论文部分内容阅读
背景：
多形性胶质母细胞瘤(Glioblastomamultiforme, GBM)是原发于成人中枢神经系统中最常见的恶性肿瘤，世界卫生组织(World Health Organization，WHO)将其归为IV级胶质瘤，呈浸润性生长，具有恶性程度高，生长迅速及死亡率高的特点。虽然GBM标准化治疗可以一定程度的改善其生存期，但是其术后复发率、致残率及致死率仍然较高，中位生存期为14-16个月，2年生存率仅为26%-33%。给患者本人、家庭和社会都带来了非常沉重的负担。
GBM术后同步放化疗后肿瘤真性进展或假性进展，在随访磁共振(Magnetic resonance imaging，MRI)图像上都会表现为在放射野内出现病变强化范围增大或新发强化病灶，并且肿瘤发生位置、强化方式和强化形态都极其相似，因此无论是常规MRI序列还是应用高级MRI技术去难鉴别二者都非常困难。根据以往研究表明越晚诊断病变真性进展，那时即便给予最积极的治疗干预，其患者生存获益也非常有限。所以，早期准确诊断术后病变进展情况对于提供及时、最佳治疗方案和提高患者生存率至关重要。
随着影像大数据时代的到来，影像组学即通过对医学影像图像的分割、高通量提取图像固有的潜在的大量定量特征、再进一步发掘、分析这些数据并建立分类模型，单独或联合其他临床特征对结果进行预测，充分反映潜在的病理生理学特点。影像组学克服了以往研究对图像信息发掘不充分，整合及预测能力不突出的问题。目前，影像组学已经广泛应用于肿瘤的诊断、分级及疗效评估、预测生存等方面的研究并且取得了良好的效能。
本研究拟利用机器学习结合T1加权增强(T1-weighted contrast enhanced imaging, T1CE)图像影像组学策略去鉴别GBM标准化治疗后真性进展与假性进展，并比较了影像组学策略与放射科医生人工判读的诊断效能，以探索基于T1CE影像组学策略的临床应用价值。
材料与方法：
回顾性分析了我院自2014年5月到2017年2月之间经手术病理证实的131例GBM患者，经纳入和排除标准，最终纳入77例GBM患者，所有患者均行标准化治疗，随访时均使用3.0T-MRI扫描仪(Discovery 750，GE Healthcare，Milwaukee， WI，USA)进行头颅常规平扫及增强扫描。利用ITK-SNAP软件手动逐层画取肿瘤所有强化部分为容积感兴趣区(volumeof interest,VOI)，应用Analysis-Kinetics(AK)软件从T1CE图像共提取9675个特征。此外，临床特征也被纳入其中，包括性别、年龄、KPS评分(Karnofsky performance status，KPS)、切除范围、神经功能缺损和平均放射剂量也被纳入其中。以Gini指数减少为标准对特征重要性进行排序，利用随机森林分类器(Random forest, RF)建立分类模型鉴别GBM标准化治疗后的真假性进展，通过计算受试者工作特征(ROC)的曲线下面积(AUC)、敏感度、特异度和准确性去评估模型的诊断效能。此外，本研究还对影像组学策略和三位放射科医生人工判读的诊断效能进行了比较，以平均AUC值的大小作为评判诊断效能高低的标准。
结果：
77例行标准化治疗后的GBM患者中真性进展51例，假性进展26例。真假性进展患者的临床基线特征均无显著统计学差异。基于影像组学策略的分类模型诊断效能相对较高，AUC值、准确性、敏感度和特异度分别为0.79(95% CI：0.63-0.98)、72.78%、78.36%和61.33%。而三位放射科医生人工判读的AUCs值分别为0.71(95 %CI 0.58–0.84)，0.63(95 % CI 0.50–0.77)和0.65(95 % CI 0.51–0.79)。机器学习分类器模型诊断效能明显高于人工判读。
结论：
基于常规T1CE图像的机器学习影像组学策略对鉴别GBM标准化治疗后真假性进展具有较高的分类诊断准确性，并且影像组学策略在早期区分真性进展和假性进展方面的效能要高于放射科医生的人工判读。因此，影像组学策略有助于提高临床医生早期鉴别GBM标准化治疗后真假性进展的效能，为制定GBM患者个体化诊疗策略提供一种新的工具。
