccRCC鉴别诊断中的应用价值。[方 法]收集经病理证实且具有完整临床资料和平扫及增强（皮质期和实质期）CT图像的301位肾脏肿瘤患者,其中AML.wovf32例,ccRCC 212例,non-ccRCC 57例,non-ccRCC中chRCC 44例,pRCC 13例。回顾性分析所有患者基本临床资料及常规影像学特征（包括位置、形态、最长径、平扫密度、钙化、出血、液化坏死、强化方式、生长方式）。测量所有患者各期病灶的CT值、同层面正常肾皮质的CT值以及增强后患侧肾动脉开口水平腹主动脉的CT值,计算校正CT增强参数（包括递进增强百分比、相对增强值、增强变化值、肿瘤相对增强值、相对主动脉增强率、相对肾皮质变化率）。同时采用西门子syngo.via后处理工作站中的Radiomics程序分别于皮质期和实质期的CT图像中勾画出整个病灶,提取影像组学特征。采用单因素逻辑回归比较ccRCC组与AML.wovf组、ccRCC组与non-ccRCC组间基本临床资料、常规影像学特征、校正CT增强参数以及影像组学特征间的差异。将P<0.001的影像组学特征采用LASSO回归建立影像组学预测模型,将P<0.001的临床资料、常规影像学特征及校正CT增强参数与影像组学特征联合,用LASSO回归建立联合预测模型。[结果]1、ccRCC组与AML.wovf组鉴别时:1)基本临床资料中性别、年龄、身高、体重、体质指数（body mass index,BMI）在2组间有统计学意义（P均小于0.05）,其中性别与体重P<0.001。常规影像学特征中,最长径、平扫密度、液化坏死、强化方式在2组间有统计学意义（P均小于0.05）,其中液化坏死和强化方式P<0.001。校正CT增强参数中,大多数参数在2组比较中有统计学意义,其中6个参数P<0.001。2)最终筛选出15个影像组学特征用于构建模型,所建立的影像组学预测模型训练集及验证集的AUC值分别约0.975（95%CI,0.951～0.998）、0.906（95%CI,0.819～0.992）。联合预测模型训练集及验证集的AUC值分别约0.995（95%CI,0.988～1）、0.982（95%CI,0.953～1）。2、ccRCC与non-ccRCC组相鉴别时:1)2组间所有基本临床资料均无统计学意义。常规影像学特征中液化坏死和强化方式在2组间有统计学意义,且P<0.001。校正CT增强参数中,大多数参数在2组间有统计学意义,其中10个参数P<0.001。2)最终筛选出13个影像组学特征用于构建模型,所建立的影像组学预测模型训练集及验证集的AUC值分别约0.918（95%CI,0.872～0.963）、0.884（95%CI,0.818～0.949）。联合预测模型训练集及验证集的AUC值分别约 0.964（95%CI,0.938～0.990）、0.962（95%CI,0.927～0.997）。[结论]1、基于CT影像组学构建的包括ccRCC、AML.wovf、chRCC、pRCC的肾肿瘤影像组学鉴别诊断预测模型在ccRCC和AML.wovf、ccRCC和non-ccRCC的鉴别诊断中具有较高的应用价值。2、联合基本临床资料、常规影像学特征、校正CT增强参数及影像组学构建的肾肿瘤联合鉴别诊断预测模型能够有效提高其诊断效能。第二部分 CT影像组学在肾透明细胞癌Fuhrman分级中的应用研究[目的]基于CT影像组学特征构建肾透明细胞癌（clear cell renal cell carcinoma,ccRCC）Fuhrman分级的影像组学预测模型,联合临床资料、常规影像学特征、校正CT增强参数及影像组学特征构建ccRCC联合预测模型,分别探讨这两种模型在ccRCC Fuhrman分级中的应用价值。[方法]收集经病理证实且临床资料和CT图像（平扫、皮质期和实质期）完整的ccRCC患者194例,其中Fuhrman高级别组70例,低级别组124例。回顾性分析所有患者临床资料及主观影像学特征（包括位置、形态、最长径、平扫密度、钙化、出血、液化坏死、强化方式、生长方式、包膜）。测量各期病灶CT值、同层面正常肾皮质CT值及增强后患侧肾动脉开口水平腹主动脉CT值,计算校正CT增强参数（包括递进增强百分比、相对增强值、增强变化值、肿瘤相对增强值、相对主动脉增强率、相对肾皮质变化率等）。采用西门子syngo.via后处理工作站中的Radiomics程序分别于皮质期和实质期的CT图像勾画出整个病灶,提取影像组学特征。采用单因素逻辑回归比较两组间临床资料、常规影像学特征、校正CT增强参数及影像组学特征间的差异。将P<0.05的影像组学特征采用随机森林算法构建影像组学预测模型,将P<0.05的临床资料、常规影像学特征及校正CT增强参数与影像组学特征联合,采用随机森林算法构建联合预测模型。[结果]1、所有基本临床资料在ccRCC Fuhrman高级别组与低级别组间均无统计学意义。常规影像学特征和校正CT增强参数中最长径、液化坏死、包膜情况、RE1、TEV3差异有统计学意义（P均小于0.05）,其余均无统计学意义。2、最终筛选出8个影像组学特征用于构建模型,所建立的影像组学预测模型训练集及验证集的 AUC 值分别约 0.828（95%CI,0.761～0.896）、0.720（95%CI,0.530～0.909）。联合预测模型训练集及验证集的AUC值分别约0.835（95%CI,0.769～0.899）、0.740（95%CI,0.558～0.993）。[结论]1、基于CT影像组学构建的ccRCC影像组学预测模型在ccRCC Fuhrman分级的预测中有一定价值。2、进一步联合临床资料、常规影像学特征及校正CT增强参数构建的联合预测模型诊断效能的提高不明显。