论文部分内容阅读
背景肝细胞癌(Hepatocellular carcinoma,HCC)是全球第六大常见癌症和第三大常见癌症死亡原因。微血管侵犯(MVI)是HCC早期复发和不良预后的危险因素。早期预测肝癌MVI可以降低复发率,但MVI只能通过术后组织病理学确诊,所以临床实用性有限。影像组学是一种最新流行的成像分析技术,旨在发现并翻译医学图像中未解码的信息。通过构建具有精细特征的适当模型,它在各种具有难度的临床任务中获得了良好的评估和预测能力。目前,已经有许多研究把影像组学方法应用于在诊断肝癌MVI上,将会有助于为患者制定进一步的治疗方案和提供早期干预措施,有效降低肝癌术后复发率。目的基于影像特征模型预测肝癌MVI。基于CT影像组学融合Nomogram模型预测肝癌 MVI。方法参与研究的患者在广州市南方医科大学南方医院(机构Ⅰ)和广州市南方医院江高院区(机构Ⅱ)招募。我们回顾性地搜索了由2017年01月到2021年06月,经术后病理诊断的所有HCC病例,在电子病历中共采纳了 768例HCC病人。通过纳入和排除标准筛选后确定了318个病例。其中,来自机构Ⅰ的患者被随机分为训练组(n=236)和验证组(n=55),以构建和测试提议的分类器。来自机构Ⅱ的数据集作为独立测试队列(n=27)。我们收集肝细胞癌患者的四期CT数据,包括平扫期、动脉期、门脉期及延时期,通过半自动分割生成三个肿瘤靶区VOItumor、VOItumor+1cm及VOItumor+2cm,分别提取影像组学特征。通过PCA主成分分析、逻辑回归算法对训练集进行了降维、特征选择和构造组学标签的处理。单变量和多变量分析用于确定与MVI相关的重要临床因素和影像特征,然后将其纳入预测列线图。影像组学列线图的性能通过其校准、鉴别和临床应用进行评估。结果AFP、非肿瘤光滑边缘、包膜缺损及瘤内动脉是MVI的独立预测因子。单一影像特征模型在训练组的AUC为0.687(95%CI 0.617-0.757),验证组为0.659(95%CI 0.588-0.731),测试组为0.626(95%CI0.553-0.699)。临床因素及影像特征构建的模型,在训练组的 AUC 为 0.766(95%CI 0.703-0.827),验证组为 0.759(95%CI 0.619-0.878),测试组为0.712(95%CI 0.486-0.908)。基于VOItumα+2cm影像组学特征在训练组、验证组及测试组中的预测能力优于VOItumor及VOItumor+1cm(训练组为0.806(95%CI 0.748-0.859)、验证组为 0.839(95%CI 0.707-0.938)及测试组为 0.800(95%CI 0.600-0.955))。纳入VOItumor+2cm影像组学特征、临床特征及影像特征的预测模型在训练组的 AUC 值为 0.859(95%CI 0.810-0.903)、验证组0.847(95%CI0.728-0.940)、测试组 0.841(95%CI 0.656-1.000)。结论我们的研究运用影像组学技术预测MVI的发生。VOItumor+2cm组学模型较其他组学模型有更强的预测能力,融合Nomogram模型(组学特征、临床特征及影像特征)的列线图对HCC患者的MVI个体化风险进行了满意的术前预测。