论文部分内容阅读
研究目的:评估基于 18F-FDG PET/CT、68Ga-NOTA-PRGD2 PET/CT和99mTc-3PRGD2 SPECT/CT图像的传统影像组学模型以及基于对18F-FDGPET图像深度学习的影像组学模型,在肺部占位性病变良恶性鉴别及肺癌病理亚型分类中的诊断效能。研究方法:回顾性分析2011～2013年北京协和医院64例肺部占位性病变病历资料,其中 48 例参加了 68Ga-NOTA-PRGD2 PET/CT和 18F-FDG PET/CT 临床试验,另外16例参加了99mTc-3PRGD2 SPECT/CT和18F-FDGPET/CT临床试验,所有纳入病例肺部病变均有病理诊断证实。利用LIFExv5.10软件手动描绘并提取图像特征参数。对行 68Ga-NOTA-PRGD2 PET/CT 和 18F-FDGPET/CT 的 48 例病例,评估其图像特征参数对病变良恶性鉴别的诊断效能,并使用Mann-Whitney U检验比较病变良恶性两组间图像特征的差异。建立病变良恶性鉴别的随机森林模型,使用交叉验证法评估并比较不同模型诊断效能。进一步分析其中30例肺腺癌和鳞癌病例,评估其图像特征参数对肺腺癌和鳞癌分类的诊断效能,并比较肺腺癌和鳞癌两组间图像特征的差异。建立肺腺癌和鳞癌分类的随机森林模型,使用交叉验证法评估并比较不同模型诊断效能。对行99mTc-3PRGD2 SPECT/CT 和 18F-FDG PET/CT 的 16 例病例,建立病变良恶性鉴别的随机森林模型并使用留一法评估模型效能。对其中9例肺腺癌和鳞癌病例,建立肺腺癌和鳞癌分类的随机森林模型并使用留一法评估模型效能。对所有64例病例截取18F-FDG PET图像上病变的2D图像,建立病变良恶性鉴别的深度学习模型,同时在相同的数据集上建立随机森林模型,并进行Delong测试以比较两者ROC曲线的差异。对其中39例肺腺癌和鳞癌病例截取病灶2D图像,以相同方法建立肺腺癌和鳞癌分类的深度学习模型和随机森林模型,并比较两者ROC曲线的差异。研究结果:肺良恶性病变两组间18F-FDG PET STLG、18F-FDG PET GLZLM HGZE、18F-FDG PET GLZLM SZE、18F-FDG PET GLZLM SZLGE、68Ga-NOTA-PRGD2 PET Sphericity等特征参数存在统计学差异(P<0.05),CT HUmin不存在统计学差异(P>0.05),其 AUC 值分别为 0.836、0.834、0.825、0.816、0.811、0.833。肺腺癌和鳞癌两组间 CT GLZLM LZE、CT GLZLM LZHGE、68Ga-NOTA-PRGD2 PET HISTO Entropy log10、68Ga-NOTA-PRGD2 PET HISTO Energy Uniformity、18F-FDG PET TLG、18F-FDG PET NGLDM Coarseness 等特征参数存在统计学差异(P<0.05),其 AUC 值分别为 0.892、0.892、0.864、0.864、0.852、0.852。基于 CT 特征,18F-FDG PET 特征,68Ga-NOTA-PRGD2 PET 特征,CT 和 18F-FDG PET 特征,CT 和 68Ga-NOTA-PRGD2 PET 特征,18F-FDG PET 和 68Ga-NOTA-PRGD2 PET特征,以及三模态图像特征分别构建的肺占位良恶性鉴别模型的AUC 值分别为 0.884、0.920、0.862、0.951、0.895、0.919 和 0.951,且三模态特征模型AUC值显著(P<0.05)高于单模态模型;构建的肺腺癌和鳞癌分类模型的 AUC 值分别为 0.921、0.952、0.920、0.947、0.944、0.956 和 0.960,且三模态特征模型AUC值显著(P<0.05)高于单模态模型。基于 CT 特征,18F-FDGPET 特征,99mTc-3PRGD2 SPECT 特征,CT 和 18F-FDG PET 特征,CT 和 99mTc-3PRGD2 SPECT 特征,18F-FDG PET 和 99mTc-3PRGD2 SPECT特征,以及三模态图像特征分别构建的病变良恶性鉴别模型的准确率分别为 0.875、0.875、0.875、0.875、0.938、0.938、0.938,构建的肺腺癌和鳞癌分类模型的准确率分别为 0.889、0.889、0.778、0.889、0.889、0.889、0.889。基于18F-FDG PET图像的病变良恶性鉴别深度学习模型AUC值是0.886,传统影像组学模型AUC值是0.975,两者间无显著性差异(P>0.05)。肺腺癌和鳞癌分类深度学习模型AUC值是0.780,传统影像组学模型AUC值是0.867,两者间无显著性差异(P>0.05)。结论:基于核医学图像的传统影像组学模型和深度学习模型在肺部占位性病变良恶性鉴别及肺腺癌和鳞癌分类中具有应用价值。