论文部分内容阅读
目的:探讨基于平扫T2WI及增强T1WI序列的影像组学特征,在术前预测脑胶质瘤患者Ki-67表达状态的应用价值。材料和方法:一.一般资料及图像获取:回顾性分析本院81例脑胶质瘤患者,其中男48例,女33例,年龄18～94岁,平均（55±13.62）岁。所有患者均手术并获得病理结果,依据病理结果分为:胶质母细胞瘤37例,间变型星形细胞瘤10例,弥漫型星形细胞瘤9例,胶质母细胞瘤（IDH-1野生型）6例,间变型少突胶质细胞瘤6例,星形细胞瘤4例,少突星形细胞瘤2例,多形性胶质母细胞瘤2例,少突胶质细胞瘤1例,胶质瘤（胶质细胞非典型增生）1例,肥胖型星形细胞瘤1例,纤维型星形细胞瘤1例,间变型少突胶质星形细胞瘤1例。所有患者术前均行颅脑MRI检查,包括平扫T1WI、T2WI及T1WI增强成像。患者纳入标准:（1）患者未行放化疗及免疫治疗、外科切除等任何形式的治疗;（2）患者术前均接受MRI检查扫描,且MRI图像清晰,病灶显示良好;（3）术中冰冻及术后病理检查明确为胶质瘤,临床资料完整;（4）患者知情同意。患者排除标准:（1）患者术前行放化疗、免疫治疗等,或术后复发者;（2）存在MRI检查禁忌者;（3）MRI图像伪影较重,病灶显示欠佳者;（4）临床资料不完整。二.病理资料所有入组患者在手术切除后一周内通过免疫组织化学法（Envision法）来进行Ki-67的测量,计算阳性染色的恶性细胞占细胞总数的百分比,即标记指数（Labeling index,LI）,LI=阳性细胞数/细胞总数×100%。本研究根据Ki-67指数将胶质瘤患者分为两组:Ki-67低表达组（Ki-67≤25%）及高表达组（Ki-67>25%）,低表达组有45例,高表达组有36例。三.图像处理及组学分析将获取的磁共振图像以DICOM格式分组上传至放射组学平台,分别在平扫T2WI及增强T1WI图像上对病灶进行逐层手动勾画感兴趣区,获得感兴趣容积（volume of interest,VOI）,通过组学分析及特征计算,提取影像组学特征值,经过方差选择法（Variance Threshold）、单变量选择法（Select KBest）及最小绝对收缩算子（Lasso）三次降维方法进行特征值的筛选,最终分别得出最优特征值。然后随机将所有病灶80%的VOI作为训练组,20%的VOI作为测试组,采用六种分类器分别对所提取的特征值进行机器学习,六种分类器包括:K近邻（k-Nearest Neighbor,KNN）、极限梯度增强树（Extreme Gradient Boosting,XGBoost）、支持向量机（Support Vector Machine,SVM）)、随机森林（Random Fores,RF）、决策树（Decision Tree,DT）以及逻辑回归（Logistic Regression,LR）,通过分析其ROC曲线下面积（AUC）、95%置信区间、特异度（Specificity）及敏感度（Sensitivity）等指标来评价各个分类器所构建模型的诊断效能。结果:通过比较分析分别基于平扫T2WI联合增强T1WI、平扫T2WI、增强T1WI序列图像的6个分类器所构建模型的AUC值可以得出以下信息:1.基于平扫T2WI联合增强T1WI序列的影像特征,由SVM及LR分类器所构建预测模型的AUC值较好,其中LR分类器的AUC值最佳:（1）LR分类器结果:Ki-67低表达AUC为0.873（95%CI:0.76-0.99）,灵敏度0.78、特异度1.00;Ki-67高表达AUC为0.873（95%CI:0.76-0.99）,灵敏度1.00、特异度0.78;（2）SVM分类器结果:Ki-67低表达AUC为0.778（95%CI:0.60-0.95）,灵敏度0.56、特异度1.00;Ki-67高表达AUC为0.778（95%CI:0.60-0.95）,灵敏度1.00、特异度0.56;2.基于平扫T2WI序列的影像特征,由LR分类器所构建的预测模型的AUC值最佳,Ki-67低表达AUC为0.778（95%CI:0.55-1.00）,灵敏度0.78、特异度0.75;Ki-67高表达AUC为0.778（95%CI:0.55-1.00）,灵敏度0.75、特异度0.78;3.基于增强T1WI序列的影像特征,由KNN分类器所构建的预测模型的AUC值最佳,Ki-67低表达AUC为0.590（95%CI:0.35-0.83）,灵敏度0.56、特异度0.63;Ki-67高表达AUC为0.590（95%CI:0.35-0.83）,灵敏度0.63、特异度0.56。通过比较它们的AUC值,我们可以发现基于平扫T2WI联合增强T1WI序列的LR分类器所构建的预测模型的AUC值最高,其具有更高的诊断效能,高于单基于平扫T2WI及单基于增强T1WI序列所构建的预测模型,其提取的最优特征值包括:一阶特征（Skewness、10Percentile、Median、Energy、Total Energy）,灰度依赖矩阵（Large Dependence High Gray Level Emphasis、Dependence Variance、Large Dependence Low Gray Level Emphasis）,灰度区域大小矩阵（High Gray Level Zone Emphasis）。此外,单基于增强T1WI序列的KNN分类器所构建的预测模型的AUC值最低,对于预测Ki-67表达状态的诊断效能最差,且其灵敏度及特异度均不是很好。结论:1.基于平扫T2WI联合增强T1WI序列、基于平扫T2WI序列的影像组学模型可以预测胶质瘤Ki-67的表达状态,其中基于平扫T2WI联合增强T1WI序列的影像组学模型的预测效能较好。2.基于平扫T2WI联合增强T1WI序列、基于平扫T2WI序列的影像组学模型,在术前脑胶质瘤Ki-67表达状态的无创预测方面有一定的潜能。