论文部分内容阅读
背景:乳腺癌是我国乃至全球女性发病率最高的癌症,占全球所有女性新发癌症的29%,也是女性癌症主要相关死因之一。我国的乳腺癌病例占全球所有新诊断乳腺癌的12.2%,占所有乳腺癌死亡人数的9.6%,并有逐年增长的趋势。乳腺癌作为一种较为隐匿的恶性肿瘤,患者早期常无自觉症状或特殊临床表现。伴有乳腺癌区域淋巴结转移的患者相较于局限性乳腺癌的患者5年生存率由99%明显降至85%。区域淋巴结状态是原发性乳腺癌预后的长期有效的预测指标之一。前哨淋巴结活检(SLNB,Sentinel Lymph Node Biopsy)已取代腋窝淋巴结清扫术(ALND, Axillary Lymph Node Dissection),成为对早期乳腺癌患者进行临床无肿瘤区域淋巴结分期的标准手术方法。采用人工神经网络自编码器特征标签构建模型,可为无创性预测乳腺癌前哨淋巴结转移状态提供新思路,同时融合传统手工特征,提高预测模型效能,指导临床治疗决策。
目的:基于T1加权增强(T1+C)、T2加权脂肪抑制(T2-FS)和弥散加权(DWI)的多序列磁共振图像,使用神经网络自编码器模型无创性预测乳腺癌患者前哨淋巴结(SLN)转移状态,融合传统特征优化模型性能,提高预测能力。
方法:回顾性收集广东省人民医院2012年2月至2018年2月组织病理学确诊为乳腺癌的284例患者(均为女性,年龄范围24-80岁),按时间分为训练集(n=199)和验证集(n=85)。所有患者均在手术前2月内接受了T2压脂(T2-FS)、T1加权增强(T1+C)和弥散加权(DWI)MRI扫描,未在SLN活检或腋窝淋巴结清扫术前接受新辅助化疗。本研究的病理临床信息包括Ki-67增殖指数、病理组织学分级、雌激素受体(ER)状态和孕激素受体(PR)状态等。人工勾画ROI勾画肿瘤区域在ITK-SNAP软件进行,使用神经网络自编码器对肿瘤区域提取自编码器特征,同时使用Matlab提取手工影像组学特征(4类,包括一阶统计特征、形态特征、纹理特征和小波特征),使用最小冗余最大相关算法(mRMR)选择top-5特征组成影像组学标签,最后使用logistic回归融合影像组学标签,构建预测乳腺癌患者前哨淋巴结转移模型。
结果:融合模型在训练集和测试集的C-index分别为0.915和0.806,通过综合判别改善指数(IDI)和净重新分类改善指数(NRI)分析,发现融合了多序列的手工特征和自编码器特征的融合模型,优于单序列模型,统计学分析具有显著性差异(p值均小于0.05)。通过决策曲线分析(DCA),发现无论在训练集还是测试集,融合模型均优于单序列模型。
结论:本研究基于多序列(T1+C、T2-FS和DWI)MRI,提取神经网络自编码器和手工影像组学特征,建立了乳腺癌患者前哨淋巴结转移术前预测模型。研究结果表明,无论在训练集还是测试集,多序列融合模型均优于单序列模型。该模型较好的预测了SLN转移状态,提高了SLN转移预测的性能,为乳腺癌的临床实践提供了新的思路。
目的:基于T1加权增强(T1+C)、T2加权脂肪抑制(T2-FS)和弥散加权(DWI)的多序列磁共振图像,使用神经网络自编码器模型无创性预测乳腺癌患者前哨淋巴结(SLN)转移状态,融合传统特征优化模型性能,提高预测能力。
方法:回顾性收集广东省人民医院2012年2月至2018年2月组织病理学确诊为乳腺癌的284例患者(均为女性,年龄范围24-80岁),按时间分为训练集(n=199)和验证集(n=85)。所有患者均在手术前2月内接受了T2压脂(T2-FS)、T1加权增强(T1+C)和弥散加权(DWI)MRI扫描,未在SLN活检或腋窝淋巴结清扫术前接受新辅助化疗。本研究的病理临床信息包括Ki-67增殖指数、病理组织学分级、雌激素受体(ER)状态和孕激素受体(PR)状态等。人工勾画ROI勾画肿瘤区域在ITK-SNAP软件进行,使用神经网络自编码器对肿瘤区域提取自编码器特征,同时使用Matlab提取手工影像组学特征(4类,包括一阶统计特征、形态特征、纹理特征和小波特征),使用最小冗余最大相关算法(mRMR)选择top-5特征组成影像组学标签,最后使用logistic回归融合影像组学标签,构建预测乳腺癌患者前哨淋巴结转移模型。
结果:融合模型在训练集和测试集的C-index分别为0.915和0.806,通过综合判别改善指数(IDI)和净重新分类改善指数(NRI)分析,发现融合了多序列的手工特征和自编码器特征的融合模型,优于单序列模型,统计学分析具有显著性差异(p值均小于0.05)。通过决策曲线分析(DCA),发现无论在训练集还是测试集,融合模型均优于单序列模型。
结论:本研究基于多序列(T1+C、T2-FS和DWI)MRI,提取神经网络自编码器和手工影像组学特征,建立了乳腺癌患者前哨淋巴结转移术前预测模型。研究结果表明,无论在训练集还是测试集,多序列融合模型均优于单序列模型。该模型较好的预测了SLN转移状态,提高了SLN转移预测的性能,为乳腺癌的临床实践提供了新的思路。