论文部分内容阅读
脑胶质瘤最常见的原发性颅内肿瘤,约占所有中枢神经系统肿瘤的32%,约占颅内恶性肿瘤的81%。关键基因生物标志物,如MGMT、Ki67和IDH1/2,是评价脑胶质瘤恶性程度的主要指标,对其进行术前精准诊断对患者治疗方式的选择及其预后预测至关重要。由于脑部的特殊位置,临床采用活检的方法来获得相关基因生物标志物的状态具有较高风险,同时价格昂贵,给患者带来极大痛苦。PET-CT影像能无创提供肿瘤代谢相关信息,成为脑胶质瘤诊断的常用影像学手段,结合患者的PET-CT影像数据、相关临床和基因信息,利用机器学习方法实现基因生物标志物状态的预测,将有助于促进脑胶质瘤患者的精准治疗,降低手术风险,减少医疗成本。本文基于影像组学理论,通过对关键基因生物标志物MGMT、Ki67和IDH1/2的无创精准预测,实现脑胶质瘤分级。研究过程中,对影像特征、临床特征及其组合,分别建立影像模型、临床模型以及组合模型。构建影像模型时,首先针对PET-CT影像中感兴趣区计算影像组学特征,结合U检验、弹性网和SVM-RFE进行特征选,然后采用SVM算法训练分类模型;构建临床模型时,首先使用AIC作为评价指标的逻辑斯特回归算法对临床特征进行筛选,然后再使用筛选后的特征和逻辑斯特回归进行模型构建;构建组合模型时,首先将影像模型的预测概率作为关键特征,与临床特征相结合后,经过AIC作为评价指标的逻辑斯特回归算法进行特征筛选,然后再使用筛选后的特征和逻辑斯特回归进行模型构建。最后,根据患者的预后信息绘制Kaplan-Meier曲线,对患者的预后进行分析,得到MGMT、Ki67和IDH1/2三种基因生物标志物在不同状态下患者的总生存期之间的差异。实验表明本研究提出的方法具有良好的预测性能,影像特征对分类模型性能有明显提升,其中预测MGMT启动子是否甲基化的分类模型中,影像模型训练集和测试集的受试者特征曲线(ROC)下方的面积大小(AUC)分类达到了0.94和0.86,均高于临床模型(0.64和0.69);预测Ki-67表达量的分类模型中,影像模型训练集和测试集的AUC分类达到了0.88和0.76,均高于临床模型(0.84和0.67);预测IDH1/2是否突变的分类模型中,组合模型训练集和测试集的AUC分类达到了0.91和0.80,均高于临床模型(0.71和0.66)。为了便于临床应用,本研究使用诺谟图对分类模型进行可视化预测,校正曲线和决策曲线结果表明,最终分类模型在训练集和测试集的性能接近,证明了模型有效性。