论文部分内容阅读
第一部分建立和验证基于临床病理和动脉晚期CT特征的多参数模型预测胃癌浆膜下侵犯目的:本研究旨在建立和验证联合临床病理和动脉晚期计算机断层扫描(computed tomography,CT)特征的多参数模型预测胃癌浆膜下侵犯。方法:回顾性分析145例胃癌患者的术前内镜活检分化程度、6项肿瘤指标、病灶在动脉晚期CT图像上的10个形态学特征、18个CT值相关参数和35个CT纹理参数。采用Mann-Whitney U检验分析连续变量在T1-2和T3-4组间的差异。应用回归分析和机器学习算法,建立多参数模型提高诊断效能。结果:在训练组中,内镜病理分化程度、糖类抗原(carbohydrate antigen,CA)125、6个CT形态学特征、5个CT值相关参数以及19个纹理参数在T1-2和T3-4组间均存在显著性差异(p<0.05)。在训练组及验证组中,基于回归分析,联合临床病理影像学特征的多参数模型预测胃癌浆膜下侵犯的曲线下面积(area under the curve,AUC)分别为0.919和0.955;基于支持向量机(support vector machine,SVM)算法的多参数模型诊断效能优于其它机器学习算法,其AUC值分别为0.870和0.938。结论:本研究建立并验证预测胃癌浆膜下侵犯的多参数模型,该模型联合了内镜病理分化程度、病灶在动脉晚期CT图像上的形态学特征、CT值相关参数和纹理参数,并取得了较好的诊断效能。第二部分建立和验证基于临床病理和动脉晚期CT特征的多参数模型预测胃癌浆膜侵犯目的:建立并验证联合内镜病理分化程度、肿瘤指标和动脉晚期计算机断层扫描(computed tomography,CT)特征的多参数模型预测胃癌浆膜侵犯。方法:回顾性分析190例胃癌患者的术前内镜病理分化程度、肿瘤指标、CT形态学特征、CT值相关参数和纹理参数。采用回归分析和机器学习算法,建立多参数模型提高诊断效能。结果:在训练组中,内镜病理分化程度、5个肿瘤指标、3个CT值相关参数和21个纹理参数在T1-3和T4组间均存在显著性差异(p<0.05)。在训练组中,基于回归分析、支持向量机(support vector machine,SVM)、朴素贝叶斯(naive bayes,NB)及随机森林(decision tree,RF)算法的多参数模型都取得了较好的诊断效能,其曲线下面积(area under the curve,AUC)分别为0.918、0.805、0.819和0.836。结论:本研究建立并验证了预测胃癌浆膜侵犯的多参数模型,该模型联合了内镜病理分化程度、肿瘤指标、CT形态学参数、CT值相关参数和纹理参数,并取得了较好的诊断效能。第三部分建立和验证基于临床病理和动脉晚期CT特征的多参数模型预测胃癌淋巴结转移目的:建立并验证联合内镜病理分化程度、肿瘤指标、动脉晚期计算机断层扫描(computed tomography,CT)形态学特征、CT值相关参数和纹理参数的多参数模型预测胃癌淋巴结转移。方法:回顾性分析185例(男,127例;女,58例)胃癌患者的术前内镜活检分化程度、6项肿瘤指标、病灶在动脉晚期CT图像上的8个形态学特征、18个CT值相关参数和35个纹理参数。采用Mann-Whitney U检验分析连续变量在N(-)和N(+)组间的差异。采用受试者操作特征(receiver operating characteristic,ROC)曲线分析诊断效能。应用回归分析和机器学习算法,建立多参数模型提高诊断效能。结果:在训练组中,内镜病理分化程度、3个肿瘤指标、6个CT形态学特征、8个CT值相关参数和26个CT纹理参数在N(-)和N(+)组间均存在显著性差异(p<0.05)。在训练组和验证组中,基于回归分析联合临床病理影像学特征的多参数模型预测胃癌淋巴结转移的曲线下面积(area under the curve,AUC)分别为0.884和0.933;采用朴素贝叶斯(naive bayes,NB)算法建立的多参数模型AUC值分别为0.829和0.781。结论:本研究建立并验证了预测胃癌淋巴结转移的多参数模型,该多参数模型联合了内镜病理分化程度、动脉晚期CT形态学特征、CT值相关参数和纹理参数,并取得了较好的诊断效能。第四部分基于动脉晚期CT特征列线图区分胃低黏附癌与管状腺癌目的:总结胃低黏附癌的40秒动脉晚期计算机断层扫描(computed tomography,CT)特征,并采用列线图区分其与管状腺癌。方法:本研究共纳入241例胃癌患者,包括低黏附癌59例,管状腺癌109例以及其他类型癌73例。评估每个病灶在动脉晚期图像上的13个CT形态学特征。此外,在四期CT图像上勾画感兴趣区提取CT值相关参数,感兴趣区包含病灶最明显强化区域。基于回归模型,建立列线图区分低黏附癌与管状腺癌、非低黏附癌。采用受试者操作特征(receiver operating characteristic,ROC)曲线分析诊断效能。结果:6个形态学特征、10个CT值相关参数和增强曲线类型在低黏附癌、管状腺癌及其他类型胃癌间存在显著性差异(p<0.05)。两两比较的结果显示10个CT形态学特征在胃低黏附癌和管状腺癌间存在显著性差异(p<0.05)。在训练组中,基于回归模型建立的区分低黏附癌和管状腺癌的列线图曲线下面积(area under the curve,AUC)为0.954,在验证组中AUC值为0.895。区分低黏附癌与非低黏附癌的列线图在训练组及验证组中的AUC值分别为0.938和0.880。结论:多个40秒动脉晚期CT形态学特征和CT值相关参数在低黏附癌、管状腺癌和其他类型胃癌间存在显著性差异(p<0.05)。低黏附癌倾向表现为粘膜线中断、弥漫增厚及浸润生长,增强方式通常为缓慢上升型(类型A)。此外,多参数模型有助于区分低黏附癌与管状腺癌及其他类型癌。