论文部分内容阅读
目的探讨治疗前CT影像组学特征用于预测食管鳞癌(esophageal squamous cell carcinoma,ESCC)放化疗疗效和局部无复发生存(Local Progression-Free Survival,LPFS)时间的可行性,构建可预测患者放化疗后完全缓解(complete remission,CR)状态和LPFS的基于影像组学特征的模型,辅助临床医师为患者制定个体化治疗方案。方法回顾性收集我院行根治性放化疗的食管鳞癌患者资料,经过层层筛选,符合条件的患者纳入研究,收集其放疗前的定位CT文件。第一部分,我们纳入226例患者,按7:3随机分为训练组160例和验证组66例,通过3D slicer软件勾画感兴趣肿瘤体积(Volume of interest,VOI),用python工具包提取影像组学特征,使用LASSO回归进行降维和特征选择,构建影像组学标签(Rad-score),通过多因素分析构建预测患者放化疗后CR的nomogram模型,并进行验证,评估该模型的预测能力,用决策曲线评估其临床应用价值。第二部分,纳入221例患者,按7:3随机分为组训练组155例和验证组66例,用3D slicer勾画VOI,通过python工具包提取影像组学特征,用LASSO-Cox算法进行降维和特征选择,构建组学标签Rad-score,Cox多因素分析影响患者LPFS的因素,建立nomogram模型,在验证组中进行验证,采用校准曲线和重新分类指数(Net reclassification index,NRI)评估该模型的预测能力。结果第一部分中,有7个影像组学特征被筛选出来构成影像组学标签Rad-score,可预测患者放化疗后CR状态,单因素分析显示Rad-score与患者放化疗后的CR状态存在显著相关,训练组和验证组AUC分别为0.812(95%CI:0.742-0.869)和0.744(95%CI:0.632-0.851)。多因素分析显示,Rad-score和临床分期是患者放化疗后CR的独立预测因子,P值分别为0.035和0.023,以此构建nomogram模型,训练组AUC为0.844(95%CI:0.779-0.897),敏感性为 67.86%,特异性为 86.54%,验证组 AUC 为 0.807(95%CI:0.691-0.894),敏感性77.27%,特异性为77.27%,分类精度为64.77%。Delong检验表明,该模型优于临床分期标准,训练组和验证组P值分别为<0.0001和0.026。决策曲线表明风险阈值大于25%时,nomogram模型优于临床分期标准。第二部分中,筛选出17个影像组学特征构建影像组学标签Rad-score,该标签可将患者分为局部复发高风险和局部复发低风险的两组,其LPFS生存曲线显著分开,训练组P<0.001,验证组P=0.026。多因素分析发现,Rad-score、N分期和放疗后CR状态是食管鳞癌放化疗后LPFS的独立预测因子,P值均小于0.05。Nomogram模型满足PH检验(P=0.21),训练组和验证组的 C-index 分别为 0.745(95%CI:0.700-0.790)和 0.723(95%CI:0.654-0.791)。校准曲线显示该模型预测的LPFS与实际LPFS具有较高的吻合度。NRI分析表明该模型优于临床分期。结论我们基于放化疗前CT的影像组学特征构建的预测患者放化疗后CR和LPFS的模型具有较好的预测能力,优于临床分期,可为临床医生提供患者预后分层的参考依据,辅助临床医生为接受放化疗的食管鳞癌患者制定个体化治疗方案。