论文部分内容阅读
第一部分基于增强CT影像组学预测食管鳞状细胞癌淋巴血管侵犯状态的初步研究目的:本研究试图使用食管鳞状细胞癌（esophageal squamous cell carcinoma,ESCC）患者术前胸部薄层增强CT图像,应用影像组学的方法建立预测模型,用以在术前预测ESCC患者的淋巴血管侵犯（lymphovascular invasion,LVI）状态,为临床医生制定患者个体化治疗方案提供决策支持。方法:本研究回归性纳入了334例于2016年8月至2019年10月期间,在我院行根治切除并经术后病理证实的ESCC患者,其中包括96例LVI阳性患者和238例LVI阴性患者。将所有入组的患者按照7:3的比例随机分为训练集和测试集。训练集中包含234名ESCC患者,其中有68名LVI阳性患者和166名LVI阴性患者;测试集中包含100名ESCC患者,其中包括28名LVI阳性患者和72名LVI阴性患者。所有患者均在术前2周内进行胸部增强CT扫描。使用3D Slicer软件逐层勾画肿瘤3D感兴趣区,使用Py Radiomics软件包提取肿瘤组织的影像组学特征,应用最小绝对收缩和选择算子（Least absolute shrinkage and selection operator,LASSO）方法筛选影像组学特征。采用逻辑回归（logistic regression,LR）、支持向量机（support vector machine,SVM）和决策树（decision tree,DT）三种分类机器学习算法建立影像组学模型,用以预测ESCC患者的LVI状态。比较不同方法建立影像组学模型的性能,选择性能最佳的影像组学模型计算Radscore评分。在薄层增强CT图像上测量肿瘤最大厚度(CTThick),并对患者进行临床T分期（c T stage）、N分期（c N stage）及AJCC分期（c AJCC stage）。使用医院管理信息系统（hospital information system,HIS）查阅并记录患者术前2周内的CEA及SCCA结果,并将以上临床特征纳入单因素逻辑回归分析。然后使用多因素逻辑回归筛选预测LVI状态的独立预测因素,并建立临床预测模型。使用临床特征中的独立预测因素与影像组学特征共同纳入多因素逻辑回归分析,并建立联合模型用以预测ESCC患者的LVI状态。依据训练集中联合模型的结果绘制诺模图,用以显示个体患者出现LVI的风险概率。采用受试者工作特征（receiver operating characteristic,ROC）曲线和决策曲线（decision curves analysis,DCA）来评估各模型在预测ESCC患者LVI状态的性能。结果:在影像组学模型中,使用LR及SVM建立模型的预测性能最高,ROC曲线系面积（area under the curve,AUC）在训练集为0.847,在测试集为0.826。球形度（Sphericity）和灰度不均匀性（gray level nonuniformity,GLNU）是预测ESCC患者LVI状态最重要的影像组学特征。在临床模型中,LVI阳性组中的CTThick显著大于LVI阴性组（P＜0.001）。LVI阳性患者的c N分期显著高于LVI阴性患者（P＜0.001）。ROC曲线分析结果显示,影像组学模型（训练集和测试集中的AUC值分别为0.847和0.826）和联合模型（分别为0.876和0.867）的AUC值均高于临床模型（分别为0.775和0.798）,其中联合模型的AUC值最高。小结:1.基于动脉期增强CT图像的影像组学模型能够有效预测ESCC患者的LVI状态。2.在临床特征中,CTThick、c N分期及SCCA水平与预测ESCC患者的LVI态相关。多因素分析显示,CTThick、c N分期是预测ESCC患者LVI状态的独立预测因素。3.