论文部分内容阅读
目的:探讨MRI影像组学(Radiomic)在预测高级别胶质瘤(High-Grade Gliomas,HGGs)术后接受联合放化疗和辅助化疗患者总生存期(Overall Survival,OS)的价值,比较基于不同影像组学特征模型的预测效能,尝试建立一个基于影像组学评分(Radiomic Score,RS)的预后分析模型。材料和方法:回顾性分析60例接受术后联合放化疗和辅助化疗的HGGs患者(WHO III级或IV级)临床影像资料,术后MRI提示存在肿瘤残留。患者的临床资料包括年龄、胶质瘤级别、肿瘤切除程度、病灶部位、KPS评分等,通过电话随访确定患者OS。随机将患者分为训练集40例,验证集20例。采用3.0T MR扫描仪和20通道头部线圈,收集患者术后1周内和同步放化疗后1月内T1WI增强、T2WI和FLAIR图像。使用MATLAB R2018a软件进行图像配准、病灶分割,在术后、放化疗后的图像上分别对肿瘤残留强化区(Residual Enhancement Region,RER)、瘤周水肿区(Peritumoral Edema Region,PER)进行影像组学特征提取,同时计算放化疗后与术后影像组学特征的变化值。影像组学特征包括一阶统计特征、体积形状特征、纹理特征和小波特征。通过组内相关系数(Intraclass Correlation Coefficient,ICC)和LASSO方法对特征进行筛选。将可重复且有潜在价值的特征纳入多因素Cox生存分析模型,通过一致性指数(C-index)比较不同模型预测效能的差异。根据最优模型所筛选的特征及其回归系数计算每个患者RS评分,构建基于评分和临床资料列线图(Nomograph)的预测模型。按RS评分的中位数将患者分为低风险、高风险组,Kaplan-Meier法比较相同或不同临床风险因素分层下两组患者OS差异。结果:基于多序列MRI,在肿瘤RER提取影像组学特征的变化值有着更好的O S预测效能。经过筛选后共发现4个与OS相关度最高的影像组学标签(M3D、Vari ance、Energy、Correlation),RS=2.462 × M3D+1.823 × T1CE_HHH_Variance+1.781 × T2—HLL_Energy-2.588 × T2_HHH_Corrlation。构建基于 RS、临床资料的Cox回归模型,在训练集中,RS对患者OS的预测效能高于临床资料(C-index:0.858 VS 0.825),将两者结合后模型的预测效能有进一步提高(C-index:0.908),上述结果在验证集中得到验证。多因素Cox回归模型显示RS是HGGs总生存期的独立风险因素,训练集中HR=1.534(P=4.95×10-5),验证集中HR=1.775(P=0.001)。包含RS及临床资料的列线图预测效能高于后者单独使用(C-index:0.905 VS 0.825),校准曲线显示列线图预测与实际OS有较好的一致程度。Kaplan-Meier法比较相同或不同临床风险因素分层下,高风险组患者OS低于低风险组(P<0.05)。结论:利用MRI影像组学可以预测HGGs术后OS,影像组学标签及评分均有较高的预测效能。