论文部分内容阅读
第一部分基于磁共振高分辨T2加权成像的影像组学对直肠良恶性病变的鉴别诊断价值目的:探讨基于磁共振T2加权成像的影像组学对鉴别直肠良恶性病变的临床价值。方法:回顾性分析2016年6月至2018年6月期间,在上海长海医院经手术或组织活检病理证实,且术前接受3T磁共振高分辨T2加权成像(high-resolution magnetic resonance T2WI)的141例直肠占位性病变患者。在高分辨T2WI图像上手动勾画病灶VOI后提取影像组学特征,之后采用最小绝对收缩算子算法(least absolute shrinkage and selection operator,LASSO)进行特征值降维,选择对鉴别病灶良恶性有价值的特征。使用降维后的特征样本随机分为训练集(80%)与测试集(20%)进行机器学习,与病理信息建立逻辑回归(logistic regression,LR)、随机森林(random forest,RF)、决策树(decision tree,DT)、K近邻(K-nearest neighbor,KNN)4种分类器模型,使用受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)以及敏感度、特异度和95%置信区间。采用De Long检验比较ROC曲线差异。结果:共纳入141例患者,其中男性89例,女性52例,年龄26～78岁,平均年龄53.2±11.3岁。经组织病理证实,良性病灶24枚,恶性病灶123枚。共提取1409个影像组学特征,降维得到与良恶性鉴别相关的特征8个。LR、RF、DT、KNN四种分类器测试集的AUC分别为0.802,0.779,0.590,0.733。其中LR分类器测试集的AUC为0.802,敏感度为76.4%,特异度为75.3%,95%置信区间为0.633-0.887,较其他三种模型有更好的诊断效能(P<0.05)。结论:基于磁共振高分辨T2WI的影像组学模型对直肠良恶性病灶的鉴别诊断具有价值,有助于辅助临床制定治疗决策。第二部分基于磁共振高分辨T2加权成像的影像组学对直肠癌的术前诊断价值目的:探讨基于磁共振高分辨T2加权成像的影像组学在直肠癌术前诊断中的应用价值。方法:回顾性分析2016年6月至2019年6月期间,在上海长海医院经手术病理证实,术前接受3T磁共振高分辨T2加权成像(T2WI)的165例直肠癌患者。记录详细的术后病理报告结果。在高分辨T2WI图像上手动勾画病灶VOI后提取影像组学特征,之后采用最小绝对收缩算子算法(least absolute shrinkage and selection operator,LASSO)进行特征值降维,选择出对不同病理信息最有价值的特征。使用降维后的特征样本随机分为训练集(80%)与测试集(20%)进行机器学习,分别与相关的病理信息建立随机森林(random forest,RF)、决策树(decision tree,DT)、K近邻(K-nearest neighbor,KNN)、逻辑回归(logistic regression,LR)4种分类器模型,制作受试者工作特征(receiver operating characteristic,ROC)曲线,计算ROC曲线下的面积(area under the curve,AUC)、敏感度、特异度和95%置信区间。采用De Long检验比较ROC曲线差异。结果:纳入165例直肠癌患者,其中男性109例,女性56例,年龄32~78岁,平均年龄57.5±8.8岁。提取得到1409个影像组学特征,最终与病理特征相关的分类有:T分期、N分期及病理分化程度。降维得到与T分期相关的特征15个,与N分期相关的特征10个,与分化程度相关的特征9个。LR、RF、DT、KNN四种分类器模型对T分期、N分期及病理分化程度的判别均有较好的诊断效能,其中RF的AUC分别为:0.813(95%置信区间:0.667-0.933,敏感度:73.3%,特异度:72.2%),0.741(95%置信区间:0.593-0.874,敏感度:67.1%,特异度:75.0%),0.778(95%置信区间:0.534-0.982,敏感度:40.0%,特异度:96.4%),比其他三种分类器模型有更好的诊断效能(P<0.05)。结论:基于磁共振高分辨T2WI的影像组学可以用于术前判断直肠癌的T分期、N分期以及病理分化程度,对直肠癌的术前分期具有价值,有助于辅助临床制定治疗方案。第三部分基于磁共振T2加权成像的影像组学对直肠癌新辅助治疗疗效的评估价值目的:探讨基于磁共振高分辨T2WI的影像组学对直肠癌新辅助治疗疗效的评估价值。方法:回顾性分析2016年6月至2019年6期间,在上海长海医院经病理证实,新辅助治疗前后均接受3T高分辨磁共振成像的直肠癌患者。记录详细的术后病理报告结果。在患者治疗前基线和治疗后两次检查的高分辨T2WI图像上分别手动勾画病灶(VOI前及VOI后)后提取影像组学特征进行分析。分别采用LASSO(least absolute shrinkage and selection operator)算法及主成分分析法(principal component analysis,PCA)进行降维,选择出对术后病理肿瘤退缩分级(tumor regression grade,TRG)及病理完全反应(pathologic complete response,p CR)有价值的特征。将降维后的特征样本随机分为训练集(80%)与测试集(20%)进行机器学习,分别建立随机森林(random forest,RF)、决策树(decision tree,DT)、K近邻(K-nearest neighbor,KNN)、逻辑回归(logistic regression,LR)四种分类器模型,获得接受者操作特性(receiver operating characteristic,ROC)曲线,得到ROC曲线下面积(area under the curve,AUC)、敏感度、特异度及95%置信区间。采用De Long检验比较ROC曲线差异。决策曲线分析(decision curve analysis,DCA)评估临床获益。结果:最终纳入80例直肠腺癌患者,根据术后病理报告疗效良好组(TRG 0-1)29例(36.25%),疗效不良组(TRG 2-3)为51例(63.75%),p CR组15例(18.75%),非p CR组65例(81.25%)。LASSO算法得到3个与TRG分组相关的特征,11个与p CR相关的特征,PCA法重新组合分别选取前6个和前5个最能代表整个组学特征矩阵的新特征。TRG分类中RF分类器测试集的综合表现优于其他分类器(P<0.05),p CR分类中KNN模型较其他三种模型有更好的诊断效能(P<0.05)。LASSO算法的临床获益大于PCA。结论:基于磁共振高分辨T2WI的影像组学可以用于对直肠癌新辅助治疗后疗效的准确评估,从而辅助临床进行个体化治疗决策。