目的基于动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)和扩散峰度成像(diffusion kurtosis imaging,DKI)参数图构建影像组学模型,评估其在预测三阴性乳腺癌(triple-negative breast cancer,TNBC)中的应用价值。材料与方法...目的基于动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)和扩散峰度成像(diffusion kurtosis imaging,DKI)参数图构建影像组学模型,评估其在预测三阴性乳腺癌(triple-negative breast cancer,TNBC)中的应用价值。材料与方法回顾性分析165例乳腺癌患者病例资料,根据患者的病理结果分为非TNBC组(120例)和TNBC组(45例)。所有患者术前均接受DCE-MRI和DKI检查。按照8∶2的比例随机分为训练集(n=132)和测试集(n=33)。在第2期DCE-MRI图像、平均扩散峰度值(mean kurtosis,MK)和平均扩散率(mean diffusivity,MD)参数图中勾画出病变区域的三维感兴趣区(three-dimensional region of interest,3D ROI),并提取影像组学特征。使用K最佳、最小冗余最大相关(max-relevance and min-redundancy,mRMR)以及最小绝对收缩和选择算子回归(least absolute shrinkage and selection operator,LASSO)算法依次对特征进行降维和选择,然后,通过逻辑回归(logistic regression,LR)分类器分别建立第2期DCE-MRI模型、DKI参数图模型(MD+MK、MD、MK)及联合模型(DCE-MRI+MD+MK),并采用5折交叉验证法验证模型的稳定性。模型的预测性能通过受试者工作特征(receiver operating characteristic,ROC)曲线和曲线下面积(area under the curve,AUC)进行评估,并使用DeLong检验分析模型间的统计学差异。最后,通过决策曲线分析(decision curve analysis,DCA)评估影像组学模型在临床中的应用价值。结果从每个序列3D ROI中分别提取了2286个影像组学特征,从第2期DCE-MRI、MD+MK、MD、MK及DCE-MRI+MD+MK中分别选取了8、9、12、7、21个特征与TNBC相关。第2期DCE-MRI模型、MD+MK模型、MD模型和MK模型在测试集的AUC分别为0.810、0.769、0.676、0.625;联合模型(DCE-MRI+MD+MK)在测试集中的AUC是0.884,其准确率、敏感度和特异度分别为78.8%、79.2%和77.8%。最后,把临床特征与影像组学特征进行联合建立列线图模型。结果表明,影像组学联合模型(DCE-MRI+MD+MK)优于MD+MK模型、MD模型、MK模型及第2期DCE-MRI模型,但与列线图模型的AUC和DCA差异无统计学意义(P>0.05),表明影像组学联合模型(DCE-MRI+MD+MK)能够在临床实践中提供与列线图模型相似的诊断性能。结论基于DCE-MRI联合DKI参数图的影像组学联合模型(DCE-MRI+MD+MK)及列线图模型可以在术前有效地预测TNBC,有助于临床对TNBC的诊断、制订治疗方案及改善预后。展开更多
文摘目的基于动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)和扩散峰度成像(diffusion kurtosis imaging,DKI)参数图构建影像组学模型,评估其在预测三阴性乳腺癌(triple-negative breast cancer,TNBC)中的应用价值。材料与方法回顾性分析165例乳腺癌患者病例资料,根据患者的病理结果分为非TNBC组(120例)和TNBC组(45例)。所有患者术前均接受DCE-MRI和DKI检查。按照8∶2的比例随机分为训练集(n=132)和测试集(n=33)。在第2期DCE-MRI图像、平均扩散峰度值(mean kurtosis,MK)和平均扩散率(mean diffusivity,MD)参数图中勾画出病变区域的三维感兴趣区(three-dimensional region of interest,3D ROI),并提取影像组学特征。使用K最佳、最小冗余最大相关(max-relevance and min-redundancy,mRMR)以及最小绝对收缩和选择算子回归(least absolute shrinkage and selection operator,LASSO)算法依次对特征进行降维和选择,然后,通过逻辑回归(logistic regression,LR)分类器分别建立第2期DCE-MRI模型、DKI参数图模型(MD+MK、MD、MK)及联合模型(DCE-MRI+MD+MK),并采用5折交叉验证法验证模型的稳定性。模型的预测性能通过受试者工作特征(receiver operating characteristic,ROC)曲线和曲线下面积(area under the curve,AUC)进行评估,并使用DeLong检验分析模型间的统计学差异。最后,通过决策曲线分析(decision curve analysis,DCA)评估影像组学模型在临床中的应用价值。结果从每个序列3D ROI中分别提取了2286个影像组学特征,从第2期DCE-MRI、MD+MK、MD、MK及DCE-MRI+MD+MK中分别选取了8、9、12、7、21个特征与TNBC相关。第2期DCE-MRI模型、MD+MK模型、MD模型和MK模型在测试集的AUC分别为0.810、0.769、0.676、0.625;联合模型(DCE-MRI+MD+MK)在测试集中的AUC是0.884,其准确率、敏感度和特异度分别为78.8%、79.2%和77.8%。最后,把临床特征与影像组学特征进行联合建立列线图模型。结果表明,影像组学联合模型(DCE-MRI+MD+MK)优于MD+MK模型、MD模型、MK模型及第2期DCE-MRI模型,但与列线图模型的AUC和DCA差异无统计学意义(P>0.05),表明影像组学联合模型(DCE-MRI+MD+MK)能够在临床实践中提供与列线图模型相似的诊断性能。结论基于DCE-MRI联合DKI参数图的影像组学联合模型(DCE-MRI+MD+MK)及列线图模型可以在术前有效地预测TNBC,有助于临床对TNBC的诊断、制订治疗方案及改善预后。
