论文部分内容阅读
第一部分CT影像组学鉴别不典型孤立性肉芽肿与实性肺腺癌的研究
研究背景:
孤立性肺结节的诊断与鉴别诊断一直是临床和影像研究热点,其中有分叶征和毛刺征的肺部孤立性肉芽肿结节(GN)很难从CT的形态特征上与实性肺腺癌(SLADC)鉴别。影像组学是利用先进的人工智能领域的影像图像分析方法将感兴趣区的影像数据转化为具有高分辨率的可发掘的特征空间数据,可在一定程度上全面反映病灶的性质。
研究目的基于术前CT图像的影像组学特征,探讨影像组学鉴别不典型孤立性肉芽肿和实性肺腺癌的可行性,旨在为肺癌早期精准诊断提供准确、客观的定量影像学依据。
研究方法:
本研究回顾性收集2016年1月至2017年8月经手术切除病理证实且符合纳入和排除标准的肺部实性结节302例,其中肺腺癌209例,良性不典型的肉芽肿结节93例。所有患者术前均采用规范化的CT扫描方案,即标准软组织重建算法和2mm重建层厚。通过Pyradiomics软件提取所有结节的CT平扫和增强静脉期两组图像的影像组学特征。所有病例按7:3比例分成训练队列和验证队列,分别211例、91例。通过L1正则化的逻辑回归分析,建立区分不典型孤立性肉芽肿和实性肺腺癌的预测模型,模型的验证采用十倍交叉验证法进行验证。通过受试者工作特征曲线(ReceiverOperatingCharacteristicCurve,ROC)曲线下面积(AreaUndertheCurve,AUC)评价各种模型的诊断效能。
研究结果:
(1)本组资料中,16.7%(35/209)实性肺腺癌术前被误诊肉芽肿,24.7%(23/93)的不典型肉芽肿术前被误诊为肺腺癌。
(2)基于术前CT平扫影像组学(UER)、增强静脉期影像组学(ER)、CT平扫和增强静脉期影像组学(UEER),通过L1正则化逻辑回归筛选出重要特征并建立了鉴别不典型GN和SLADC的三个影像组学标签,均具有较好的诊断效能。三种模型在训练队列的AUC值分别为0.843、0.868、0.873,在验证队列的AUC值分别为0.776、0.769、0.798,差异均无统计学意义(P≥0.05)。
(3)基于术前CT平扫(UER)、增强静脉期(ER)、CT平扫和增强静脉期(UEER)的影像组学特征分别结合临床危险因素形成三个数据集(UERC、ERC、UEERC),通过L1正则化逻辑回归建立了三个联合预测模型,均具有较好的诊断效能。三种模型在训练队列的AUC值分别为0.935、0.902、0.923,在验证队列的AUC值分别为0.817、0.837、0.841,差异均无统计学意义(P≥0.05)。
(4)通过比较单纯影像组学标签与结合临床危险因素的联合预测模型,发现UERC预测模型的诊断效能较UER的诊断效能高(P<0.05)。
(5)本研究基于UERC数据集建立的联合影像组学模型对GN和SLADC诊断准确率与放射医生的诊断准确率相当,差异无统计学意义(P≥0.05)。
研究结论:
CT平扫影像组学特征结合临床危险因素建立的联合影像组学模型(UERC)可以较好地鉴别不典型肉芽肿和实性肺腺癌,其对于对比剂过敏或肾功能衰竭的患者肺部结节性质判断具有一定价值。作为定量方法,CT影像组学分析对影像医生的经验依赖性小,有望成为影像医师的辅助工具。
第二部分CT影像组学在术前预测肺腺癌病理分级的研究
研究背景:
肺腺癌是肺癌最常见的病理类型。肺腺癌的病理分级(TPG)不仅能反映患者预后,而且影响治疗方案的选择。在临床上,CT引导下穿刺活检或支气镜引导下穿刺活检是肺癌术前病理分级最常用的方法,然而,穿刺活检所获得少量组织标本不能完全反映整个肿瘤的病理情况,且存在一些与穿刺相关的风险。影像组学作为一种无创、定量方法可在一定程度上全面反映肿瘤的异质性。
研究目的:
