第一部分基于多参数MRI预测鼻咽癌局部复发风险的研究目的:鼻咽癌的标准治疗方式是放射治疗,目前以调强放射治疗（IMRT）为主。尽管治疗方式的改进显著的提高了疾病的控制水平,但是鼻咽癌治疗后局部残留和局部复发并不少见,影响患者的预后。MRI是鼻咽癌诊断、分期、评估治疗反应及疗效监测首选的检查方法。既往多项研究报道MRI有助于诊断和评估鼻咽癌治疗后局部残留和局部复发性疾病,但是对于两者之间的关系没有形成明确的共识。因此,本研究基于鼻咽癌的常规MRI表现,探讨治疗后局部残留和局部复发的关系,建立一个预测鼻咽癌局部复发的模型,辅助临床早期识别具有复发风险的患者,使患者从早期治疗中获益,改善患者的预后。材料和方法:1.临床资料回顾性收集2013年4月至2018年4月经鼻咽镜活检证实的135例原发性鼻咽癌患者。从临床电子病志中获取患者的临床资料,包括年龄、性别、KPS评分、鼻咽癌的T分期、治疗方式和病理类型。2.MRI扫描使用Siemens Magnetem Verio 3.0T system磁共振扫描仪来进行图像的采集。MRI扫描包括平扫及增强扫描,其中平扫包括轴位T1WI、轴位T2WI、矢状位T1WI、冠状位T2WI,增强扫描包括轴位、冠状位及矢状位T1WI。3.MRI图像评估和特征的记录收集首诊及治疗后3-6个月的MRI数据,由1位有15年以上工作经历的头颈部放射学专家和两位8年以上工作经历的影像医师共同阅片完成。评估的特征包括:鼻咽腔（NC）病变,鼻腔口腔（NOC）受累,咽旁部空间（PS）受累,颅底骨侵蚀（SBBE）,咀嚼肌间隙侵袭（MSI）,MRI检测到的颅神经侵犯（MDCNI）,鼻旁窦浸润（PSI）和咽后淋巴结（RLN）受累。根据鼻咽癌UICC/AJCC分期第8版/中国分期2017版本标准,使用治疗后3-6个月的MRI检查重新评估鼻咽部肿瘤的T分期,记录为r T分期。4.随访及临床终点根据定期随访记录患者的局部复发情况。本次研究以无局部复发生存期（LRFS）作为临床终点,LRFS定义为从治疗开始到观察到疾病局部复发的时间。本次研究确认LRFS的随访时间至少为24个月。局部复发患者需要经过内镜活检或颅底鼻咽部的磁共振增强扫描来确定。5.统计分析MRI特征和临床特征中的分类变量采用卡方检验或者Fisher精确检验,连续变量采用独立样本t检验。使用logistic回归分析筛选鼻咽癌局部复发的独立预测因素,建立预测模型。用受试者操作特征（ROC）曲线分析模型的预测效能。用Kaplan–Meier生存分析方法分析各变量和LRFS的关系。所有统计测试都是双面的,以P＜0.05为差异有统计学意义。结果:1.rT分期及NC残留病变是鼻咽癌局部复发的独立危险因素。2.与r T分期在r Tx和r T0分期的个体相比,r T3-r T4分期会增加鼻咽癌的局部复发风险（OR=5.752,95%CI:1.085-30.483）。3.与NC未存在残留病变的个体相比,NC存在残留病变会增加鼻咽癌局部复发的风险（OR=11.402,95%CI:3.520-36.931）。4.基于r T分期和NC残留病变共同建立的预测模型为Logit（P）=-2.049+1.750*（r T3-r T4）-0.364*（r T1-r T2）+2.434*NC。ROC曲线显示,两者共同建立的预测模型具有最大的AUC,值为0.834（95%CI:0.753-0.916）。结论:1.rT分期和NC残留病变是鼻咽癌局部复发的独立危险因素。2.基于r T分期和NC残留病变共同建立的模型对于预测鼻咽癌局部复发具有良好的效能,可以为临床医生提供个体化的局部复发预测概率,促进具有高复发风险的患者在随访和治疗方面的改善。第二部分基于多参数MRI及影像组学预测鼻咽癌疾病进展风险的研究目的:局部复发和远处转移是鼻咽癌治疗失败的主要原因,降低总生存。因此精准预测鼻咽癌患者的不良预后,为临床亟需。影像组学是计算机技术新兴并飞速发展的一个热门领域,能够全面、定量化评估肿瘤的异质性,预测肿瘤的生物学特性。本研究立足于此,探讨基于多参数MRI建立的影像组学评分预测鼻咽癌早期疾病进展风险的可行性及临床应用价值,并联合常规MRI特征,建立预测模型,为临床个体化治疗决策的制定提供重要的依据。材料和方法:1.临床资料回顾性收集了2013年4月至2018年9月在本院入院经病理确诊的155例原发性鼻咽癌患者,TNM分期为Ⅰ-Ⅳ期。从临床病志中获取患者入院首诊的临床资料,包括性别、年龄、组织学分型、T分期、N分期、临床总分期和治疗方式。所有患者入院后均接受了完整的放射治疗疗程。2.MRI扫描所有患者均使用Siemens Magnetem Verio 3.0T system磁共振扫描仪行平扫及增强扫描成像,扫描序列采集同第一部分。