论文部分内容阅读
第一部分CT形态学特征对T1期肺腺癌患者淋巴结转移状态的预测价值【目的】研究传统CT形态学特征与临床T1期肺腺癌患者发生淋巴结转移的关系,建立基于术前CT形态学特征预测模型,以协助临床医生做出合理的诊疗策略。【资料与方法】回顾分析了2012年7月-2017年3月在我院病理证实的366例T1期的周围型肺腺癌患者,所有患者均在术前一个月内进行胸部CT检查。纳入训练集中的242例患者的术前CT图像特征(病灶大小、密度、分叶征、毛刺征、胸膜凹陷征、空泡征、支气管征)、年龄、性别9个特征作为预测淋巴结转移的单因素。然后利用单变量分析算法,选出其中具有统计学差异的形态学特征(p<0.05),利用逻辑回归方法建立预测模型,ROC曲线下面积(AUC)评价模型的预测性能。【结果】本研究共纳入366例临床T1期周围型腺癌的病人,总淋巴结转移率20.2%,每个特征经过曼-惠特尼U检验的特征筛选后,有四个p值均小于0.01的特征,分别为肿瘤大小、毛刺征、胸膜凹陷征及结节密度。将该模型在验证集(124个患者)中进行验证,AUC为0.796。结果表明淋巴结转移与所纳入的特征因素的变化存在相关性。【结论】在传统CT形态学特征中,肿瘤大小、毛刺征、胸膜凹陷征及结节密度是发生淋巴结转移的独立危险因素,对T1期肺腺癌术前预测淋巴结转移及治疗方案的选择有重要意义。第二部分基于肿瘤的影像组学标签对T1期肺腺癌患者淋巴结转移状态的预测研究【目的】研究临床T1期肺腺癌患者发生淋巴结转移的独立危险因素,建立基于术前肿瘤区域的影像组学标签的预测模型,以协助临床医生做出合理的诊疗策略。【资料与方法】本研究获得伦理审查委员会批准。回顾性分析366例T1期周围型肺腺癌,对于每个患者,为肿瘤定义一个3D ROI,定义为GTV(肿瘤总体积),从每个病人的GTV中提取1946个影像组学标签。利用Py Radiomics软件包对肿瘤的影像组学特征进行提取。利用最大相关最小冗余(Minimum redundancy maximum relevance,m RMR)对特征进行重要性排序,然后利用Lasso回归模型进行特征选择和影像组学模型的建立,并在124例肺腺癌患者的独立验证集中进行模型验证,利用ROC下面积AUC值来衡量模型的预测效能。【结果】在366例临床T1期肺腺癌中,其中295例术后病理未发现淋巴结转移,71例为病理证实发生淋巴结转移,从每个GTV中共提取1946个影像组学特征,筛选出3个最重要的影像组学特征,模型预测淋巴结转移的AUC值为0.829,在独立验证队列中肿瘤的影像组学特征展现了良好的分类诊断能力。【结论】基于GTV的影像组学模型在预测T1期肺腺癌患者淋巴结转移方面具有良好的效能,该模型将对T1期肺腺癌患者个体化医疗提供帮助。第三部分基于瘤周的影像组学标签对T1期肺腺癌患者淋巴结转移状态的预测研究【目的】探讨基于瘤周区域的影像组学标签对T1期肺腺癌浸润性的预测效能,最终建立预测T1期肺腺癌淋巴结转移的最佳模型。【方法】回顾分析2012年7月-2017年3月在我院病理证实的366例T1期的周围型肺腺癌患者,所有患者均行术前CT检查,肿瘤区域GTV外周15毫米定义为瘤周区域(peritumoural volume,PTV),从瘤周区域提取1946个影像组学特征。首先使用组内相关系数(Intraclass correlation coefficient,ICC)来衡量观察者间及观察者内提取特征可靠性,大于0.75表示信度良好,小于0.75的特征被剔除。在训练集上利用最大相关最小冗余(Minimum redundancy maximum relevance,m RMR)特征排序法和Lasso(Least absolute shrinkage and selection operator)分类器方法进一步筛选影像组学标签用于模型建立,在验证集进行独立验证预测模型的效能。同时对肿瘤及瘤周体积(Gross and peritumoural volume,GPTV)的影像组学特征进行重要性排序、筛选与模型的建立,在独立的验证集上利用ROC下面积AUC来衡量模型的预测效能。最后,建立一个综合CT征象学特征、癌胚抗原水平及GPTV的影像组学标签的综合预测模型,同样在验证集上来检测模型的预测效能。【结果】本研究利用GTV和PTV提取的影像组学特征建立的模型对T1期肺腺癌淋巴结转移状态具有较好的预测能力,AUC分别为0.829(95%CI,0.745-0.913)、0.825(95%CI,0.733-0.918),两组间无统计学差异。通过联合GTV和PTV的特征,影像组学特征的AUC增加到0.843(95%CI,0.770-0.916)。同时诺谟图的AUC为0.869(95%CI,0.800-0.938)。【结论】基于GTV、PTV建立的影像组学模型在预测淋巴结转移方面均具有良好的预测能力,本研究最终建立的综合预测模型术前可以方便的预测T1期肺腺癌患者LN状态。