论文部分内容阅读
目的探讨MRI影像组学在术前预测胸腺上皮性肿瘤病理分型及TNM临床分期中的应用价值
方法回顾性收集189例胸腺上皮性肿瘤患者的临床及MRI影像资料。从T2加权成像(T2-weighted imaging,T2WI)和T2压脂成像(T2W fat-suppressed,FS)中提取2088个定量特征。将病例随机分配到训练集和测试集，采用少数类过采样技术调整训练集中患者的不均衡。采用递归式特征消除算法(recursive feature elimination, RFE)选择出最优特征子集，构建胸腺上皮性肿瘤病理分型和TNM临床分期影像组学预测模型，并对模型的性能进行评估。在多变量logistic回归分析中，我们结合影像组学模型、常规MRI表现和临床变量，构建预测晚期胸腺上皮性肿瘤风险分层的影像组学列线图。
结果提取的定量特征中，选取125个及69个定量特征构建影像组学模型，分别预测胸腺上皮性肿瘤病理分型及临床分期。在鉴别低危、高危胸腺瘤和胸腺癌，影像组学模型在训练集中分类准确度和曲线下面积(areaunderthecurve, AUC)分别为75.9%、0.880[95%置信区间(confidenceinterval,CI):0.832-0.928]，在测试集中分类准确度和AUC分别为68.9%、0.771(95% CI: 0.648-0.894)；在鉴别早期和晚期胸腺上皮性肿瘤，影像组学模型在训练集中分类准确度和AUC分别为92.6%、0.928(95%CI: 0.891-0.965)，在测试集中分类准确度和AUC分别为89.4%、0.908(95%CI: 0.826-0.990)。影像组学模型、有无症状及心包积液构成晚期胸腺上皮性肿瘤预测列线图，训练集C-指数为0.937(95% CI: 0.857-0.955)，测试集为0.957(95% CI:0.842-0.974)。
结论MRI影像组学模型可用于鉴别胸腺上皮性肿瘤病理分型和TNM临床分期，影像组学列线图为晚期胸腺上皮性肿瘤患者治疗前的个体化预测提供了一种简易的方法。
方法回顾性收集189例胸腺上皮性肿瘤患者的临床及MRI影像资料。从T2加权成像(T2-weighted imaging,T2WI)和T2压脂成像(T2W fat-suppressed,FS)中提取2088个定量特征。将病例随机分配到训练集和测试集，采用少数类过采样技术调整训练集中患者的不均衡。采用递归式特征消除算法(recursive feature elimination, RFE)选择出最优特征子集，构建胸腺上皮性肿瘤病理分型和TNM临床分期影像组学预测模型，并对模型的性能进行评估。在多变量logistic回归分析中，我们结合影像组学模型、常规MRI表现和临床变量，构建预测晚期胸腺上皮性肿瘤风险分层的影像组学列线图。
结果提取的定量特征中，选取125个及69个定量特征构建影像组学模型，分别预测胸腺上皮性肿瘤病理分型及临床分期。在鉴别低危、高危胸腺瘤和胸腺癌，影像组学模型在训练集中分类准确度和曲线下面积(areaunderthecurve, AUC)分别为75.9%、0.880[95%置信区间(confidenceinterval,CI):0.832-0.928]，在测试集中分类准确度和AUC分别为68.9%、0.771(95% CI: 0.648-0.894)；在鉴别早期和晚期胸腺上皮性肿瘤，影像组学模型在训练集中分类准确度和AUC分别为92.6%、0.928(95%CI: 0.891-0.965)，在测试集中分类准确度和AUC分别为89.4%、0.908(95%CI: 0.826-0.990)。影像组学模型、有无症状及心包积液构成晚期胸腺上皮性肿瘤预测列线图，训练集C-指数为0.937(95% CI: 0.857-0.955)，测试集为0.957(95% CI:0.842-0.974)。
结论MRI影像组学模型可用于鉴别胸腺上皮性肿瘤病理分型和TNM临床分期，影像组学列线图为晚期胸腺上皮性肿瘤患者治疗前的个体化预测提供了一种简易的方法。