检索历史 清除

摘要目的：<br>　　1.探讨基于平扫CT、增强CT以及平扫CT联合增强CT(CTN+CTA+CTV)的放射组学模型对喉部鳞状细胞癌(SCC)和鳞状细胞增生(SCH)的定性诊断价值。<br>　　2.探讨基于增强T1加权像(T1WI)模型、T1WI+T2加权像(T2WI)模型、增强T1WI+T1WI+T2WI模型对喉部鳞状细胞癌(SCC)和鳞状细胞增生(SCH)的放射学定性诊断价值。<br>　　3.基于以上研究，评价CT放射组学模型和核磁共振(MRI)放射组学模型的诊断效能，为临床诊断提供参考。<br>　　4.探讨基于弥散加权图像(diffusionweightedimage,DWI)模型、T1WI+T2WI模型、DWI+T1WI+T2WI模型的放射组学模型对放射治疗后肿瘤局部复发诊断的预测能力。<br>　　方法：<br>　　1.对2017年6月至2022年12月在我院接受喉部CT平扫和增强扫描的254名患者进行了回顾性分析，同时进行了术后病理学检查，包括154例SCC和100例SCH。将254例患者的CT平扫序列、动脉期序列、静脉期序列图像导入InsightToolkit(ITK-SNAP)软件，人工逐层圈定感兴趣病灶区域(ROI)。根据一级直方图特征、纹理特征、形态学特征和小波特征，提取出病变的相关影像组学参数。采用R-studio软件将训练组和测试组按7:3的比例随机划分。采用热图法、最小绝对收缩法和选择算子法(LASSO)进行优化，获得最优特征参数，建立预测模型，绘制受者下面积工作特征曲线(AUC)，并进行决策曲线分析(DCA)，以便评价影像组学的诊断能力。<br>　　2.回顾性分析2017年6月至2022年12月在我院接受MRI平扫及增强检查的患者。本研究共纳入247例患者，其中SCC患者154例，SCH患者93例。将247例患者的T1、T2和增强T1序列图像导入ITK-SNAP软件，对病灶在轴、冠状、矢状面各水平进行ROI分割。人工智能工具包(A.K.)软件从分割后获得的ROI图像中提取放射组学特征参数。采用R-studio软件按7:3的比例随机划分训练组和试验组。利用放射组学热图和LASSO方法进行优化，获得最优参数特征，建立放射组学诊断模型，并通过统计方法验证放射组学的鉴别诊断效率。<br>　　3.基于上述CT和MRI放射组学模型，采用AUC统计方法，利用R-studio软件验证放射组学的鉴别诊断效率。<br>　　4.对2015年8月至2022年12月接受放疗及术后病理学检测的患者进行回顾性分析。本研究共包括133名患者，其中局部复发患者51名，存在放疗后改变的患者82名。将133名患者的T1、T2和DWI序列图像输入ITK-SNAP软件、基于轴向面分割病灶的ROI。通过分割获得ROI图像后，使用A.K.软件提取这些图像的影像组学特征参数。以7:3的比例使用R-studio软件将图像数据分为训练组和试验组。使用LASSO和radiomics热图法进行优化，以便获得最佳的参数特征、然后根据提取的特征建立放射组学诊断模型，并通过统计学方法验证radiomics进行鉴别诊断的效率。<br>　　结果：<br>　　1.训练组和测试组患者的结果没有统计学差异(P＞0.05)。在分析临床影像学资料后，我们注意到训练组和测试组的临床资料(年龄、性别、吸烟状况、肿瘤位置和饮酒情况)在统计学上没有差异。临床资料的p值无统计学意义。<br>　　三种CT放射组学模型的预测性能很好地区分SCC和SCH。基于平扫CT联合增强CT建立的放射组学模型，AUC、准确度、敏感性、特异性、阳性预测值、阴性预测值分别为0.985(95%可信区间(CI)0.971~0.999)、0.965(95%CI:0.933~0.997)、0.944、0.857、0.953、0.894、0.929、0.8、0.953、0.875、0.929、0.828;分别在训练组和验证组。建立基于增强CT(CTA+CTV)的放射组学模型，AUC、准确率、灵敏度、特异性、阳性预测值和阴性预测值分别为0.965(95%CI:0.943~0.983)、0.902(95%CI:0.846~0.95)、0.91、0.805、0.916、0.851、0.9、0.733、0.933、0.833、0.875、0.759，训练组和验证组的预测值分别为0.965、0.902(95%CI:0.846~0.95)。基于CTN期间建立的放射组学模型，训练组和验证组的AUC、准确率、灵敏度、特异性、阳性预测值和阴性预测值分别为0.88(95%CI:0.839~0.919)、0.852(95%CI:0.779~0.914)、0.785、0.792、0.645、0.66、1.000、1.000、1.000、1.000、1.000、0.648、0.652。<br>　　2.训练组和测试组的临床资料(年龄、性别、吸烟状况、肿瘤位置和饮酒情况)在统计学上没有差异。训练组和测试组在临床数据(吸烟状况和肿瘤大小)上存在显著差异。