论文部分内容阅读
第一部分[目的]探究动态增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)定量灌注参数能否反映骨肉瘤中微循环灌注及乏氧代谢水平。[方法]于2017年1月至12月按入组标准纳入原发于膝关节周围的骨肉瘤患者,术前按研究方案行膝部MRI检查。扫描序列包括:常规T1WI、T2WI序列、DCE-MRI及增强T1WI序列。灌注序列扫描范围及层面采用膝关节矢状位,先采用扰相梯度回波序列(gradient recalled echo,GRE)行两期反转角T1WI扫描(角度分别为5°、15°),再用扰相GRE快速3D DYNAMIC序列进行连续动态增强T1WI扫描;共扫描80期,前5期为蒙片,随后经高压注射器快速团注对比剂(Gd-DTPA 0.1mmol/kg,2.5ml/s)及等量生理盐水,每期采集24幅图像,总扫描时间6分23秒。影像检查后两周内由外科手术取得含完整肿瘤瘤段的股骨或胫骨节段,分别以股骨远端髁间窝或胫骨近端髁间嵴为解剖标记,将瘤段沿正中矢状面剖开;选择一侧切出4-5mm矢状面标本,再水平网格状分割为若干个1cm×1cm大小组织块,编号后作为与影像对照的病理样本。应用苏木素-伊红及免疫组织化学染色等病理方法,检测每个样本的肿瘤坏死率(tumor necrosis rate,TNR)、微血管密度(microvessel density,MVD)、血管内皮因子(vascular endothelial growth factor,VEGF)及乏氧诱导因子-1α(hypoxia inducible factor-1 α,HIF-1α)。依靠解剖标志,确定与术后瘤段病理切片最为接近的影像层面,水平网格状划分数个1cm× 1cm大小的感兴趣区(region of interest,ROI),进行与相应位置病理样本的细致匹配。DCE-MRI数据采用美国通用电气公司(GE Healthcare)研发的血流动力学软件—Omni Kinetics(版本号2017.01.22)进行图像后处理及数据测量。选择Toft’s双室渗透药物代谢动力学模型(Extended Toft’s linear),计算并测量各样本的定量灌注参数。包括:容量转移常数(volume transfer constant,Ktrans)、速率常数(rate constant,Kep)、血管外细胞外间隙容积分数(extravascular extracellular volume fraction,Ve)以及血浆容积分数(fractional plasma volume,Vp)的均值。采用Poisson回归模型经逐步回归筛选变量,检验DCE-MRI定量参数与MVD的相关性及回归关系。分别以Ktrans、Kep、Ve、Vp为因变量,以TNR、VEGF、HIF-1α为自变量做协方差分析,检验定量灌注参数与TNR、VEGF、HIF-1α的相关性。采用logistics回归模型,以HIF-1α为因变量,以Ktrans、Kep、Ve、Vp为自变量,逐步回归筛选变量并拟合出灌注参数与HIF-1α的回归关系,并采用接收者工作特征曲线(receiver operating characteristic curve,ROC)评价预测HIF-1α表达的效能,并取得最佳划定阈值及相应的敏感性和特异性。采用反向传输(back-propagation,BP)神经网络算法模型,以VEGF为因变量,以Ktrans、Kep、Ve、Vp为自变量,分析各参数预测VEGF表达情况的效能,结果输出ROC曲线。[结果]取得符合入组条件、具有完整研究资料的骨肉瘤患者10例,包括经匹配的影像—肿瘤病理样本460个。统计结果如下:1、Ktrans、Kep、Ve与MVD存在对数回归关系,可预测骨肉瘤组织中MVD值;2、Ktrans、Ve 均与 TNR 具有相关性(P<0.01);3、当0.684<Ve<1时,VEGF表达为阳性,诊断灵敏度62.1%,特异性54.4%;4、Kep可用于预测HIF-1α表达情况,当Kep>0.155时,HIF-1α表达阳性,诊断灵敏度44.1%,特异性为72.2%;Vp与HIF-1α具有相关性(P<0.05)。[结论]动态增强磁共振定量灌注参数能够反映骨肉瘤病灶中的微循环灌注分布、肿瘤坏死及乏氧代谢情况,或可为骨肉瘤疗效评估提供依据。第二部分[目的]探究动态增强磁共振成像的定量灌注参数在骨肉瘤新辅助化疗疗效评估中的应用价值。[方法]原发膝关节周围骨肉瘤患者,入组条件与第一部分相同,但增加“患者术前进行新辅助化疗,并分别于全程化疗前后行两次MRI检查”。其余灌注成像方法、肿瘤组织病理处理、数据测量等均与第一部分相同。依靠解剖标志,严格进行化疗前、化疗后(术前)影像感兴趣区(region of interest,ROI)与术后瘤段病理样本间的细致匹配。分别测量化疗前定量灌注参数—pre-Ktrans、pre-Kep、pre-Ve、pre-Vp 和化疗后参数—post-Ktrans、post-Kep、post-Ve、post-Vp,并计算化疗前-后各参数差值△Ktrans、△Kep、△Ve、△Vp。用病理学方法检测肿瘤坏死率(TNR),划分治疗后肿瘤缓解级别。采用单因素方差分析,比较样本新辅助化疗前与全程化疗后各定量灌注参数是否存在变化,数据是否具有统计学差异。采用ROC曲线,比较新辅助化疗后定量DCE-MRI参数及它们在治疗前后的差值在预测新辅助化疗疗效中的效能。采用随机森林算法模型,分析灌注参数对预测新辅助化疗后肿瘤缓解程度的准确性。[结果]最终入组8例病例共取得肿瘤样本309个。统计学结果如下:1、在新辅助化疗前、后,各DCE-MRI定量灌注参数均存在显著差异,肿瘤化疗后坏死程度不同,各参数均有一定程度的变化;2、采用ROC曲线进行诊断评估效能时,化疗后定量灌注参数评估效能优于化疗前-后差值。当达到化疗后肿瘤完全缓解时(TNR≧90%),各灌注参数的诊断阈值分别为:post-Ktrans<0.663/min,灵敏度89.8%,特异性52.4%;post-Kep<0.34/min,灵敏度 66.1%,特异性 65.1%;post-Ve<0.508 时,灵敏度 81.4%,特异性 54%;post-Vp<0.109,灵敏度 54.2%,特异性 61.9%。3、随机森林算法模型预测TNR分级准确率达98.7%,其中post-Ktrans、post-Ve、pre-Kep对TNR分级精准预测影响最大。[结论]1、定量DCE-MRI参数在评估骨肉瘤新辅助化疗疗效方面有一定的应用价值,具有即时无创反映骨肉瘤TNR的应用潜力。2、随机森林算法模型预测TNR分级准确率达98.7%,机器学习语言在预测骨肉瘤疗效方面具有一定的应用前景和价值。