论文部分内容阅读
第一部分 多参数磁共振影像组学预测骨肉瘤新辅助化疗疗效的临床研究研究目的本研究基于术前常规MRI序列(T1WI、T2WI、T1WI-CE),通过影像组学与机器学习的方法,探索多参数(T1WI、T2WI、T1WI-CE)磁共振影像组学在骨肉瘤新辅助化疗的疗效评估中的价值。材料和方法回顾性收集从2014年01月至2019年12月间经手术病理证实的87例骨肉瘤患者的临床资料,包括患者性别、年龄、病理类型、病变部位、骨质破坏类型、病变最大径、碱性磷酸酶及乳酸脱氢酶,所有患者均在行新辅助化疗前进行了横轴位T1(T1WI)、横轴位T2(T2WI)及常规横轴位增强(T1WI-CE)多序列扫描检查。87例骨肉瘤患者按照7:3的比例分为训练组和验证组,将其中60例作为训练组,27例作为验证组,根据术后病理Huvos肿瘤坏死分级分为化疗反应良好组和化疗反应不良组。分别对训练组、验证组中反应良好组与反应不良组患者的临床特征进行比较。影像组学分析的工作流程包括:(1)肿瘤分割及特征提取:在多参数磁共振影像组学分析上,首先使用开源ITK-SNAP软件对三个MRI参数图像分别进行ROI人工分割,再运用AK软件提取影像组学特征。(2)特征选择与模型构建:采用最小绝对收缩选择算子(LASSO)和多因素Logistic回归方法进行影像特征的选择,采用逻辑回归(LR)和支持向量机(SVM)构建影像组学机器学习模型。按照序列的不同组合在训练组和验证组中分别建立基于 T1WI、T2WI、T1WI-CE、T1WI+T2WI、T1WI+T1WI-CE、T2WI+T1WI-CE、以及T1W+T2WI+T1WI-CE的7种影像组学模型。采用单因素分析比较临床因素,将P<0.05的变量纳入临床模型。根据临床特征构建临床模型、临床特征联合最佳影像组学特征的组合模型。(3)模型评价:运用受试者工作特征曲线评价每种模型在训练组、验证组中的预测效能。结果1.临床特征:87例骨肉瘤患者中,其中化疗反应良好组有41例,化疗反应不良组有46例。单因素分析发现性别、发病年龄、碱性磷酸酶(ALP)水平在两组间存在统计学差异(P值分别为0.008、0.003、0.049)。2.特征提取和筛选:(1)基于T1WI、T2WI或T1WI-CE序列的944个影像组学特征纳入到特征降维筛选,通过含十折交叉验证的LASSO回归和多因素Logistic回归最终筛选特征,最终筛选特征数均为3个;(2)基于 T1WI+T2WI、T1WI+T1WI-CE 或 T2WI+T1WI-CE 序列的 1888个影像组学特征纳入到特征降维筛选,通过含十折交叉验证的LASSO回归和多因素Logistic回归最终筛选特征,最终筛选特征数分别为3、2、4个;(3)基于T1WI+T2WI+T1WI-CE序列2832个影像组学特征纳入到特征降维筛选,通过含十折交叉验证的LASSO回归和多因素Logistic回归最终筛选特征,最终筛选特征数为3个。3.模型的构建和评价:(1)基于 T1WI、T2WI、T1WI-CE、T1WI+T2WI、T1WI+T1WI-CE、T2WI+T1WI-CE、T1WI+T2WI+T1WI-CE序列构建逻辑回归(LR)模型在验证组中的预测效能工作特性曲线下面积(AUC)值分别为0.731、0.681、0.736、0.841、0.72、0.703、0.841,敏感性分别为 0.769、0.615、0.769、0.923、0.769、0.615、0.923,特异性分别为 0.571、0.643、0.643、0.714、0.571、0.714、0.714。(2)构建的支持向量机(SVM)模型在验证组中的预测效能工作特性曲线下面积(AUC)值分别为 0.703、0.714、0.731、0.764、0.67、0.747、0.764,敏感性分别为 0.923、0.615、0.846、0.846、0.462、0.692、0.846,特异性分别为0.929、0.857、0.643、0.786、0.969、0.786、0.786。(3)基于临床特征构建的临床模型、联合临床特征和最佳组合影像组学特征(LR及SVM机器学习模型)构建的联合模型在验证组中的预测效能工作特性曲线下面积(AUC)值和95%可信区间(CI)分别为0.791、0.918、0.764,敏感性分别为 0.615、0.923、0.846,特异性分别为 0.857、0.929、0.786。结论1.逻辑回归(LR)及支持向量机(SVM)分类学习模型均可以预测骨肉瘤的化疗疗效,LR预测效能高于SVM。2.基于不同磁共振扫描参数组合的7种影像组学模型对骨肉瘤化疗疗效的评估存在一定的差异性,其中基于T1WI+T2WI及T1WI+T2WI+T1WI-CE的影像组学模型的预测效能最高。