论文部分内容阅读
目的：
1.探讨基于多序列磁共振影像组学的非小细胞肺癌组织学亚型预测的可行性。
2.探讨基于多序列磁共振影像组学的非小细胞肺癌组织学分级预测的可行性。
3.探讨基于多序列磁共振影像组学的肺腺癌基因突变预测的可行性。
方法：
1.回顾性研究148例经术后病理证实的非小细胞肺癌患者(训练队列100例，验证队列48例)。所有患者术前均行1.5T磁共振胸部扫描。在每位患者的肿瘤最大区域内的T2加权像(T2 weighted imaging，T2WI)、扩散加权像(diffusion-weighted images, DWI)及表观扩散系数(apparent diffusion coefficient，ADC)的轴位图中提取出影像组学特征1404个。然后，使用Studentt检验和支持向量机递归特征消除方法(Support vector machine-recursive feature elimination，SVM-RFE)对训练队列进行特征优选。利用逻辑回归算法生成影像组学评分(radiomics score，Radscore)模型。将Radscore与临床因素相联合，构建nomogram模型。采用受试者工作特征曲线(receiver operating characteristic curve，ROC)分析优选特征和nomogram模型在两队列中的预测性能。
2.回顾性研究148例经术后病理证实的非小细胞肺癌患者(训练队列110例，验证队列38例)。所有患者术前均行1.5T磁共振胸部扫描。在每位患者的肿瘤最大区域内的T2WI、DWI及ADC的轴位图中提取出影像组学特征2775个。然后，使用Studentt检验、套索算法(a least absolute shrinkage and selection operator，LASSO)和逐步回归法对训练队列进行特征优选。利用逻辑回归算法生成Radscore模型。将Radscore与临床因素相联合，构建nomogram模型。采用ROC分析优选特征和nomogram模型在两队列中的预测性能。
3.回顾性研究74例经术后病理证实的肺腺癌。所有患者术前均行1.5T磁共振胸部扫描。在每位患者的肿瘤最大区域内的T2WI、DWI及ADC的轴位图中提取出影像组学特征1404个。然后，使用Studentt检验和SVM-RFE对训练队列进行特征优选。采用ROC分析优选特征在样本中的预测性能。
结果：
1.在非小细胞肺癌组织学亚型的性能评估中，所筛选出的13个最优特征，在训练和验证队列中均表现出良好的分类性能曲线下面积(area under curve，AUC)分别为0.819和0.824。此外，将Radscore与4个独立的临床因素相联合的nomogram模型具有更好的预测能力，AUC分别提高到0.901和0.872。
2.在非小细胞肺癌组织学级别的性能评估中，所筛选出的5个最优特征，在训练和验证队列中均表现出良好的预测性能AUC分别为0.761和0.753。此外，将Radscore与2个独立的临床因素相联合的nomogram模型具有更好的预测能力，AUC分别提高到0.814和0.767。
3.在肺腺癌的EGFR突变的性能评估中，所筛选出的16个最优特征，获得了良好的预测性能AUC为0.826。
结论：
1.基于多序列磁共振影像组学的非小细胞肺癌组织学亚型和级别分类具有良好的准确性及预测能力。
2.将影像组学特征与临床因素联合的nomogram模型，可以进一步提高非小细胞肺癌组织学亚型、级别的预测能力。
3.基于多序列磁共振影像组学的肺腺癌EGFR基因突变分类具有良好的准确性及预测能力。
综上：多序列磁共振影像组学方法有望成为术前对非小细胞肺癌患者的组织学亚型、级别和基因突变进行预测的有效且无创的临床工具，帮助临床医师选择最佳的治疗计划、提高患者的生活质量。
1.探讨基于多序列磁共振影像组学的非小细胞肺癌组织学亚型预测的可行性。
2.探讨基于多序列磁共振影像组学的非小细胞肺癌组织学分级预测的可行性。
3.探讨基于多序列磁共振影像组学的肺腺癌基因突变预测的可行性。
方法：
1.回顾性研究148例经术后病理证实的非小细胞肺癌患者(训练队列100例，验证队列48例)。所有患者术前均行1.5T磁共振胸部扫描。在每位患者的肿瘤最大区域内的T2加权像(T2 weighted imaging，T2WI)、扩散加权像(diffusion-weighted images, DWI)及表观扩散系数(apparent diffusion coefficient，ADC)的轴位图中提取出影像组学特征1404个。然后，使用Studentt检验和支持向量机递归特征消除方法(Support vector machine-recursive feature elimination，SVM-RFE)对训练队列进行特征优选。利用逻辑回归算法生成影像组学评分(radiomics score，Radscore)模型。将Radscore与临床因素相联合，构建nomogram模型。采用受试者工作特征曲线(receiver operating characteristic curve，ROC)分析优选特征和nomogram模型在两队列中的预测性能。
2.回顾性研究148例经术后病理证实的非小细胞肺癌患者(训练队列110例，验证队列38例)。所有患者术前均行1.5T磁共振胸部扫描。在每位患者的肿瘤最大区域内的T2WI、DWI及ADC的轴位图中提取出影像组学特征2775个。然后，使用Studentt检验、套索算法(a least absolute shrinkage and selection operator，LASSO)和逐步回归法对训练队列进行特征优选。利用逻辑回归算法生成Radscore模型。将Radscore与临床因素相联合，构建nomogram模型。采用ROC分析优选特征和nomogram模型在两队列中的预测性能。
3.回顾性研究74例经术后病理证实的肺腺癌。所有患者术前均行1.5T磁共振胸部扫描。在每位患者的肿瘤最大区域内的T2WI、DWI及ADC的轴位图中提取出影像组学特征1404个。然后，使用Studentt检验和SVM-RFE对训练队列进行特征优选。采用ROC分析优选特征在样本中的预测性能。
结果：
1.在非小细胞肺癌组织学亚型的性能评估中，所筛选出的13个最优特征，在训练和验证队列中均表现出良好的分类性能曲线下面积(area under curve，AUC)分别为0.819和0.824。此外，将Radscore与4个独立的临床因素相联合的nomogram模型具有更好的预测能力，AUC分别提高到0.901和0.872。
2.在非小细胞肺癌组织学级别的性能评估中，所筛选出的5个最优特征，在训练和验证队列中均表现出良好的预测性能AUC分别为0.761和0.753。此外，将Radscore与2个独立的临床因素相联合的nomogram模型具有更好的预测能力，AUC分别提高到0.814和0.767。
3.在肺腺癌的EGFR突变的性能评估中，所筛选出的16个最优特征，获得了良好的预测性能AUC为0.826。
结论：
1.基于多序列磁共振影像组学的非小细胞肺癌组织学亚型和级别分类具有良好的准确性及预测能力。
2.将影像组学特征与临床因素联合的nomogram模型，可以进一步提高非小细胞肺癌组织学亚型、级别的预测能力。
3.基于多序列磁共振影像组学的肺腺癌EGFR基因突变分类具有良好的准确性及预测能力。
综上：多序列磁共振影像组学方法有望成为术前对非小细胞肺癌患者的组织学亚型、级别和基因突变进行预测的有效且无创的临床工具，帮助临床医师选择最佳的治疗计划、提高患者的生活质量。