目的:探討基于CT圖像的影像組學諾模圖術前預測胃癌Lauren分型的可行性。方法:回顧性分析經(jīng)病理檢查確認的539例胃癌患者的臨床資料,按照7∶3的比例隨機分為訓練集和驗證集,利用ITK-SNAP軟件對門脈期CT圖像進行勾畫,從瘤內(nèi)及瘤周提取兩組影像組學特征。利用最小絕對收縮和選擇算子(least absolute shrinkage and selection operator,LASSO)回歸篩選出最優(yōu)特征組合,分別構建了基于瘤內(nèi)的模型、基于瘤周的模型及聯(lián)合瘤內(nèi)及瘤周特征的影像組學標簽,基于臨床特征構建了臨床模型1和臨床模型2,最后結合臨床特征和影像組學標簽構建了影像組學模型。利用受試者工作特征(receiver operator characteristic,ROC)曲線下面積(area under curve,AUC)評估模型的預測能力。采用Delong檢驗比較各個模型間的預測性能。采用校準曲線驗證模型預測概率與實際病理結果的匹配性,決策曲線評估臨床信息的有效性。結果:影像組學標簽在訓練集與驗證集的AUC分別為0.715 (95%CI:0.663～0.767),0.714(95...

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 訓練集及驗證集中的ROC曲線

關于影像組學模型與影像組學標簽之間的關系，盡管驗證集中Delong檢驗顯示影像組學模型和影像組學標簽之間沒有顯著的統(tǒng)計學差異(P=0.1204)，但是驗證集中5.71%的IDI顯示出影像組學模型較影像組學標簽的提升。此外在驗證集中，影像組學模型相較于臨床模型2,17.73%的I....

圖2 影像組學諾模圖

圖1訓練集及驗證集中的ROC曲線影像組學模型的校準曲線顯示出良好的適應度(圖4A)。與閾值概率范圍在1以內(nèi)的兩種臨床方案相比，驗證集中的決策曲線分析(圖4B)表明影像組學模型在指導不同Lauren分型胃癌患者的治療時增加了更多益處。

圖3 Delong檢驗

術前Lauren分型對治療方案的選擇有重要影響。彌漫型胃癌的浸潤范圍通常超過邊界數(shù)厘米，因此彌漫型胃癌的切除范圍較大，切口邊緣距腫瘤邊緣約8～10cm[14]。另一方面，彌漫型胃癌通常比腸型預后差[15]。因此，在術前準確預測Lauren分型尤為重要。目前術前Lauren分型主....

圖4 校準曲線和決策曲線

圖3Delong檢驗本研究結果顯示影像組學模型可以作為一種有效工具，用于術前預測胃癌Lauren分型，并獲得良好的診斷效能。與單一基于瘤內(nèi)影像組學特征模型相比，影像組學標簽預測性能稍高(AUC為0.659和0.715)。研究顯示腸型胃癌和彌漫型胃癌的組織學改變不僅在腫瘤區(qū)有顯著....

本文編號：4032672