基于多参数MRI影像组学术前预测脑膜瘤Ki67表达的研究

目的 探讨基于常规多参数MRI影像组学模型术前预测脑膜瘤的Ki67表达状态的价值。方法 回顾性分析吉林大学中日联谊医院2013年3月至2021年11月305例经术后病理结果确诊为脑膜瘤患者的资料。获取所有患者术前轴位T1WI、T2WI、T2-FLAIR及T1WI增强(T1C)图像,手动标注肿瘤实质区作为感兴趣区(EnHROI),并将病灶边缘向周围膨胀3 mm、5 mm分别得到EnH3mmROI、EnH5mmROI。对图像进行灰度归一化后提取影像组学特征,并使用相关系数法与最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)算法对影像组学特征进行筛选,依次使用二次判别分析和逻辑回归方法建立影像组学预测模型。通过绘制受试者工作特征曲线(ROC),计算曲线下面积(AUC)来评估各模型预测效能。结果 二次判别分析和逻辑回归方法建立的模型均具有良好的预测效能,其中二次判别分析方法表现更佳,在EnH模型、EnH3mm模型、EnH5mm模型的训练集中的AUC分别为0.806、0.841、0.773,在测试集中的AUC分...     

MRI影像组学预测非特殊型浸润性乳腺癌分子分型的价值

目的 探讨基于MRI影像组学预测非特殊型浸润性乳腺癌Luminal型和非Luminal型的临床价值。材料与方法 回顾性分析本院2021年4月至2022年12月经病理证实为非特殊型浸润性乳腺癌的患者149例,均在治疗前两周进行了MRI平扫和增强扫描。收集全部入组患者的临床及病理资料,根据雌激素受体(estrogen receptor,ER)和孕激素受体(progesterone receptor,PR)的表达情况将患者分为Luminal型(n=90)和非Luminal型(n=59)。以7∶3的比例随机将其分为训练组(n=104)和测试组(n=45)。将提取的数据进行降维并筛选影像组学最优特征,基于随机森林法建立三个预测模型,分别是扩散加权成像(diffusion weighted imaging,DWI)序列模型、动态对比增强(dynamic contrast-enhanced,DCE)-MRI序列模型以及DWI和DCE序列联合模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC...     

构建多参数MRI影像组学脑膜瘤分级模型

目的：探讨构建多参数MRI影像组学模型在脑膜瘤术前分级中的应用价值。方法：回顾性收集544例经兰州大学第二医院病理科证实的脑膜瘤患者的术前临床、影像及术后病理资料。由两名放射科医师以独立盲法分别使用ITK-SNAP软件在T₂WI和对比增强T₁WI上手动勾画肿瘤的感兴趣体积,由数坤科技平台提取影像组学特征。采用Selectpercentile、最小绝对收缩和选择算子(Lasso)筛选最强相关特征,并构建不同的影像组学预测模型,并随机以7∶3的比例对模型进行内部验证。结果：不同的影像组学模型术前预测脑膜瘤分级的诊断效能不同。基于对比增强T₁WI和T₂WI的随机森林(RF)影像组学模型的诊断效能最优,训练集的曲线下面积(AUC)、敏感性、特异性、准确性分别为0.933(95%CI 0.906～0.958)、0.854、0.839、0.842;验证集的分别为0.835(95%CI 0.742～0.913)、0.771、0.845、0.829。结论：基于对比增强T₁WI和T_2<...     

脑膜瘤分级分型MRI扩散成像研究进展

脑膜瘤起源于蛛网膜帽状细胞,是颅内最常见的非神经上皮来源肿瘤,2016年WHO中枢神经系统肿瘤分类中将其分为Ⅰ、Ⅱ、Ⅲ级共15个亚型,2021年WHO中枢神经系统肿瘤分类中以1、2、3级代替以往的Ⅰ、Ⅱ、Ⅲ级,同时强调定义不典型或间变性(即2级和3级)脑膜瘤的标准应适用于任何潜在亚型,一些分子标志物也和脑膜瘤分级分型相...     

