论文部分内容阅读
前列腺癌是老年男性常见的恶性肿瘤之一,在我国其发病率逐年攀升。晚期前列腺癌最常发生转移的靶器官是骨骼,为影响患者预后最重要的因素。在我国初诊前列腺癌患者人群中,骨转移风险预测模型主要基于临床病理指标(前列腺特异性抗原、活检、症状及查体等)进行构建,效果不佳。本研究拟采用无创MRI,筛选基于前列腺癌原发灶纹理特征的可预测骨转移、骨转移患者雄激素剥夺治疗疗效的影像学生物标志,并将MRI影像组学纹理特征与临床病理指标结合,建立影像-临床数学模型,并对其预测效能进行评价,从而探讨其预测价值。第一部分基于原发灶MRI纹理分析预测前列腺癌骨转移目的:建立基于原发灶MRI纹理特征的可预测前列腺癌骨转移的影像学生物标志,并建立基于影像学生物标志的临床-影像预测模型。研究方法:本研究共纳入经临床病理证实的前列腺癌患者176例,并以3:1比例随机分入训练集及验证集。数据收集时间为2008年1月至2018年1月。应用影像组学分析软件从MRI T2-w和DCET1-w图像中,共提取976个影像组学特征;应用逐步回归、岭回归和套索回归方法对前列腺癌骨转移进行特征筛选,并建立影像-临床数学模型预测前列腺癌骨转移;应用Logistic多因素回归分析方法明确骨转移的独立危险因素,分析影像学生物标志是否为独立于其他临床病理因素(年龄、PSA水平、Gleason评分等指标)的危险因素。应用受试者工作特性(ROC)曲线评估基于MRI影像组学纹理特征、PSA水平和Gleason评分检测前列腺癌骨转移模型的预测效能。结果:基于轴位T2-w及DCE T1-w图像,共筛选出15类与前列腺癌骨转移显著相关的影像组学特征(P<0.01)。由T2-w联合DCE T1-w序列MRI纹理分析得到的影像学生物标志(ROC曲线下的面积AUC=0.898)比由单一序列影像组学纹理特征(T2-w AUC=0.875、DCE T1-w AUC=0.870)构建的Logistic回归数学模型及Gleason评分(AUC=0.731)预测前列腺癌骨转移有更好的预测效能。基于MRI纹理分析得到的影像学生物标志结合临床-病理危险因素(年龄、游离PSA和Gleason评分)得到的Logistic回归数学模型预测效能最佳(AUC=0.916)。多元回归分析显示,基于MRI纹理分析得到的影像学生物标志、游离PSA水平及Gleason评分(OR值分别为2.307,1.135及2.871)是骨转移的独立危险因素。结论:基于前列腺癌原发灶MRI纹理特征建立的预测模型有较高的准确性,并且影像学生物标志独立于年龄、PSA水平及Gleason评分等潜在临床危险因素,是前列腺癌骨转移重要的预测指标。第二部分基于原发灶MRI纹理分析预测前列腺癌骨转移患者雄激素剥夺治疗疗效目的:建立基于原发灶MRI纹理分析的用于预测前列腺癌骨转移患者雄激素剥夺治疗疗效的影像学生物标志,根据影像学生物标志构建临床-影像模型,并验证模型的预测效能。研究方法:收集2008年1月至2019年8月于我院就诊的225例前列腺癌合并骨转移患者,所有患者行雄激素剥夺治疗,并以7:3比例随机分入训练集及验证集。应用影像组学分析软件在轴位T2-w和DCE T1-w MRI图像中共提取976个MRI影像组学特征。应用逐步回归、岭回归和套索回归方法筛选与不良预后(去势抵抗前列腺癌)及无进展生存期相关的具有高稳定性、高独立性及高区分度的MRI影像组学特征。基于MRI纹理分析得到的影像学生物标志结合临床病理特征(年龄、PSA水平及Gleason评分)建立数学模型在训练集中评估,在验证集中进行验证,应用受试者工作特性(ROC)曲线评估去势抵抗前列腺癌预测模型的效能。基于MRI纹理分析的影像学生物标志物结合临床病理特征建立无进展生存期预测数学模型,根据模型计算患者风险评分,根据风险评分中位数将患者分为高风险组和低风险组,采用Kaplan-Meier生存分析法比较高风险组和低风险组的无进展生存期,采用Cox风险比例模型计算MRI纹理特征和临床病理特征作为无进展生存期危险因素的风险比HR值,根据Cox比例风险回归分析得到C-index评估模型精度。结果:基于T2-w及DCE T1-w图像,共筛选出8个与去势抵抗前列腺癌显著相关的影像组学特征(P<0.01):T2-w Max3D Diameter、T2-w 45-4SumEntropy、T2-w 135-4Entropy、DCE T1-w 135-7Variance、DCE T1-w-333GreyLevelNonuniformity、DCE T1-w Surface Area、DCE T1-w 45-7Correlation及DCE T1-w 90-4 Inverse different moment。在训练集中,应用MRI影像组学特征结合临床病理特征(总前列腺特异性抗原、年龄和Gleason评分)构建Logistic回归模型,ROC曲线下的面积AUC=0.903,验证集中AUC=0.885。多元回归分析显示,基于MRI的影像组学纹理特征T2-w 135-4Entropy、DCE T1-w 135-7 Variance、几何特征T2-w Max3D Diameter及Gleason评分为去势抵抗前列腺癌的危险因素,此外Gleason评分亦是独立危险因素。筛选出6个与无进展生存期显著相关(P<0.01)的影像组学特征。Kaplan-Meier生存分析显示,高风险组无进展生存期明显低于低风险组(P<0.05),并在验证集中得到验证。根据Cox比例风险回归分析得到训练集中无进展生存期预测模型C-index为0.713(95%CI:0.535-0.901)。Gleason评分(HR:1.598)、DCE T1-w Compactness(HR:0.602)和T2-w 0-1 Inverse different moment(HR:0.185)是独立预后因素。结论:基于前列腺癌原发灶MRI纹理分析建立影像学生物标志,结合年龄、PSA水平及Gleason评分建立的影像-临床模型在预测去势抵抗前列腺癌方面有较高的准确性,但在预测无进展生存期方面效果不理想。定量化影像组学纹理特征、几何特征及Gleason评分为独立预后因素。基于MRI纹理分析预后模型有望作为精准医学的潜在手段。