论文部分内容阅读
第一部分基于CT影像组学标签鉴别伴有胸膜接触的纯磨玻璃结节中的微浸润和浸润性肺腺癌目的:与胸膜接触的纯磨玻璃结节(Pure ground-glass nodules with pleural contact,P-p GGNs)不仅包括浸润性腺癌(Invasive adenocarcinoma,IAC),还包括微浸润性腺癌(Minimally invasive adenocarcinoma,MIA)。放射组学通过以非侵入性的方式高通量地提取肿瘤内异质性的特征来识别CT影像数据中的复杂模式。这项研究试图开发和验证一个放射组学标签(即rad-score),以识别表现为P-p GGNs的IAC和MIA。材料和方法:回顾性收集了2012年12月到2018年5月100名P-p GGNs患者(69个训练集和31个测试集)。分析了影像和临床参数。使用计算机断层扫描(Computed tomography,CT)成像,从三维感兴趣区域(Region of interest,ROI)中共提取了106个放射组学特征。采用单变量分析来确定IAC的独立风险因素。采用最小绝对收缩和选择算子(Least absolute shrinkage and selection operator,LASSO)方法,并进行10倍交叉验证,以筛选预测性特征,建立放射组学标签。接收者工作特征曲线(Receiver-operator characteristic,ROC)曲线和校准曲线被用来评估放射组学标签的预测准确性。还进行了决策曲线分析(Decision curve analyses,DCA),以评估放射组学标签是否可以应用于临床实践。结果:单变量分析显示,MIA组(N=47)和IAC组(N=53)在患者年龄、分叶征、肿瘤大小、CT值和相对CT值存在显著差异(P值均<0.05)。ROC曲线分析显示,当从IAC中识别MIA时,肿瘤最大横轴面最大直径(Maximum diameter on the maximum axial layer,MD-MAL)的临界值为1.39cm,ROC曲线下的面积(Area under receiver-operator characteristic curve,AUC)为0.724(敏感性=0.792,特异性=0.553)。最大横轴面CT值(CT value on the maximum axial layer,CTv-MAL)临界值为-597.45 HU,AUC为0.666(敏感性=0.698,特异性=0.638)。该放射组学标签由七个特征组成,在IAC和MIA之间表现出良好的鉴别性能,在训练集和测试集中AUC分别为0.892(敏感性=0.811,特异性=0.719)和0.863(敏感性=0.625,特异性=0.800)。结论:本研究的放射组学标签在鉴别表现为P-p GGNs的IAC和MIA方面表现出良好的鉴别性能,并可能为随访和可选择性的手术管理提供一个重要的参考。第二部分CT放射组学标签鉴别表现为纯磨玻璃结节且具有空泡征的微浸润和浸润性肺腺癌目的:在这项研究中,开发并验证一个基于平扫计算机断层扫描(Computed tomograph,CT)图像的放射组学标签(即rad-score),以鉴别表现为具有空泡征的纯磨玻璃结节(Pure ground-glass nodules with bubble-like signs,B-p GGNs)中的浸润性腺癌(Invasive adenocarcinoma,IAC)和微浸润性腺癌(Minimally invasive adenocarcinoma,MIA)。材料和方法:回顾性收集了2012年12月到2018年5月109名患者的109个术前高分辨率CT(Highresolution CT,HRCT)图像上发现并经手术切除病理证实为MIA或IAC的B-p GGNs(MIA,N=55;IAC,N=54),按照7:3随机分配到训练集和测试集。应用梯度提升决策树(The gradient boosting decision tree,GBDT)方法和逻辑回归(Logistic regression,LR)分析进行训练集中的特征选择(放射组学特征、语义特征和常规CT特征)。进行LR分析以构建三个模型(常规模型、放射组学模型和联合模型)。使用曲线下面积(Area under the curve,AUC)评估了预测模型的性能。结果:在本研究中,训练集的常规特征单变量LR分析结果显示形状、肿瘤-肺界面、最大横轴面最大直径(Maximum diameter on the maximum axial layer,MD-MAL)、最大横轴面最大直径的最大垂直直径(Maximum vertical diameter of maximum diameter on the maximum axial layer,MVD-MAL)在MIA组和IAC组之间差异有统计学意义(P<0.05)。多变量LR分析结果显示肿瘤-肺界面和MVD-MAL在MIA组和IAC组之间差异有统计学意义P<0.05),最终纳入常规模型构建。放射组学模型在训练集中具有良好的AUCs,为0.947(95%CI:0.905,0.980),在测试集中为0.945(95%CI:0.875,0.996)。常规模型和放射组学模型构建的联合模型在训练集中的AUC为0.953(95%CI:0.915,0.982),在测试集中的AUC为0.945(95%CI:0.874,1.000)。Delong测试显示,联合模型没有提高性能(与放射组学模型相比)。根据多变量逻辑分析,radscore是B-p GGNs浸润性的唯一独立预测因素。结论:本研究的放射性组学标签在鉴别表现为B-p GGNs的IAC和MIA方面显示出出色的预测性能,可能为扩展临床实践和加速个性化医疗的进展提供必要的参考。