基于多序列MRI影像组学的胶质母细胞瘤风险分层预测研究

目的 以多序列MRI影像组学方法开发一种胶质母细胞瘤(glioblastoma,GBM)总生存期(overall survival,OS)预测模型,实现风险分层预测。材料与方法 本研究回顾性分析TCIA/TCGA(The Cancer Imaging Archive/The Cancer Genome Atlas)公共数据库中309例GBM患者数据,针对术前对比增强后T1加权(post-contrast enhanced T1-weighted,T1CE)序列和T2加权液体衰减反转恢复(T2-weighted fluid attenuation inversion recovery,T2 FLAIR)序列,提取坏死区、肿瘤区和水肿区三种感兴趣区域的10 128个影像组学特征。采用相关性分析、主成分分析(principal component analysis,PCA)和最小绝对收缩和选择算法-Cox等比例风险回归(least absolute shrinkage and selection operator-cox proportional-hazards,LASSO-Cox),筛选与...     

术前MRI影像组学模型预测子宫内膜癌风险分层

目的 观察术前MRI影像组学模型预测子宫内膜癌(EC)风险分层的价值。方法 回顾性分析219例术前接受盆腔MR检查的EC患者,根据术后病理结果将其分为高风险组(n=104)及低风险组(n=115);按照不同检查时间将患者分别归入训练集(n=153)或测试集(n=66),并于集内划分亚组。以3D Slicer软件于MRI中手动勾画ROI,分别基于轴位、矢状位脂肪抑制(FS)T2WI及轴位、矢状位增强FS-T1WI中提取1 130个特征,之后以最小绝对收缩和选择算子(LASSO)算法分别选出12、14、16及12个(共54个)影像组学特征(联合MRI特征);再以LASSO降维并筛选出25个特征(联合LASSO特征)。以极度随机树算法分别基于各序列特征、联合MRI特征及联合LASSO特征构建模型;绘制受试者工作特征曲线,以曲线下面积(AUC)、准确度及F1评分评估各模型预测效能;以各模型在测试集中的AUC及主观阅片的AUC评估其预测效能。结果 训练集中,联合MRI模型与联合LASSO模型的准确率(0.784、0.777)、F1评分(0.730、0.731)及AUC(0.835、0.855)均...     

多参数MRI影像组学模型对进展期鼻咽癌局部复发的预测价值

目的:探讨多参数磁共振成像(magnetic resonance imaging,MRI)影像组学模型对进展期鼻咽癌(nasopharyngeal carcinoma,NPC)局部复发的预测价值.方法:回顾并分析经病理学检查证实的86例进展期NPC的临床及影像学资料,将35例经病理学检查证实复发的患者列入复发组,51例...     

术前MRI影像组学模型预测保乳手术治疗乳腺癌的可行性

目的 建立术前MRI影像组学模型，观察以之预测保乳手术(BCS)治疗乳腺癌的可行性。方法 纳入90例接受BCS治疗的乳腺癌患者，其中61例BCS成功(成功组)、29例失败(失败组);按2∶1将其分为训练集(n=60)和测试集(n=30),并于各集内划分亚组，比较组间及亚组间临床及MRI资料，提取并筛选MRI影像组学特征，构建模型，评估其预测BCS可行性的价值。结果 训练集2亚组间接受新辅助治疗情况、患侧乳房体积及有无子灶差异均有统计学意义(P均<0.05);测试集2亚组间肿瘤体积、患侧乳房体积及有无子灶差异均有统计学意义(P均<0.05)。最终以5个MRI组学特征及有无子灶建立影像组学模型，其预测训练集和测试集BCS可行性的曲线下面积分别为0.961和0.855。结论 术前MRI影像组学模型可用于预测以BCS治疗乳腺癌的可行性。     

基于MRI影像组学模型预测宫颈淋巴血管间隙浸润的研究

目的:使用多模态磁共振成像(magnetic resonance imaging,MRI)影像组学方法对早期宫颈癌患者淋巴血管间隙浸润(lymph-vascular space invasion,LVSI)进行辅助预测.方法:收集2015年11月—2018年8月在辽宁省肿瘤医院就诊的151例早期宫颈癌患者的双序列MRI...     

