检索历史 清除

摘要第一部分MRI影像组学鉴别I~II和III~IVa期鼻咽癌的应用价值研究<br>　　目的：随着治疗技术不断进步和完善，鼻咽癌（nasopharyngealcarcinoma,NPC）的五年生存率得到明显提高，但部分患者治疗效果仍然不佳，现有临床分期方法不足以实现准确的临床分期可能是原因之一。本研究旨在探讨基于磁共振成像（magneticresonanceimaging,MRI）图像的影像组学特征所建立的模型来鉴别早期（I-II）和晚期（III-IVa）NPC的应用价值，以提供一种更加准确的临床分期方法。<br>　　材料与方法：回顾性搜集2013年1月至2016年12月在本院经内镜病理证实并行治疗前MRI平扫和增强扫描的NPC患者329例，其中男234例，女95例，年龄15~76岁（平均49.802±10.671岁）。所有患者按照7：3比例随机分为训练集（n=229）和验证集（n=100）。采用3Dslicer软件基于轴位增强T1-加权成像（contrast-enhancedT1-weightedimaging，CE-T1WI）、T1WI和T2-加权成像（T2-weightedimaging,T2WI）图像勾画肿瘤病灶的感兴趣区（regionofinterest,ROI）并提取影像组学特征。然后，将从不同序列中提取的特征单独或者组合后使用最小绝对收缩和选择算子（leastabsoluteshrinkageandselectionoperator，LASSO）进行特征降维。再利用逻辑回归（logisticregression,LR）分类器建立以下7个影像组学模型：A（CE-T1WI+T1WI+T2WI）、B（CE-T1WI+T1WI）、C（T1WI+T2WI）、D（CE-T1WI+T2WI）、E（CE-T1WI）、F（T1WI）和G（T2WI）模型。绘制每个模型的受试者工作特征（receiveroperatingcharacteristic,ROC）曲线，并计算曲线下面积（areaunderthecurve,AUC）以评估模型鉴别早期和晚期NPC的能力。采用DeLong检验比较不同模型之间以及不同模型与人工判读的结果之间的差异。<br>　　结果：从CE-T1WI+T1WI+T2WI、CE-T1WI+T1WI、T1WI+T2WI、CE-T1WI+T2WI、CE-T1WI、T1WI和T2WI图像中提取出的影像组学特征，经LASSO特征筛选后，分别得到13、9、7、9、10、7和6个特征用于构建A、B、C、D、E、F和G模型。分析不同模型和人工判读的AUC值发现，除E模型的验证集（AUC值：0.760）外，其余所有模型训练集和验证集的AUC值均高于人工判读的AUC值（训练集0.721，验证集0.790）。所有模型中，A模型训练集的AUC值（0.847）高于其他模型，鉴别早期和晚期效果最好，其验证集的AUC值（0.824）也高于B、C、E模型，略低于D、F和G模型；在3个单独序列建立的模型中，E模型的早期和晚期分期效果最佳（训练集AUC值：0.839，验证集0.760）。采用DeLong检验对不同模型AUC值与人工判读AUC值的差异进行比较发现，所有模型训练集中的AUC值均显著高于人工判读的AUC值（Plt;0.05），而所有模型验证集中的AUC值与人工判读的AUC值差异均不具有统计学意义（Pgt;0.05）；比较A模型与其他模型AUC值的差异时发现，A模型训练集中的AUC值显著高于B、C、F和G模型（Plt;0.05），而与D和E模型的差异不具有统计学意义（Pgt;0.05），所有模型中验证集AUC值的差异均不具有统计学意义（Pgt;0.05）。<br>　　结论：MRI影像组学模型可以鉴别早期和晚期NPC，且分期能力优于人工判读结果，其中CE-T1WI联合T1WI和T2WI建立的模型分期效果最好，可为临床提供更加客观、准确的分期方法。