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
目的分析多参数磁共振成像(magnetic resonance imaging,MRI)组学列线图模型治疗前预测子宫内膜样腺癌(endometrial endometrioid adenocarcinoma,EEA)淋巴血管间隙侵犯(lymphovascular space invasion,LVSI)的可行性及价值。方法于2020...目的分析多参数磁共振成像(magnetic resonance imaging,MRI)组学列线图模型治疗前预测子宫内膜样腺癌(endometrial endometrioid adenocarcinoma,EEA)淋巴血管间隙侵犯(lymphovascular space invasion,LVSI)的可行性及价值。方法于2020年10月至2022年1月在复旦大学附属妇产科医院前瞻性收集205例EEA临床及MRI资料,按6∶4随机分为训练集(n=123)和验证集(n=82)。分别在T2加权成像、扩散加权成像(表观扩散系数图)及动态增强MRI序列勾画全肿瘤体积感兴趣区提取肿瘤影像组学特征。在训练集中,采用单变量分析及多变量Logistic回归分析筛选LVSI的独立预测因子,建立临床预测模型;采用最小绝对收缩和选择算法(least absolute shrinkage and selection operator,LASSO)进行特征筛选并建立影像组学标签;采用临床独立预测因子与组学标签构建临床-MRI组学列线图模型,并在验证集中进行模型验证。使用受试者操作特征曲线下面积(area under the receiver operating characteristic curve,AUC)评估模型效能,临床决策曲线评估模型临床应用价值。结果205例EEA中,LVSI(-)144例,LVSI(+)61例。患者绝经状态、CA125及CA199为LVSI(+)的临床独立预测因子,三者联合组成的临床预测模型AUC为0.714(训练集)和0.731(验证集)。从多参数MRI图像中共提取的8240个影像组学特征中筛选出5个最佳特征构建MRI组学标签,AUC为0.860(训练集)和0.759(验证集)。临床-MRI组学列线图模型AUC为0.887(训练集)和0.807(验证集),优于单独的临床模型及组学模型,且在较大的阈值概率范围内临床-MRI组学列线图模型可获得更大的临床净收益。结论基于多参数MRI组学的列线图模型可在治疗前有效预测EEA的LVSI状态,为临床管理决策提供有价值的参考,提高患者的临床获益。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。
文摘目的分析多参数磁共振成像(magnetic resonance imaging,MRI)组学列线图模型治疗前预测子宫内膜样腺癌(endometrial endometrioid adenocarcinoma,EEA)淋巴血管间隙侵犯(lymphovascular space invasion,LVSI)的可行性及价值。方法于2020年10月至2022年1月在复旦大学附属妇产科医院前瞻性收集205例EEA临床及MRI资料,按6∶4随机分为训练集(n=123)和验证集(n=82)。分别在T2加权成像、扩散加权成像(表观扩散系数图)及动态增强MRI序列勾画全肿瘤体积感兴趣区提取肿瘤影像组学特征。在训练集中,采用单变量分析及多变量Logistic回归分析筛选LVSI的独立预测因子,建立临床预测模型;采用最小绝对收缩和选择算法(least absolute shrinkage and selection operator,LASSO)进行特征筛选并建立影像组学标签;采用临床独立预测因子与组学标签构建临床-MRI组学列线图模型,并在验证集中进行模型验证。使用受试者操作特征曲线下面积(area under the receiver operating characteristic curve,AUC)评估模型效能,临床决策曲线评估模型临床应用价值。结果205例EEA中,LVSI(-)144例,LVSI(+)61例。患者绝经状态、CA125及CA199为LVSI(+)的临床独立预测因子,三者联合组成的临床预测模型AUC为0.714(训练集)和0.731(验证集)。从多参数MRI图像中共提取的8240个影像组学特征中筛选出5个最佳特征构建MRI组学标签,AUC为0.860(训练集)和0.759(验证集)。临床-MRI组学列线图模型AUC为0.887(训练集)和0.807(验证集),优于单独的临床模型及组学模型,且在较大的阈值概率范围内临床-MRI组学列线图模型可获得更大的临床净收益。结论基于多参数MRI组学的列线图模型可在治疗前有效预测EEA的LVSI状态,为临床管理决策提供有价值的参考,提高患者的临床获益。
