论文部分内容阅读
第一部分不同MRI序列评估子宫内膜癌宫颈基质侵犯的研究目的:探讨多参数磁共振成像(multiparametric magneticresonance imaging,mpMRI)不同序列组合对子宫内膜癌(endometrial cancer,EMC)宫颈基质侵犯(cervical stromal invasion,CSI)评价的价值。材料与方法:回顾性收集130例经手术病理证实的EMC患者的影像及病理资料,由于是回顾性分析,患者的知情同意权得到豁免。由两名放射科医生分别阅片,先T2WI联合DWI两个序列评估CSI情况。一个月后再T2WI联合CE-T1WI两个序列评估CSI情况。CSI与年龄的相关性采用两样本t检验,χ2检验比较CSI与深肌层侵犯(deepmyometrialinvasion,DMI)、淋巴血管侵犯(lympho-vascular space invasion,LVSI)、分级和淋巴结肿大的相关性。采用Kappa值比较两位读片医生的一致性,计算T2WI联合DWI、T2WI联合CE-T1WI诊断CSI的准确性、敏感性、特异性、阳性预测值和阴性预测值。采用受试者工作特性(receiver operating characteristic,ROC)曲线分析计算曲线下面积(area under the curve,AUC)从而评估两种方法的诊断效能;采用DeLong法比较T2WI联合DWI、T2WI联合CE-T1WI两种方法诊断效能的差异。结果:130例子宫内膜癌患者中,宫颈基质侵犯31例(23.8%)。伴和不伴CSI的EMC患者间年龄分别为54.35±9.56和55.72±9.49,两组间年龄差异不具有统计学意义(t=0.856,p=0.396)。χ2检验得出 CSI 与 DMI(χ2=13.31,p=0.000)和分级(χ2=6.32,p=0.012)具有相关性,然而 CSI 与 LVSI(χ2=0.81,p=0.367)和淋巴结肿大(χ2=2.06,p=0.151)差异不具有统计学意义。两位读片医生采用T2WI 联合 DWI、T2WI 联合 CE-T1WI 读片一致性分别为 0.831、0.772。T2WI联合DWI评估CSI的准确性、敏感性、特异性、阳性预测值和阴性预测值分别为 92.3%、80.6%、96.0%、86.2%和 94.1%(读片医生 1),92.3%、87.1%、93.9%、81.8%和95.9%(读片医生2);T2WI联合CE-T1WI评估CSI的准确性、敏感性、特异性、阳性预测值和阴性预测值分别为85.4%、67.7%、90.9%、79.0%和90.0%(读片医生 1),83.1%、64.5%、88.9%、64.5%和 88.9%(读片医生 2)。DeLong法表明T2WI联合DWI诊断效能较T2WI联合CE-T1WI高(读片医生1:0.883[95%CI:0.815-0.933]和 0.793[95%CI:0.713-0.859],p=0.006;读片医生 2:0.905[95%CI:0.841-0.950]和 0.767[95%CI:0.685-0.837],p=0.001)。结论:T2WI联合DWI评估EMC的CSI的诊断效能优于T2WI联合CE-T1WI。第二部分基于mpMRI放射组学和机器学习预测子宫内膜癌分级的研究目的:建立基于mpMRI的影像组学特征的机器学习算法预测EMC的组织学分级。材料与方法:回顾性收集144例经手术病理证实的EMC患者mpMRI影像及临床病理资料。于mpMRI(包括T2WI、CE-T1WI和ADC mapping)上提取321个组学特征。采用t检验和χ2检验分析不同年龄、DMI、淋巴结肿大状态与分级的相关性,放射组学特征采用LASSO回归筛选出与分级相关的危险因素。利用差异有统计学意义的临床资料和放射组学特征,建立4种机器学习模型(逻辑斯特回归[Logistic regression,LR]、朴素贝叶斯[naive Bayes,NB]、支持向量机[support vector machine,SVM]和随机森林[random forest,RF])。每种模型均按照7:3的比例分为训练组和验证组,随机重复101次,采用ROC曲线计算AUC值评估模型的诊断效能,最后用Friedman秩和检验进行两两组间比较选出最佳机器学习模型。结果:144例EMC患者中,高级别33例(22.9%),低级别111例(77.1%)。单因素分析显示年龄与分级差异不具有统计学意义(t=0.067,p=0.947),而肌层侵犯深度(χ2=14.059,p=0.000)、淋巴结肿大(χ2=19.056,p=0.000)与分级之间具有相关性。LASSO回归分析得出5个放射组学特征为分级的独立危险因素。基于DMI、淋巴结肿大和5个放射组学特征建立的RF,LR,SVM和NB四种机器学习模型的AUC中位值分别为0.882(四分位数间距[interquartile range,IQR]:0.111),0.714(IQR:0.118),0.677(IQR:0.093)和0.718(IQR:0.124),差异有统计学意义。两两比较除LR和NB(p=0.998)及SVM和NB(p=0.107)差异不具有统计学意义,其余差异均有统计学意义,最后得到的最佳模型是RF。结论:基于mpMRI的放射组学特征的机器学习模型对EMC的分级预测可以达到很好的诊断效能。第三部分基于mpMRI放射组学和机器学习预测子宫内膜癌淋巴血管侵犯的研究目的:建立基于mpMRI的放射组学特征和机器学习预测EMC的LVSI,为临床医生治疗方案的选择提供决策支持。材料与方法:回顾性收集144例经手术病理证实为EMC患者MRI影像及临床病理资料,从mpMRI(包括T2WI、CE-T1WI和ADC mapping)影像图片中提取321个组学特征。用ICC值评估放射组学组间的一致性,采用t检验和χ2检验分析年龄、DMI、淋巴结肿大、分级与LVSI的相关性,LASSO筛选出与LVSI具有相关性的放射组学特征,得到差异有统计学意义(p<0.05)的临床病理资料和放射组学特征。将得到的独立预测因素建立4种机器学习模型(LR、NB、SVM和RF),每种模型均按照7:3的比例分为训练组和验证组,随机重复101次,采用ROC曲线计算AUC值评估模型的诊断效能,最后用Friedman秩和检验进行两两组间比较选出最佳机器学习模型。结果:144例子宫内膜癌患者中,LVSI阳性者共32例(22.2%),年龄约58.94±8.72,两独立样本t检验表明年龄与LVSI具有相关性(t=2.728,p=0.009)。χ2检验分析得 DMI(χ2=26.970,p=0.000)、淋巴结肿大(χ2=10.524,p=0.001)、分级(χ2=10.109,p=0.001)与LVSI的差异有统计学意义。Lasso回归分析得出5个放射组学特征为LVSI的独立危险因素。基于年龄、DMI、淋巴结肿大、分级和5个放射组学特征建立的RF,LR,SVM和NB四种机器学习得到的AUC中位值分别为 0.840(IQR:0.123),0.718(IQR:0.108),0.524(IQR:0.066)和 0.601(IQR:0.127)。两两组间比较除LR和NB(p=0.107)之间差异不具有统计学意义,其余差异均有统计学意义。选出的最佳模型为RF。结论:基于mpMRI的放射组学的机器学习模型对EMC的LVSI术前评估能达到较好的诊断效能,有助于对EMC患者进行风险分层,指导临床精准医疗的发展。