检索历史 清除

摘要目的:基于氟(18F)–2-氟代脱氧葡萄糖正电子发射断层显像/计算机断层( 18F-fluorodeoxyglucose positron emission tomography/computed tomography, 18F-FDG PET/CT )多期显像,分析多个代谢参数、动态代谢曲线( Dynamic metabolic curve, DMC)和机器学习( Machine learning, ML)模型在孤立性肺病变(Solitary pulmonary lesion, SPL)分类预测中的价值.<br>　　方法:1. 前瞻性收集接受18F-FDG 注射后1小时(h)全身显像及2、3、4h 局部延迟显像的110例SPL患者,根据病理结果分为良恶性组(良性36例,恶性74例)、鳞癌组、腺癌组、结核组、炎性病变组.采用t检验、秩和检验、x2检验分析年龄、性别、标准化摄取值(Standardized uptake values, SUV;包括SUVmax、SUVavg)、代谢肿瘤体积(Metabolic tumor volume, MTV)、病灶糖酵解总量(Total lesion glycolysis, TLG)、SPL与纵隔血池SUV比值(stdSUVmax, stdSUVavg)、滞留指数(Retention index, RI)、代谢曲线斜率(K)、SUV走行趋势以及代谢的均匀性在各组之间的差异,利用受试者工作特征(Receiver operating characteristic, ROC)曲线分析的曲线下面积(Area under the curve, AUC)、阈值、灵敏度及特异度来分析各参数的诊断效能.拟合不同SUV的DMC,观察其特征.<br>　　2.采用ML方法,利用第一部分筛选出来有意义或临床有价值的特征构建逻辑回归(LR)、随机森林(RF)、贝叶斯(Bayes)、极端梯度提升树(XGBOOST)、支持向量机(SVM)和决策树(DT)6种ML模型;110例良恶性SPL按7:3的比例随机划分为训练集与测试集构建模型,不同疾病的小样本组利用全部数据直接进行模型构建.采用10折交叉验证法评估每个模型的效能.采用ROC曲线、校准曲线、决策曲线分析检验模型的预测效能,选择最优模型.<br>　　结果:1.(1)良恶性SPL间:四个时间点的SUVs(SUVmax、SUVavg、stdSUVmax、stdSUVavg)、MTV、TLG,K.SUVmax、K.SUVavg、K.stdSUVmax、K.stdSUVavg(1-2、1-3、1-4h)以及代谢的均匀性、SUVavg走行趋势、年龄、性别有统计学差异(Plt;0.05),其中四个时间点stdSUVavg的AUC相对较高(0.704-0.753);恶性组DMC高于良性组,stdSUVavg的曲线区别最明显.(2)不同疾病组:①鳞癌与结核间:与良恶性SPL间有差异的代谢参数相似,其中四个时间点stdSUVavg的AUC相对较高(0.914-0.955),stdSUVavg3h与stdSUVavg4h的AUC最大(均为0.955),但曲线斜率中K.stdSUVavg 1-4h的AUC最大(为0.845).②腺癌与结核间:年龄和代谢均匀性有统计学差异(P＜0.05);SUVavg及stdSUVavg的DMC呈小喇叭口状,腺癌高于结核,有助于两者的鉴别.③鳞癌与炎性病变间:年龄,性别,代谢的均匀性,四个时间点的SUVs、MTV、TLG, K.SUVmax、K.stdSUVmax(1-3、1-4、2-4h),K.SUVavg、K.stdSUVavg(1-3、1-4、2-3、2-4、3-4h)及SUVavg走行趋势有统计学差异(P＜0.05),四个时间点stdSUVmax的AUC(0.970-0.995)稍高于stdSUVavg(0.960-0.953),而曲线斜率中K.stdSUVavg 1-4h的AUC最大(0.905);鳞癌的DMC明显高于炎性病变, stdSUVavg的曲线区别最明显.