论文部分内容阅读
目的:探讨肝细胞癌基于非增强MRI的影像组学特征与微血管浸润的相关性,从而评价肝细胞癌微血管浸润的状态,为术前治疗方案的选择、预后评估提供参考。材料和方法:一、一般资料:回顾性分析2013.1.1-2019.3.20经手术病理证实是否有MVI的原发性HCC病人129例,其中男性患者总数104例,女性患者总数25例;MVI阳性者总数77例,MVI阴性者总数55例。患者入选标准:(1)经过术后病理证实的单发原发性肝癌;(2)术后病理明确提示是否有微血管浸润;(3)患者肝细胞癌术前未经过任何治疗,如放疗、化疗、穿刺等;(4)患者术前两周Siemens verio 3.0T MRI影像学资料完整,序列齐全,图像清晰,无伪影。二、图像处理:将患者MRI资料导入汇医慧影公司放射组学云平台。分别在T2WI-FS及ADC图中对瘤体逐层进行勾画感兴趣区勾画,最终获得感兴趣容积(VOI),使用该云平台从肝细胞癌癌灶区域提取影像组学特征。初步共分别提取1409个影像组学特征,我们使用三步降维方法Variance Threshold、Select KBest、LASSO算法依次进行降维来进行特征选择从而选择与MVI状态相关的特征。从T2WI-FS及ADC图提取出的特征经过三步降维后的特征数依次从1409减少为846、470、12个以及从1409减少为878、248、8个。分别使用六种分类器包括逻辑回归(Logistic Regression,LR)、支持向量机(Support Vector Machine,SVM))、K近邻(k-Nearest Neighbor,KNN)、决策树(Decision Tree,DT)、随机森林(Random Forest,RF)、极限梯度增强树(Extreme Gradient Boosting,XGBoost)通过五折交叉验证对提取的特征进行机器学习建立模型。通过绘制ROC曲线下面积(AUC)、敏感度(Sensitivity)、特异度(Specificity)三个指标来评价各分类器所构建模型的效能。结果:1.影像组学特征与MVI的存在与否密切相关。分别从T2WI-FS及ADC图中提取1409个影像组学特征,最终,分别降维筛选出12、8个最优特征来构建组学模型。这些特征包括:一阶特征(Median、Kurtosis、Energy、Skewness);二阶及高阶特征(Large Area Low Gray Level Emphasis、Busyness、Large Dependence High Gray Level Emphasis、Small Area High Gray Level Emphasis、Gray Level Variance、Long Run Emphasis、10Percentile、Large Area Emphasis、Large Area High Gray Level Emphasis、Low Gray Level Emphasis、Sum Entropy)。2.两种分类器SVM、LR基于T2WI-FS特征构建的模型性能最佳,对应的受试者工作特征曲线下面积(AUC)值分别0.869、0.801,准确度为0.78、0.81,95%CI为0.70-0.98、0.62-0.98。通过对这两个模型的受试者工作特征曲线行Delong测验进行比较,发现p值为0.025<0.05,两者差异具有统计学意义,SVM分类器建立的模型诊断效能最高。当使用SVM分类器进行训练时,有微血管浸润组的灵敏度、特异度为0.62、0.77;无微血管浸润组的灵敏度、特异度为0.62、0.82;训练组及测试组的准确度分别为0.78、0.83。结论:1.使用T2WI-FS的12个组学特征,可以在预测HCC微血管浸润状态方面获得良好的准确度和AUC值;2.基于脂肪抑制T2加权成像的三维成像影像组学特征SVM建立的模型为肝细胞癌微血管浸润的术前非侵入性预测提供了一种新的辅助手段。