<br>　　第二部分MRI影像组学在预测鼻咽癌预后中的应用价值研究<br>　　目的：在治疗前准确识别可能发生复发或者远处转移等不良预后的局部晚期（III~IVa）鼻咽癌（nasopharyngealcarcinoma,NPC）患者，有助于制订更加合适的治疗方案，但目前尚缺乏有效手段以准确预测NPC预后。本研究拟探讨基于原发肿瘤病灶（primarytumorlesion,PTL）和转移淋巴结(metastaticlymphnode,MLN)的磁共振成像（magneticresonanceimaging,MRI）影像组学特征所构建的模型在预测NPC预后中的应用价值。<br>　　材料与方法：回顾性搜集从2013年1月至2019年12月经内镜病理证实的晚期（III~IVa期）NPC患者209例，其中男157例，女52例，年龄17~75岁（平均48.938±10.918岁）。所有患者按照7：3比例随机分为训练集（n=145）和验证集（n=64）。首先，采用Cox比例风险回归模型对临床资料和影像特征进行单因素和多因素分析以确定预后的独立危险因素，并将其作为临床特征（clinicalfeatures,CF）用于后续建立模型。然后，采用3Dslicer软件分别基于轴位增强T1-加权成像（contrast-enhancedT1-weightedimaging,CE-T1WI）、T1WI和T2-加权成像（T2-weightedimaging,T2WI）图像勾画PTL的ROI，基于冠状位CE-T1WI、T1WI和T2WI图像勾画MLN的ROI并提取影像组学特征。用最小绝对收缩和选择算子（leastabsoluteshrinkageandselectionoperator，LASSO）进行特征降维，根据LASSO结果计算每个患者的影像组学分数（radiomicsscore,Rad-score）。最后，应用逻辑回归（logisticregression,LR）、支持向量机（supportvectormachine,SVM）和Cox比例风险回归模型3种机器学习分类器分别基于PTL、MLN、PTL+MLN以及CF+PTL的特征构建预测预后模型。绘制各个模型的受试者工作特征（receiveroperatingcharacteristic,ROC）曲线，并计算曲线下面积（areaunderthecurve,AUC）以评估模型预测NPC预后的能力。采用DeLong检验比较不同模型之间的差异。绘制校准曲线、Kaplan-Meier生存曲线以及决策曲线进一步比较不同模型预测预后的能力。<br>　　结果：多因素分析最终得到4个NPC预后的独立危险因素作为CF以用于后续构建预测预后模型。采用LASSO从PTL、MLN以及PTL+MLN的特征中分别筛选出6、7及6个特征用于计算Rad-score并构建预测预后模型。对Rad-score分析发现，PTL、MLN和PTL+MLN的Rad-score均可用于鉴别发生不良预后的高风险组和低风险组NPC患者，并且随着Rad-score增高，患者发生不良预后的风险均呈现增高的趋势。使用3种分类器建立预测模型后发现，基于PTL的特征建立的模型均比基于MLN和PTL+MLN的模型预测预后的表现更好；联合CF+PTL建立的Cox模型验证集的AUC值在所有模型中最高（训练集：0.737，验证集：0.801），预测预后效果最佳；但DeLong检验发现基于PTL与CF+PTL的Cox模型在训练集和验证集中AUC值的差异均无统计学意义（Pgt;0.05）。通过绘制的校准曲线、Kaplan-Meier生存曲线和决策曲线发现，基于CF+PTL建立的Cox模型验证集的校准曲线拟合优度及Kaplan-Meier生存曲线的区分度均较基于PTL建立的Cox模型更好，且其临床决策的获益也更高。<br>　　结论：根据原发肿瘤病灶特征建立的MRI影像组学模型可以预测NPC的复发或者远处转移等不良预后，其预测能力优于以转移淋巴结特征建立的模型；临床特征和原发肿瘤病灶影像组学特征联合应用可以提高预测预后的临床价值。