目的:构建Ⅰ期子宫内膜癌预后简易评分系统为临床提供参考工具。方法:回顾性收集2014年至2021年于重庆医科大学附属第一医院接受了手术治疗的Ⅰ期子宫内膜癌患者的病例资料,通过单因素及多因素Cox回归分析筛选与患者复发及死亡相关的影...目的:构建Ⅰ期子宫内膜癌预后简易评分系统为临床提供参考工具。方法:回顾性收集2014年至2021年于重庆医科大学附属第一医院接受了手术治疗的Ⅰ期子宫内膜癌患者的病例资料,通过单因素及多因素Cox回归分析筛选与患者复发及死亡相关的影响因子。基于多因素分析结果,构建简易评分系统,利用受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)比较评分系统和单一预测因子对患者预后的预测准确度。利用X-title软件确定评分系统的截值点并对患者进行风险分组,比较不同分组患者预后分布情况。结果:多因素分析结果提示,患者年龄(复发:Waldχ^(2)=4.482,P=0.034;死亡:Waldχ^(2)=8.401,P=0.004)、病理分型(复发:Waldχ^(2)=6.692,P=0.010;死亡:Waldχ^(2)=4.222,P=0.040)、肌层浸润情况(复发:Waldχ^(2)=6.372,P=0.034;死亡:Waldχ^(2)=7.183,P=0.007)、淋巴脉管间隙侵犯(lymphovascular space invasion,LVSI)(复发:Waldχ^(2)=13.396,P<0.001;死亡:Waldχ^(2)=8.449,P=0.004)、雌激素受体(estrogen receptor,ER)表达(复发:Waldχ^(2)=7.679,P=0.006;死亡:Waldχ^(2)=8.532,P=0.003)及P53表达(复发:Waldχ^(2)=7.886,P=0.005;死亡:Waldχ^(2)=7.174,P=0.007)均是患者复发及死亡的影响因素。基于以上6个因素成功构建评估患者预后的简易评分系统,ROC曲线显示评分系统的AUC值大于单一预测因子。X-title软件确定了评分系统的截值点并自动将患者分为低风险组(0~1分)、中风险组(2~3分)及高风险组(4~6分),3组患者之间总体预后水平差异有统计学意义(P<0.001)。结论:本研究构建的简易评分系统对Ⅰ期子宫内膜癌患者预后评估有一定价值。展开更多
目的 本研究旨在基于术前多参数MRI的深度迁移学习(deep transfer learning,DTL)特征建立模型,以预测子宫内膜癌(endometrial carcinoma,EC)患者淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态。材料与方法 回顾性收集2016...目的 本研究旨在基于术前多参数MRI的深度迁移学习(deep transfer learning,DTL)特征建立模型,以预测子宫内膜癌(endometrial carcinoma,EC)患者淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态。材料与方法 回顾性收集2016年2月至2023年7月本院187例经手术病理确诊的EC患者的临床信息及术前MRI图像。并按7∶3比例随机分为训练集(131例)和测试集(56例)。在轴位T2加权成像、扩散加权成像、表观扩散系数(apparent diffusion coefficient,ADC)图及对比增强T1加权图像上手动勾画病灶感兴趣区。采用ResNet50、ResNet101及DenseNet121网络建立12种DTL模型,接着,采用平均值、最大值及最小值三种决策级融合方法建立融合模型,并从中选取最佳模型作为最终的DTL模型。通过单因素和多因素logistic回归分析筛选出临床特征后建立临床模型,并使用logistic回归联合DTL和临床特征建立DTL-临床联合模型。采用受试者工作特征曲线评估模型诊断EC患者LVSI的效能,通过DeLong检验比较曲线下面积(area under the curve,AUC),校准曲线分析模型的拟合优度,决策曲线分析(decision curve analysis,DCA)探讨模型的临床适用性。结果 测试集中,基于ADC图像建立的ResNet101模型在诊断EC患者LVSI时表现出最高的AUC值,为0.850 [95%置信区间(confidence interval,CI):0.736~0.963]。。采用平均值融合方法建立的融合模型,在测试集中AUC值最高,达到了0.932(95%CI:0.868~0.996),为最佳DTL模型。logistic回归分析表明年龄是EC患者LVSI的独立危险因素。DTL-临床联合模型在测试集中AUC为0.934(95%CI:0.871~0.997),诊断效能优于临床模型[AUC为0.554 (95%CI:0.436~0.671),P<0.001],与DTL模型比较差异无统计学意义(P=0.909)。Hosmer-Lemeshow检验显示联合模型在训练集和测试集中均具有较好的拟合效果(P=0.814及0.402),DCA显示临床净获益更大。结论 基于术前多参数MRI建立的DTL模型,以及将DTL特征与临床特征相结合建立的联合模型,能有效预测EC患者LVSI状态,诊断效能优于临床模型。DTL在小样本EC的MRI数据中表现优异,为LVSI术前预测提供重要临床辅助工具。展开更多