MRI影像组学鉴别三阴性与非三阴性乳腺癌的价值

目的 探讨基于多参数MRI影像组学特征在术前鉴别诊断三阴性与非三阴性乳腺癌的价值.方法 回顾性分析106例乳腺癌患者的多参数MRI图像,73例为训练组,33例为验证组.根据病理分子分型,将患者分为三阴性乳腺癌24例,非三阴性82例.采用ITK软件手动勾画病灶体积兴趣区(VOI),于A.K软件中提取影像组学特征并进行筛选...     

基于轴位和矢状位T1WI增强图像影像组学模型术前预测脑膜瘤病理分级的初步研究

目的建立基于轴位及矢状位T1WI增强图像的影像组学模型术前预测脑膜瘤病理分级,并测试其表现。材料与方法回顾性收集2017年1月至2020年12月病理诊断为脑膜瘤且符合纳入标准患者(132例)的MRI图像。使用图像分割软件ITK-SNAP勾画感兴趣区,再采用pyradiomics从中提取影像组学特征,将数据以8∶2的比例分成训练集(105例)和测试集(27例)。通过组内相关系数评估特征的可重复性,之后筛选特征,采用RBF核支持向量机算法构建模型。最后,使用测试集数据评估模型表现,并绘制受试者工作特征(receiver operating characteristic,ROC)曲线。结果基于轴位和矢状位图像的综合模型表现优于其他单序列模型,各模型表现在应用少数类过采样技术(synthetic minority over-sampling technique,SMOTE)后均有不同程度的提升。应用SMOTE的综合模型测试表现最优,其ROC曲线下面积、敏感度、特异度、准确度分别为0.982、0.900、1.000和0.963。结论基于轴位和矢状位T1WI增强图像的影像组学模型有助于术前预测脑膜...     

影像组学在预测脑胶质瘤基因分型中的研究进展

脑胶质瘤是成人中常见的原发性脑肿瘤.基因分型对脑胶质瘤患者的预后分析和个性化治疗有重要的指导意义,因此术前无创预测脑胶质瘤基因分型成为当前的研究热点.基于磁共振成像的影像组学具有广泛表征肿瘤内异质性的潜力,可以预测与脑胶质瘤相关的基因型,在临床指导中展示出很好的辅助作用.笔者就影像组学预测脑胶质瘤基因分型的研究进展进行...     

利用MRI影像组学模型可有效预测乳腺癌前哨淋巴结转移

目的 探索基于不同乳腺MRI序列联合临床病理因素的MRI影像组学模型预测乳腺癌前哨淋巴结转移的潜在价值。 方法 回顾性分析182例经病理确诊为乳腺癌伴前哨淋巴结转移状态患者,其中前哨淋巴结转移阳性组91例,前哨淋巴结转移阴性组91例,并按7：3的比例分训练组（阳性组64例、阴性组64例）和验证组（阳性组27例、阴性组27例）。对乳腺癌患者的临床、影像及病理资料进行单因素和多因素Logistic回归分析并筛选出与乳腺癌前哨淋巴结转移相关的独立风险因素;基于T2WI、弥散加权成像、动态对比增强提取最佳影像组学特征,分别构建多个单、多序列影像组学标签评分,并结合临床、病理及影像特征独立风险因素建立影像组学联合预测模型。绘制ROC曲线,计算曲线下面积,评价各模型预测乳腺癌前哨淋巴结转移的效能。 结果 瘤周水肿（P < 0.001）、肿瘤长径（P < 0.001）、肿瘤短径（P < 0.001）、病理分级（P < 0.001）、脉管侵犯（P < 0.001）、毛刺征（P= 0.006）、弥散加权成像边缘高信号征（P=0.028）及表观弥散系数值（P < 0.001）为乳腺癌前哨淋巴结转移的独立临床病理因素。在影像组学标签评分中,T2WI+弥散加权成像+动态对比增强联合序列的影像组学标签评分预测效能最佳,其验证组曲线下面积为0.744,进一步联合临床、病理及影像特征独立风险因素建立的影像组学联合预测模型的预测效能得到进一步提高,其验证组曲线下面积为0.834。 结论 基于乳腺MRI的影像组学模型在术前能够有效预测乳腺癌前哨淋巴结的转移。     

