论文部分内容阅读
第一部分：平扫CT影像组学分析预测胸腺上皮性肿瘤简化病理分型
目的：
建立基于平扫CT(Noncontrast Enhanced CT，NECT)影像组学及临床特征的多种机器学习方法，预测胸腺上皮性肿瘤(ThymicEpithelialTumors，TETs)的世界卫生组织(World Health Organization，WHO)简化病理分型。
材料和方法：
回顾性收集我院2009年1月至2017年5月433例经病理证实的TETs患者术前NECT图像资料，其中低危胸腺瘤(Low-RiskThymoma，LRT)203例，高危胸腺瘤(High-RiskThymoma，HRT)194例，胸腺癌(Thymic Carcinoma，TC)36例。运用ITK-SNAP软件手动勾画全肿瘤区域的感兴趣体积(Volume Of Interests，VOIs)，使用PyradiomicsV2.1.0提取影像组学特征，单独(影像组学特征)或结合临床特征(临床特征+影像组学)构建14个机型学习模型，采用多种降维方法选择特征，重复10折交叉验证评估模型效能。受试者工作特性(Receiver Operator Characteristic， ROC)曲线评价14个机器学习模型诊断WHO简化病理分型的效能。
结果：
临床特征+影像组学的机器学习模型的曲线下面积(Area Under Curve，AUC)均大于影像组学模型。其中，支持向量机(Support Vector Machine，SVM)模型验证集的AUC值最大(0.838，95% CI: 0.817-0.858)，逻辑回归(LogisticRegression，LR)模型的AUC值为0.810(95% CI : 0.787-0.831)低于SVM模型(DeLong检验，P＜0.01)。去除异常值后，LR模型的AUC值(0.846，95% CI:0.824-0.866)高于SVM模型(0.841，95% CI: 0.819-0.862)，但无统计学差异(P＞0.05)。如果将鉴别LRT、HRT和TC作为onevs-rest问题，临床特征+影像组学的LR模型敏感性分别为67.49%、60.82%和52.78%，特异性为70.00%、72.38%和93.95%。
结论：
建立的14种机器学习模型均能准确地预测TETs的WHO简化病理分型，尤其是SVM和LR模型。基于NECT的影像组学及临床特征的机器学习模型可以用于鉴别TETs的WHO简化病理分型，对临床治疗决策及预后评估具有一定的参考意义。
第二部分：多期CT影像组学预测胸腺上皮性肿瘤简化病理分型与临床分期的研究
目的：
研究基于CT多期相影像组学和临床特征构造的LR分类模型预测胸腺上皮性肿瘤的WHO简化病理分型与Masaoka-Koga简化分期的诊断效能。
材料和方法
回顾性收集我院2009年1月至2017年5月187例经病理证实的TETs患者的术前增强CT(Contrast-EnhancedCT，CECT)图像资料，其中LRT75例，HRT85例，TC27例。运用ITK-SNAP软件手动勾画不同期相全肿瘤区域VOIs，使用PyradiomicsV2.1.0提取影像组学特征。基于CT不同期相影像组学特征，结合临床特征利用LR分类器构建5个预测模型(平扫模型、动脉期模型、静脉期模型、三期相模型和临床-三期相模型)，采用多种降维方法选择特征，重复10折交叉验证评估模型效能，用ROC曲线评价模型诊断WHO简化病理分型与Masaoka-Koga简化分期的效能。
结果：
LR临床-三期相模型鉴别WHO简化病理分型的效能最高，测试集AUC值为0.814(95% CI: 0.780-0.846)，敏感性和特异性分别为74.87%、76.20%，与平扫、动脉期及静脉期模型比较，均有统计学差异(DeLong检验，P＜0.01)，与三期相模型比较无统计学差异(P=0.152)。LR静脉期模型鉴别Masaoka-Koga简化分期的效能最高，测试集AUC值为0.844(95% CI: 0.784-0.893)，敏感性和特异性分别为74.68%、85.19%，但与其他模型比较均无统计学差异(P＞0.05)。
结论：
基于CT多期相影像组学及临床特征建立的LR模型可较准确预测TETs的WHO简化病理分型与Masaoka-Koga简化分期，有助于临床医生术前诊断和治疗决策。
关键词：胸腺上皮性肿瘤；影像组学；增强CT；WHO简化病理分型；Masaoka-Koga简化分期
第三部分：增强CT影像组学预测胸腺上皮性肿瘤简化病理分型与临床分期的研究
目的：
研究基于临床特征、CECT常规影像特征与影像组学特征建立的机器学习模型预测TETs的WHO简化病理分型与TNM简化分期的诊断效能。
