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
目的探讨子宫低级别子宫内膜样癌患者淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)的影响因素。方法回顾性分析2015年1月~2023年5月167例手术病理诊断低级别(G1、G2)子宫内膜样癌患者的临床资料。选择年龄、是否绝经、异常阴...目的探讨子宫低级别子宫内膜样癌患者淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)的影响因素。方法回顾性分析2015年1月~2023年5月167例手术病理诊断低级别(G1、G2)子宫内膜样癌患者的临床资料。选择年龄、是否绝经、异常阴道出血时间、合并代谢综合征、CA125升高(≥35 U/ml)、子宫内膜厚度、宫腔占位、合并子宫腺肌症、国际妇产科联盟(International Federation of Gynecology and Obstetrics,FIGO)2009分期9项指标进行单因素分析,对P<0.05的因素进行二元logistic回归分析。结果167例子宫低级别子宫内膜样癌患者中,LVSI 24例(14.4%)。对单因素分析中P<0.05的4项因素(异常阴道出血时间≥4个月、CA125升高、合并子宫腺肌症、分期Ⅱ期及以上)进行二元logistic回归分析,结果显示分期Ⅱ期及以上(OR=7.357,95%CI:2.140~25.288,P=0.002),CA125升高(OR=4.883,95%CI:1.612~14.794,P=0.005)为子宫低级别子宫内膜样癌LVSI的独立预后因素。结论FIGO 2009分期Ⅱ期及以上、CA125≥35 U/ml与子宫低级别子宫内膜样癌患者LVSI有关,间接提示淋巴结转移风险,术前应高度关注,以便制定更为精准的手术方案。展开更多
目的观察基于MR-T2WI的深度迁移学习(deep transfer learning,DTL)特征、影像组学特征及临床特征构建的联合模型(列线图)在术前预测宫颈癌淋巴脉管间隙浸润(lymph vascular space invasion,LVSI)的价值。材料与方法回顾性分析178例经术...目的观察基于MR-T2WI的深度迁移学习(deep transfer learning,DTL)特征、影像组学特征及临床特征构建的联合模型(列线图)在术前预测宫颈癌淋巴脉管间隙浸润(lymph vascular space invasion,LVSI)的价值。材料与方法回顾性分析178例经术后病理证实为宫颈癌的患者病例,其中70例LVSI(+)、108例LVSI(-),按照8∶2划分为训练集[142例,54例LVSI(+)、88例LVSI(-)]和测试集[36例,16例LVSI(+)、20例LVSI(-)]。对临床因素行单因素logistic分析,筛选出LVSI(+)独立预测因素。使用DTL方法和传统影像组学方法提取矢状位T2WI图像中病灶的DTL特征和影像组学特征,构建DTL特征数据集、影像组学特征数据集和DTL特征与影像组学特征融合的数据集,分别以t检验、Pearson分析和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归对训练集各特征数据集进行特征降维,以其最佳者构建影像组学(radiomics,Rad)模型、DTL模型、融合模型(Rad+DTL模型),并筛选最佳影像组学模型;基于上述最佳影像组学模型评分与临床独立因子构建联合模型,并绘制列线图。以校准曲线评估模型校准度,以决策曲线分析评价模型的应用价值。结果淋巴结转移、粒细胞比率均为LVSI(+)的独立预测因子(P<0.05)。Rad+DTL模型为最佳影像组学模型。联合模型在训练集和测试集中的受试者工作特征曲线下面积(area under the curve,AUC)高于Rad+DTL模型(0.984 vs.0.966,P<0.05;0.912 vs.0.759,P=0.05)。联合模型的校准度较高,临床净收益更大。结论基于MR-T2WI的DTL特征、影像组学特征联合临床特征构建的联合模型可有效预测宫颈癌LVSI。展开更多
探讨淋巴脉管间隙浸润对早期宫颈癌预后的影响。查阅淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)与早期宫颈癌相关文献,文献涉及早期宫颈癌保守性手术、根治术后长期随访观察LVSI与预后的影响。活检标本与根治术标本比较,分...探讨淋巴脉管间隙浸润对早期宫颈癌预后的影响。查阅淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)与早期宫颈癌相关文献,文献涉及早期宫颈癌保守性手术、根治术后长期随访观察LVSI与预后的影响。活检标本与根治术标本比较,分析其对淋巴转移、浸润深度的预测价值。共计34篇文献符合要求,部分文献显示淋巴脉管间隙浸润不是宫颈癌预后的独立危险因素,否定其作为早期宫颈癌保留生育功能的评价指标,而部分文献显示LVSI与预后相关。临床观察发现LVSI阳性患者保守性手术治疗仍应谨慎。淋巴脉管间隙浸润作为早期宫颈癌保留生育功能的评价指标尚存争议,其可能与淋巴转移有关,后者是宫颈癌不良预后的独立危险因素。展开更多
