目的:探讨基于影像组学的多参数MRI定量指标在膀胱癌肌层浸润分析中的价值。方法:回顾性收集符合纳入标准的膀胱癌患者225例,其中非肌层浸润性膀胱癌125例,肌层浸润性膀胱癌100例。在MR T2WI、DWI及增强图像上测量肿瘤-壁界面,并运用影...目的:探讨基于影像组学的多参数MRI定量指标在膀胱癌肌层浸润分析中的价值。方法:回顾性收集符合纳入标准的膀胱癌患者225例,其中非肌层浸润性膀胱癌125例,肌层浸润性膀胱癌100例。在MR T2WI、DWI及增强图像上测量肿瘤-壁界面,并运用影像组学软件对肿瘤区域进行勾画及特征筛选,然后基于3组特征的概率值构建单参数及多参数联合模型,选择最优概率值与肿瘤-壁界面构建诺模图模型,在外部验证集中测试其诊断性能。ROC曲线及校准曲线对模型准确性进行评估。结果:最终选用基于6个特征的多参数联合概率值,与肿瘤-壁界面联合构建Nomogram模型,在ROC曲线上训练集和测试集曲线下面积(Area under curve,AUC)分别为0.892、0.875,表现出良好的诊断性能,较单独的组学模型或肿瘤-壁界面模型有更好的准确性。外部验证模型的AUC为0.846,进一步证明该模型有较好的预测性能。结论:基于多参数MRI和肿瘤-壁界面构建的Nomogram模型在膀胱癌是否有肌层浸润的鉴别上具有较好的诊断性能及可重复性,可以协助临床医生做出有效评估。展开更多
文摘目的探讨基于表观弥散系数(apparent diffusion coefficient,ADC)图、T1WI及T2WI序列构建的影像组学模型鉴别唾液腺多形性腺瘤(pleomorphic adenoma,PA)和基底细胞腺瘤(basal cell adenoma,BCA)的价值。材料与方法回顾性分析2015年1月至2021年10月来自济宁市第一人民医院的唾液腺129例PA和48例BCA患者的MR图像,并将其以8∶2的比例随机划分为训练集(n=141)与测试集(n=36)。在横断位ADC、T1WI及T2WI图像上手动勾画肿瘤的三维容积感兴趣区域,提取影像组学特征;采用方差阈值法、方差分析(analysis of variance,ANOVA)及基于5折交叉验证的最小绝对收缩与选择算法(least absolute shrinkage and selection operator,LASSO)筛选最有价值的特征,将筛选出的特征结合逻辑回归(logistic regression,LR)与支持向量机(support vector machine,SVM)两种分类器后进行模型训练,并在测试集中验证。绘制ROC曲线来评估LR模型与SVM模型鉴别PA和BCA的效能。此外,使用Delong Test对模型进行比较,使用决策曲线及校准曲线对模型进行评价。结果分别从ADC、T1WI、T2WI及联合序列(ADC+T1WI+T2WI)图像中得到15、3、15及23个最优特征。在训练集中,基于ADC图、T1WI图、T2WI图、联合模型构建的LR与SVM模型的曲线下面积(area under the curve,AUC)分别为0.955、0.961、0.812、0.813、0.939、0.949、0.994、0.995;基于ADC、T1WI、T2WI及联合序列图像构建的LR模型鉴别诊断PA和BCA的AUC值分别为0.906、0.780、0.868及0.972,SVM模型的AUC值分别为0.924、0.783、0.847及0.959;在训练集中,基于联合序列模型优于基于T1WI或T2WI影像组学模型(P<0.05),与基于ADC影像组学模型差异无统计学意义(P>0.05),联合序列模型的准确率、敏感度及特异度分别为98.6%~98.7%、96.4%~98.4%、98.8%~99.4%,ADC影像组学模型的准确率、敏感度及特异度分别为91.4%~91.8%、75.0%~79.7%、95.7%~98.1%;在测试集中,各模型间的AUC值均无显著性差异(P>0.05)。结论多序列联合模型及ADC影像组学模型鉴别多形性腺瘤和基底细胞腺瘤优于T1WI及T2WI序列,且与ADC影像组学模型比较,联合序列模型具有较高的准确率、敏感度及特异度。
文摘目的:探讨基于影像组学的多参数MRI定量指标在膀胱癌肌层浸润分析中的价值。方法:回顾性收集符合纳入标准的膀胱癌患者225例,其中非肌层浸润性膀胱癌125例,肌层浸润性膀胱癌100例。在MR T2WI、DWI及增强图像上测量肿瘤-壁界面,并运用影像组学软件对肿瘤区域进行勾画及特征筛选,然后基于3组特征的概率值构建单参数及多参数联合模型,选择最优概率值与肿瘤-壁界面构建诺模图模型,在外部验证集中测试其诊断性能。ROC曲线及校准曲线对模型准确性进行评估。结果:最终选用基于6个特征的多参数联合概率值,与肿瘤-壁界面联合构建Nomogram模型,在ROC曲线上训练集和测试集曲线下面积(Area under curve,AUC)分别为0.892、0.875,表现出良好的诊断性能,较单独的组学模型或肿瘤-壁界面模型有更好的准确性。外部验证模型的AUC为0.846,进一步证明该模型有较好的预测性能。结论:基于多参数MRI和肿瘤-壁界面构建的Nomogram模型在膀胱癌是否有肌层浸润的鉴别上具有较好的诊断性能及可重复性,可以协助临床医生做出有效评估。