3.MRI特征的评估用治疗后3-6个月的常规随访MRI与治疗前MRI对比,对鼻咽癌病灶的残留状态进行评估,记录为肿瘤残留和肿瘤无残留。4.随访及临床终点根据定期随访记录患者的局部复发、转移及死亡情况。本次研究以无进展生存期（PFS）作为临床终点,确认PFS的随访时间至少为36个月。PFS定义为从治疗的第一天起至疾病进展（包括复发及远处转移）及任何原因导致的死亡,或者最后一次随访的时间（称为截尾数据）。所有局部复发病例诊断依据鼻咽镜活检结果,或者鼻咽+颅底MRI检查随访确认。颈部复发诊断依靠临床颈部查体结合穿刺病理检查或颈部MRI检查。远处转移诊断根据临床并结合影像学检查,比如胸部X线、全身骨扫描、MRI、CT、PET/CT和腹部超声。5.图像分割与影像组学特征的提取、筛选从医院PACS中检索并导出入组患者治疗前的轴位T1WI、T2WI及T1WI+C三序列的DICOM格式图像到免费的ITK-snap软件,整个肿瘤的3D感兴趣区（ROI）由两位医生手动勾画完成。使用Python3.6.5版本编程中的Pyradiomics包,从分割的鼻咽癌病灶中提取影像组学特征,每个序列均提取相同数量的特征。对所提取的影像组学特征,首先计算ICC,来评估观察者间特征提取的一致性,选择ICC大于0.75的特征进入下一步分析。按照7:3比例将患者随机分为训练组（108例）和验证组（47例）。使用训练组数据,首先对纳入分析的影像组学特征进行Mann-Whitney U检验,以识别疾病进展与无进展组之间的差异,选择P＜0.05的特征,然后采用最小绝对收缩与选择算子算法（LASSO）筛选特征,再进一步使用具有Akaike信息准则（AIC）的逻辑回归模型对特征进行最终的选择。6.影像组学评分的构建、验证及其预后价值影像组学评分通过LASSO回归筛选出的影像特征值和它对应的系数,经过线性组合计算得到。在训练组中,基于LASSO算法筛选出的特征通过逻辑回归分别建立T1WI、T2WI、TIWI+C和多序列融合的影像组学评分,并在验证组中分别对其进行测试。采用ROC曲线下面积（AUC）、准确度、敏感度、特异度对其进行量化比较。无进展生存期（PFS）和影像组学评分之间的潜在相关性首先在训练组中进行评估,然后在验证组中得到确认。基于影像组学评分的中位数,对患者进行高低风险分组,Kaplan–Meier生存分析在两组中均进行。7.诺莫图的构建、验证及其预后价值对临床特征和常规MRI特征在疾病进展和无进展组间进行差异性比较,将其中有统计学差异的特征和影像组学评分一起纳入多因素logistic回归分析,筛选独立预测因子,联合独立预测因子构建诺莫图模型,并在验证组中对其进行测试。绘制ROC曲线、校准曲线、决策曲线来评估诺莫图模型。基于诺莫图模型得分的中位数,对患者进行高低风险分组,Kaplan–Meier生存分析分别在两组中进行。8.统计学方法使用SPSS软件（24.0版本）和R语言“rms”软件包（3.5.1版本）进行数据的统计分析。计量资料采用独立样本t检验或Mann-Whitney U检验。计数资料采用χ2检验或者Fisher精确检验。在进展和无进展两组间单因素分析有差异的临床、MRI特征和影像组学评分一起纳入多因素logistic回归分析,筛选独立预测因子,构建组学诺莫图。生存分析采用Kaplan-Meier法。所有统计测试都是双面的,以P＜0.05为差异有统计学意义。结果:1.单因素分析发现,临床总分期和MRI肿瘤残留（MRI-residual）在疾病进展组和无进展组之间具有统计学上的差异。2.相对于单个序列,多序列融合影像组学评分预测鼻咽癌疾病进展的效能最好。训练组的AUC为0.890（95%CI:0.828-0.952）,验证组的AUC为0.808（95%CI:0.684-0.935）。3.多因素logistic回归分析显示,MRI-residual和影像组学评分为独立预测因子。两者共同构建的诺莫图模型预测鼻咽癌疾病进展的效能最好,训练组的AUC为0.923（95%CI:0.874-0.973）,验证组的AUC为0.882（95%CI:0.596-0.844）。校准曲线显示,诺莫图的观测值和预测值一致性较好。决策曲线显示阈值概率在0.19-0.95时,模型有临床净受益。结论:1.多序列融合影像组学评分和MRI-residual是鼻咽癌疾病进展的独立预测因子。其中多序列融合影像组学评分预测鼻咽癌疾病进展的效能良好。2.基于影像组学评分联合MRI-residual建立的诺莫图模型,预测能力进一步提高,有望辅助临床个体化诊疗决策的制定,使患者得到最大的治疗收益,提高生存和生活质量。