基于术前CT图像的影像组学特征,建立和验证能够术前预测肺腺癌病理分级的影像组学模型,进一步探讨影像组学模型预测实性肺腺癌病理分级的价值。
研究方法:
本研究收集了2016年1月到2018年1月1696例经手术切除并病理证实为肺腺癌患者的临床和CT影像资料。符合纳入和排除标准的肺腺癌1069例,按入组顺序分成训练队列639例和验证队列430例,同时根据病理结果分成中低级别组和高级别组。所有患者均采用了规范化的CT扫描协议,均做了CT平扫和增强扫描。采用3DU-net模型对肺结节进行三维自动分割,利用Pyradiomics软件提取影像组学特征,每个结节共提取1063个影像组学特征。通过随机森林算法对影像组学特征降维,筛选出与肺腺癌病理分级相关的重要影像组学特征,并建立预测肺腺癌病理分级的影像组学模型;同时为了提高预测性能,进一步结合基于CT平扫和增强图像的影像组学特征建立联合预测模型。另外,通过上述方法进一步建立预测实性肺腺癌病理分级的CT影像组学模型。通过受试者特征曲线下面积(AUC)来评价各预测模型的预测性能。
研究结果:
(1)基于训练队列639例肺腺癌患者术前CT平扫影像组学(UER)、增强影像组学(ER)数据集,通过使用随机森林算法筛查并建立了预测肺腺癌病理分级的影像组学模型,具有较好的诊断效能。影像组学模型在训练队列和验证队列均显示了较好的预测能力,UER的AUC值分别为0.844、0.839,ER的AUC值分别为0.817、0.839,经t检验,差异均无统计学意义(P≥0.05)。
(2)基于训练队列378例实性肺腺癌患者术前CT平扫影像组学(UER)、增强静脉期影像组学(ER)数据集,通过使用随机森林算法筛查并建立了预测实性肺腺癌病理分级的影像组学模型,具有较好的诊断效能。影像组学模型在训练队列和验证队列均显示了较好的预测能力,UER的AUC值分别为0.780、0.700,ER的AUC值分别为0.748、0.695;经t检验,差异均无统计学意义(P≥0.05)。
研究结论:
基于CT平扫的影像组学模型(UER)是一种无创、定量方法,可以帮助预测肺腺癌和实性肺腺癌的病理分级,为治疗前临床选择恰当的治疗方案提供一种新的理论依据。
第三部分CT影像组学预测亚实性结节型肺腺癌EGFR基因突变状态的研究
研究背景:
肺癌是目前全世界高发病率和死亡率恶性肿瘤之一,其中肺腺癌是最常见的病理类型。表皮生长因子(EGFR)突变型肺腺癌是酪氨酸激酶抑制剂(EGFR-TKI)治疗有效的一种亚型。EGFR突变检测主要依赖手术切除和穿刺的组织标本。然而,有时难以通过穿刺获得足够的组织标本进行EGFR突变检测,且由于肿瘤异质性,穿刺的局部标本不能代表整个肿瘤。影像组学作为一种无创定量的方法通过提取分析大量高维影像数据,可在一定程度上预测肿瘤基因表型特征。
研究目的:
基于术前CT图像的影像组学特征,探讨影像组学标签在预测CT表型为亚实性结节型肺腺癌EGFR基因突变状态的价值。
研究方法:
本研究收集了2016年1月到2018年5月2932例经手术切除为病理证实为肺腺癌患者的临床和CT影像资料。符合纳入和排除标准的亚实性结节型肺腺癌467例,根据入组时间顺序分成训练队列306例和验证队列161例。所有患者均采用了规范化的CT扫描协议。采用了3DU-net模型对肺结节进行三维自动分割,采用Pyradiomics软件提取影像组学特征,每个结节共提取1063个影像组学特征。利用随机森林算法对影像组学特征降维,并建立预测EGFR突变状态的影像组学标签;同时为了提高预测效能,进一步结合影像组学特征和临床特征建立联合预测模型。通过受试者特征曲线下面积(AUC)来评价各模型的预测能力,同时设定恰当阈值预测EGFR突变发生,计算敏感性、特异性、阳性预测值、阴性预测值等。
研究结果:
