论文部分内容阅读
目的:利用MR影像组学对直肠癌免疫评分进行预测研究,以更好的指导临床判断预后及进行治疗。材料与方法:本项为回顾性研究,共收集74例经病理证实直肠癌患者的MR T2WI、ADC图像,所有患者均行直肠癌根治性手术,手术标本进行免疫组化染色,并计算免疫评分。其中高免疫评分组34例,低免疫评分组40例。同时收集了这74例患者的临床特征数据以作分析,包括患者年龄、性别、肿瘤位置、肿瘤长径、MRI T分期、淋巴结转移、CEA、CA199。由两名不同年资的放射科医师利用ITK-SNAP软件对病变进行逐层手动勾画,生成感兴趣区(VOI)。利用A.K软件提取图像特征,共提取了396个特征,主要采用单因素逻辑回归和多因素逻辑回归的方法依次对特征进行降维,将筛选出来的特征采用逻辑回归的机器学习方法分别建立基于T2WI、ADC图像的影像组学标签(RS-T2/ADC)、临床模型及影像组学标签与临床因素联合的预测模型进行免疫评分的预测,各模型预测效能使用受试者工作特征曲线(ROC)来评价。结果:基于T2WI图像筛选出来的特征值建立的影像组学标签(RS-T2),在训练组和验证组的受试者工作特征曲线(ROC)下面积(AUC)分别为0.789(95%CI:0.652-0.891)、0.75(95%CI:0.528-0.905),准确率分别为0.706、0.826,特异性分别为0.786、0.833,敏感性分别为0.609、0.818,阳性预测值分别为0.700、0.818,阴性预测值分别为0.710、0.833。基于ADC图像筛选出来的特征值建立的影像组学标签(RS-ADC),在训练组和验证组的受试者工作特征曲线(ROC)下面积(AUC)分别为0.818(95%CI:0.685-0.912)、0.780(95%CI:0.560-0.924),准确率分别为0.745、0.739,特异性分别为0.893、0.667,敏感性分别为0.565、0.818,阳性预测值分别为0.812、0.692,阴性预测值分别为0.714、0.800。在临床因素中,肿瘤MRI T分期与免疫评分的高低显著相关(P值均<0.05),在训练组和验证组的受试者工作特征曲线(ROC)下面积(AUC)分别为0.769(95%CI:0.656-0.882)、0.735(95%CI:0.550-0.920),准确率分别为0.784、0.739,特异性分别为0.929、0.833,敏感性分别为0.609、0.636,阳性预测值分别为0.875、0.778,阴性预测值分别为0.743、0.714。基于影像组学标签与临床特征联合建立的列线图,在训练组和验证组的受试者工作特征曲线(ROC)下面积(AUC)分别为0.919(95%CI:0.848-0.991)、0.879(95%CI:0.727-1.000),准确率分别为0.863、0.826,特异性分别为0.857、0.667,敏感性分别为0.870、1.000,阳性预测值分别为0.833、0.733,阴性预测值分别为0.889、1.000。结论:基于直肠癌T2WI、ADC图像的影像组学模型及影像组学标签与临床特征联合构建的列线图可用于预测直肠癌免疫评分,从而为直肠癌预后判断及治疗方案的选择提供依据。