目的建立基于MRI术前子宫内膜癌(endometrial cancer,EC)的分子亚型的生境影像组学预测模型。方法回顾性收集2家医学中心经病理证实的EC患者,分别纳入训练组(n=270)和测试组(n=70)。所有患者均进行了术前MRI及病理组织学和分子亚型诊断...目的建立基于MRI术前子宫内膜癌(endometrial cancer,EC)的分子亚型的生境影像组学预测模型。方法回顾性收集2家医学中心经病理证实的EC患者,分别纳入训练组(n=270)和测试组(n=70)。所有患者均进行了术前MRI及病理组织学和分子亚型诊断。首先根据扩散加权成像(diffusion-weighted imaging,DWI)和对比增强(contrast enhancement,CE)图像对肿瘤进行生境亚区域分区,随后从T1加权成像(T1-weighted imaging,T1WI)、T2加权成像(T2-weighted imaging,T2WI)、DWI和CE图像的不同亚区域提取生境影像组学特征。应用3种机器学习分类器,包括逻辑回归、支持向量机和随机森林,分别建立预测p53异常型EC的模型并进行效能验证,表现出最佳综合预测性能的模型被选为生境影像组学模型。采用相同程序,建立基于T1WI、T2WI、DWI和CE共4个序列的全区域影像组学模型及临床模型。采用受试者工作特性曲线评估模型的效能,使用DeLong检验比较模型的差异。使用决策曲线分析评价模型应用的临床收益。结果经特征选择后保留8个生境影像组学特征建立生境影像组学模型、10个全区域影像组学特征建立影像组学模型和3个临床特征建立临床模型。生境影像组学模型曲线下面积(area under the curve,AUC)最高,分别为0.855(0.788~0.922,训练集)和0.769(0.631~0.907,验证集)。DeLong检验显示训练集的生境影像组学模型效能优于全区域影像组学模型(P=0.001),但测试集差异不显著(P=0.543);两组生境影像组学模型效能均优于临床模型(P=0.007,训练集;P=0.038,验证集)。DCA曲线显示该模型在阈值概率0.2~0.8之间均可对临床诊断提供收益。结论基于MRI的生境影像组学模型可以较准确地预测p53异常型的EC,效能优于全区域影像组学和临床模型,有助于术前EC的无创性分子亚型分型。展开更多
文摘目的建立基于MRI术前子宫内膜癌(endometrial cancer,EC)的分子亚型的生境影像组学预测模型。方法回顾性收集2家医学中心经病理证实的EC患者,分别纳入训练组(n=270)和测试组(n=70)。所有患者均进行了术前MRI及病理组织学和分子亚型诊断。首先根据扩散加权成像(diffusion-weighted imaging,DWI)和对比增强(contrast enhancement,CE)图像对肿瘤进行生境亚区域分区,随后从T1加权成像(T1-weighted imaging,T1WI)、T2加权成像(T2-weighted imaging,T2WI)、DWI和CE图像的不同亚区域提取生境影像组学特征。应用3种机器学习分类器,包括逻辑回归、支持向量机和随机森林,分别建立预测p53异常型EC的模型并进行效能验证,表现出最佳综合预测性能的模型被选为生境影像组学模型。采用相同程序,建立基于T1WI、T2WI、DWI和CE共4个序列的全区域影像组学模型及临床模型。采用受试者工作特性曲线评估模型的效能,使用DeLong检验比较模型的差异。使用决策曲线分析评价模型应用的临床收益。结果经特征选择后保留8个生境影像组学特征建立生境影像组学模型、10个全区域影像组学特征建立影像组学模型和3个临床特征建立临床模型。生境影像组学模型曲线下面积(area under the curve,AUC)最高,分别为0.855(0.788~0.922,训练集)和0.769(0.631~0.907,验证集)。DeLong检验显示训练集的生境影像组学模型效能优于全区域影像组学模型(P=0.001),但测试集差异不显著(P=0.543);两组生境影像组学模型效能均优于临床模型(P=0.007,训练集;P=0.038,验证集)。DCA曲线显示该模型在阈值概率0.2~0.8之间均可对临床诊断提供收益。结论基于MRI的生境影像组学模型可以较准确地预测p53异常型的EC,效能优于全区域影像组学和临床模型,有助于术前EC的无创性分子亚型分型。
