论文部分内容阅读
目的:探讨肾透明细胞癌基于MDCT的影像组学特征与病理分级的相关性,从而评价肾透明细胞癌的病理分级,为术前治疗方案的选择、预后评估及术后随访方案提供参考。材料和方法:一.一般资料:回顾性分析本院76例患者,所有患者术前常规采用Philips公司256层MDCT进行增强扫描,所有患者经院伦理委员会批准,患者知情同意。男53例,女23例;年龄21~78岁,平均(59±12.57)岁;左肾39例,右肾37例;10例局限在肾轮廓内,66例突出于肾轮廓外;单侧、单病灶发病。临床表现:常规体检发现或因其他疾病行影像学检查时发现肾占位43例,无痛性全程肉眼血尿22例,腰部钝痛或隐痛等不适6例,发现腹部包块5例。患者入组标准:(1)首次确诊,未接受过内科放化疗、外科切除等任何形式的治疗;(2)图像由同一台CT设备(Philips公司256层MDCT)、同样扫描参数下(如:图像层厚均为5mm)获得;(3)MDCT图像清晰、无运动伪影、呼吸伪影等导致病灶显示不佳;(4)组织病理诊断明确,临床资料完整。二.病理资料所有标本经10%甲醛溶液固定,石蜡包埋,切片4μm厚,常规HE染色,由两名经验丰富的病理科确诊为肾透明细胞癌(ccRCC),并根据WHO/ISUP分级标准分为I~IV级,其中其中Ⅰ级6例,Ⅱ级31例,Ⅲ级32例,Ⅳ级7例。本研究将核分级为Ⅰ~Ⅱ级的划分为低级别组(39例),核分级Ⅲ~Ⅳ级的划分为高级别组(37例)。三.图像处理分别在MDCT图像的平扫期、皮质期、实质期对瘤体逐层进行勾画感兴趣区勾画,最终获得感兴趣容积(VOI),并从中提取1029个影像组学特征值,使用方差选择法(VarianceThreshold)、单变量选择法(SelectKBest)、最小绝对收缩和选择算子(LASSO算法)三次降维来进行特征筛选,最终分别从平扫期、皮质期、实质期的VOI中筛选出的8、11、12个最优特征,随机将所有患者的80%VOI作为训练组,20%VOI作为对照组,分别用六种分类器对提取的特征进行机器学习,分类器包括:逻辑回归(Logistic Regression,LR)、支持向量机(Support Vector Machine,SVM))、K近邻(k-Nearest Neighbor,KNN)、决策树(Decision Tree,DT)、随机森林(Random Fores,RF)、极限梯度增强树(Extreme Gradient Boosting,XGBoost),通过绘制的ROC曲线的ROC曲线下面积(AUC)、敏感度(Sensitivity)、特异度(Specificity)三个指标来评价各分类器所构建模型的效能。结果:通过比较MDCT扫描中各期的六个分类器所构建的模型之间的AUC值可以得出以下信息:(1)由SVM分类器所构建的平扫期模型的AUC值最佳,为0.938(95%CI:0.76-1.00),此最佳模型对低级别和高级别ccRCC诊断的灵敏度、特异度均为0.88;(2)由XGBoost分类器所构建的皮质期模型最佳,其AUC值为0.781(95%CI:0.57–0.99),此最佳模型对低级别ccRCC诊断的灵敏度为0.88:特异度为0.75;对高级别ccRCC诊断的灵敏度为0.75:特异度为0.88;(3)由KNN分类器所构建的实质期模型最佳,其AUC值为0.719(95%CI:0.54-0.90),此最佳模型对低级别ccRCC诊断的灵敏度为1.00:特异度为0.50;对高级别ccRCC诊断的灵敏度为0.50:特异度为1.00;通过比较平扫期、皮质期、实质期模型效能综合分析发现基于MDCT平扫期建立的肾透明细胞癌(ccRCC)病理核分级(WHO/ISUP分级)的影像组学预测模型的诊断效能最高,此预测模型为SVM分类器所构建,其AUC值为0.938(95%CI:0.76-1.00),对低级别、高级别ccRCC诊断的灵敏度、特异度均为0.88。该模型筛选出的8个特征值分别为:一阶特征(Kurtosis、Energy、TotalEnergy、Mean、RootMeanSquared),纹理特征(RunLengthNonUniformity),高阶特征(Kurtosis、Energy)。结论:1.基于MDCT的各期的影像组学模型均可以较好的区分ccRCC病理核分级为低级别或高级别,其中平扫期模型的诊断效能最高。2.基于MDCT的各期的影像组学模型为术前预测的ccRCC病理核分级提供了一种新的辅助手段。