目的探讨基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)定量参数图像生境放射组学模型预测术前宫颈癌患者淋巴脉管间隙浸润(lymph-vascular space invasion,LVSI)状态的诊断价值。材料与...目的探讨基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)定量参数图像生境放射组学模型预测术前宫颈癌患者淋巴脉管间隙浸润(lymph-vascular space invasion,LVSI)状态的诊断价值。材料与方法回顾性分析了2015年5月至2024年10月于甘肃省人民医院行子宫根治性切除术的102名宫颈癌患者影像及临床资料。按照术后病理结果将患者分为LVSI(+)和LVSI(−)组。比较分析临床参数及DCE-MRI定量参数在两组间的差异,单因素及多因素回归分析筛选宫颈癌LVSI状态相关独立危险因素。在DCE-MRI图像上应用Tissue4D由髂内动脉的时间-信号强度曲线(time-intensity curve,TIC)确定血流峰值期,在该期勾画全肿瘤轮廓作为感兴趣体积(volume of interest,VOI)获得转运常数(volume transport constant,K^(trans))参数图。采用K-means方法选择最优聚类个数将K^(trans)定量参数图像的体素和特征值将VOI聚类成亚区域,提取瘤内影像组学特征数据集和生境影像组学特征,分别以t检验、Pearson分析和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归对训练集各特征数据集进行特征降维,构建基于支持向量机(support vector machine,SVM),自适应增强算法(adaptive boosting,AdaBoost)、多层感知机(multilayer perceptron,MLP)在内的机器学习算法的瘤内影像组学模型、生境影像组学模型。采取特征融合(前融合)和结果融合(后融合)的方法构建生境影像组学和瘤内影像组学联合模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线和决策曲线等评估模型效能。结果102例宫颈癌患者中LVSI(+)38例,LVSI(−)64例。单因素逻辑回归分析结果表明年龄、身高、体质量、身体质量指数、K^(trans)、速率常数(rate constant,Kep)是宫颈癌LVSI状态相关的影响因素(OR值分别为0.989、0.997、0.991、0.978、0.045、0.372;P值分别为0.011、0.010、0.008、0.010、0.038、0.018),多因素回归分析未筛选出LVSI相关独立危险因素用于建立临床模型(P>0.05)。生境子区域最佳聚类个数为3类。基于生境区域和整个肿瘤产生18和8个最佳放射组学特征构建瘤内影像组学模型、生境影像组学模型;与瘤内、生境影像组学模型及后融合模型相比基于AdaBoost分类器构建的瘤内影像组学及生境影像组学前融合模型(Pre_AdaBoost模型)预测效能最优,在训练集和验证集的诊断能力最高,ROC曲线下面积、敏感度、特异度分别为0.916(95%置信区间:0.856~0.977)、88.5%、77.8%和0.831(95%置信区间:0.691~0.972)、91.7%、57.9%,且具有较高的临床净收益。结论基于DCE-MRI定量参数图生境影像组学和瘤内影像组学联合模型在预测宫颈癌LVSI方面具有一定价值,可以帮助促进个性化治疗决策。展开更多
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。
文摘目的探讨子宫低级别子宫内膜样癌患者淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)的影响因素。方法回顾性分析2015年1月~2023年5月167例手术病理诊断低级别(G1、G2)子宫内膜样癌患者的临床资料。选择年龄、是否绝经、异常阴道出血时间、合并代谢综合征、CA125升高(≥35 U/ml)、子宫内膜厚度、宫腔占位、合并子宫腺肌症、国际妇产科联盟(International Federation of Gynecology and Obstetrics,FIGO)2009分期9项指标进行单因素分析,对P<0.05的因素进行二元logistic回归分析。结果167例子宫低级别子宫内膜样癌患者中,LVSI 24例(14.4%)。对单因素分析中P<0.05的4项因素(异常阴道出血时间≥4个月、CA125升高、合并子宫腺肌症、分期Ⅱ期及以上)进行二元logistic回归分析,结果显示分期Ⅱ期及以上(OR=7.357,95%CI:2.140~25.288,P=0.002),CA125升高(OR=4.883,95%CI:1.612~14.794,P=0.005)为子宫低级别子宫内膜样癌LVSI的独立预后因素。结论FIGO 2009分期Ⅱ期及以上、CA125≥35 U/ml与子宫低级别子宫内膜样癌患者LVSI有关,间接提示淋巴结转移风险,术前应高度关注,以便制定更为精准的手术方案。