多形性胶质母细胞瘤(Glioblastomamultiforme, GBM)是原发于成人中枢神经系统中最常见的恶性肿瘤，世界卫生组织(World Health Organization，WHO)将其归为IV级胶质瘤，呈浸润性生长，具有恶性程度高，生长迅速及死亡率高的特点。虽然GBM标准化治疗可以一定程度的改善其生存期，但是其术后复发率、致残率及致死率仍然较高，中位生存期为14-16个月，2年生存率仅为26%-33%。给患者本人、家庭和社会都带来了非常沉重的负担。
GBM术后同步放化疗后肿瘤真性进展或假性进展，在随访磁共振(Magnetic resonance imaging，MRI)图像上都会表现为在放射野内出现病变强化范围增大或新发强化病灶，并且肿瘤发生位置、强化方式和强化形态都极其相似，因此无论是常规MRI序列还是应用高级MRI技术去难鉴别二者都非常困难。根据以往研究表明越晚诊断病变真性进展，那时即便给予最积极的治疗干预，其患者生存获益也非常有限。所以，早期准确诊断术后病变进展情况对于提供及时、最佳治疗方案和提高患者生存率至关重要。
随着影像大数据时代的到来，影像组学即通过对医学影像图像的分割、高通量提取图像固有的潜在的大量定量特征、再进一步发掘、分析这些数据并建立分类模型，单独或联合其他临床特征对结果进行预测，充分反映潜在的病理生理学特点。影像组学克服了以往研究对图像信息发掘不充分，整合及预测能力不突出的问题。目前，影像组学已经广泛应用于肿瘤的诊断、分级及疗效评估、预测生存等方面的研究并且取得了良好的效能。
本研究拟利用机器学习结合T1加权增强(T1-weighted contrast enhanced imaging, T1CE)图像影像组学策略去鉴别GBM标准化治疗后真性进展与假性进展，并比较了影像组学策略与放射科医生人工判读的诊断效能，以探索基于T1CE影像组学策略的临床应用价值。
材料与方法：
回顾性分析了我院自2014年5月到2017年2月之间经手术病理证实的131例GBM患者，经纳入和排除标准，最终纳入77例GBM患者，所有患者均行标准化治疗，随访时均使用3.0T-MRI扫描仪(Discovery 750，GE Healthcare，Milwaukee， WI，USA)进行头颅常规平扫及增强扫描。利用ITK-SNAP软件手动逐层画取肿瘤所有强化部分为容积感兴趣区(volumeof interest,VOI)，应用Analysis-Kinetics(AK)软件从T1CE图像共提取9675个特征。此外，临床特征也被纳入其中，包括性别、年龄、KPS评分(Karnofsky performance status，KPS)、切除范围、神经功能缺损和平均放射剂量也被纳入其中。以Gini指数减少为标准对特征重要性进行排序，利用随机森林分类器(Random forest, RF)建立分类模型鉴别GBM标准化治疗后的真假性进展，通过计算受试者工作特征(ROC)的曲线下面积(AUC)、敏感度、特异度和准确性去评估模型的诊断效能。此外，本研究还对影像组学策略和三位放射科医生人工判读的诊断效能进行了比较，以平均AUC值的大小作为评判诊断效能高低的标准。
结果：
77例行标准化治疗后的GBM患者中真性进展51例，假性进展26例。真假性进展患者的临床基线特征均无显著统计学差异。基于影像组学策略的分类模型诊断效能相对较高，AUC值、准确性、敏感度和特异度分别为0.79(95% CI：0.63-0.98)、72.78%、78.36%和61.33%。而三位放射科医生人工判读的AUCs值分别为0.71(95 %CI 0.58–0.84)，0.63(95 % CI 0.50–0.77)和0.65(95 % CI 0.51–0.79)。机器学习分类器模型诊断效能明显高于人工判读。
结论：
基于常规T1CE图像的机器学习影像组学策略对鉴别GBM标准化治疗后真假性进展具有较高的分类诊断准确性，并且影像组学策略在早期区分真性进展和假性进展方面的效能要高于放射科医生的人工判读。因此，影像组学策略有助于提高临床医生早期鉴别GBM标准化治疗后真假性进展的效能，为制定GBM患者个体化诊疗策略提供一种新的工具。