基于常规MRI VASARI特征集构建胶质瘤病理分级列线图预测模型

Construction of nomogram prediction model of glioma pathological classification based on conventional MRI VASARI feature set

二维码有效期 120s

摘要目的通过筛选与高级别胶质瘤相关的常规MRI伦勃朗视觉感受图像(VASARI)特征,构建胶质瘤病理分级的列线图预测模型.方法纳入190例经术后病理检查确诊为胶质瘤的患者,将其随机分为训练集(n=133)和验证集(n=57).收集患者的临床资料,并依据VASARI特征集标准提取常规MRI影像信息.在训练集中,比较高级别、低级别胶质瘤患者的临床特征及VASARI特征,并采用单因素、多因素Logistic回归模型分析与高级别胶质瘤相关的因素.基于多因素Logistic回归分析结果构建胶质瘤病理分级的列线图预测模型.通过一致性指数、受试者工作特征(ROC)曲线、校准曲线、决策曲线分析(DCA)分别评估模型的区分度、预测效能、准确性和临床适用性.结果高级别、低级别胶质瘤患者的14个影像特征(F1、F3、F4、F5、F6、F7、F11、F12、F14、F17、F18、F19、F20、F24)及年龄差异有统计学意义(P＜0.05).经单因素、多因素Logistic回归分析得到与高级别胶质瘤密切相关的3个VASARI特征,分别为坏死百分比(F7)、扩散(F17)及卫星灶(F24).基于这3个指标构建的列线图预测模型的一致性指数为0.902,训练集、验证集的ROC曲线下面积分别为0.903、0.860,校准曲线显示模型的预测概率和实测概率的吻合度较高,DCA曲线提示在一定阈值范围内该模型在评估胶质瘤病理分级时有较高的净获益性.结论 VASARI特征集中的坏死百分比、扩散及卫星灶与胶质瘤的病理分级密切相关,以此建立的列线图预测模型具有较好的区分度、预测效能、准确性及临床适用性,可作为临床术前预测胶质瘤病理分级的一种简便实用的个体化工具.