(1)本组467例CT表现为亚实性结节的肺腺癌,发生EGFR突变的癌灶300例,占64.2%。21外显子和19外显子错义突变是最常见的EGFR突变类型。EGFR(+)和EGFR(-)组在患者年龄、肿瘤最大径、CT表现形式、病理亚型的差异有统计学意义(P<0.05)。EGFR(+)多发生在CT表现为部分实性结节的肺腺癌。
(2)通过采用随机森林方法筛选了43个与EGFR突变相关的影像组学特征,并建立了预测EGFR突变状态的影像组学标签,其在训练队列和验证队列均显示了较好的预测能力,AUC分别为0.831、0.789。
(3)本研究也建立基于影像组学特征和临床特结合的联合预测模型,在训练队列和验证队列的预测能力,AUC值分别为0.826、0.779。本研究通过比较影像组学模型、结合模型,单纯影像组学模型与结合模型的预测能力无明显差异(P≥0.05)。
研究结论:
CT影像组学标签预测亚实性结节型肺腺癌的EGFR突变状态具有较好的预测性能。影像组学标签作为一种无创、定量的方法,有望成为一种判断亚实性结节型肺腺癌EGFR突变状态的有效补充手段。
第四部分CT影像组学预测肺腺癌KRAS基因突变状态的研究
研究背景
肺癌是癌症相关死亡率最高的肿瘤之一。大多肺癌是由基因改变的累积引起的,KRAS突变是肺癌第二常见的突变基因。虽然目前针对KRAS基因突变的靶向药物尚未研制成功,但是KRAS基因突变可能是EGFR-TKIs治疗预后不良的生物标志物,也是提示患者预后不良的因子。
研究目的:
基于术前CT图像的影像组学特征,探讨影像组学标签在预测肺腺癌KRAS基因突变状态的价值。
研究方法:
本研究回顾性收集纳入和排除标准的肺腺癌823例,将其分为训练队列466例和验证队列357例。所有患者均采用了规范化的CT扫描协议,包括CT平扫和增强扫描。采用3DU-net模型对肺结节进行三维自动分割,采用Pyradiomics软件提取影像组学特征,每个结节共提取1063个影像组学特征。利用随机森林算法对影像组学特征降维,筛选出与肺腺癌基KRAS基因突变状态密切相关的影像组学特征,并建立预测KRAS突变状态的影像组学标签模型;同时为了提高预测效能,进一步将CT平扫和增强图像的影像组学特征和临床特征结合建立联合预测模型。通过受试者特征曲线下面积(AUC)来评价各模型的预测能力。
研究结果:
(1)本组资料中,18.5%(86/823)例肺腺癌发生KRAS突变。在训练队列和验证队列中KRAS突变率差异无统计学意义(P=0.190).在KRAS(+)和KRAS(-)组性别、吸烟史、CT表现方式、病理亚型方面的差异有统计学意义(P<0.05)。
(2)基于术前CT平扫影像组学(UER)、增强静脉期影像组学(ER)的数据集,通过使用随机森林算法筛选重要特征并建立了预测肺腺癌KRAS基因突变状态的影像组学标,具有较好的诊断效能。影像组学标签在训练队列和验证队列均显示了较好的预测能力,UER的AUC值分别为0.753、0.744,ER的AUC值分别为0.738、0.722,经t检验,差异均无统计学意义(P≥0.05)。
(3)基于术前CT平扫(UER)、增强静脉期(ER)、CT平扫和增强静脉期(UEER)的影像组学特征分别结合临床危险因素形成三个数据集(UERC、ERC、UEERC),通过使用随机森林算法建立了预测肺腺癌KRAS基因突变状态的联合预测模型,具有较好的诊断效能。三种模型在训练队列的AUC值分别为0.836、0.799、0.787,在验证队列的AUC值分别为0.765、0.719、0.747,差异均无统计学意义(P≥0.05)。
(4)通过比较单纯影像组学标签与结合临床危险因素建立的联合预测模型,发现UERC较单纯UER在预测肺腺癌KRAS突变状态的诊断效能高(P<0.05)。
研究结论:
CT影像组学标签可以用来预测肺腺癌的KRAS突变状态,其可作为判断KRAS突变状态的有效补充手段。
