论文部分内容阅读
背景:结直肠癌是最常见的消化系统肿瘤之一,其发病率位居全球癌症发病第三,死亡率列全球癌症相关死亡原因第二。结直肠癌患者中大概有40-50%存在KRAS基因突变,KRAS基因突变患者对表皮因子受体拮抗剂靶向治疗药物无反应。因此,治疗前准确评估结直肠癌患者KRAS基因状态,对协助临床制定个体化治疗方案有重要的临床价值。目的:探讨基于影像组学深度卷积神经网络(convolutional neural network,CNN)和手工影像组学特征的融合模型在术前预测结直肠癌患者KRAS基因状态的性能。材料与方法:本研究回顾性收集广东省人民医院经手术切除病理确诊为结直肠癌患者的临床和影像资料,其中2011年4月至2015年4月纳入的病例作为训练组(n=279例),2015年5月至2016年4月纳入的病例作为验证组(n=119例)。所有纳入的患者术前全腹部CT(computer tomography,CT)增强扫描,术后均进行KRAS基因检测。收集入组病例的CT门脉期图像作为特征提取对象,分别提取手工影像组学标签以及深度学习特征。在训练组中,本研究采用Wilcoxon秩和检验、m RMR算法和多因素logistic回归分析方法挑选与KRAS基因状态高度相关的特征并构建影像组学标签。使用多因素logistic回归分析方法构建融合模型。采用一致性指数(c-index)来评估影像组学标签与融合模型的效能,并用校正曲线分析校准度。为了探讨融合模型的临床应用价值,通过决策曲线评估不同阈值下的标准净收益(standard net benefits,s NB)。独立验证组的设立进一步验证模型的效能。结果:在训练组中,共提取了2634个手工特征及2208个深度学习特征。我们挑选了具有KRAS基因状态高预测价值的4个手工特征及6个深度学习特征分别构建影像组学标签。手工影像组学标签在训练组与验证组中的一致性指数分别为0.719(95%置信区间[95%confidence interval,95%CI]:0.658-0.776)和0.720(95%CI:0.625-0.813)。深度影像组学标签在训练组与验证组中的一致性指数分别为0.754(95%CI:0.696-0.813)和0.786(95%CI:0.702-0.863)。融合了手工与深度影像组学标签的融合模型的一致性指数分别为0.815(95%CI:0.766-0.868)和0.832(95%CI:0.762-0.905)。结论:融合了手工和深度影像组学标签的融合模型可作为术前评估结直肠癌患者KRAS基因状态的一种无创性辅助工具,有望在指导临床抉择,实现精准医疗。