论文部分内容阅读
第一部分 MRI影像组学对鼻咽癌放化疗后短期疗效的评估目的:探索MRI影像组学能否预测鼻咽癌放化疗后短期的疗效。方法:回顾性分析本院2013年1月至2020年10月经病理证实为鼻咽癌的首诊患者92例（敏感组62例,不敏感组30例）,分别于治疗前2周内和诱导化疗加全程同步放化疗结束后2-3个月内行鼻咽部及颈部MRI平扫+增强检查,按照RECIST疗效评价将患者分为敏感组和不敏感组。由两位影像医师使用ITK-SNAP（version 3.6）对治疗前MRIT1WI、T2WI及T1WI增强的DICOM格式图像勾画病灶最大层面的感兴趣区（region of interest,ROI）,使用组内相关系数（intraclass correlation efficient,ICC）评价特征提取的一致性。应用GE公司研发的Artificial Intelligence Kit（AK）后处理软件从T1WI、T2WI和T1WI增强上筛选出包括直方图特征、形态学特征及纹理特征在内的7类共计2688（896×3）个影像组学特征。独立样本T检验（正态分布且方差齐）或Mann-Whitney U检验（偏态分布或方差不齐）被用来判别特征在两组之间是否存在差异,通过单因素Logistic回归分析判断有差异的特征与疗效的关系,采用基于逐步向后算法筛选的多因素Logistic回归分析来判断特征是否是疗效的独立预测因子。利用上述特征筛选及模型构建方法分别筛选出T1WI、T2WI、T1WI增强及联合序列的影像组学特征,并分别构建影像组学模型。用受试者工作特征（receiver operating characteristic,ROC）曲线及曲线下面积（area under curve,AUC）评估模型的预测性能。由于本研究是单个数据集,使用此数据集中全部数据建模,故采用抛靴法（bootstrap）进行100次重采样方法对模型进行内部验证,计算100次重复验证的平均准确度、敏感度及特异度。结果:经过上述单因素和多因素Logistic回归分析,从T1WI896个特征中筛选出6个特征作为短期疗效的独立预测因子,构建影像组学模型预测放化疗疗效,其准确度为0.7619,敏感度为0.7705,特异度为0.7391,AUC值为0.83;从T2WI896个特征中筛选出5个特征,构建的影像组学模型准确度为0.7976,敏感度为0.9180,特异度为0.4783,AUC值为0.77;从T1WI增强896个特征中筛选出8个特征,构建的影像组学模型准确度为0.6786,敏感度为0.5738,特异度为0.9565,AUC值为0.82;从联合序列2688个特征中筛选出13个特征,构建的影像组学模型准确度为0.9167,敏感度为0.9180,特异度为0.9130,AUC值为0.95。组内验证的验证集模型平均准确度、敏感度及特异度分别为0.8805、0.9977、0.9985。结论:基于MRI的影像组学能够预测鼻咽癌放化疗的短期疗效,并且基于联合序列的模型效能最高,可以指导个体化精准治疗。第二部分 MRI影像组学预测鼻咽癌放化疗后是否复发或转移的初步研究目的:探索MRI影像组学能否预测鼻咽癌放化疗后的复发或转移。方法:回顾性分析本院2013年1月至2018年1月经病理证实为鼻咽癌的首诊患者52例,随访时间为36个月,根据是否发生复发或转移将患者分为:（1）复发和/或转移组,24例;（2）未复发、转移组,28例。随机将52例患者分为训练集40例（21例未复发、转移,19例复发和/或转移）,验证集12例（7例未复发、转移,5例复发和/或转移）。两名医师使用ITK-SNAP（version 3.6）对治疗前MRIT2WI及T1WI增强的DICOM格式图像上的病灶区域逐层手动勾画ROI,得出病灶的3D的感兴趣体积（volume of interest,VOR）,使用ICC评价特征提取的一致性。应用GE公司研发的AK后处理软件分别从T2WI、T1WI增强中筛选出包括形态学特征、一阶特征、纹理特征和高阶特征10类共2632（1316×2）个影像组学特征。在训练集上采用最小冗余最大相关（minimum redundancy maximum relevant,m RMR）、最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）回归去除冗余及不相关特征,筛选出最佳的特征,再使用多层感知人工神经网络（artificial neural network,ANN）对选取的特征分别建立T2WI和T1WI增强的影像组学模型,通过ROC曲线及AUC来评价预测模型性能。通过验证集对模型进行外部验证。结果:经过上述m RMR和LASSO回归进行特征筛选和ANN建立模型,从T2WI1316个特征中筛选出6个特征,构建的影像组学模型训练集AUC值为0.778、准确度为0.757,敏感度为0.789,特异度为0.722,验证集AUC值为0.749、准确度为0.667,敏感度为0.800,特异度为0.600;从T1WI增强1316个特征中筛选出5个特征,构建影像组学模型训练集AUC值为0.896、准确度为0.829,敏感度为0.833,特异度为0.824,验证集AUC值为0.801、准确度为0.706,敏感度为0.833,特异度为0.636。结论:基于MRI影像组学能够预测鼻咽癌的复发或转移,并且基于T1WI增强的影像组学模型较基于T2WI的影像组学模型预测效能较好。