CT影像组学特征预测非小细胞肺癌同步脑转移的价值

• 作者: 陈亮亮 陈基明 丁俊 范海云 周慧 刘晨
• 来源期刊: 放射学实践
• 学科: 医学
• 关键词: 肺肿瘤 非小细胞肺癌 脑转移 体层摄影术 X线计算机 影像组学
• 年，卷（期）: 2022,（4）
• 所属期刊栏目: 影像组学与人工智能专题|Original Articles
• 页码范围: 419-425
• 页数: 7页
• 分类号: R814.42|R734.2|R739.41
• 语种: 中文
• DOI: 10.13609/j.cnki.1000-0313.2022.04.002

摘要

目的:探讨CT影像组学特征预测非小细胞肺癌(NSCLC)同步脑转移的价值.方法:回顾性分析2015年12月-2020年12月本院110例经穿刺活检或手术病理证实的N S C L C患者的临床和影像资料.根据头颅M RI平扫和增强扫描表现,将患者分为脑转移组50例和无脑转移组60例.采用完全随机的方法将所有患者按7:3的比例分为训练集(77例)和验证集(33例).使用ITK-SNAP软件,分别在平扫、动脉期和静脉期图像上逐层手动勾画病灶的感兴趣区(ROI)并进行三维融合获得病灶的容积ROI(VOI),然后导入AK软件中提取每个病灶的纹理特征.采用最小冗余最大相关(mRMR)和最小绝对值收敛和选择算子(LASSO)分别对平扫、动脉期、静脉期及多序列(平扫+动脉期+静脉期)的组学特征进行筛选用于脑转移的预测,采用logistic回归分析建立影像组学模型并计算每例患者的分值(rad-score),采用100次留P交叉验证法判定其可靠性.通过logistic回归分析将临床和影像资料中组间差异有统计学意义的变量建立常规模型,并与预测效能最高的影像组学模型联合建立综合诊断模型,并绘制其诺模图来分析预测概率.采用受试者工作特征(ROC)曲线评价模型的预测能力,应用决策曲线分析(DCA)评估模型的临床应用价值.结果:平扫、动脉期、静脉期及多序列影像组学模型在训练组和验证组中预测脑转移的曲线下面积(A U C)分别为0.82和0.83、0.78和0.77、0.79和0.82、0.84和0.84,以多序列组学模型的预测效能最高.常规模型、综合诊断模型在训练组和验证组中AUC分别为0.68和0.76、0.86和0.88.综合诊断模型预测NSCLC患者同步脑转移的效能更高,明显优于常规模型(P=0.004),多序列rad-score为独立因子(OR=2.4,P<0.001).DCA显示风险阈值为18％ ～82％ 时,综合诊断模型和多序列影像组学模型的净收益均高于常规模型.结论:影像组学模型的预测效能均高于常规模型,综合诊断模型明显优于常规模型,影像组学有望成为一种全新的生物学指标帮助临床预测同步脑转移的风险.