论文部分内容阅读
目的:探究基于多序列MRI的影像组学模型在术前预测子宫内膜癌(endometrial carcinoma,EC)组织学分级、Ki67表达及肌层浸润的价值。方法:本研究回顾性地分析了从2013年12月至2019年1月在天津医科大学肿瘤医院经手术病理证实为EC的患者资料,共入组306名患者,所有患者术前均接受盆腔MR平扫及增强检查。由两名放射科医师通过协商,利用ITK-SNAP软件对盆腔MR图像进行ROI逐层勾画分割,分割的图像序列包括T2WI、DWI、ADC(apparent diffusion coefficient)图以及DCE-MRI延迟期图像(均为矢状位图像)。(1)构建影像组学模型:使用基于Matlab2016a的影像组学软件提取影像组学特征,每个序列均提取到459个组学特征。利用Pearson相关系数及Kruscal-wallis秩和检验进行特征筛选。按照不同的任务将病例随机分为训练集和验证集,将筛选出的特征纳入弹性网络Elastic Net回归模型,通过交叉验证得出模型效能最佳时的超参数α值,将模型进行初始化。通过十折交叉验证法在训练集数据确定最佳超参数λ以构建组学模型,应用受试者工作特征(receiver operating characteristic,ROC)曲线来评价模型的预测能力,利用验证集数据对模型进行验证。(2)利用最佳超参数λ下各被选择特征的系数,构建线性方程并计算Rad Score,利用两个组学模型的Radscore值分别预测肌层浸润情况,得出各预测模型的ROC曲线及相应评价指标。结果:1.本研究入组的306名EC患者中,组织学分级为高级别(G2、G3)232例,低级别(G1)74例;Ki67高增殖组(≥50%)137例,低增殖组(<50%)121例;存在深肌层浸润57例。根据不同训练任务随机分配训练集及验证集,各组训练集与验证集间患者基本信息无显著性差异。2.(1)经过特征筛选,共33个特征最终纳入弹性网络Elastic Net回归模型;(2)通过十折交叉验证计算得到当α为零即将所选特征全部纳入岭回归时,模型效能最好;(3)通过十折交叉验证得到最佳超参数λ即L2正则构建最佳预测模型,组织学分级预测模型训练集曲线下面积(area under ROC curve,AUC)0.769,敏感度84.5%,特异度61.8%;验证集AUC 0.678,敏感度58.3%,特异度64.9%。Ki67表达预测模型训练集AUC 0.714,敏感度75.9%,特异度56.7%;验证集AUC 0.733,敏感度79.2%,特异度71.4%。3.两个组学预测模型的影像组学评分(Radscore)在不同肌层浸润组间差异均有统计学意义(均P<0.001),利用组织学分级预测模型评估肌层浸润AUC 0.710,敏感度78.9%,特异度56.2%;Ki67表达预测模型评估肌层浸润AUC 0.691,敏感度93.3%,特异度42.7%。结论:基于多序列MRI的影像组学模型,在术前预测EC的组织学分级、Ki67表达及肌层浸润方面均有重要的价值,有助于协助临床早日实现精准化个性化治疗。