目的:探讨早期宫颈癌患者的MRI影像表型与各种临床及组织病理学特征之间的相关性。方法:回顾性收集2019年7月—2023年12月164例早期宫颈癌患者的磁共振影像组学特征和临床及组织病理学特征。将所有患者的肿瘤和盆腔淋巴结通过基于影像...目的:探讨早期宫颈癌患者的MRI影像表型与各种临床及组织病理学特征之间的相关性。方法:回顾性收集2019年7月—2023年12月164例早期宫颈癌患者的磁共振影像组学特征和临床及组织病理学特征。将所有患者的肿瘤和盆腔淋巴结通过基于影像组学特征的一致性聚类分为两组,比较两组患者的临床及组织病理学特征的差异。结果:基于肿瘤的聚类分析显示,两组在平均年龄、组织学类型、肿瘤分化程度、淋巴血管间隙侵犯以及宫旁浸润上差异均没有统计学意义。与组1相比,组2患者的术后国际妇产科联盟(Federation International of Gynecology and Obstetrics,FIGO)分期更晚[ⅡA期及以上:22/72(30.6%)vs.56/92(60.9%),P=0.001]、淋巴结转移的概率更大[9/72(12.5%)vs.30/92(32.6%),P=0.002]、肿瘤更大[短径:(16.67±6.32)mm vs.(28.38±9.73)mm,长径:(21.02±7.39)mm vs.(34.34±9.72)mm,高度:(18.93±8.01)mm vs.(29.92±10.61)mm,P均<0.001],且具有更深的间质浸润深度[>2/3:26/72(36.1%)vs.62/92(67.4%),P<0.001]。基于淋巴结的聚类分析显示两组在短径、长径、短长比、信号、边缘和淋巴结转移差异没有统计学意义。结论:基于肿瘤的多参数磁共振影像组学一致性聚类分析有助于识别早期宫颈癌患者影像组学特征与临床及组织病理学特征的关联,从而为术前危险分层提供了依据。展开更多
目的基于动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)和扩散峰度成像(diffusion kurtosis imaging,DKI)参数图构建影像组学模型,评估其在预测三阴性乳腺癌(triple-negative breast cancer,TNBC)中的应用价值。材料与方法...目的基于动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)和扩散峰度成像(diffusion kurtosis imaging,DKI)参数图构建影像组学模型,评估其在预测三阴性乳腺癌(triple-negative breast cancer,TNBC)中的应用价值。材料与方法回顾性分析165例乳腺癌患者病例资料,根据患者的病理结果分为非TNBC组(120例)和TNBC组(45例)。所有患者术前均接受DCE-MRI和DKI检查。按照8∶2的比例随机分为训练集(n=132)和测试集(n=33)。在第2期DCE-MRI图像、平均扩散峰度值(mean kurtosis,MK)和平均扩散率(mean diffusivity,MD)参数图中勾画出病变区域的三维感兴趣区(three-dimensional region of interest,3D ROI),并提取影像组学特征。使用K最佳、最小冗余最大相关(max-relevance and min-redundancy,mRMR)以及最小绝对收缩和选择算子回归(least absolute shrinkage and selection operator,LASSO)算法依次对特征进行降维和选择,然后,通过逻辑回归(logistic regression,LR)分类器分别建立第2期DCE-MRI模型、DKI参数图模型(MD+MK、MD、MK)及联合模型(DCE-MRI+MD+MK),并采用5折交叉验证法验证模型的稳定性。模型的预测性能通过受试者工作特征(receiver operating characteristic,ROC)曲线和曲线下面积(area under the curve,AUC)进行评估,并使用DeLong检验分析模型间的统计学差异。最后,通过决策曲线分析(decision curve analysis,DCA)评估影像组学模型在临床中的应用价值。结果从每个序列3D ROI中分别提取了2286个影像组学特征,从第2期DCE-MRI、MD+MK、MD、MK及DCE-MRI+MD+MK中分别选取了8、9、12、7、21个特征与TNBC相关。第2期DCE-MRI模型、MD+MK模型、MD模型和MK模型在测试集的AUC分别为0.810、0.769、0.676、0.625;联合模型(DCE-MRI+MD+MK)在测试集中的AUC是0.884,其准确率、敏感度和特异度分别为78.8%、79.2%和77.8%。最后,把临床特征与影像组学特征进行联合建立列线图模型。结果表明,影像组学联合模型(DCE-MRI+MD+MK)优于MD+MK模型、MD模型、MK模型及第2期DCE-MRI模型,但与列线图模型的AUC和DCA差异无统计学意义(P>0.05),表明影像组学联合模型(DCE-MRI+MD+MK)能够在临床实践中提供与列线图模型相似的诊断性能。结论基于DCE-MRI联合DKI参数图的影像组学联合模型(DCE-MRI+MD+MK)及列线图模型可以在术前有效地预测TNBC,有助于临床对TNBC的诊断、制订治疗方案及改善预后。展开更多
