论文部分内容阅读
目的:利用CT静脉期的组学纹理分析技术,建立临床模型、放射组学模型和放射组学诺模图,探讨及评估各个模型术前预测胃间质瘤（Gastric Stromal Tumors,GSTs）恶性潜能的临床价值。方法:1.收集2016-2020年我院术后病理证实的GST患者180例,患者于术前均行CT增强扫描、均未经靶向治疗。根据术后病理结果,参照2017年中国抗癌协会临床肿瘤学协作专业委员会（Chinese Society of Clinical Oncology,CSCO）中胃肠道间质瘤（Gastrointestinal Stromal Tumor,GIST）的危险度分级标准将其进行危险度分级,本文将极低度或低度危险组划分为低恶性潜力组,中度和高度危险组划分为高恶性潜力组,分别将高、低恶性潜能组的患者按7:3比例分层抽样分为训练组和验证组。记录术后病理和免疫组化的资料中的CD34、CD117、Ki67。记录每个患者的临床资料包括年龄、性别、有无消化道出血;CT影像特征分析:最大径1（具体值）,最大径2（<2cm,2-5cm,5-10cm,>10cm）、生长方式（外生性,内生性,混合性生长）、形态（规则或不规则）、边缘（清楚或不清楚）、有无溃疡、有无钙化、有无坏死、有无囊变、扩大增粗的供血或引流血管（enlarged vessels feeding or draining the mass,EVFDM）、增强程度（无强化,轻度强化,中度强化,明显强化）及增强模式（均匀或不均匀）。所有的统计分析均在R（版本3.6.1,www.rproject.org）软件中进行。（1）CD34、年龄、最大径1使用Wilcoxon秩和检验（Mann-Whitney）;CD117、Ki67、性别、有无消化道出血、生长方式、形态、边缘、溃疡、囊变、EVFDM、增强模式使用卡方检验或Fisher检验;最大径2、是否坏死、使用有序变量趋势检验。（2）对存在具有统计学意义的差异的临床资料及影像资料进行多元逻辑回归分析,分析获得对GST的危险度分级具有统计学意义的独立性影响因素。（3）将获得的具有统计学意义的独立性影响因素用于构建术前预测GST危险度分级的临床模型。2.影像组学特征分析:使用ITK-SNAP软件对180例的GST的静脉期薄层图像（1mm或1.25mm）进行三维分割,对图像进行线性插值法和滤波处理等预处理,使用Py-radiomics平台提取组学纹理特征,对提取的一阶及高阶纹理特征进行降维处理,（1）使用Wilcoxon秩和检验保留P<0.5的特征;（2）使用Spearman秩和相关性分析剔除相关性高（R<0.9）的特征;（3）采用套索斯特逻辑回归（Lasso Logistic Regression,LLR）进行特征筛选。分别使用逻辑回归（Logistic Regression,LR）,支持向量机（Support Vector Machine,SVM）分类器,决策树（Decision Tree,DT）机器学习算法分别对保留的纹理特征构建放射组学模型。通过其各自系数加权的选定特征的线性组合来计算每位患者的放射组学分数（rad-score）。3.诺模图的建立与模型临床效能的评估:将独立影响因素的影像特征和临床效能最优的放射组学分模型的rad-score用以建立放射组学诺模图。采用受试者工作特征曲线（Receiver Operating Characteristic Curve,ROC）、决策曲线分析法（Decision Curve Analysis,DCA）评估了这些模型的诊断性能,通过校准曲线（Calibration curve）评估各个模型的校准能力,同时获得ROC曲线下面积（Area Under the Curve,AUC）以及诺模图中预测GST高低恶性潜能的阈值。结果:1.180例GST患者中低恶性潜力组86例,高恶性潜力组94例,分层抽样以7:3的比例分为训练组（n=126例）和验证组（n=54例）。病理资料中高恶性潜力组GST与低恶性潜力组GST间的Ki67表达水平存在的差异有统计学意义（P<0.001）;高恶性潜力组GST与低恶性潜力组GST间CD117和CD34表达水平不存在统计学差异（P>0.05）。临床及影像特征中,高恶性潜力组GST与低恶性潜力组GST间的最大径2、消化道出血、形状、边缘、溃疡、坏死、囊变、EVFDM、强化方式的差异有统计学意义（P<0.001）,其中GST的最大径2和粘膜溃疡是预测GST危险度分级的独立影响因素,将GST的最大径2和粘膜溃疡建立临床模型,临床模型的获得的训练组和验证组的AUC值分别为0.871[95%CI:0.811-0.931],0.854[95%CI:0.760-0.947],训练组准确性为0.810,特异度为0.984,敏感度为0.635,阳性预测值（Positive Predictive Value,PPV）为0.976,阴性预测值（Negative Predictive Value,NPV）为0.729;验证组准确性为0.796,特异度为1.000,敏感度为1.000,PPV为0.656,NPV为0.775。2.经过特征筛选后保留相关性的信息量度（Informational Measure of Correlation,IMC）和灰度不均匀性（Gray Level Non-Uniformity,GLN）2个纹理特征,建立LR模型、SVM模型和DT模型,放射组学LR模型获得的训练组和验证组的AUC值分别为0.874[95%CI:0.814-0.935],0.863[95%CI:0.765-0.960];LR模型的训练组准确性为0.810,特异度为0.873,敏感度为0.746,PPV为0.855,NPV为0.775;验证组准确性为0.778;特异度为0.739,敏感度为0.806,PPV为0.806,NPV为0.739;SVM模型获得的训练组和验证组的AUC值分别为0.874[95%CI:0.812-0.935],0.857[95%CI:0.757-0.957];SVM模型的训练组准确性为0.817,特异度为0.714,敏感度为0.921,PPV为0.900,NPV为0.763;验证组准确性为0.778,特异度为0.742,敏感度为0.826,PPV为0.852,NPV为0.704。放射组学DT模型获得的训练组和验证组的AUC值分别为0.888[95%CI:0.839-0.938],0.816[95%CI:0.701-0.930];放射组学DT模型的训练组准确性为0.810,特异度为0.667,敏感度为0.952,PPV为0.933,NPV为0.741;验证组准确性为0.778,特异度为0.710,敏感度为0.870,PPV为0.880,NPV为0.690。3.放射组学诺模图在训练组中的AUC值为0.930[95%CI:0.886-0.973],在测试组中为0.931[95%CI:0.869-0.993]。训练组准确性为0.865,特异度为0.873,敏感度为0.857,PPV为0.871,NPV为0.859;验证组准确性为0.870,特异度为0.913,敏感度为0.839,PPV为0.929,NPV为0.808。结论:1.在临床模型中,GST的最大径和粘膜溃疡是GST危险度分级的独立影响因素。2.LR、SVM、DT机器学习算法中,获得的LR模型对GSTs风险预测效能最好。3.放射组学的LR模型的rad-score结合CT影像特征建立的放射组学诺模图可能是术前预测GST恶性潜力有较好的预测价值,与临床模型和放射组学模型相比,在术前预测GST危险度分级方面临床效能表现最好。4.该放射组学诺模图对于预测GST的恶性潜能的预测效能优于临床模型和放射组学模型,可作为指导术前临床决策的有效工具。