文摘目的观察基于MR-T2WI的深度迁移学习(deep transfer learning,DTL)特征、影像组学特征及临床特征构建的联合模型(列线图)在术前预测宫颈癌淋巴脉管间隙浸润(lymph vascular space invasion,LVSI)的价值。材料与方法回顾性分析178例经术后病理证实为宫颈癌的患者病例,其中70例LVSI(+)、108例LVSI(-),按照8∶2划分为训练集[142例,54例LVSI(+)、88例LVSI(-)]和测试集[36例,16例LVSI(+)、20例LVSI(-)]。对临床因素行单因素logistic分析,筛选出LVSI(+)独立预测因素。使用DTL方法和传统影像组学方法提取矢状位T2WI图像中病灶的DTL特征和影像组学特征,构建DTL特征数据集、影像组学特征数据集和DTL特征与影像组学特征融合的数据集,分别以t检验、Pearson分析和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归对训练集各特征数据集进行特征降维,以其最佳者构建影像组学(radiomics,Rad)模型、DTL模型、融合模型(Rad+DTL模型),并筛选最佳影像组学模型;基于上述最佳影像组学模型评分与临床独立因子构建联合模型,并绘制列线图。以校准曲线评估模型校准度,以决策曲线分析评价模型的应用价值。结果淋巴结转移、粒细胞比率均为LVSI(+)的独立预测因子(P<0.05)。Rad+DTL模型为最佳影像组学模型。联合模型在训练集和测试集中的受试者工作特征曲线下面积(area under the curve,AUC)高于Rad+DTL模型(0.984 vs.0.966,P<0.05;0.912 vs.0.759,P=0.05)。联合模型的校准度较高,临床净收益更大。结论基于MR-T2WI的DTL特征、影像组学特征联合临床特征构建的联合模型可有效预测宫颈癌LVSI。
文摘目的探究合成MRI的定量参数[纵向弛豫时间(longitudinal relaxation time,T1)、横向弛豫时间(transverse relaxation time,T2)、质子密度(proton density,PD)]在预测宫颈鳞癌淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态中的价值。材料与方法前瞻性招募2020年5月至2022年11月首次因疑似宫颈癌于山西医科大学第二医院就诊的患者。患者术前行盆腔常规MRI平扫、合成MRI矢状位扫描,测定肿瘤实质区的T1、T2、PD值。根据LVSI状态,将受试者分为LVSI阳性及阴性组,采用独立样本t检验或U检验,比较两组间T1,T2和PD值的差异。采用受试者工作特征(receiver operating characteristic,ROC)曲线评估各参数独立及联合分析在预测宫颈鳞癌LVSI状态的诊断效能。结果本研究共纳入80名经手术病理证实的宫颈鳞癌患者,其中LVSI阳性51例,LVSI阴性29例。宫颈鳞癌LVSI阳性组的T1值[(1191.60±101.17)ms vs.(1316.58±107.42)ms]和T2值[(80.72±5.62)ms vs.(89.79±7.43)ms]低于LVSI阴性组,差异有统计学意义(P<0.001)。T1、T2值诊断宫颈鳞癌患者LVSI状态的ROC曲线下面积(area under the curve,AUC)分别为0.798、0.850。T1和T2值联合诊断的AUC值为0.881。DeLong检验结果显示,T1和T2联合诊断与T1、T2值独立诊断的AUC值差异无统计学意义(P>0.05)。结论合成MRI定量参数有助于术前评估宫颈鳞癌的LVSI状态,为临床医生制订治疗方案提供参考。
文摘探讨淋巴脉管间隙浸润对早期宫颈癌预后的影响。查阅淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)与早期宫颈癌相关文献,文献涉及早期宫颈癌保守性手术、根治术后长期随访观察LVSI与预后的影响。活检标本与根治术标本比较,分析其对淋巴转移、浸润深度的预测价值。共计34篇文献符合要求,部分文献显示淋巴脉管间隙浸润不是宫颈癌预后的独立危险因素,否定其作为早期宫颈癌保留生育功能的评价指标,而部分文献显示LVSI与预后相关。临床观察发现LVSI阳性患者保守性手术治疗仍应谨慎。淋巴脉管间隙浸润作为早期宫颈癌保留生育功能的评价指标尚存争议,其可能与淋巴转移有关,后者是宫颈癌不良预后的独立危险因素。
文摘目的基于治疗前多参数磁共振成像(multi-parametric magnetic resonance imaging,mpMRI)影像组学特征构建模型预测局部晚期宫颈癌(locally advanced cervical cancer,LACC)新辅助化疗(neoadjuvant chemotherapy,NACT)后淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态。材料与方法回顾性分析了300例于2013年至2022年来自于河南省人民医院(训练集187人,LVSI阳性73人)和河南省肿瘤医院(验证集113人,LVSI阳性31人)接受NACT并行根治性子宫切除术LACC患者的临床及影像资料。