论文部分内容阅读
第一部分目的:原发性肺癌是中国乃至世界范围内最为致命的肿瘤之一。非小细胞肺癌（NSCLC）占比超过85%,早期NSCLC通过多学科综合治疗可以实现较好的预后,甚至达到治愈的目的。然而,结节/肿块型肺结核在影像上可以表现出类似NSCLC的形态和代谢特征,对NSCLC的早期诊断造成了挑战。因此,第一部分探讨18F-FDG PET影像组学对结节性或肿块性肺结核（PTB）与非小细胞肺癌（NSCLC）的鉴别诊断价值。方法:回顾分析于华中科技大学同济医学院附属同济医院行18F-FDG PET/CT的PTB 53例与NSCLC 178例患者,按照7:3比例分为训练集和验证集。使用Python软件从PET图像中提取影像组学特征。采用最大相关性最小冗余算法和最小绝对收缩和选择算子选择最优特征,构建影像组学标签评分（Rad-score）。Mann-Whitney U检验比较组间差异;多因素logistic回归筛选病理类型影响因素。综合临床变量和Rad-score构建复合模型,通过受试者工作特征（ROC）曲线评价模型辨别PTB和NSCLC的能力。结果:选择6个影像组学特征构建组学标签。PTB比NSCLC具有较低的Rad-score值（训练集:z=-8.53,p<0.001;验证集:z=-5.11,p<0.001）,其AUC分别为0.967（95%CI,0.926~0.989）和0.915（95%CI,0.823~0.969）,高于临床变量（训练集:AUC=0.774;验证集:AUC=0.729）。综合临床变量和组学标签构建复合模型,模型对病理类型具有良好的辨别能力[训练集:AUC=0.981（95%CI,0.947~0.996）;验证集:AUC=0.941（95%CI,0.857~0.984）],且显著高于SUVmax（训练集:z=5.178,p<0.001;验证集:z=2.533,p=0.011）。结论:18F-FDG PET影像组学能有效区分结节/肿块性PTB和NSCLC,提高鉴别诊断效能,为后续临床治疗提供指导。第二部分目的:非小细胞肺癌（NSCLC）是一种高度异质性的肿瘤,肺鳞癌和肺腺癌具有截然不同的疾病特点,第二部分探讨18F-脱氧葡萄糖（FDG）PET/CT影像组学特征在非小细胞肺癌（NSCLC）病理分型之间的差异,提高鉴别病理分型的能力,以期为临床治疗决策提供帮助。方法:回顾分析华中科技大学同济医学院附属同济医院182例行18F-FDG PET/CT的NSCLC患者,所有患者均病理证实为肺腺癌或肺鳞癌,按照1:1比例将其分为训练集（n=91）和验证集（n=91）。使用Python平台从PET/CT图像中提取影像组学特征。采用最大相关性最小冗余算法和最小绝对收缩和选择算子选择最优特征,并构建影像组学标签评分。使用Mann-Whitney U检验组间差异。使用多因素logistic回归筛选病理亚型影响因素,综合临床变量和影像组学标签构建复合模型,并通过受试者工作特征（ROC）曲线评价模型预测能力,使用Delong检验模型曲线下面积（AUC）差异。结果:五个影像组学特征（gldmLarge Dependence Low Gray Level Emphasis、glszmGray Level Variance、gldmLarge Dependence High Gray Level Emphasis、glcmSum Entropy、firstorderMaximum）被选择用于组学标签的构建。腺癌比鳞癌具有较低的影像组学标签评分[训练集:-1.40（-2.16~0.36）vs-0.46（-1.30~0.89）,z=-5.797,p<0.001;验证集:-1.40（-2.21-0.43）vs-0.53（-1.69~0.95）,z=-5.314,p<0.001]。影像组学标签评分AUC分别为[训练集:0.895（95%CI,0.813~0.950）]和[验证集:0.850（95%CI,0.760~0.916）],高于临床变量AUC值（吸烟史具有最优预测效能,训练集:0.721,验证集:0.726）。综合临床变量（吸烟史）和组学标签构建复合模型,模型对病理亚型具有良好的辨别能力[训练集:AUC=0.912（95%CI,0.834~0.961）;验证集:AUC=0.875（95%CI,0.789~0.935）],且显著高于临床变量（训练集:z=4.391,p<0.001;验证集:z=3.806,p<0.001）。结论:肺腺癌和鳞癌存在显著的代谢异质性差异,由吸烟史、组学标签形成的临床模型,具有较好的预测价值,可能为术前个体化预测非小细胞肺癌亚型提供非侵袭性、可重复的方法。第三部分目的:肿瘤分期是NSCLC治疗决策和预后的最重要的因素之一。其中,N2淋巴结状态决定了最佳干预手段是手术治疗还是新辅助化疗,有必要在术前对N2淋巴结进行风险分层。第三部分基于18F-脱氧葡萄糖（FDG）PET影像组学预测NSCLC的N2淋巴结转移。