<br>　　三种MRI放射组学模型的预测性能有望区分SCC和SCH。基于增强T1WI+T1WI+T2WI建立的放射组学模型，AUC、准确性、敏感性、特异性、阳性预测值、阴性预测值分别为0.958(95%CI:0.933-0.983)、0.878(95%CI:0.803-0.952)、0.884、0.792、0.907、0.766、0.846、0.821、0.907、0.878、0.846、0.676;分别在训练组和验证组。建立基于增强T1WI、AUC的放射组学模型，训练组和验证组的准确率、灵敏度、特异性、阳性预测值和阴性预测值分别为0.912(95%CI:0.872~0.953)、0.863(95%CI:0.781~0.944)、0.791、0.787、0.804、0.723、0.769、0.893、0.851、0.919、0.704、0.658。基于T1WI+T2WI期间建立的放射组学模型，训练组和验证组的AUC、准确度、灵敏度、特异性、阳性预测值和阴性预测值分别为0.916(95%CI:0.877~0.955)、0.841(95%CI:0.752~0.930)、0.831、0.76、0.804、0.745、0.877、0.786、0.915、0.854、0.731、0.647。<br>　　3.基于增强T1WI+T1WI+T2WI序列的放射组学模型AUC值显著高于基于CTN、CTA+CTV、CTN+CTA+CTV的放射组学模型;也高于其他基于增强T1WI和T1WI+T2WI的放射组学模型。<br>　　4.训练组和测试组的临床资料(年龄、性别、吸烟状况、肿瘤位置和饮酒情况)在统计学上没有差异(P＞0.05)。<br>　　与其他模型相比，基于DWI序列联合T1WI+T2WI序列的放射组学模型在诊断放射引起的局部肿瘤复发方面的效率最高，AUC、准确性、敏感性、特异性、阳性预测值和阴性预测值分别为0.965(95%CI:0.924-1.000)、0.940(95%CI:训练组和测试组分别为0.855-1.000)、0.892、0.90、0.877、0.917、0.917、0.875、0.943、0.917、0.875、0.825。此外，基于DWI序列建立的放射组学模型也取得了较好的效果，AUC、准确度、灵敏度、特异性、阳性预测值、阴性预测值分别为0.925(95%CI:0.867~0.982)、0.888(95%CI:0.783~0.994)、0.871、0.825、0.86、0.792、0.889、0.875、0.925、0.905、0.737、0.80;分别在训练组和验证组。而基于T1WI+T2WI模型的放射组学模型的AUC、准确度、灵敏度、特异性、阳性预测值、阴性预测值分别为0.878(95%CI:0.810-0.946)、0.760(95%CI:0.611-0.910)、0.806、0.70、0.789、0.625、0.833、0.812、0.882、0.833、0.714、0.591，训练组和验证组的AUC、准确度、灵敏度、特异性、阳性预测值均较其他模型低。<br>　　结论：<br>　　1.基于CT扫描的放射组学模型对喉癌SCC和SCH具有较好的鉴别诊断能力，但三种模型的诊断效率存在差异。基平扫CT结合增强CT的放射组学模型在喉癌鉴别诊断中优于其他影像学放射组学模型。基于CT扫描的放射组学模型实现了对SCC和SCH的准确无创诊断，有助于为患者制定个性化的诊疗方案，提高患者的生存率，延长患者的生存时间。<br>　　2.基于MRI扫描建立的放射组学模型对SCC和SCH具有较好的鉴别诊断能力。相比之下，基于增强T1WI+T1WI+T2WI模型的Radscore模型在鉴别诊断方面具有较高的性能，优于基于增强T1WI、T1WI+T2WI的放射组学模型。基于MRI的放射组学模型可以提高喉病变患者的诊断准确性，为临床诊断和治疗提供有价值的术前信息，指导临床医生制定符合患者的诊断和治疗方案。<br>　　3.评估上述基于CT扫描和MRI扫描的放射组学模型在鉴别诊断中的有效性。统计分析显示，基于增强T1WI+T1WI+T2WI的放射组学模型AUC值明显高于基于CT扫描的放射组学模型和基于增强T1WI和T1WI+T2WI的放射组学模型。在喉部鳞状细胞癌和鳞状细胞增生的鉴别诊断中具有良好的应用前景。<br>　　4.基于T1WI、T2WI、DWI序列构建放射组学模型，对肿瘤局部复发及辐射所致改变具有良好的鉴别诊断能力。基于DWI+T1WI+T2WI序列的放射组学模型在区分局部复发和辐射引起的改变方面优于其他影像学放射组学模型。这些模型的开发是为了帮助医生在尽可能短的时间内发现局部复发病灶，从而节省时间并保护患者免受疾病并发症的侵害。最后，这些实验证明了将机器学习方法应用于MRI图像检测喉癌局部复发的有效性。因此，我们推荐使用计算机辅助诊断(CAD)技术，因为它已被证明是诊断局部复发的有效和准确的方法，而且易于使用。