材料和方法：
回顾性收集我院2009年1月至2017年5月303例经病理证实的TETs患者术前CECT图像资料，其中LRT126例，HRT141例，TC36例。运用ITK-SNAP软件手动勾画不同期相全肿瘤区域VOIs，使用PyradiomicsV2.1.0提取影像组学特征。基于CECT多期相影像组学特征，结合临床特征及常规影像特征评分利用LR分类器构建4个预测模型(组学模型、临床-组学模型、临床-影像特征模型、影像特征-组学模型)。采用多种降维方法选择特征，重复10折交叉验证评估模型效能，用ROC曲线评价模型诊断WHO简化病理分型与TNM简化分期的效能。
结果：
影像特征-组学模型鉴别WHO简化病理分型的效能最高，测试集AUC值为0.845(95% CI: 0.820-0.868)，显著高于组学模型(0.791，95% CI: 0.763-0.817)、临床-组学模型(0.808，95%CI:0.781-0.833)(DeLong检验，P＜0.001)，但与临床-影像特征模型(0.829，95% CI: 0.803-0.853)比较无统计学差异(P=0.112)。影像特征-组学模型鉴别TNM简化分期的效能亦最高，测试集AUC值为0.958(95% CI: 0.929-0.977)，显著高于组学模型(0.836，95%CI:0.789-0.876)以及临床-组学模型(0.836， 95% CI: 0.786-0.873)(P＜0.001)，但与临床-影像特征模型(0.953，95% CI: 0.923-0.974)比较无统计学差异(P=0.464)。影像特征-组学模型诊断LRT、HRT与TC的准确率分别为73.03%、68.75%、92.43%，敏感性为68.50%、65.00%和70.27%，特异性为76.27%、71.95%、95.51%。影像特征-组学模型诊断TNM早期、进展期TETs的准确率分别为89.47%、89.47%，敏感性为87.22%、92.74%，特异性为92.74%、87.22%。
结论：
影像特征-组学模型鉴别WHO简化病理分型的效能优于组学和临床-组学模型，影像特征-组学模型和临床-影像特征模型鉴别TNM简化分期效能最佳。基于CECT常规影像特征和影像组学特征的机器学习方法可较准确地预测TETs的简化病理分型和临床分期，为临床治疗决策和预后评估提供有价值的参考。
目的：
建立基于平扫CT(Noncontrast Enhanced CT，NECT)影像组学及临床特征的多种机器学习方法，预测胸腺上皮性肿瘤(ThymicEpithelialTumors，TETs)的世界卫生组织(World Health Organization，WHO)简化病理分型。
材料和方法：
回顾性收集我院2009年1月至2017年5月433例经病理证实的TETs患者术前NECT图像资料，其中低危胸腺瘤(Low-RiskThymoma，LRT)203例，高危胸腺瘤(High-RiskThymoma，HRT)194例，胸腺癌(Thymic Carcinoma，TC)36例。运用ITK-SNAP软件手动勾画全肿瘤区域的感兴趣体积(Volume Of Interests，VOIs)，使用PyradiomicsV2.1.0提取影像组学特征，单独(影像组学特征)或结合临床特征(临床特征+影像组学)构建14个机型学习模型，采用多种降维方法选择特征，重复10折交叉验证评估模型效能。受试者工作特性(Receiver Operator Characteristic， ROC)曲线评价14个机器学习模型诊断WHO简化病理分型的效能。
结果：
临床特征+影像组学的机器学习模型的曲线下面积(Area Under Curve，AUC)均大于影像组学模型。其中，支持向量机(Support Vector Machine，SVM)模型验证集的AUC值最大(0.838，95% CI: 0.817-0.858)，逻辑回归(LogisticRegression，LR)模型的AUC值为0.810(95% CI : 0.787-0.831)低于SVM模型(DeLong检验，P＜0.01)。去除异常值后，LR模型的AUC值(0.846，95% CI:0.824-0.866)高于SVM模型(0.841，95% CI: 0.819-0.862)，但无统计学差异(P＞0.05)。如果将鉴别LRT、HRT和TC作为onevs-rest问题，临床特征+影像组学的LR模型敏感性分别为67.49%、60.82%和52.78%，特异性为70.00%、72.38%和93.95%。
结论：