文摘目的:构建Ⅰ期子宫内膜癌预后简易评分系统为临床提供参考工具。方法:回顾性收集2014年至2021年于重庆医科大学附属第一医院接受了手术治疗的Ⅰ期子宫内膜癌患者的病例资料,通过单因素及多因素Cox回归分析筛选与患者复发及死亡相关的影响因子。基于多因素分析结果,构建简易评分系统,利用受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)比较评分系统和单一预测因子对患者预后的预测准确度。利用X-title软件确定评分系统的截值点并对患者进行风险分组,比较不同分组患者预后分布情况。结果:多因素分析结果提示,患者年龄(复发:Waldχ^(2)=4.482,P=0.034;死亡:Waldχ^(2)=8.401,P=0.004)、病理分型(复发:Waldχ^(2)=6.692,P=0.010;死亡:Waldχ^(2)=4.222,P=0.040)、肌层浸润情况(复发:Waldχ^(2)=6.372,P=0.034;死亡:Waldχ^(2)=7.183,P=0.007)、淋巴脉管间隙侵犯(lymphovascular space invasion,LVSI)(复发:Waldχ^(2)=13.396,P<0.001;死亡:Waldχ^(2)=8.449,P=0.004)、雌激素受体(estrogen receptor,ER)表达(复发:Waldχ^(2)=7.679,P=0.006;死亡:Waldχ^(2)=8.532,P=0.003)及P53表达(复发:Waldχ^(2)=7.886,P=0.005;死亡:Waldχ^(2)=7.174,P=0.007)均是患者复发及死亡的影响因素。基于以上6个因素成功构建评估患者预后的简易评分系统,ROC曲线显示评分系统的AUC值大于单一预测因子。X-title软件确定了评分系统的截值点并自动将患者分为低风险组(0~1分)、中风险组(2~3分)及高风险组(4~6分),3组患者之间总体预后水平差异有统计学意义(P<0.001)。结论:本研究构建的简易评分系统对Ⅰ期子宫内膜癌患者预后评估有一定价值。
文摘目的 本研究旨在基于术前多参数MRI的深度迁移学习(deep transfer learning,DTL)特征建立模型,以预测子宫内膜癌(endometrial carcinoma,EC)患者淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态。材料与方法 回顾性收集2016年2月至2023年7月本院187例经手术病理确诊的EC患者的临床信息及术前MRI图像。并按7∶3比例随机分为训练集(131例)和测试集(56例)。在轴位T2加权成像、扩散加权成像、表观扩散系数(apparent diffusion coefficient,ADC)图及对比增强T1加权图像上手动勾画病灶感兴趣区。采用ResNet50、ResNet101及DenseNet121网络建立12种DTL模型,接着,采用平均值、最大值及最小值三种决策级融合方法建立融合模型,并从中选取最佳模型作为最终的DTL模型。通过单因素和多因素logistic回归分析筛选出临床特征后建立临床模型,并使用logistic回归联合DTL和临床特征建立DTL-临床联合模型。采用受试者工作特征曲线评估模型诊断EC患者LVSI的效能,通过DeLong检验比较曲线下面积(area under the curve,AUC),校准曲线分析模型的拟合优度,决策曲线分析(decision curve analysis,DCA)探讨模型的临床适用性。结果 测试集中,基于ADC图像建立的ResNet101模型在诊断EC患者LVSI时表现出最高的AUC值,为0.850 [95%置信区间(confidence interval,CI):0.736~0.963]。。采用平均值融合方法建立的融合模型,在测试集中AUC值最高,达到了0.932(95%CI:0.868~0.996),为最佳DTL模型。logistic回归分析表明年龄是EC患者LVSI的独立危险因素。DTL-临床联合模型在测试集中AUC为0.934(95%CI:0.871~0.997),诊断效能优于临床模型[AUC为0.554 (95%CI:0.436~0.671),P<0.001],与DTL模型比较差异无统计学意义(P=0.909)。Hosmer-Lemeshow检验显示联合模型在训练集和测试集中均具有较好的拟合效果(P=0.814及0.402),DCA显示临床净获益更大。结论 基于术前多参数MRI建立的DTL模型,以及将DTL特征与临床特征相结合建立的联合模型,能有效预测EC患者LVSI状态,诊断效能优于临床模型。DTL在小样本EC的MRI数据中表现优异,为LVSI术前预测提供重要临床辅助工具。
