论文部分内容阅读
目的:根据2D和3D CT特征构建影像组学诺模图,探究其对预测周围型肺腺癌EGFR基因突变效能。材料与方法:收集2018年1月至2020年2月经病理证实并且具有完整的临床、影像资料并行免疫组织化学检测的周围型肺腺癌209例,运用留一法将209例患者分为训练组（146例）和验证组（63例）,按照EGFR突变情况分为EGFR阳性组和EGFR阴性组,所有患者均行CT动态增强检查,从每例患者的CT动脉期图像中提取396个组学特征,采用ITK-SNAP软件手动勾画每例患者动脉期图像中肿瘤的最大层面,从而得到2D图像的感兴趣区（region of interest,ROI）;利用ITK-SNAP软件手动勾画每例患者动脉期图像肿瘤的每个层面从而重建3D图像,得到3D图像的感兴趣区（volume of interest,VOI）。应用A.K软件从勾画完成的ROI中进行影像组学特征的定量提取。采用LASSO（最小绝对收缩算子法）进行降维处理和m RMR（最小冗余最大相关算法）共同进行特征筛选,筛选出其中有意义的特征并在训练组中建立影像组学标签。利用选取的有意义的特征,应用多因素Logistic回归分析方法,建立逻辑回归分析模型,利用模型来评价2D和3D效能和临床的应用价值。采用ROC（受试者工作曲线）及AUC（曲线下面积）来评价构建的2D、3D及2D+3D诺模图的临床实用价值,在训练组和验证组中采用DCA（决策曲线分析）来评价三者组学诺模图的临床效能,AUC的值越大表明模型的分类效果越好。临床病理影像特征主要包括:性别、年龄、吸烟史、病变的TNM分期以及CT征象;这些CT征象内容包括:血管集束征、胸膜凹陷征、空气支气管征、肿瘤最大直径（Dmax）、分叶征、空泡征、毛刺征。依据患者EGFR突变状态分为EGFR突变型组和野生型组,采用Wilcox-on秩和检验或Fisher检验观察患者EGFR突变状态在临床病理特征方面的差异,采用单因素、多因素Logistic回归分析,对EGFR基因突变情况与临床病理特征进行分析并且构建临床模型。若p<0.05即差异具有统计学意义。结果:本研究中EGFR突变型组117例（117/209,56.0%）,EGFR野生型组92例（92/209,44.0%）。EGFR突变状态在性别、吸烟史和患者的TNM分期方面具有显著性差异（P值均<0.05）。EGFR突变型组在不吸烟的女性中更为常见。在2D中,多因素Logistic回归分析表明:性别、肿瘤临床分期、胸膜凹陷征及毛刺征是预测周围型肺腺癌EGFR基因突变状态的独立预测因子。在3D中,多因素Logistic回归分析表明:性别、肿瘤临床分期、毛刺征及血管集束征是预测周围型肺腺癌EGFR突变状态的独立预测因子。在训练组（2D AUC,0.81;95%CI,0.74-0.88;3D AUC,0.72;95%CI,0.64-0.81;2D+3D AUC,0.96;95%CI,0.93-0.99）和验证组（2D AUC,0.80;95%CI,0.69-0.91;3D AUC,0.71;95%CI,0.58-0.85;2D+3D AUC,0.95;95%CI,0.90-1.00）中可以看出由组学特征建立的相关的组学标签具有较好的预测效果。在训练组中,2D影像组学诺模图的组学标签包括性别、肿瘤的TNM分期、毛刺征及胸膜凹陷征;3D影像组学诺模图的组学标签包括性别、肿瘤的TNM分期、毛刺征及血管集束征;2D+3D影像组学诺模图的组学标签包括吸烟史、毛刺征及血管集束征。影像组学标签与临床病理特征模型相比,具有良好的诊断效能（2D AUC,0.81;95%CI,0.74-0.88;3D AUC,0.72;95%CI,0.64-0.81;2D+3D AUC,0.96;95%CI,0.93-0.99）,高于临床模型（2D AUC,0.72;95%CI,0.64-0.80;3D AUC,0.72;95%CI,0.64-0.80;2D+3D AUC,0.70;95%CI,0.62-0.78）。影像组学诺模图在验证组中也具有最佳的预测效能（2D AUC,0.80;95%CI,0.69-0.91;3D AUC,0.71;95%CI,0.58-0.85;2D+3D AUC,0.95;95%CI,0.90-1.00）,可见,2D影像组学诺模图预测效能高于3D,而2D+3D联合影像组学诺模图预测效能优于2D,2D、3D、2D+3D影像组学诺模图预测效能均高于临床模型（2D AUC,0.71;95%CI,0.58-0.84;3D AUC,0.69;95%CI,0.55-0.83;2D+3D AUC,0.64;95%CI,0.51-0.76）。在训练组和验证组中,影像组学诺模图显示出了较好的校正效能。结论:基于CT的2D、3D图像的影像组学可以提供预测EGFR突变状态的一种方法。本研究显示影像组学与临床病理模型相结合（诺模图）具有良好的预测效能,2D影像组学诺模图较3D具有更佳预测效能,2D+3D联合影像组学诺模图较2D影像组学诺模图预测效能更优。