建立的14种机器学习模型均能准确地预测TETs的WHO简化病理分型，尤其是SVM和LR模型。基于NECT的影像组学及临床特征的机器学习模型可以用于鉴别TETs的WHO简化病理分型，对临床治疗决策及预后评估具有一定的参考意义。
第二部分：多期CT影像组学预测胸腺上皮性肿瘤简化病理分型与临床分期的研究
目的：
研究基于CT多期相影像组学和临床特征构造的LR分类模型预测胸腺上皮性肿瘤的WHO简化病理分型与Masaoka-Koga简化分期的诊断效能。
材料和方法
回顾性收集我院2009年1月至2017年5月187例经病理证实的TETs患者的术前增强CT(Contrast-EnhancedCT，CECT)图像资料，其中LRT75例，HRT85例，TC27例。运用ITK-SNAP软件手动勾画不同期相全肿瘤区域VOIs，使用PyradiomicsV2.1.0提取影像组学特征。基于CT不同期相影像组学特征，结合临床特征利用LR分类器构建5个预测模型(平扫模型、动脉期模型、静脉期模型、三期相模型和临床-三期相模型)，采用多种降维方法选择特征，重复10折交叉验证评估模型效能，用ROC曲线评价模型诊断WHO简化病理分型与Masaoka-Koga简化分期的效能。
结果：
LR临床-三期相模型鉴别WHO简化病理分型的效能最高，测试集AUC值为0.814(95% CI: 0.780-0.846)，敏感性和特异性分别为74.87%、76.20%，与平扫、动脉期及静脉期模型比较，均有统计学差异(DeLong检验，P＜0.01)，与三期相模型比较无统计学差异(P=0.152)。LR静脉期模型鉴别Masaoka-Koga简化分期的效能最高，测试集AUC值为0.844(95% CI: 0.784-0.893)，敏感性和特异性分别为74.68%、85.19%，但与其他模型比较均无统计学差异(P＞0.05)。
结论：
基于CT多期相影像组学及临床特征建立的LR模型可较准确预测TETs的WHO简化病理分型与Masaoka-Koga简化分期，有助于临床医生术前诊断和治疗决策。
关键词：胸腺上皮性肿瘤；影像组学；增强CT；WHO简化病理分型；Masaoka-Koga简化分期
第三部分：增强CT影像组学预测胸腺上皮性肿瘤简化病理分型与临床分期的研究
目的：
研究基于临床特征、CECT常规影像特征与影像组学特征建立的机器学习模型预测TETs的WHO简化病理分型与TNM简化分期的诊断效能。
材料和方法：
回顾性收集我院2009年1月至2017年5月303例经病理证实的TETs患者术前CECT图像资料，其中LRT126例，HRT141例，TC36例。运用ITK-SNAP软件手动勾画不同期相全肿瘤区域VOIs，使用PyradiomicsV2.1.0提取影像组学特征。基于CECT多期相影像组学特征，结合临床特征及常规影像特征评分利用LR分类器构建4个预测模型(组学模型、临床-组学模型、临床-影像特征模型、影像特征-组学模型)。采用多种降维方法选择特征，重复10折交叉验证评估模型效能，用ROC曲线评价模型诊断WHO简化病理分型与TNM简化分期的效能。
结果：
影像特征-组学模型鉴别WHO简化病理分型的效能最高，测试集AUC值为0.845(95% CI: 0.820-0.868)，显著高于组学模型(0.791，95% CI: 0.763-0.817)、临床-组学模型(0.808，95%CI:0.781-0.833)(DeLong检验，P＜0.001)，但与临床-影像特征模型(0.829，95% CI: 0.803-0.853)比较无统计学差异(P=0.112)。影像特征-组学模型鉴别TNM简化分期的效能亦最高，测试集AUC值为0.958(95% CI: 0.929-0.977)，显著高于组学模型(0.836，95%CI:0.789-0.876)以及临床-组学模型(0.836， 95% CI: 0.786-0.873)(P＜0.001)，但与临床-影像特征模型(0.953，95% CI: 0.923-0.974)比较无统计学差异(P=0.464)。影像特征-组学模型诊断LRT、HRT与TC的准确率分别为73.03%、68.75%、92.43%，敏感性为68.50%、65.00%和70.27%，特异性为76.27%、71.95%、95.51%。影像特征-组学模型诊断TNM早期、进展期TETs的准确率分别为89.47%、89.47%，敏感性为87.22%、92.74%，特异性为92.74%、87.22%。
结论：
影像特征-组学模型鉴别WHO简化病理分型的效能优于组学和临床-组学模型，影像特征-组学模型和临床-影像特征模型鉴别TNM简化分期效能最佳。基于CECT常规影像特征和影像组学特征的机器学习方法可较准确地预测TETs的简化病理分型和临床分期，为临床治疗决策和预后评估提供有价值的参考。