文摘目的:基于瘤内及瘤周多参数磁共振成像(magnetic resonance imaging,MRI)影像组学构建术前预测浸润性乳腺癌N2-3期腋窝淋巴结(axillary lymph node,ALN)的列线图并验证模型效能。方法:回顾性分析2018年1月—2019年12月接受规范治疗前乳腺MRI检查的320例(训练集224例,验证集96例)浸润性乳腺癌患者资料。根据病理报告中腋窝转移淋巴结数量将患者分为N0-1期组(转移<4枚)和N2-3期组(转移≥4枚)。从5个MRI序列的瘤内、瘤周及瘤内+瘤周3个感兴趣区(region of interest,ROI)中分别提取并筛选与ALN分期相关的影像组学特征,通过随机森林(random forest,RF)分类器构建3个影像组学模型(瘤内模型、瘤周模型及瘤内+瘤周模型),计算各自的影像组学评分。采用单因素、多因素Logistic回归分析筛选临床独立预测因子,构建临床模型。整合最优影像组学模型和临床模型中的特征构建联合模型,并可视化为列线图。通过受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线和决策曲线分析(decision curve analysis,DCA)评估并比较各模型的预测效能和临床实用价值。结果:在单纯影像组学模型中瘤内+瘤周模型的表现最优,训练集和验证集中的曲线下面积(area under the curve,AUC)分别为0.911和0.858。整合了瘤内+瘤周组学特征和临床特征(瘤周水肿和病灶强化形态)的列线图在所有模型中具有最佳的N2-3期ALN预测效能,训练集和验证集的AUC分别为0.923和0.892。校准曲线显示列线图的预测值与实际观测值一致性良好。DCA显示列线图临床效用较高。结论:联合多区域多参数MRI影像组学特征和临床特征构建的列线图对浸润癌乳腺癌N2-3期腋窝淋巴结的个性化预测有较高价值。
文摘目的:探讨早期宫颈癌患者的MRI影像表型与各种临床及组织病理学特征之间的相关性。方法:回顾性收集2019年7月—2023年12月164例早期宫颈癌患者的磁共振影像组学特征和临床及组织病理学特征。将所有患者的肿瘤和盆腔淋巴结通过基于影像组学特征的一致性聚类分为两组,比较两组患者的临床及组织病理学特征的差异。结果:基于肿瘤的聚类分析显示,两组在平均年龄、组织学类型、肿瘤分化程度、淋巴血管间隙侵犯以及宫旁浸润上差异均没有统计学意义。与组1相比,组2患者的术后国际妇产科联盟(Federation International of Gynecology and Obstetrics,FIGO)分期更晚[ⅡA期及以上:22/72(30.6%)vs.56/92(60.9%),P=0.001]、淋巴结转移的概率更大[9/72(12.5%)vs.30/92(32.6%),P=0.002]、肿瘤更大[短径:(16.67±6.32)mm vs.(28.38±9.73)mm,长径:(21.02±7.39)mm vs.(34.34±9.72)mm,高度:(18.93±8.01)mm vs.(29.92±10.61)mm,P均<0.001],且具有更深的间质浸润深度[>2/3:26/72(36.1%)vs.62/92(67.4%),P<0.001]。基于淋巴结的聚类分析显示两组在短径、长径、短长比、信号、边缘和淋巴结转移差异没有统计学意义。结论:基于肿瘤的多参数磁共振影像组学一致性聚类分析有助于识别早期宫颈癌患者影像组学特征与临床及组织病理学特征的关联,从而为术前危险分层提供了依据。
文摘目的基于动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)和扩散峰度成像(diffusion kurtosis imaging,DKI)参数图构建影像组学模型,评估其在预测三阴性乳腺癌(triple-negative breast cancer,TNBC)中的应用价值。材料与方法回顾性分析165例乳腺癌患者病例资料,根据患者的病理结果分为非TNBC组(120例)和TNBC组(45例)。所有患者术前均接受DCE-MRI和DKI检查。按照8∶2的比例随机分为训练集(n=132)和测试集(n=33)。在第2期DCE-MRI图像、平均扩散峰度值(mean kurtosis,MK)和平均扩散率(mean diffusivity,MD)参数图中勾画出病变区域的三维感兴趣区(three-dimensional region of interest,3D ROI),并提取影像组学特征。使用K最佳、最小冗余最大相关(max-relevance and min-redundancy,mRMR)以及最小绝对收缩和选择算子回归(least absolute shrinkage and selection operator,LASSO)算法依次对特征进行降维和选择,然后,通过逻辑回归(logistic regression,LR)分类器分别建立第2期DCE-MRI模型、DKI参数图模型(MD+MK、MD、MK)及联合模型(DCE-MRI+MD+MK),并采用5折交叉验证法验证模型的稳定性。模型的预测性能通过受试者工作特征(receiver operating characteristic,ROC)曲线和曲线下面积(area under the curve,AUC)进行评估,并使用DeLong检验分析模型间的统计学差异。最后,通过决策曲线分析(decision curve analysis,DCA)评估影像组学模型在临床中的应用价值。结果从每个序列3D ROI中分别提取了2286个影像组学特征,从第2期DCE-MRI、MD+MK、MD、MK及DCE-MRI+MD+MK中分别选取了8、9、12、7、21个特征与TNBC相关。第2期DCE-MRI模型、MD+MK模型、MD模型和MK模型在测试集的AUC分别为0.810、0.769、0.676、0.625;联合模型(DCE-MRI+MD+MK)在测试集中的AUC是0.884,其准确率、敏感度和特异度分别为78.8%、79.2%和77.8%。最后,把临床特征与影像组学特征进行联合建立列线图模型。结果表明,影像组学联合模型(DCE-MRI+MD+MK)优于MD+MK模型、MD模型、MK模型及第2期DCE-MRI模型,但与列线图模型的AUC和DCA差异无统计学意义(P>0.05),表明影像组学联合模型(DCE-MRI+MD+MK)能够在临床实践中提供与列线图模型相似的诊断性能。结论基于DCE-MRI联合DKI参数图的影像组学联合模型(DCE-MRI+MD+MK)及列线图模型可以在术前有效地预测TNBC,有助于临床对TNBC的诊断、制订治疗方案及改善预后。