基于多参数MRI影像组学信号预测直肠癌KRAS基因突变的研究

目的探索多参数MRI影像组学信号模型预测直肠癌(rectal cancer,RC)KRAS基因突变的价值.材料与方法回顾性分析深圳市人民医院2019年4月至2020年12月104例经病理证实且行术前MRI检查的直肠癌患者的临床病理资料和提取RC的多参数MRI影像组学特征.采用t检验、χ2检验或Mann-Whitney U检验分析临床病理特征和影像组学特征与KRAS基因突变的相关性,将有统计学意义的特征纳入LASSO回归模型进行特征选择和建立影像组学信号.采用受试者工作特征(receiver operating characteristic,ROC)的曲线下面积(area under the curve,AUC)评价影像组学信号对KRAS基因突变的预测效能.结果临床病理资料在有无KRAS基因突变间差别无统计学意义.321个影像组学特征中,单因素分析表明16个影像组学特征与KRAS基因突变有相关性.LASSO回归筛选出7个影像组学特征构建影像组学信号,在验证集和预测集中预测KRAS基因突变的AUC值分别为0.81(0.70～0.92)和0.77(0.63～0.91,P=0.60),其中ADC特征中一阶偏度的压缩系数最大为3.36.结论MRI影像组学特征可以作为预测KRAS基因突变的生物学标记,其中ADC特征中偏度的预测效能最好.     

宫颈癌MRI影像组学研究现状及进展

宫颈癌发病率及死亡率逐年升高,早期诊断可改善其预后。影像组学可自动化、高通量提取医学影像的定量特征并实现数据转化,更准确地评估宫颈癌的发生、发展及转归。本文围绕MRI影像组学用于研究宫颈癌的现状及进展进行综述。     

T2WI及对比增强T1WI影像组学模型鉴别纤维型与非纤维型脑膜瘤

目的 观察T2WI及对比增强T1WI(T1C)影像组学模型鉴别纤维型与非纤维型脑膜瘤的价值。方法 回顾性分析423例经病理证实的单发低级别脑膜瘤患者,按7∶3比例分为训练集(n=296)和验证集(n=127);提取训练集T2WI和T1C中病灶3 376个影像组学特征,以SelectPercentile单因素分析法及最小绝对收缩和选择算子(LASSO)筛选最优影像组学特征,分别以分类器逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、线性SVC(LinearSVC)、自适应增强(Adaboost)及决策树(DT)构建鉴别纤维型与非纤维型脑膜瘤的影像组学模型,即模型_LR、模型_SVM、模型_RF、模型_linearSVC、模型_Adaboost及模型_DT,以验证集验证其效能。结果 基于T2WI和T1C共筛出13个最优影像组学特征,以之构建的模型_LR、模型_SVM、模型_RF、模型_linea...     

基于MRI影像组学预测宫颈癌淋巴血管间隙浸润

目的 评估基于MRI影像组学模型术前预测宫颈癌淋巴血管间隙浸润(LVSI)的价值.方法 回顾性分析123例经病理证实宫颈癌患者,根据病理结果分为LVSI+(n=61)及LVSI-(n=62).基于T2WI及动脉期对比增强T1WI(CE-T1WI)提取影像组学特征,按7:3比例将数据分为训练集(n=87)和验证集(n=3...     

