论文部分内容阅读
第一部分 能谱CT影像组学在鉴别肺癌结节与炎性结节中的价值目的探讨能谱CT影像组学定量特征在鉴别肺癌结节与炎性结节中的应用价值。方法回顾性分析在我院行肺部能谱CT扫描的96例肺癌结节和45例炎性结节患者的资料。按照2:1的比例随机分配为训练组和验证组,其中训练组中肺癌结节64例,炎性结节30例,验证组中肺癌结节32例,炎性结节15例。利用MaZda软件对训练组肺癌结节和炎性结节动脉期和静脉期70 keV单能量图像进行影像组学分析。提取特征包括灰度直方图(GLH)、绝对梯度(GRA)、灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、自回归模型(ARM)和小波变换(WAV)等特征。采用费希尔参数法(Fisher)、分类错误率联合平均相关系数法(POE+ACC)和相关信息测度法(MI)3种特征选择方法对提取的定量特征进行筛选,分别选择10个相关的最优特征,得到最优特征子集。然后用线性判别分析法(LDA)和非线性判别分析法(NDA)对三组最优特征子集进行分析,计算出其鉴别肺癌结节和炎性结节的准确率、敏感性和特异性。利用人工神经网络(ANN)对训练组准确率最高的最优特征子集建立预测模型,并进行两样本t检验和ROC曲线分析。并利用建立的预测模型,对验证组中肺癌结节与炎性结节进行鉴别诊断。结果在动脉期,MI-NDA法选择的最优特征子集鉴别训练组肺癌结节和炎性结节的准确率最高,为87.69%,其敏感性和特异性分别为87.5%和88.0%。最佳的定量参数对比度S(1,-1)[S(1,-1)(Contrast]的曲线下面积是0.663,其阈值14.03鉴别肺癌结节与炎性结节的敏感性和特异性为87.5%和60%。两者敏感性的差异无统计学意义(P=1.00),而两者特异性的差异有统计学意义(P<0.001)。在静脉期,(POE+ACC)-NDA法选择的最优特征子集鉴别训练组肺癌结节和炎性结节准确率最高,为86.15%,其敏感性和特异性分别为92.5%和76.0%;最佳的定量参数差分方差S(0,1)[S(0,1)DifVarnc]曲线下面积是0.688,其阈值2.52鉴别肺癌结节与炎性结节的敏感性和特异性为72%和57.5%。两者敏感性和特异性的差异均有统计学意义(P<0.05)。利用ANN算法对MI-NDA法选择的动脉期最优特征子集建立预测模型,该预测模型鉴别验证组肺癌结节与炎性结节的准确率、敏感性和特异性分别为80.85%、81.25%和 80.0%。结论能谱CT影像组学定量特征可用于鉴别肺癌结节与炎性结节,具有较高的诊断价值。第二部分 能谱CT影像组学在预测肺癌淋巴结转移中的价值目的 探讨能谱CT影像组学定量特征在鉴别肺癌转移淋巴结与非转移淋巴结中的应用价值。方法 回顾性分析在我院行肺部能谱CT扫描的102例患者的资料,其中,肺癌淋巴结转移52例,肺癌无淋巴结转移50例。对照CT图像和病理结果,一共有84个转移淋巴结和60个非转移淋巴结纳入研究。按照2:1的比例随机分配为训练组和验证组,其中训练组中转移淋巴结56个,非转移淋巴结40个,验证组中转移淋巴结28个,非转移淋巴结20个。利用MaZda软件对训练组肺癌转移淋巴结与非转移淋巴结动脉期和静脉期70keV单能量图像进行影像组学分析。提取特征包括灰度直方图(GLH)、绝对梯度(GRA)、灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、自回归模型(ARM)和小波变换(WAV)等特征。采用费希尔参数法(Fisher)、分类错误率联合平均相关系数法(POE+ACC)和相关信息测度法(MI)3种特征选择方法对提取的定量特征进行筛选,分别选择10个相关的最优特征,得到最优特征子集。然后用线性判别分析法(LDA)和非线性判别分析法(NDA)对三组最优特征子集进行分析,计算出其鉴别肺癌转移淋巴结与非转移淋巴结的准确率、敏感性和特异性。利用人工神经网络(ANN)对训练组准确率最高的最优特征子集建立预测模型,并进行两样本t检验和ROC曲线分析。并利用建立的预测模型,对验证组中肺癌转移淋巴结与非转移淋巴结进行鉴别诊断。