论文部分内容阅读
目的:探讨基于CT纹理分析与肝细胞癌病理分化程度的相关性。材料与方法:回顾性收集我院2013年1月-2018年10月经手术病理证实为肝细胞癌的患者331例,根据Edmondson-Steiner标准将患者分为低分化组(I、II级)及高分化组(III、IV级),以7:3的比例将各组患者随机分为训练组及测试组。所有患者均于术前行上腹部平扫及三期增强扫描,在平扫期及三期增强图像的肿瘤3D ROI中提取肿瘤部位形态、灰度直方图、灰度共生矩阵、灰度游程矩阵及灰度区域大小矩阵等396个纹理特征。在训练组中采用LASSO法分别对各期相纹理特征进行降维,将所选择的纹理特征基于AIC逐步法分别建立各期相影像组学标签,计算每个患者每个期相的Rad-Score。以Logistic回归方法分析影像组学标签、临床特征、影像组学标签联合临床特征与肝癌病理分化程度的关系,建立相应的Logistic回归预测模型。采用ROC评估各logistic回归模型预测肝癌病理分化程度的效能,在训练组及测试组中生成ROC曲线,并计算AUC、准确度、特异度及敏感度等。结果:1.采用LASSO法对各期相的CT纹理特征进行降维,平扫期、动脉期、门脉期及延迟期分别自动选择出3、10、10、5个纹理特征,基于AIC逐步法建立各期相相应的影像组学标签,分别计算每个患者各期相的Rad-Score。各期相Rad-Score在训练组及测试组中高分化及低分化组间均存在显著统计学差异,且低分化组的RadScore值高于高分化组。2.各期相影像组学标签均对肝癌病理分化程度有一定预测效能(AUC均大于0.6),其中门脉期预测效能最佳。门脉期影像组学标签在训练组预测效能AUC为0.744(95%CI 0.679~0.810)、准确度为0.632、敏感度为0.547、特异度为0.819;测试组AUC为0.71(95%CI 0.605~0.815),准确度为0.69,敏感度为0.739,特异度为0.581。此外动脉期Rad-Score的AUC略高于平扫期及延迟期。3.年龄、性别、肝炎类型及AFP水平等临床特征,仅AFP水平在训练组及测试组病例中高、低分化两组间均存在显著统计学差异(P值:<0.001;0.012)。临床特征Logistic预测模型AUC在训练组为0.716,测试组为0.636,在测试组中临床特征AUC低于门脉期及动脉期Rad-Score的AUC,但稍高于平扫期及延迟期。4.影像组学标签联合临床特征Logistic回归模型中,均只有Rad-Score与AFP水平分类肝癌病理分化程度有统计学意义(p均<0.01)。影像组学标签联合临床特征预测效能较单纯影像组学标签及单纯临床特征提高,训练组组中门脉期AUC达0.823,测试组为0.72,能较好预测肝癌病理分化程度。结论:1.应用CT纹理分析预测肝癌病理分化程度具有一定可行性,基于门脉期CT图像纹理分析预测肝癌病理分化程度的预测效能优于平扫期、动脉期、延迟期纹理分析及临床特征。2.基于CT纹理特征建立的影像组学标签联合AFP水平能更有效预测肝癌病理分化程度。