影像组学特征与临床特征共同建立的联合模型预测性能最高,能够有效预测ESCC患者的LVI状态,基于联合模型建立的诺模图能够评估ESCC患者独立个体出现LVI的风险概率。第二部分基于增强CT影像特征预测食管鳞状细胞癌淋巴管血管侵犯状态的初步研究目的:初步探讨基于增强CT图像肿瘤影像特征在预测食管鳞状细胞癌（esophageal squamous cell carcinoma,ESCC）的淋巴血管浸润（lymphovascular invasion,LVI）状态中的价值。方法:本研究回顾性纳入于2017年1月至2019年1月间在我院行根治性手术治疗的197例ESCC患者,所有患者均经术后病理证实,其中包括59例LVI阳性患者,138例LVI阴性患者。由两名影像科医生独立回顾性分析所有患者的胸部动脉期薄层增强CT图像。肿瘤影像特征分为CT值相关特征和形态学相关特征。CT值相关特征包括肿瘤组织CT值(CTTumor)、正常食管CT值(CTNormal)、肿瘤组织与正常食管CT值间的比值(CTRatio)、肿瘤组织与正常食管CT值间的差值(CTDifference)。此外,还包括肿瘤内增粗小血管和肿瘤坏死。形态学相关特征包括CT测量肿瘤最大厚度(CTThick)、CT测量肿瘤最大长度(CTLength)、CT测量肿瘤体积(CTVolume)及肿瘤边缘形态。首先对LVI阳性组及LVI阴性组中的CT特征的差异进行比较,然后将P＜0.05的特征纳入单因素逻辑回归分析,筛选出与LVI状态相关的影像特征。再将单因素分析中P＜0.05的影像特征纳入多因素逻辑回归分析,并筛选出预测LVI状态的独立预测因素。使用ROC曲线对各独立预测因子及其联合模型的预测性能进行分析,并绘制诺模图,用以对独立个体出现LVI的可能性进行评分。结果:CT值相关特征中,LVI阳性组的CTTumorCTRatio、CTDifference均显著高于LVI阴性组（P＜0.001,P=0.001,P＜0.001）。LVI阳性组与阴性组CTNormal之间的差异不具有统计学意义（P=0.413）。LVI阳性组中,出现肿瘤不均匀强化（28.8%）、肿瘤内增粗小血管（61.0%）、肿瘤坏死（28.8%）的比例要高于LVI阴性组（9.42%,29.0%,12.3%;P均＜0.05）。形态学相关特征中,LVI阳性组的CTThick、CTLength、CTVolume均显著高于LVI阴性组（P＜0.001,P＜0.001,P＜0.001）。此外,LVI阳性组中肿瘤边缘不规则的比例（57.6%）要显著高于LVI阴性组（15.2%;P＜0.001）。单因素逻辑回归分析显示,CT值相关特征中的CTTumorCTRatio、CTDifference、肿瘤不均匀强化及形态相关特征中的CTThick、CTLength、CTVolume、肿瘤边缘形态均与LVI状态相关（P＜0.05）。多因素逻辑回归分析显示,CTRatio（OR,8.655;95%CI:2.125-37.776）、CTThick（OR,6.531;95%CI:2.410-20.608）、肿瘤边缘形态（OR,4.384;95%CT:2.004-9.717）是预测LVI状态的独立预测因素。ROC曲线分析显示,使用多因素逻辑回归建立的联合模型的AUC值为0.820（95%CI:0.754-0.885）。小结:1.基于动脉期增强CT的肿瘤影像特征能够在术前预测ESCC患者的LVI状态。2.LVI阳性组的肿瘤具有更高的CTTumor、CTRatio、CTDifference、CTThick、CTLength、CTVolume。具有LVI的肿瘤更容易出现不均匀的强化方式、肿瘤内小血管、肿瘤坏死及不规则的肿瘤边缘。3.CTTumor、CTRatio、CTDifference、强化方式、肿瘤内增粗小血管和肿瘤坏死、CTThick、CTLength、CTVolume、肿瘤边缘形态与LVI状态相关。4.CTRatio、CTThick和肿瘤边缘形态是预测LVI状态的独立预测因素。