④腺癌与炎性病变间:代谢的均匀性,stdSUVmax 4h、stdSUVavg 4h、K.SUVmax(2-4、3-4h)、K.stdSUVmax(1-4、2-3、2-4、3-4h)、K.SUVavg(1-4、2-4、3-4h)、K.stdSUVavg(1-4、2-4、3-4h)、SUVmax走行趋势、SUVavg走行趋势有统计学差异(P＜0.05),其中stdSUVavg 4h的AUC最大(0.720);腺癌的DMC明显高于炎性病变,stdSUVavg的曲线区别最明显.⑤鳞癌与腺癌间:年龄,性别,代谢的均匀性,四个时间点的SUVs、TLG及K.SUVmax、K.SUVavg、K.stdSUVmax、K.stdSUVavg(1-2、1-3、1-4h)有统计学差异(P＜0.05),stdSUVmax的AUC相对较高(0.893-0.908);鳞癌DMC明显高于腺癌.⑥结核与炎性病变间:stdSUVmax 1h、stdSUVmax 4h、K.stdSUVmax 2-4h、K.stdSUVavg 2-4h、K.stdSUVavg 3-4h及SUVavg走行趋势有统计学差异(P＜0.05),1h、4h的stdSUVmax的AUC相对较高(均为0.690);结核的DMC高于炎性病变,stdSUVmax的DMC区别最明显.<br>　　2.最终筛选(1、2、3、4h)四个时间点七个特征与(1、4h)两个时间点五个特征分别用于模型建立,其中良恶性SPL、鳞癌与结核、鳞癌与炎性、腺癌与炎性病变不同亚组之间,用stdSUVavg 1h、stdSUVavg 2h、stdSUVavg 3h、stdSUVavg 4h、K.stdSUVavg 1-4h、代谢的均匀性及年龄七个特征进行建模;鳞癌与腺癌之间用stdSUVmax 1h、stdSUVmax 2h、stdSUVmax 3h、stdSUVmax 4h、K.stdSUVmax 1-4h、代谢的均匀性及年龄七个特征建模;五个特征的模型去除2、3h的SUV进行构建.腺癌与结核之间参考良恶性SPL及鳞癌与结核的参数构建ML模型.结核与炎性病变之间,仅用stdSUVmax 1h、stdSUVmax 2h、stdSUVmax 3h、stdSUVmax 4h、K.stdSUVmax 2-4h五个特征建模.各组SPL间的六个ML模型中,RF模型最优,AUC、灵敏度、特异度分别:(1)良恶性组:七个特征模型训练集为0.956、83.6%、100.00%,验证集为0.936、84.2%、92.9%;五个特征模型训练集为0.945、94.5%、90.9%,验证集为0.895、100.0%、78.6%.(2)不同疾病组:①鳞癌与结核:七个特征模型为0.999、95.2%、100.0%;五个特征模型为0.980、100.0%、95.2%.②腺癌与结核:七个特征模型为0.964、92.0%、100.0%;五个特征模型为0.947、96.0%、100.0%.③鳞癌与炎性病变:七个特征模型为0.930、90.0%、100.0%;五个特征模型为0.995、90.0%、100.0%.④腺癌与炎性病变:七个特征模型为0.927、91.8%、100.0%;五个特征模型为0.953、91.8%、100.0%.⑤鳞癌与腺癌:七个特征模型为0.980、90.0%、96.0%;五个特征模型为0.951、85.0%、100.0%.⑥结核与炎性病变:仅五个特征模型,为0.862、90.0%、85.7%.<br>　　结论:1. 18F-FDG PET/CT多期显像的多参数及DMC有助于SPL的分类,对SPL的良恶性及不同疾病之间具有较好的区分能力,为SPL的临床诊治提供了重要信息,其中对腺癌与结核的鉴别能力有限.<br>　　2. 基于18F-FDG PET/CT多期显像构建的ML模型中,RF模型最优,进一步提高了PET/CT对SPL的分类能力,联合不同时间点五个特征与七个特征所建模型的诊断效能相仿.