论文部分内容阅读
目的:通过对CT图像中肝泡状棘球蚴（alveolar echinococcosis,AE）病灶进行感性兴趣区的勾画,提取和筛选影像组学特征,建立肝AE生物学活性预测、肝外侵犯转移预测和病灶边缘微血管密度状态预测的影像组学模型,评价模型的预测效能。方法:回顾性纳入174例肝AE患者,根据PET/CT检查对病灶生物学活性的判断结果分为有活性组和无活性组,对CT图像上勾画的感兴趣区进行特征提取、筛选,建立预测模型,使用受试者工作特征（receiver operating characteristic,ROC）曲线评价模型的预测效能,使用Delong检验筛选最佳的模型;同时筛选与肝AE生物学活性有关的临床指标,建立临床-影像组学列线图,使用校准曲线和决策曲线分析对模型进行评价,使用Delong检验评价影像组学模型之间以及与联合模型之间的预测效能的差异性。同期收集201例肝AE患者的影像资料,按照有无肝外侵犯和/或转移进行分组,使用逻辑回归分类器建立预测模型,使用ROC曲线对模型的预测效能进行评价,使用校准曲线和决策曲线评价模型的临床实用性。收集103例进行手术切除的肝AE患者的临床和影像资料,根据病理学AE病灶边缘区微血管密度计数≤15和＞15进行分组,建立预测肝AE边缘区微血管密度状态的影像组学模型,使用ROC曲线对模型的预测效能进行评价,同时对患者的临床特征进行筛选,将筛选的临床特征和影像组学评分进行单因素和多因素Logistic回归分析,筛选预测肝AE边缘区微血管密度状态的独立危险因素。结果:在对肝AE生物学活性的预测中,选择了K最邻近、逻辑回归、多层感知器三种分类器建立预测模型,在训练集其ROC的曲线下面积（area under curve,AUC）分别为0.827、0.844、0.952,在测试集中,AUC分别为0.748、0.796、0.800;Delong检验显示多层感知器建立的预测模型效果最好（PKNN-MLP-train=0.0001,PKNN-MLP-test=0.0355,PLR-MLP-train＜0.0001,PLR-MLP-test=0.8941）。在临床指标筛选中,训练集的单变量分析显示P分期、小囊泡征、钙化特征在有活性和无活性分组间差异有统计学意义（P＜0.05）。影像组学和临床指标联合列线图预测肝AE生物学活性的AUC在训集和测试集分别为0.816（P＜0.0001）和0.796（P=0.0100）。De Long检验显示联合模型和单一影像组学模型之间的预测效果没有统计学差异(Ptrain=0.8764,Ptest=0.0623)。在对肝外侵犯和转移的预测模型中,逻辑回归分类器建立的预测模型在训练集的AUC为0.996,准确率（Accuracy）为0.989,灵敏度（Sensitivity）为0.989,特异度（Specificity）为0.989;测试集中,AUC为0.705,准确率为0.705,灵敏度为0.795,特异度为0.615;校准曲线显示影像组学预测模型存在高估风险,即将部分无肝外AE病灶的患者判断为有肝外侵犯和转移,决策曲线在训练集显示影像组学模型具有很好的实用性,在测试集中患者风险阈值概率在0.23-0.67范围内时,影像组学模型仍可以增加肝AE患者的获益。在对肝AE边缘区微血管密度分类的预测中,选择了K最邻近、逻辑回归、多层感知器和支持向量机四种分类器建立预测模型;在训练集中,AUC分别为0.816、0.761、0.778、0.748,在测试集中,AUC分别为0.741、0.750、0.741、0.806;训练集的准确性分别为0.744、0.744、0.720、0.732,测试集的准确性分别为0.762、0.810、0.810、0.810;单因素分析显示Eg B抗体检测、Eg CF抗体检测和病灶最大径在微血管密度的分组之间差异有统计学意义（P＜0.05）;将以上指标和影像组学评分进行单因素Logistic回归分析显示最大径（P=0.003）和影像组学评分（P=0.0015）与微血管密度分组正相关。而多因素Logistic回归只有影像组学评分（P=0.0175）与微血管密度正相关。结论:1)基于CT影像特征建立的肝AE生物学活性预测模型具有良好的预测效能,但临床-影像组学联合模型并不能显著提高预测效能;2)在对AE是否存在肝外侵犯和转移的预测模型中,逻辑回归分类器建立的预测模型具有较好的预测效能,具有一定的临床实用性,但存在过高估计AE肝外侵犯和转移的发生风险;3)在对肝AE边缘区微血管密度分类的预测中,四种分类器建立的预测模型均表现有较好的预测效果,其中支持向量机分类器建立的预测模型在测试集中表现最佳。