基于MRI影像组学模型预测肺癌脑转移瘤EGFR基因突变

目的 探讨基于T2WI及增强T1WI(contrast enhanced T1WI,CE-T1WI)MRI的影像组学模型在术前无创预测肺癌患者脑转移瘤表皮生长因子受体(epidermal growth factor receptor,EGFR)突变的价值。材料与方法 多中心回顾性分析2016年12月至2021年10月在中山大学孙逸仙纪念医院、中山大学肿瘤防治中心、安徽省立医院进行脑转移瘤手术切除并行EGFR基因检测的肺癌患者的临床及影像资料,共纳入103例患者(118个脑转移瘤),以中山大学肿瘤防治中心、安徽省立医院80例患者为训练集,共89个脑转移瘤(EGFR突变型49个,EGFR野生型40个),中山大学孙逸仙纪念医院23例患者为测试集,共29个脑转移瘤(EGFR突变型23个,EGFR野生型6个)。在CE-T1WI图像勾画脑转移瘤轮廓获取感兴趣体积(volume of interest,VOI),将CE-T1WI-VOI复制至配准后的T2WI图像获取脑转移瘤的T2WI-VOI,采用PyRadiomics软件从上述VOI提取脑转移瘤影像组学特征,采用mRMR和LASSO-logisti...     

乳腺癌MRI影像组学的研究进展

乳腺癌是全世界女性最常见的恶性肿瘤之一,也是患癌女性的主要死因。提高诊断准确性、早期评估乳腺癌预后及治疗效果是临床实践中的关键问题。MRI因其较高的软组织分辨率,目前仍是诊断乳腺癌的常用成像方式。相对于乳房X线摄影和超声,MRI可以提供更全面的诊断信息。影像组学是一个高通量提取和定量分析影像特征的新研究领域,近年来受到广泛关注并应用于肿瘤领域。作者就乳腺癌MRI影像组学方面的研究进展进行综述。     

基于T2WI影像组学模型产前预测胎盘植入性病变

目的 评估基于MR T2WI影像组学模型产前预测胎盘植入性病变（PAS）的价值。方法 回顾性分析241例孕妇及胎儿MRI,其中116例PAS、125例无PAS。按7：3比例将其分为训练集（n=168）和验证集（n=73）,于训练集提取并筛选半傅立叶采集单次激发快速自旋回波（HASTE）及真实稳态进动快速成像（TrueFISP）序列图像的影像组学特征,构建预测PAS的影像组学模型,并以回归分析方法构建临床模型、影像组学模型及临床-影像组学模型。采用校准曲线和受试者工作特征（ROC）曲线分析模型的效能,以决策曲线分析（DCA）评估其临床实用性。结果 对各序列图像分别提取1 130个影像组学特征,经LASSO回归等处理后,各筛选出9个影像组学特征,用于构建预测PAS的HASTE及TrueFISP影像组学模型。ROC曲线显示,临床模型、HASTE影像组学模型及TrueFISP影像组学模型在验证集中诊断PAS的曲线下面积（AUC）分别为0.882、0.968和0.930（P均>0.05）;HASTE联合TrueFISP影像组学模型的AUC为0.990,高于临床（Z=-2.36,P=0.02）、HASTE影像组学（Z=-2.48,P=0.02）及TrueFISP影像组学模型（Z=-2.43,P=0.02）;临床-HASTE-TrueFISP影像组学模型的AUC为0.995,与HASTE联合TrueFISP影像组学模型差异无统计学意义（Z=-0.85,P=0.40）,高于HASTE或TrueFISP影像组学模型（Z=-2.64、-2.47,P均<0.05）。临床模型之外,各模型在验证集数据中的校准度均较好;阈值取0~0.6时,其在验证集的临床净获益均大于临床模型。结论 基于产前HASTE及TrueFISP序列图像的联合影像组学模型有助于准确预测PAS。