研究背景:
孤立性肺结节的诊断与鉴别诊断一直是临床和影像研究热点,其中有分叶征和毛刺征的肺部孤立性肉芽肿结节(GN)很难从CT的形态特征上与实性肺腺癌(SLADC)鉴别。影像组学是利用先进的人工智能领域的影像图像分析方法将感兴趣区的影像数据转化为具有高分辨率的可发掘的特征空间数据,可在一定程度上全面反映病灶的性质。
研究目的基于术前CT图像的影像组学特征,探讨影像组学鉴别不典型孤立性肉芽肿和实性肺腺癌的可行性,旨在为肺癌早期精准诊断提供准确、客观的定量影像学依据。
研究方法:
本研究回顾性收集2016年1月至2017年8月经手术切除病理证实且符合纳入和排除标准的肺部实性结节302例,其中肺腺癌209例,良性不典型的肉芽肿结节93例。所有患者术前均采用规范化的CT扫描方案,即标准软组织重建算法和2mm重建层厚。通过Pyradiomics软件提取所有结节的CT平扫和增强静脉期两组图像的影像组学特征。所有病例按7:3比例分成训练队列和验证队列,分别211例、91例。通过L1正则化的逻辑回归分析,建立区分不典型孤立性肉芽肿和实性肺腺癌的预测模型,模型的验证采用十倍交叉验证法进行验证。通过受试者工作特征曲线(ReceiverOperatingCharacteristicCurve,ROC)曲线下面积(AreaUndertheCurve,AUC)评价各种模型的诊断效能。
研究结果:
(1)本组资料中,16.7%(35/209)实性肺腺癌术前被误诊肉芽肿,24.7%(23/93)的不典型肉芽肿术前被误诊为肺腺癌。
(2)基于术前CT平扫影像组学(UER)、增强静脉期影像组学(ER)、CT平扫和增强静脉期影像组学(UEER),通过L1正则化逻辑回归筛选出重要特征并建立了鉴别不典型GN和SLADC的三个影像组学标签,均具有较好的诊断效能。三种模型在训练队列的AUC值分别为0.843、0.868、0.873,在验证队列的AUC值分别为0.776、0.769、0.798,差异均无统计学意义(P≥0.05)。
(3)基于术前CT平扫(UER)、增强静脉期(ER)、CT平扫和增强静脉期(UEER)的影像组学特征分别结合临床危险因素形成三个数据集(UERC、ERC、UEERC),通过L1正则化逻辑回归建立了三个联合预测模型,均具有较好的诊断效能。三种模型在训练队列的AUC值分别为0.935、0.902、0.923,在验证队列的AUC值分别为0.817、0.837、0.841,差异均无统计学意义(P≥0.05)。
(4)通过比较单纯影像组学标签与结合临床危险因素的联合预测模型,发现UERC预测模型的诊断效能较UER的诊断效能高(P<0.05)。
(5)本研究基于UERC数据集建立的联合影像组学模型对GN和SLADC诊断准确率与放射医生的诊断准确率相当,差异无统计学意义(P≥0.05)。
研究结论:
CT平扫影像组学特征结合临床危险因素建立的联合影像组学模型(UERC)可以较好地鉴别不典型肉芽肿和实性肺腺癌,其对于对比剂过敏或肾功能衰竭的患者肺部结节性质判断具有一定价值。作为定量方法,CT影像组学分析对影像医生的经验依赖性小,有望成为影像医师的辅助工具。
第二部分CT影像组学在术前预测肺腺癌病理分级的研究
研究背景:
肺腺癌是肺癌最常见的病理类型。肺腺癌的病理分级(TPG)不仅能反映患者预后,而且影响治疗方案的选择。在临床上,CT引导下穿刺活检或支气镜引导下穿刺活检是肺癌术前病理分级最常用的方法,然而,穿刺活检所获得少量组织标本不能完全反映整个肿瘤的病理情况,且存在一些与穿刺相关的风险。影像组学作为一种无创、定量方法可在一定程度上全面反映肿瘤的异质性。
研究目的:
基于术前CT图像的影像组学特征,建立和验证能够术前预测肺腺癌病理分级的影像组学模型,进一步探讨影像组学模型预测实性肺腺癌病理分级的价值。