3.联合临床特征和最佳影像组学特征构建的模型在评估骨肉瘤化疗疗效的效能高于临床模型和影像组学模型。第二部分 多参数磁共振影像组学预测骨肉瘤同时性肺转移的临床研究研究目的探索多参数(T1WI、T2WI、T1WI-CE)磁共振影像组学预测骨肉瘤同时性肺转移中的价值,以期指导临床医生提高随访的针对性以及早诊率,为临床上改善骨肉瘤肺转移患者的整体预后提供参考依据。材料和方法回顾性收集从2014年01月至2019年12月间经手术病理证实的78例骨肉瘤患者的临床资料,所有纳入患者均在行治疗前进行了 T1WI、T2WI及常规横轴位增强T1WI-CE检查。78例骨肉瘤患者,按照7:3的比例分为训练组和验证组,将其中54例作为训练组,24例作为验证组,根据病理证实或随访胸部CT是否存在转移分为肺转移组和无肺转移组。分别对训练组、验证组中反应良好组与反应不良组患者的临床特征进行比较。影像组学分析的工作流程包括:(1)肿瘤分割及特征提取:在多参数磁共振影像组学分析上,首先使用开源ITK-SNAP软件对三个MRI参数图像分别进行ROI人工分割,再运用AK软件提取影像组学特征。(2)特征选择与模型构建:采用最小绝对收缩选择算子(LASSO)和多因素Logistic回归方法进行影像特征的选择,采用逻辑回归(LR)和支持向量机(SVM)构建影像组学机器学习模型。按照序列的不同组合在训练组和验证组中分别建立基于 T1WI、T2WI、T1WI-CE、T1WI+T2WI、T1WI+T1WI-CE、T2WI+T1WI-CE、以及T1WI+T2WI+T1WI-CE的7种影像组学模型。采用单因素分析比较临床因素,将P<0.05的变量纳入临床模型。根据临床特征构建临床模型、临床联合最佳组合影像组学特征模型。(3)模型评价:运用受试者工作特征曲线评价每种模型在训练组、验证组中的预测效能。结果1.临床特征:78例骨肉瘤患者,其中同时性肺转移33例,非同时性肺转移45例。单因素分析发现肿瘤最大径在两组间存在统计学差异(尸值为<0.001)。2.特征提取和筛选:(1)基于T1WI、T2WI或T1WI-CE序列944个影像组学特征纳入到特征降维筛选,通过含十折交叉验证的LASSO回归和多因素Logistic回归最终筛选特征,最终筛选特征数分别为2、4、5个;(2)基于 T1WI+T2WI、T1WI+T1WI-CE 或 T2WI+T1WI-CE 序列 1888 个影像组学特征纳入到特征降维筛选,通过含十折交叉验证的LASSO回归和多因素Logistic回归最终筛选特征,最终筛选特征数分别为4、3、4个;(3)基于T1WI+T2WI+T1WI-CE序列的2832个影像组学特征纳入到特征降维筛选,通过含十折交叉验证的LASSO回归和多因素Logistic回归最终筛选特征,最终筛选特征数为3个。3.模型的构建和评价:(1)基于 T1WI、T2WI、CE、T1WI+T2WI、T1WI+T1WI-CE、T2WI+T1WI-CE、T1WI+T2WI+T1WI-CE序列构建逻辑回归(LR)模型在验证组中的预测效能工作特性曲线下面积(AUC)值分别为 0.686、0.85、0.87、0.879、0.736、0.85、0.914,敏感性分别为 0.4、0.6、0.5、0.7、0.4、0.6、0.7,特异性分别为 0.786、0.75、0.786、0.929、0.786、0.75。(2)构建的支持向量机(SVM)模型在验证组中的预测效能工作特性曲线下面积(AUC)值分别为 0.629、0.829、0.771、0.879、0.643、0.829、0.929,敏感性分别为 1.0、0.8、1.0、0.8、0.8、0.8、0.9,特异性分别为 0.429、0.786、0.5、0.857、0.5、0.786、0.857。(3)基于临床特征构建的临床模型、联合临床特征和最佳组合影像组学特征(LR及SVM机器学习模型)构建的联合模型在验证组中的预测效能工作特性曲线下面积(AUC)值分别为0.779、0.957、0.943,敏感性分别为0.6、1.0、0.846,特异性分别为0.929、0.857、0.929。结论1.逻辑回归(LR)及支持向量机(SVM)分类学习模型均可以预测骨肉瘤同时性肺转移,大部分序列组合的LR模型预测效能高于SVM,但T1WI+T2WI+T1WI-CE的SVM模型效能最高。2.基于不同磁共振扫描参数组合的7种影像组学模型中,含T2WI序列的影像组学LR和SVM模型对骨肉瘤同时性肺转移的预测均有较好的预测效能。3.联合临床数据和最佳影像组学特征构建的模型在预测骨肉瘤同时性肺转移的效能高于临床模型和影像组学模型,可为临床早期干预转移提供了一个新的决策依据。