检索历史 清除

摘要目的：<br>　　本研究旨在通过磁共振影像（MagneticResonanceImaging，MRI）特征结合机器学习算法建立预测模型以期预测行同步放化疗的II-IVA期鼻咽癌患者的预后。基于这个目的，本研究的目标是：（1）提取患者治疗前MRI影像特征，筛选出与患者进展相关的影像特征；应用多种机器学习算法建立分类模型预测患者是否在三年内进展并评价模型预测效果；（2）寻找与鼻咽癌患者无进展生存期（progressionfreesurvival,PFS）相关的影像特征和临床指标；建立基于Cox比例风险模型的生存列线图预测患者PFS并评价预测效果。<br>　　材料与方法：<br>　　本研究回顾性分析2016—2018年西部战区总医院肿瘤中心收治的初诊鼻咽癌患者。研究步骤如下：（1）根据纳入与排除标准筛选符合条件的患者并将其随机分为训练组和测试组；（2）通过Itk-Snap软件分别在MRI的轴向T1加权，T2加权两个序列上勾画肿瘤区域；（3）调用Python的Pyradiomics包提取影像特征；（4）将3种特征选择方法以及6种机器学习分类算法两两组合，建立分类模型预测患者是否在三年内进展；（5）通过十折交叉验证分别在训练组和测试组评价模型预测效果，采用的评价指标包括受试者工作特征（ReceiverOperatingCharacteristic，ROC）曲线的曲线下面积（areaunderthecurve，AUC）、精确度、准确率、召回率以及平衡F分数；（6）通过Lasso-cox（Leastabsoluteshrinkageandselectionoperator-cox）算法筛选PFS相关影像特征，并计算影像组学评分（Rad-score,RS）；（7）通过Cox比例风险模型筛选PFS相关临床指标；（8）建立基于Cox比例风险模型的列线图预测患者PFS；（9）计算一致性指数及95%置信区间评价列线图的预测效果，绘制预测1年PFS，2年PFS，3年PFS的校正曲线。<br>　　结果：<br>　　本研究共纳入176位符合条件的鼻咽癌患者，将这些患者按照7:3的比例随机分成训练组及测试组，其中训练组123人，测试组53人。特征选择方法LassoCV（Leastabsoluteshrinkageandselectionoperatorcrossvalidation）与机器学习分类算法Adaboost组合模型实现最佳预测效果。该模型的平均AUC、准确率、精确度、召回率、平衡F分数在训练组中分别为：0.73、0.71、0.79、0.67、0.77；上述指标在测试组中分别为0.70、0.69、0.77、0.65、0.71。建立PFS相关列线图时，Lasso-cox筛选出两个PFS相关影像特征；根据计算得到的影像组学评分，患者被分为高、低风险组，分组的最佳截断值为RS=0.97。在训练组中，两组PFS有统计学差异（P=0.016）。多因素Cox比例风险模型结果表明，是否吸烟以及影像组学评分作为独立的影响因素纳入列线图。列线图在训练组和测试组中的一致性指数（C-index）及95%置信区间分别为：0.679（0.574-0.748），0.626（0.451-0.690）。<br>　　结论：<br>　　基于影像特征建立机器学习模型预测患者三年内是否进展时，部分模型取得一定预测效果，但仍需进一步研究以提高适用性和预测效力。在PFS相关多因素Cox比例风险模型中，是否吸烟与影像组学评分对PFS的影响有统计学意义。基于多因素Cox比例风险模型的列线图有望成为预测患者PFS的工具。患者预后受多种因素影响，建立模型时应运用大量数据并进行精准分层。不同机器学习模型的原理和参数设置有差别，且基于不同机器学习算法的模型预测表现有差异，故选择适合的方法建立模型十分重要。MRI影像特征有望成为鼻咽癌的一种无创、快捷的肿瘤标志物，成为评价患者预后的一种补充工具。