检索历史 清除

摘要本文主要从以下几方面进行论述：<br>　　第—部分 放射组学在肾肿瘤恶性程度判定中的应用<br>　　目的：<br>　　探究基于CT扫描的放射组学在不同恶性程度肾肿瘤影像特征提取中的准确性。<br>　　方法：<br>　　分析回顾2013年1月至2014年6月在我院泌尿外科手术治疗的166例肾脏肿瘤患者，从病人术前肾动脉CTA动脉相的图像中提取出肿瘤组织的放射组学特征，采用LASSO-logistic法进行数据降维、特征筛选。并对筛选出的组学特征采用5折交叉验证，每次使用1折数据作为测试集，其他4折数据作为训练集，共计训练5次，计算模型在5个测试集上的平均表现作为模型整体表现。训练时分别采用Xgboost和Random Forest两种方式进行效能检验，并评估其预测准确性、校准能力。<br>　　结果：<br>　　对动脉相CT图像进行特征提取后，共提取出851个组学特征。采用LASSO回归后，共筛选出放射组学特征13项，其中3项属于原始特征，10项属于小波特征。对筛选出的特征进行5折交叉验证，他们在Xgboost、RandomForest模型中的模型平均准确率分别为0.77、0.76，曲线下面积(AUC)分别为0.82、0.84，这说明放射组学技术能较好地对肾肿瘤的恶性程度进行识别和判定，具有良好的应用潜力。<br>　　结论：<br>　　基于CT图像的放射组学特征提取能够客观量化肾肿瘤的异质性，具有广阔的临床转化前景。<br>　　第二部分 放射组学在肾肿瘤预后评估中的应用<br>　　目的：<br>　　探究放射组学在预测肾肿瘤患者远处转移中的临床应用价值。<br>　　方法：<br>　　分析回顾2013年1月至2014年6月行手术治疗的肾肿瘤患者，其中术后发生转移的50例患者作为转移组;随机抽取同一时期未发生转移的50例肾肿瘤患者作为恶性组，该时期总计100例病例归为训练集。另将2014年6月至2015年6月肾肿瘤术后发生转移与无转移的各29例患者作为验证集。将训练集中的两组影像资料进行特征提取，将通过一致性检验的影像特征进行LASSO-logistic回归分析，筛选出系数不为0的特征参数。所有筛选出的影像特征乘以其相应的权重系数，加上常数项后再进行相加求和，得到Radscore评分。使用Sigmoid函数进行拟合，得到预测模型的函数式，并确定Radscore的阈值。此时将预测模型在验证集中进行验证，采用受试者工作特征曲线和ROC曲线下面积(area under ROC，AUC)来对模型进行评价。<br>　　结果：<br>　　训练组经特征筛选后，共筛选出特征10个，其中2个属于原始特征，8个属于小波特征。将得到的Radscore作为自变量进行函数拟合后，得到预测模型的函数表达式为:y=1/1+e-Radscore。<br>　　当y=0.5时，此时确定的阈值为Radscore=0。分别在训练集和验证集检验该预测模型，训练集和验证集的准确率分别为0.90、0.93，曲线下面积(AUC)分别为0.95、0.98，这说明该模型能较好地体现肿瘤发生转移的预测价值。<br>　　结论：<br>　　基于CT的放射组学特征能够区分原发性和转移性的肾肿瘤特性，在预测肿瘤转移方面具有积极的指导意义。