论文部分内容阅读
背景:肾细胞癌是肾脏发生率最高的恶性肿瘤,世界卫生组织将其分为14种亚型,其中肾透明细胞癌（Renal clear cell carcinoma,ccRCC）占比最多且预后相对较差。ccRCC的病理分级被证实是患者预后的独立影响因素,术前准确地区分高/低级别的ccRCC有助于指导合适的诊疗方案的选择及有效的评估预后。常规的影像学检查对高低级别的ccRCC鉴别具有一定的局限性,基于MDCT平扫及增强的影像组学模型可能能准确鉴别它们。目的:探讨基于MDCT平扫及增强的影像组学模型与透明细胞肾癌WHO/ISUP分级的相关性,从而在术前预测ccRCC WHO/ISUP分级,为术前选择合适的诊疗方案、术后有效的预后评估提供重要的参考。方法:1.基本资料:对本院100例ccRCC患者回顾性研究,所有患者经医院伦理委员会审批通过,并告知患者知情同意,术前均采用GE Revolution HD MDCT行CTU检查。男女各50例;年龄范围17-76岁,平均59±12.63岁;左肾48例,右肾52例;44例位于在肾脏轮廓内,56例位于肾脏轮廓外;病灶均为单一病灶、单侧发病。临床表现:因体检就诊32例,因其它疾病行影像检查发现肾占位18例,腰痛12例,腰痛伴肉眼血尿30例,腹部包块8例。2.患者纳入标准:（1）经手术病理明确诊断,未经放化疗、手术等一切形式的治疗;（2）经同一台CT设备（GE Revolution HD MDCT）、相同扫描参数下获得,图像层厚统一设置为5mm;（3）图像质量良好,病灶显示清晰,无呼吸及运动伪影;（4）影像及临床资料完整。3.病理资料:10%甲醛溶液固定所有标本,石蜡包埋,4um厚切片,HE染色,由一名资深病理科医师明确诊断为ccRCC,并根据WHO/ISUP分级系统将其分为I-IV级,其中I级30例,II级19例,III级23例,IV级28例,为进一步简化分级,本研究将I-II级划为低级别（49例）,III-IV级划分为高级别（51例）。4.图像处理:按4:1的比例随机将所有患者分配给训练组和测试组,依次对所有病例每一个病灶CT图像的平扫期、皮质期、实质期逐层进行勾画,定义为VOI1、VOI2、VOI3,并从所有病灶每一个单一时期中提取1049个影像组学特征值,并使用三种方法降维,分别是方差选择法（Variance Threshold）、单变量选择法（select KBest）、最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator,LASSO算法）,最终分别从平扫期、皮质期、实质期、平扫+皮质期组合、平扫+皮质期+实质期组合VOI中筛选出18、15、22、18、22个最优特征值,并基于以下6种分类器对提取的特征机器学习,包括:K邻近、支持向量机、随机森林、逻辑式回归、决策树、极限梯度增强树,通过绘制的ROC曲线的ROC曲线下面积（AUC）、敏感度、特异度、Recall、F1-score、Precision六个指标来评价各分类器所构建模型的效能。结果:通过比较CT扫描中各个时期及其组合的6个分类器所构建的模型的AUC值、敏感度、特异度、Recall、F1-score、Precision结果如下:1.平扫期:由LR所构建的模型最佳,AUC值为0.961（95%CI:0.78-1.00）,对ccRCC分级诊断的灵敏度（低级别0.86,高级别0.91）及特异度（低级别0.91,高级别0.86）,Recall（低级别0.86,高级别0.91）,F1-score（低级别0.86,高级别0.91）,Precision（低级别0.86,高级别0.91）。2.皮质期:由SVM所构建的模型最佳,AUC值为0.974（95%CI:0.97-0.97）,对ccRCC分级诊断的灵敏度（低级别0.86,高级别1.00）及特异度（低级别1.00,高级别0.86）,Recall（低级别1.00,高级别0.92）,F1-score（低级别0.86,高级别1.00）,Precision（低级别0.92,高级别0.96）。3.实质期:由KNN所建立的模型最佳,AUC值为0.878（95%CI:0.66-1.00）,对ccRCC分级诊断的灵敏度（低级别0.86,高级别0.70）及特异度（低级别0.70,高级别0.86）,Recall（低级别0.67,高级别0.88）,F1-score（低级别0.86,高级别0.70）,Precision（低级别0.75,高级别0.78）。4.平扫期+皮质期组合:由SVM所构建的模型最佳,AUC值为0.941（95%CI:0.71-1.00）,对ccRCC分级诊断的灵敏度（低级别0.57,高级别0.91）及特异度（低级别0.91,高级别0.57）,Recall（低级别0.87,高级别0.77）,F1-score（低级别0.57,高级别0.91）,Precision（低级别0.67,高级别0.83）。5.平扫期+皮质期+实质期组合:由KNN所建立的模型最佳,AUC值为0.892（95%CI:0.67-1.00）,对ccRCC分级诊断的灵敏度（低级别0.71,高级别0.90）及特异度（低级别0.90,高级别0.71）,Recall（低级别0.83,高级别0.82）,F1-score（低级别0.71,高级别0.90）,Precision（低级别0.77,高级别0.86）。基于以上结果,可以得出对ccRCC病理核分级（WHO/ISUP）的诊断效能最高的模型是由SVM分类器所构建的基于CT增强皮质期建立的的影像组学预测模型,AUC值为0.974（95%CI:0.97-0.97）,灵敏度（低级别0.86,高级别1.00）及特异度（低级别1.00,高级别0.86）,Recall（低级别1.00,高级别0.92）、F1-score（低级别0.86,高级别1.00）、Precision（低级别0.92,高级别0.96）。筛选出的最优特征值包括:一阶特征（Median、Energy、Total Energy、Skewness、Kurtosis）、二阶特征（Minor Axis Length）、纹理特征（Dependence Variance、Small Area High Gray Level Emphasis）、高阶特征（Median、Energy、Total Energy、Skewness、Kurtosis、Small Area High Gray Level Emphasis）。结论:1.基于MDCT平扫及增强的影像组学模型能准确高效的区分ccRCC的病理核分级,其中皮质期模型效果最佳。2.基于MDCT平扫及增强的影像组学模型为临床在术前区分ccRCC的病理核分级开辟了一种新的途径。