论文部分内容阅读
第一章 基于临床危险因素预测原发性肝癌术后早期复发的初步研究目的:探讨临床基线资料、影像学特征及病理结果在预测原发性肝细胞癌（Hepatocellular carcinoma,HCC）患者术后早期复发中（≤2年复发）的价值。材料与方法:回顾性收集2012年1月至2018年9月中山大学肿瘤防治中心及南方医科大学珠江医院经手术病理证实并符合本研究纳入标准的肝细胞癌患者共285例,将70%的病例（195例）用于训练模型,30%的病例（90例）用于验证模型。根据随访结果分为早期复发（≤2年复发）和非早期复发组。采用Mann-Whitney检验、卡方检验及Fisher精确检验比较两组间的年龄、性别、中性粒细胞、乙肝DNA病毒定量、谷丙转氨酶、天冬氨酸氨基转移酶、γ-谷氨酰转肽酶、甲胎蛋白、肿瘤直径、动脉期强化方式、瘤内动脉、包膜、晕环、瘤内坏死、卫星结节、瘤周低信号、肝胆特异期信号、微血管侵犯、肿瘤数目、BCLC分期,经过单因素分析有统计学意义的变量纳入多因素logistic回归分析,构建基于影像学征象及临床指标的预测模型,再将模型可视化为列线图,使用受试者操作特性（receiver operating characteristic,ROC）曲线及曲线下面积（area under the curve,AUC）评估模型的诊断效能。结果:在训练集中单因素分析显示中性粒细胞、甲胎蛋白、天冬氨酸氨基转移酶、γ-谷氨酰转肽酶、瘤内动脉、BCLC分期、肝胆特异期信号、微血管侵犯、肿瘤数目（P<0.1）为原发性肝细胞癌患者术后早期复发的危险因素,多因素logistic回归分析显示中性粒细胞、天冬氨酸氨基转移酶、微血管侵犯、肝胆特异期信号（P<0.05）是预测原发性肝细胞患者术后早期复发的独立危险因素,并将模型可视化为列线图,ROC曲线评价模型的AUC分别为0.761（95%CI:0.684-0.837）（训练集）,0.720（95%CI:0.594-0.846）（验证集）。结论:基于钆塞酸二钠增强磁共振的影像学征象及临床、病理指标能预测原发性肝细胞癌患者术后的早期复发。第二章 基于钆塞酸二钠增强磁共振的影像组学模型预测原发性肝癌术后早期复发的初步研究目的:探讨基于钆塞酸二钠增强磁共振的影像组学标签预测原发性肝细胞癌术后早期复发的可行性,并联合临床因素及影像组学模型,比较上述模型的预测效能,选出预测HCC早期复发的最佳影像组学模型。材料与方法:本节所纳入的病例、临床基线资料、影像学资料、病理结果、随访方案、MR检查扫描方法、病例划分均同第一章。基于肝内HCC进行动脉期、门脉期及肝胆特异期的全瘤ROI勾画、特征提取,进行特征降维和选择后,动脉期、门脉期及肝胆特异期分别提取出了 8、17、13个与早期复发相关的特征,并建立三期单独的及联合三期的影像组学标签,利用ROC曲线评价各个模型的诊断效能,选出最优模型,联合第一章总结的与HCC早期复发相关临床因素,建立临床-影像组学预测模型,并评价模型的诊断效能。结果:基于动脉期的8个、门脉期17个及肝胆特异期13个影像组学特征构成的影像组学标签与HCC的早期复发相关（P<0.000）,其三期联合的影像组学标签亦与HCC早期复发相关（P<0.000）,三期单独的模型在训练集和验证集中诊断效能不高,动脉期模型AUC分别为0.759（95%CI:0.690-0.828）（训练集）、0.727（95%CI:0.641-0.813）（验证集）,门脉期模型AUC分别为0.678（95%CI:0.594-0.762）（训练集）、0.689（95%CI:0.599-0.779）（验证集）,肝胆特异期模型 AUC 分别为 0.676（95%CI:0.586-0.754）（训练集）、0.702（95%CI:0.614-0.790）（验证集）,基于三期的影像组学标签建立的三期联合影像组学标签诊断效能较好:0.759（95%CI:0.686-0.833）（训练集）,0.729（95%CI:0.608-0.851）（验证集）,而建立的临床-三期联合影像组学标签的模型预测效能分别为0.830（95%CI:0.769-0.891）（训练集）,0.748（95%CI:0.635-0.861）（验证集）,高于本章建立的四个影像组学的模型,也高于第一章建立的传统临床预测模型。结论:基于钆塞酸二钠增强磁共振的影像组学模型能预测原发性肝癌术后早期复发。第三章 基于钆塞酸二钠增强磁共振的深度学习模型预测原发性肝癌术后早期复发的初步研究目的:探讨基于钆塞酸二钠增强磁共振的深度学习标签预测原发性肝细胞癌术后早期复发的可行性,并联合临床因素及深度学习模型,比较上述模型、前两章初步建立的预测模型的效能,评估预测HCC早期复发的最优模型。材料与方法:本节所纳入的病例、临床基线资料、影像学资料、病理结果、随访方案、MR检查扫描方法、病例划分均同第一章。本节研究ROI的勾画同第二章。分别建立基于VGGNet19网络的动脉期、门脉期、肝胆特异期磁共振的深度学习模型及三期联合的深度学习模型,利用ROC曲线评价各个模型的诊断效能,选出最优模型,联合第一章总结的与HCC早期复发相关临床因素,建立临床-深度学习预测模型,采用ROC曲线、校正曲线及决策曲线评价模型的预测效能,并与第一章的传统临床模型、第二章的临床-影像组学模型进行比较。结果:分别基于动脉期、门脉期及肝胆特异期建立深度学习模型预测HCC的早期复发,结果显示在训练集和验证集中各期的模型均达到了良好的预测效能,动脉期模型AUC分别为0.882（95%CI:0.823-0.941）（训练集）、0.826（95%CI:0.755-0.897）（验证集）,门脉期模型 AUC 分别为 0.822（95%CI:0.753-0.891）（训练集）、0.854（95%CI:0.780-0.928）（验证集）,肝胆特异期模型 AUC 分别为 0.909（95%CI:0.860-0.958）（训练集）、0.888（95%CI:0.833-0.943）（验证集）,基于三期的影像组学标签建立的三期联合影像组学标签诊断较上述三个模型性能更好,AUC分别为0.929（95%CI:0.829-0.966）,0.894（95%CI:0.811-0.977）,而建立的临床-深度学习模型的预测效能分别为0.949（95%CI:0.919-0.980）（训练集）,0.908（95%CI:0.841-0.975）（验证集）,结果高于上一章所建立的临床-影像组学的模型,也高于第一章建立的传统临床预测模型。校正曲线分析结果也显示临床-深度学习模型的nomogram有较好的预测准确性,决策曲线分析显示该模型能使患者获得较高的净收益。结论:基于Gd-EOB-DTPA增强MR的深度学习模型的预测效能要优于基于影像组学的预测模型,进一步建立的临床-深度学习预测模型,能更准确地预测HCC患者术后的早期复发,并有助于提高患者的净收益,帮助指导临床决策。