目的:探討基于CT圖像的影像組學(xué)諾模圖術(shù)前預(yù)測(cè)胃癌Lauren分型的可行性。方法:回顧性分析經(jīng)病理檢查確認(rèn)的539例胃癌患者的臨床資料,按照7∶3的比例隨機(jī)分為訓(xùn)練集和驗(yàn)證集,利用ITK-SNAP軟件對(duì)門(mén)脈期CT圖像進(jìn)行勾畫(huà),從瘤內(nèi)及瘤周提取兩組影像組學(xué)特征。利用最小絕對(duì)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(gòu)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(xué)標(biāo)簽,基于臨床特征構(gòu)建了臨床模型1和臨床模型2,最后結(jié)合臨床特征和影像組學(xué)標(biāo)簽構(gòu)建了影像組學(xué)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(píng)估模型的預(yù)測(cè)能力。采用Delong檢驗(yàn)比較各個(gè)模型間的預(yù)測(cè)性能。采用校準(zhǔn)曲線驗(yàn)證模型預(yù)測(cè)概率與實(shí)際病理結(jié)果的匹配性,決策曲線評(píng)估臨床信息的有效性。結(jié)果:影像組學(xué)標(biāo)簽在訓(xùn)練集與驗(yàn)證集的AUC分別為0.715 (95%CI:0.663～0.767),0.714(95...

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖1 訓(xùn)練集及驗(yàn)證集中的ROC曲線

關(guān)于影像組學(xué)模型與影像組學(xué)標(biāo)簽之間的關(guān)系，盡管驗(yàn)證集中Delong檢驗(yàn)顯示影像組學(xué)模型和影像組學(xué)標(biāo)簽之間沒(méi)有顯著的統(tǒng)計(jì)學(xué)差異(P=0.1204)，但是驗(yàn)證集中5.71%的IDI顯示出影像組學(xué)模型較影像組學(xué)標(biāo)簽的提升。此外在驗(yàn)證集中，影像組學(xué)模型相較于臨床模型2,17.73%的I....

圖2 影像組學(xué)諾模圖

圖1訓(xùn)練集及驗(yàn)證集中的ROC曲線影像組學(xué)模型的校準(zhǔn)曲線顯示出良好的適應(yīng)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(yàn)證集中的決策曲線分析(圖4B)表明影像組學(xué)模型在指導(dǎo)不同Lauren分型胃癌患者的治療時(shí)增加了更多益處。

圖3 Delong檢驗(yàn)

術(shù)前Lauren分型對(duì)治療方案的選擇有重要影響。彌漫型胃癌的浸潤(rùn)范圍通常超過(guò)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(yù)后差[15]。因此，在術(shù)前準(zhǔn)確預(yù)測(cè)Lauren分型尤為重要。目前術(shù)前Lauren分型主....

圖4 校準(zhǔn)曲線和決策曲線

圖3Delong檢驗(yàn)本研究結(jié)果顯示影像組學(xué)模型可以作為一種有效工具，用于術(shù)前預(yù)測(cè)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(xué)特征模型相比，影像組學(xué)標(biāo)簽預(yù)測(cè)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(xué)改變不僅在腫瘤區(qū)有顯著....

本文編號(hào)：4032672