于轴位弥散加权成像(axial diffusion-weighted imaging,Ax_DWI)、矢状位T2加权成像(sagittal T2-weighted imaging,Sag_T2WI)和矢状位对比增强T1加权成像(sagittal T1-weighted contrast-enhanced imaging,Sag_T1C)上勾画肿瘤感兴趣区(region of interest,ROI)并提取特征,利用递归特征消除算法与最小绝对值收缩与选择算法筛选影像组学特征。随后,基于逻辑回归分类器分别建立单序列模型,双序列模型及基于三序列组学特征的联合序列模型。使用受试者工作特征(receiver operating characteristic,ROC)曲线评估各模型性能,使用DeLong检验比较曲线下面积(area under the curve,AUC),通过决策曲线评估模型的临床价值。结果在验证集中,基于Ax_DWI、Sag_T2WI及Sag_T1C构建的单序列模型的AUC分别为0.717[95%置信区间(confidence interval,CI):0.605~0.829]、0.734(95%CI:0.633~0.836)和0.733(95%CI:0.626~0.841);基于Ax_DWI+Sag_T2WI、Ax_DWI+Sag_T1C及Sag_T2WI+Sag_T1C构建的双序列模型的AUC值分别为0.763(95%CI:0.660~0.866)、0.786(95%CI:0.692~0.881)与0.815(95%CI:0.731~0.899);联合序列模型的AUC值为0.829(95%CI:0.740~0.914),高于各单序列模型与双序列模型,但联合序列模型与Ax_DWI模型、Sag_T2W1模型及Ax_DWI+Sag_T2W1模型之间AUC差异无统计学意义(P=0.015~0.047)。决策曲线显示联合序列模型的临床净效益高于单序列模型与各双序列模型。结论基于治疗前mpMRI影像组学特征构建的联合序列模型可有效预测LACC患者NACT后的LVSI状态。
文摘目的探讨基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)定量参数图像生境放射组学模型预测术前宫颈癌患者淋巴脉管间隙浸润(lymph-vascular space invasion,LVSI)状态的诊断价值。材料与方法回顾性分析了2015年5月至2024年10月于甘肃省人民医院行子宫根治性切除术的102名宫颈癌患者影像及临床资料。按照术后病理结果将患者分为LVSI(+)和LVSI(−)组。比较分析临床参数及DCE-MRI定量参数在两组间的差异,单因素及多因素回归分析筛选宫颈癌LVSI状态相关独立危险因素。在DCE-MRI图像上应用Tissue4D由髂内动脉的时间-信号强度曲线(time-intensity curve,TIC)确定血流峰值期,在该期勾画全肿瘤轮廓作为感兴趣体积(volume of interest,VOI)获得转运常数(volume transport constant,K^(trans))参数图。采用K-means方法选择最优聚类个数将K^(trans)定量参数图像的体素和特征值将VOI聚类成亚区域,提取瘤内影像组学特征数据集和生境影像组学特征,分别以t检验、Pearson分析和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归对训练集各特征数据集进行特征降维,构建基于支持向量机(support vector machine,SVM),自适应增强算法(adaptive boosting,AdaBoost)、多层感知机(multilayer perceptron,MLP)在内的机器学习算法的瘤内影像组学模型、生境影像组学模型。采取特征融合(前融合)和结果融合(后融合)的方法构建生境影像组学和瘤内影像组学联合模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线和决策曲线等评估模型效能。结果102例宫颈癌患者中LVSI(+)38例,LVSI(−)64例。单因素逻辑回归分析结果表明年龄、身高、体质量、身体质量指数、K^(trans)、速率常数(rate constant,Kep)是宫颈癌LVSI状态相关的影响因素(OR值分别为0.989、0.997、0.991、0.978、0.045、0.372;P值分别为0.011、0.010、0.008、0.010、0.038、0.018),多因素回归分析未筛选出LVSI相关独立危险因素用于建立临床模型(P>0.05)。生境子区域最佳聚类个数为3类。基于生境区域和整个肿瘤产生18和8个最佳放射组学特征构建瘤内影像组学模型、生境影像组学模型;与瘤内、生境影像组学模型及后融合模型相比基于AdaBoost分类器构建的瘤内影像组学及生境影像组学前融合模型(Pre_AdaBoost模型)预测效能最优,在训练集和验证集的诊断能力最高,ROC曲线下面积、敏感度、特异度分别为0.916(95%置信区间:0.856~0.977)、88.5%、77.8%和0.831(95%置信区间:0.691~0.972)、91.7%、57.9%,且具有较高的临床净收益。结论基于DCE-MRI定量参数图生境影像组学和瘤内影像组学联合模型在预测宫颈癌LVSI方面具有一定价值,可以帮助促进个性化治疗决策。