方法:回顾分析华中科技大学同济医学院附属同济医院193例行18F-FDG PET/CT的NSCLC患者,所有患者均病理证实为肺腺癌或肺鳞癌,按照1:1比例将其分为训练集（n=96）和验证集（n=97）。使用视觉评分（VAS）5分法对纵隔淋巴结进行评分。使用Python平台从PET图像中提取1132个影像组学特征。采用最大相关性最小冗余算法和最小绝对收缩和选择算子选择最优特征,并构建影像组学标签评分（Rad-score）。使用Mann-Whitney U检验组间差异。使用多因素logistic回归筛选病理亚型影响因素,基于临床变量和影像组学标签构建复合模型,并通过受试者工作特征（ROC）曲线评价模型预测能力。结果:八个影像组学特征（firstorder90Percentile、glszmSize Zone Non Uniformity、LLLfirstorderMean、HHLfirstorderMean、glszmZone Variance、glcmInverse Variance、glcmCorrelation、glrlmLong Run Low Gray Level Emphasis）被选择用于组学标签的构建。无N2转移比N2转移患者具有较低的Rad-score值（训练集:z=-4.71,p<0.001;验证集:z=-4.26,p<0.001）。Rad-score在训练集和验证集的AUC分别为0.801（95%CI,0.707~0.876）和0.769（95%CI,0.673~0.849）。与此相比,临床变量的AUC值较低,分别为AUC（病理类型、性别、年龄、吸烟）（训练集:0.515、0.508、0.650、0.506;验证集:0.508、0.503、0.531、0.561）。多因素logistic回归结果表明Rad-score（p=0.001）、淋巴结视觉评分VAS（p<0.001）、年龄（p=0.002）、病理类型（p=0.035）是N2状态的独立影响因素。根据logistic回归结果构建复合模型,复合模型区分PTB和NSCLC的AUC值分别为[训练集:AUC=0.942（95%CI,0.875~0.979）;验证集:AUC=0.866（95%CI,0.782~0.927）]。原发病灶SUVmax、Rad-score、复合模型、VAS与淋巴结站数（rho=0.275~0.609,p<0.05）、转移数目（rho=0.241~0.603,p<0.05）存在正相关性。Rad-score与纵隔N2跳跃性淋巴结转移相关（z=-2.074,p=0.038）。结论:原发病灶影像组学和纵隔淋巴结代谢信息能够有效预测N2淋巴结的转移,影像组学特征、纵隔淋巴结代谢信息与淋巴结转移站数、数目以及跳跃性淋巴结转移具有显著相关性,提示影像组学可能反映出肿瘤侵袭性的特征,有望为临床术前分期提供帮助,有助于术前治疗策略的制定以及预后评估。第四部分目的:肿瘤免疫微环境分型（TMITs）与免疫治疗疗效密切相关。本研究探讨18F-脱氧葡萄糖（FDG）PET/CT影像组学特征对非小细胞肺癌（NSCLC）肿瘤免疫微环境分型的预测价值。方法:回顾分析华中科技大学同济医学院附属同济医院103例行18F-FDG PET/CT的NSCLC患者,所有患者均经病理证实,按照7:3比例将其分为训练集（n=71）和验证集（n=32）,使用免疫组化检测肿瘤组织PD-L1、PD-1和CD8肿瘤浸润淋巴细胞（TILs）的表达。按照PD-L1和CD8+TLSs的表达水平将肿瘤免疫微环境分为四型。利用LIFEX软件包进行肿瘤组织的影像组学特征提取。采用最大相关性最小冗余算法（LASSO）选择最优影像组学特征,并构建影像组学标签评分（Rad-score）。使用Mann-Whitney U检验组间差异。使用多因素logistic回归筛选病理亚型影响因素,综合临床变量和影像组学标签构建复合模型,并通过受试者工作特征（ROC）曲线评价模型预测能力,使用Delong检验模型曲线下面积（AUC）差异。结果:四个影像组学特征（GLRLMLRHGE,GLZLMSZE,SUVmax,GLCMContrast）被选择用于组学标签的构建。训练集和验证集Rad-score在不同免疫分型之间有显著差异（p<0.001,0.019）,其AUC值分别为训练集的0.800（95%CI,0.688~0.885）和验证集的0.794（95%CI,0.615~0.916）,高于临床变量AUC值（训练集:0.738,验证集:0.699）。多因素logistic回归综合临床变量和Rad-score构建复合模型,模型对肿瘤免疫分型具有良好的辨别能力,AUC值为0.838（训练集）和0.811（验证集）。结论:基于18F-FDG PET/CT的影像组学特征对NSCLC肿瘤免疫分型具有较好的辨别能力,有望为选择免疫治疗的潜在获益人群提供帮助。