研究方法:
本研究收集了2016年1月到2018年1月1696例经手术切除并病理证实为肺腺癌患者的临床和CT影像资料。符合纳入和排除标准的肺腺癌1069例,按入组顺序分成训练队列639例和验证队列430例,同时根据病理结果分成中低级别组和高级别组。所有患者均采用了规范化的CT扫描协议,均做了CT平扫和增强扫描。采用3DU-net模型对肺结节进行三维自动分割,利用Pyradiomics软件提取影像组学特征,每个结节共提取1063个影像组学特征。通过随机森林算法对影像组学特征降维,筛选出与肺腺癌病理分级相关的重要影像组学特征,并建立预测肺腺癌病理分级的影像组学模型;同时为了提高预测性能,进一步结合基于CT平扫和增强图像的影像组学特征建立联合预测模型。另外,通过上述方法进一步建立预测实性肺腺癌病理分级的CT影像组学模型。通过受试者特征曲线下面积(AUC)来评价各预测模型的预测性能。
研究结果:
(1)基于训练队列639例肺腺癌患者术前CT平扫影像组学(UER)、增强影像组学(ER)数据集,通过使用随机森林算法筛查并建立了预测肺腺癌病理分级的影像组学模型,具有较好的诊断效能。影像组学模型在训练队列和验证队列均显示了较好的预测能力,UER的AUC值分别为0.844、0.839,ER的AUC值分别为0.817、0.839,经t检验,差异均无统计学意义(P≥0.05)。
(2)基于训练队列378例实性肺腺癌患者术前CT平扫影像组学(UER)、增强静脉期影像组学(ER)数据集,通过使用随机森林算法筛查并建立了预测实性肺腺癌病理分级的影像组学模型,具有较好的诊断效能。影像组学模型在训练队列和验证队列均显示了较好的预测能力,UER的AUC值分别为0.780、0.700,ER的AUC值分别为0.748、0.695;经t检验,差异均无统计学意义(P≥0.05)。
研究结论:
基于CT平扫的影像组学模型(UER)是一种无创、定量方法,可以帮助预测肺腺癌和实性肺腺癌的病理分级,为治疗前临床选择恰当的治疗方案提供一种新的理论依据。
第三部分CT影像组学预测亚实性结节型肺腺癌EGFR基因突变状态的研究
研究背景:
肺癌是目前全世界高发病率和死亡率恶性肿瘤之一,其中肺腺癌是最常见的病理类型。表皮生长因子(EGFR)突变型肺腺癌是酪氨酸激酶抑制剂(EGFR-TKI)治疗有效的一种亚型。EGFR突变检测主要依赖手术切除和穿刺的组织标本。然而,有时难以通过穿刺获得足够的组织标本进行EGFR突变检测,且由于肿瘤异质性,穿刺的局部标本不能代表整个肿瘤。影像组学作为一种无创定量的方法通过提取分析大量高维影像数据,可在一定程度上预测肿瘤基因表型特征。
研究目的:
基于术前CT图像的影像组学特征,探讨影像组学标签在预测CT表型为亚实性结节型肺腺癌EGFR基因突变状态的价值。
研究方法:
本研究收集了2016年1月到2018年5月2932例经手术切除为病理证实为肺腺癌患者的临床和CT影像资料。符合纳入和排除标准的亚实性结节型肺腺癌467例,根据入组时间顺序分成训练队列306例和验证队列161例。所有患者均采用了规范化的CT扫描协议。采用了3DU-net模型对肺结节进行三维自动分割,采用Pyradiomics软件提取影像组学特征,每个结节共提取1063个影像组学特征。利用随机森林算法对影像组学特征降维,并建立预测EGFR突变状态的影像组学标签;同时为了提高预测效能,进一步结合影像组学特征和临床特征建立联合预测模型。通过受试者特征曲线下面积(AUC)来评价各模型的预测能力,同时设定恰当阈值预测EGFR突变发生,计算敏感性、特异性、阳性预测值、阴性预测值等。
研究结果:
(1)本组467例CT表现为亚实性结节的肺腺癌,发生EGFR突变的癌灶300例,占64.2%。21外显子和19外显子错义突变是最常见的EGFR突变类型。EGFR(+)和EGFR(-)组在患者年龄、肿瘤最大径、CT表现形式、病理亚型的差异有统计学意义(P<0.05)。EGFR(+)多发生在CT表现为部分实性结节的肺腺癌。
(2)通过采用随机森林方法筛选了43个与EGFR突变相关的影像组学特征,并建立了预测EGFR突变状态的影像组学标签,其在训练队列和验证队列均显示了较好的预测能力,AUC分别为0.831、0.789。
(3)本研究也建立基于影像组学特征和临床特结合的联合预测模型,在训练队列和验证队列的预测能力,AUC值分别为0.826、0.779。本研究通过比较影像组学模型、结合模型,单纯影像组学模型与结合模型的预测能力无明显差异(P≥0.05)。
研究结论:
CT影像组学标签预测亚实性结节型肺腺癌的EGFR突变状态具有较好的预测性能。影像组学标签作为一种无创、定量的方法,有望成为一种判断亚实性结节型肺腺癌EGFR突变状态的有效补充手段。
第四部分CT影像组学预测肺腺癌KRAS基因突变状态的研究
研究背景
肺癌是癌症相关死亡率最高的肿瘤之一。大多肺癌是由基因改变的累积引起的,KRAS突变是肺癌第二常见的突变基因。虽然目前针对KRAS基因突变的靶向药物尚未研制成功,但是KRAS基因突变可能是EGFR-TKIs治疗预后不良的生物标志物,也是提示患者预后不良的因子。
研究目的:
基于术前CT图像的影像组学特征,探讨影像组学标签在预测肺腺癌KRAS基因突变状态的价值。
研究方法:
本研究回顾性收集纳入和排除标准的肺腺癌823例,将其分为训练队列466例和验证队列357例。所有患者均采用了规范化的CT扫描协议,包括CT平扫和增强扫描。采用3DU-net模型对肺结节进行三维自动分割,采用Pyradiomics软件提取影像组学特征,每个结节共提取1063个影像组学特征。利用随机森林算法对影像组学特征降维,筛选出与肺腺癌基KRAS基因突变状态密切相关的影像组学特征,并建立预测KRAS突变状态的影像组学标签模型;同时为了提高预测效能,进一步将CT平扫和增强图像的影像组学特征和临床特征结合建立联合预测模型。通过受试者特征曲线下面积(AUC)来评价各模型的预测能力。
研究结果:
(1)本组资料中,18.5%(86/823)例肺腺癌发生KRAS突变。在训练队列和验证队列中KRAS突变率差异无统计学意义(P=0.190).在KRAS(+)和KRAS(-)组性别、吸烟史、CT表现方式、病理亚型方面的差异有统计学意义(P<0.05)。
(2)基于术前CT平扫影像组学(UER)、增强静脉期影像组学(ER)的数据集,通过使用随机森林算法筛选重要特征并建立了预测肺腺癌KRAS基因突变状态的影像组学标,具有较好的诊断效能。影像组学标签在训练队列和验证队列均显示了较好的预测能力,UER的AUC值分别为0.753、0.744,ER的AUC值分别为0.738、0.722,经t检验,差异均无统计学意义(P≥0.05)。
(3)基于术前CT平扫(UER)、增强静脉期(ER)、CT平扫和增强静脉期(UEER)的影像组学特征分别结合临床危险因素形成三个数据集(UERC、ERC、UEERC),通过使用随机森林算法建立了预测肺腺癌KRAS基因突变状态的联合预测模型,具有较好的诊断效能。三种模型在训练队列的AUC值分别为0.836、0.799、0.787,在验证队列的AUC值分别为0.765、0.719、0.747,差异均无统计学意义(P≥0.05)。
(4)通过比较单纯影像组学标签与结合临床危险因素建立的联合预测模型,发现UERC较单纯UER在预测肺腺癌KRAS突变状态的诊断效能高(P<0.05)。
研究结论:
CT影像组学标签可以用来预测肺腺癌的KRAS突变状态,其可作为判断KRAS突变状态的有效补充手段。