论文部分内容阅读
目的直肠癌的预后与同时性肝转移关系密切,同时性肝转移的患者与非同时性肝转移的患者其直肠原发灶影像学异质性可能存在差异。本研究以直肠癌原肿瘤为影像基础,以同时性肝转移和非同时性肝转移患者作为研究对象,旨在建立一个磁共振影像组学与临床特征融合的模型来预测肝转移的风险,并与临床模型和单纯组学模型进行比较,确立融合模型的优势,为个体化方案的制定提供支持。材料与方法1、病例收集本研究为回顾性研究,收集2018年1月-2021年9月于我院就诊,并由病理证实的直肠癌患者,共计210例。筛选后最终180名患者纳入研究,其中非同时性肝转移组146例,同时性肝转移组34例。按照0.7:0.3的比例将患者随机分入训练集和测试集。2、临床指标获取纳入本研究中用于分析的临床指标包括性别、年龄、体质指数（body mass index,BMI）、血清癌胚抗原（carcinoma embryonic antigen,CEA）和糖类抗原 19-9（carbohydrate antigen 19-9,CA 19-9）水平。3、盆腔及腹部磁共振成像（magnetic resonance imaging,MRI）扫描本研究通过配有8通道体部相控阵线圈的1.5T西门子Avanto磁共振系统（Siemens,Germany）采集盆腔、腹部MRI图像。4、基于高分辨率MRI的T、N分期、肿瘤位置及最大径的获取采用高分辨率直肠MRI对治疗前肿瘤T分期、N分期、肿瘤位置、最大径进行评估。5、图像分割应用SPM 12对图像进行配准,以横轴位T2加权成像（T2-weighted imaging,T2WI）作为参考像,将表观扩散系数（apparent diffusion coefficient,ADC）图、动脉期、静脉期和延迟期图像配准于T2WI。应用ITK-SNAP 3.8软件沿肿瘤边缘对图像进行逐层手工分割。6、特征提取应用基于Python的Pyradiomics v2.2.0软件对T2WI、ADC、动脉期、静脉期和延迟期图像进行参数提取。7、多种模型的建立7.1、临床模型（ModelC）的建立采用单因素和多因素回归分析,筛选与直肠癌同时性肝转移关系最为密切的临床参数,建立ModelC。7.2、组学特征筛选和模型（ModelR）的建立首先对数据进行归一化和降维处理,随后应用LASSO回归进行特征筛选,计算每名患者组学评分（Radscore,RS）,建立组学模型。7.3建立组学列线图模型以及不同模型间的比较将RS与直肠癌同时性肝转移临床独立危险因子结合进行Logistic回归分析,建立融合模型（ModelN）,绘制融合模型的列线图。绘制受试者工作特征曲线（receiver operator characteristic curve,ROC）,应用 Delong 检验比较 ModelC、ModelR和ModelN的诊断效果。此外,使用校准曲线检验评估模型预测风险与实际风险之间的一致性,并通过Hosmer-Lemeshow检验对拟合优度进行评估。运用决策曲线分析（decision curve analysis,DCA）的统计分析方法,验证模型的临床效用。通过bootstrapping的办法进行内部验证。结果1、ModelCCEA和MRI T分期可以成为术前判断直肠癌患者同时性肝转移的独立临床危险因素,所构建ModelC在训练集中AUC、95%CI、特异性、敏感性、准确性分别为:0.697、0.584-0.810、0.539、0.792、0.587。在测试集中,ModelC的ROC 分析的AUC、95%CI、特异性、敏感性、准确性分别为:0.719、0.526-0.913、0.841、0.600、0.796。2.ModelRLASSO 回归共筛选出 3 个特征,分别为 GLSZMLowGrayLevelZoneEmphasis（LGLZE）@ADC、FirstorderMean@VENOUS 和 GLRLMRunEntropy（RE）@T2WI。联合构建回归方程并计算RS。在训练集中,ModelR的ROC分析的AUC、95%CI、特异性、敏感性、准确性分别为:0.748、0.643-0.854、0.794、0.583、0.754。在测试集中,ModelR的ROC分析的AUC、95%CI、特异性、敏感性、准确性分别为:0.647、0.466-0.830、0.523、0.800、0.574。3.ModelN将临床模型与组学模型联合构建ModelN。在训练集中,ModelN的ROC分析的AUC、95%CI、特异性、敏感性、准确性分别为:0.862、0.784-0.940、0.784、0.833、0.794。在测试集中,ModelN的ROC分析的AUC、95%CI、特异性、敏感性、准确性分别为:0.861、0.704-1.000、0.938、0.800、0.907。ROC分析证实ModelN优于ModelC的预测能力（训练集P=0.005,测试集P=0.033）。与ModelR相比,ModelN的鉴别能力得到了提升（训练集P=0.010、测试集P=0.039）。校正曲线表明模型的预测值与真实值之间具有良好的一致性（Hosmer-Lemeshow test,训练集 P=0.673,测试集 P=0.804）。DCA 分析表明ModelN与ModelC和ModelR相比的临床应用具有较好的表现。结论影像组学评分、血清CEA和MRIT分期联合构建的列线图模型能够较为准确地预测直肠癌患者同时性肝转移概率,可以作为医生临床决策辅助手段。