结果 在动脉期,(POE+ACC)-NDA法选择的最优特征子集鉴别训练组肺癌转移淋巴结与非转移淋巴结的准确率最高,为97.92%,其敏感性和特异性分别为96.43%和100%。最佳的定量参数灰度不均匀性(水平方向)(Horzl_GLevNonU)的曲线下面积最大,为0.980,其阈值10.29鉴别肺癌转移淋巴结与非转移淋巴结的敏感性和特异性为96.4%和95%。两者敏感性和特异性的差异均无统计学意义(P>0.05)。在静脉期,Fisher-NDA法和(POE+ACC)-NDA选择的最优特征子集鉴别训练组肺癌转移淋巴结与非转移淋巴结的准确率最高,为93.75%,其敏感性和特异性分别为92.86%、89.28%和95%、100%。最佳的定量参数逆差矩S(2,2)[(S(2,2)InvDfMom)]的曲线下面积最大,为0.941,其阈值0.26鉴别肺癌转移淋巴结与非转移淋巴结的敏感性和特异性为92.9%和85%。两者敏感性的差异无统计学意义(P=1.00),而两者特异性的差异有统计学意义(P=0.03)。利用ANN算法对(POE+ACC)-NDA法选择的动脉期最优特征子集建立预测模型,该预测模型鉴别验证组肺癌转移淋巴结与非转移淋巴结的准确率、敏感性和特异性分别为85.42%、85.71%和85%。结论 能谱CT影像组学定量特征在预测肺癌淋巴结转移中有较大的价值,可用于鉴别肺癌转移淋巴结与非转移淋巴结。第三部分 CT影像组学在预测肺癌EGFR突变与EML4-ALK融合基因表达中的价值目的 探讨CT影像组学定量特征在预测肺癌表皮生长因子受体(EGFR)突变与棘皮动物微管相关类蛋白4-间变性淋巴瘤激酶(EML4-ALK)融合基因表达中的价值。方法回顾性分析144例有EGFR基因检测结果和162例有ALK基因检测结果的肺癌患者的资料,其中,EGFR突变型81例、EGFR野生型63例、EML4-ALK阳性组72例和EML4-ALK阴性组90例。按照2:1的比例随机分配为训练组和验证组,其中训练组中EGFR突变型54例,EGFR野生型42例,EML4-ALK 阳性组48例,EML4-ALK阴性组60例;验证组中EGFR突变型27例,EGFR野生型21例,EML4-ALK阳性组24例,EML4-ALK阴性组30例。利用MaZda软件对训练组肺癌EGFR突变型与野生型、EML4-ALK 阳性组与阴性组图像进行影像组学分析。提取特征包括灰度直方图(GLH)、绝对梯度(GRA)、灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、自回归模型(ARM)和小波变换(WAV)等特征。采用费希尔参数法(Fisher)、分类错误率联合平均相关系数法(POE+ACC)和相关信息测度法(MI)3种特征选择方法对提取的定量特征进行筛选,分别选择10个相关的最优特征,得到最优特征子集。然后用线性判别分析法(LDA)和非线性判别分析法(NDA)对三组最优特征子集进行分析,计算出其鉴别肺癌EGFR突变型与野生型、EML4-ALK阳性组与阴性组的准确率、敏感性和特异性,利用人工神经网络(ANN)对训练组准确率最高的最优特征子集建立预测模型,并利用建立的预测模型,对验证组肺癌EGFR突变型与野生型、EML4-ALK 阳性组与阴性组进行鉴别诊断。结果 MaZda软件提取训练组肺癌EGFR突变型与野生型、肺癌EML4-ALK阳性组和阴性组图像定量特征,一共约600个左右。Fisher-NDA和(POE+ACC)-NDA法选择的最优特征子集鉴别肺癌EGFR突变型与野生型的准确率最高,为93.88%,其敏感性和特异性均为92.59%和95.24%。影像组学最优特征子集预测模型鉴别验证组中肺癌EGFR突变型与野生型的准确率、敏感性和特异性分别为83.33%、85.18%和80.95%。MI-NDA法选择的最优特征子集鉴别训练组肺癌EML4-ALK阳性组和阴性组的准确率最高,为92.59%,其敏感性和特异性分别为83.33%和100%。影像组学最优特征子集预测模型鉴别验证组肺癌EML4-ALK 阳性组与阴性组的准确率、敏感性和特异性分别为85.19%、87.5%和 83.33%。结论CT影像组学定量特征在预测肺癌EGFR突变与EML4-ALK融合基因表达中的有较大的应用价值。