目的探讨非小细胞肺癌(NSCLC)患者基于治疗前CT增强图像的影像组学特征对其生存期的预后价值。方法研究数据来源于癌症影像档案(the cancer imaging archive,TCIA)中的NSCLC-Radiomics公共数据集,使用数据库中的421例NSCLC患者的基线资...目的探讨非小细胞肺癌(NSCLC)患者基于治疗前CT增强图像的影像组学特征对其生存期的预后价值。方法研究数据来源于癌症影像档案(the cancer imaging archive,TCIA)中的NSCLC-Radiomics公共数据集,使用数据库中的421例NSCLC患者的基线资料和CT影像数据,然后从每例患者的CT三维影像数据中提取组学特征,将所有病例按照7∶3的比例随机分为两组:训练集(296例)和测试集(125例),在训练组中以最小绝对收缩和选择算子(LASSO)算法筛选预测总生存(OS)的影像组学特征,基于Cox比例风险回归模型,建立预测模型,将患者分为高、低风险2组,Kaplan-Meier生存曲线比较两组间生存差异,纳入临床特征建立预后模型,曲线下面积(AUC)评价其预测效能。基于预后模型绘制列线图。结果共提取1409个组学特征,经降维后得到11个最有价值的组学特征。建模后计算组学标签,高、低风险2组在训练集和验证集中OS均有显著性差异(P<0.001)。Cox单因素和多因素分析显示影像组学标签均是影响OS[风险比(HR)值:1.529、1.369,95%CI:1.389~1.684、1.201~1.552,均P<0.0001]的独立预后因素。建立的LASSO-COX模型预测1年、3年和5年的OS,训练集AUC分别为0.696、0.718、0.749,在测试集中预测OS的AUC分别为0.689、0.667、0.661。结论基于CT图像的影像组学特征建立的预后模型有助于预测NSCLC患者OS状态。展开更多
文摘目的探讨非小细胞肺癌(NSCLC)患者基于治疗前CT增强图像的影像组学特征对其生存期的预后价值。方法研究数据来源于癌症影像档案(the cancer imaging archive,TCIA)中的NSCLC-Radiomics公共数据集,使用数据库中的421例NSCLC患者的基线资料和CT影像数据,然后从每例患者的CT三维影像数据中提取组学特征,将所有病例按照7∶3的比例随机分为两组:训练集(296例)和测试集(125例),在训练组中以最小绝对收缩和选择算子(LASSO)算法筛选预测总生存(OS)的影像组学特征,基于Cox比例风险回归模型,建立预测模型,将患者分为高、低风险2组,Kaplan-Meier生存曲线比较两组间生存差异,纳入临床特征建立预后模型,曲线下面积(AUC)评价其预测效能。基于预后模型绘制列线图。结果共提取1409个组学特征,经降维后得到11个最有价值的组学特征。建模后计算组学标签,高、低风险2组在训练集和验证集中OS均有显著性差异(P<0.001)。Cox单因素和多因素分析显示影像组学标签均是影响OS[风险比(HR)值:1.529、1.369,95%CI:1.389~1.684、1.201~1.552,均P<0.0001]的独立预后因素。建立的LASSO-COX模型预测1年、3年和5年的OS,训练集AUC分别为0.696、0.718、0.749,在测试集中预测OS的AUC分别为0.689、0.667、0.661。结论基于CT图像的影像组学特征建立的预后模型有助于预测NSCLC患者OS状态。
