论文部分内容阅读
第一部分:基于扩散加权成像的影像组学列线图预测部分肝脏切除术后肝内胆管细胞癌早期复发和辅助化疗获益研究目的:本研究旨在开发并验证一个基于扩散加权成像(diffusion-weighted imaging,DWI)的影像组学列线图,用于预测肝内胆管细胞癌(intrahepatic cholangiocarcinomas,ICC)术后早期复发,并探索其在筛选术后辅助化疗受益人群中的应用价值。材料与方法:回顾性纳入124例部分肝切除术后并经病理证实的ICC患者(训练集87例,验证集37例)。在训练集中,利用随机森林算法构建基于扩散加权成像的影像组学特征预测早期复发的影像组学模型,计算每位患者的影像组学分数。通过多因素logistics回归分析筛选临床、病理、常规影像学特征中与早期复发相关的变量并建立临床-病理-影像(clinicopathologic-radiologic,CPR)预测模型。利用筛选出的变量及影像组学分数构建临床-影像组学列线图。分别对上述模型的辨别度及校准度进行评估、验证。采用Kaplan Meier法和log-rank检验分析不同组间预后的差异。结果:在纳入分析的患者中,46例(37.1%)发生超早期(6个月内)复发,77例(62.1%)发生早期(1年内)复发。基于扩散加权成像的影像组学模型对ICC早期复发的预测效能,曲线下面积(Area Under the Curve,AUC)训练集为0.823(95%CI:0.729-0.917)、验证集为0.753(95%CI:0.597-0.909),预测效能与基于临床、病理、常规影像学特征构建的CPR模型相当(训练集:AUC:0.697(95%CI 0.592-0.802),验证集AUC:0.621(95%CI:0.434-0.808))(训练集:p=0.06;验证集:p=0.274)。利用筛选出的CPR变量及影像组学分数构建临床-影像组学列线图,预测早期复发的AUC值在训练集为0.876(95%CI:0.796-0.955),验证集为0.821(95%CI:0.684-0.959),预测效能均显著优于CPR模型(训练集:p=0.001,验证集:p=0.010)。纳入全队列患者进行分析,临床-组学列线图预测ICC超早期复发的AUC为0.753(95%CI 0.667-0.839),预测效能显著优于影像组学模型(p=0.008)及CPR模型(p=0.027)。临床-影像组学列线图预测的早期复发高危组与低危组间总生存时间(overall survival,OS)存在显著差异(p<0.001),说明该列线图可以有效的基于患者的OS进行危险分层。多因素cox回归分析证明临床-影像组学列线图预测早期复发高风险是患者OS的独立预测指标(HR:1.153,95%CI:1.012-1.313,p=0.033)。另外,临床-影像组学列线图预测的早期复发高危患者中,采用手术及术后辅助化疗方案的患者和仅进行手术治疗的患者比较,术后OS及无病生存时间(Disease-free survival,DFS)存在显著差异(OS:p=0.023;DFS:p=0.031),而低危组患者不同治疗方式预后无显著差异(OS:p=0.62;DFS:p=0.43),说明该列线图有助于筛选辅助化疗的可能获益人群。结论:基于扩散加权成像影像组学分析的临床-影像组学列线图对ICC患者术后的早期复发、超早期复发具有预测价值,有效筛选术后辅助化疗获益人群,为个体化治疗方案的制定提供参考价值。第二部分:基于多参数磁共振的影像组学标签对部分肝切除术后的肝内胆管细胞癌患者预后分层的价值研究目的:本研究旨在探讨多参数磁共振成像(magnetic resonance imaging,MRI)的影像组学分析对肝内胆管细胞癌(intrahepatic cholangiocarcinomas,ICC)患者预后分层的潜在意义和增益价值。材料与方法:回顾性纳入163例经部分肝切除术的ICC患者(训练集115例,验证集48例)。利用3D-Slicer软件分别在T1WI、T2WI、扩散加权成像(diffusion weighted imaging,DWI)、动脉期、门脉期及延迟期图像利用手动分割方法,逐层勾画肿瘤区域,并利用PRadiomic工具箱提取影像组学特征。利用lasso-cox回归模型筛选最优组学特征集,并根据组学特征及其相应的权重系数乘积的线性组合,计算预测每位患者总生存时间(overall survival,OS)的影像组学分数、寻找最佳截断值,构建二分类的影像组学标签。通过多因素cox回归分析筛选临床特征、常规影像学及病理特征中与OS相关的风险因素并建立临床-病理-影像(clinicopathologicradiologic,CPR)预测模型。利用以上筛选出的风险因素和影像组学标签构建临床—影像组学联合预测模型。分别对上述模型的辨别度及校准度进行评估、验证。采用Kaplan Meier法和log-rank检验分析CPR模型及临床-影像组学联合模型对患者进行预后分层的意义。采用重分类指数(Net Reclassification Index,NRI)和综合判别改善指数(Integrate Discrimination Improvement,IDI)分析临床-影像组学联合模型较CPR模型预测能力的改善。结果:在4998个影像组学特征中,通过降维、筛选,利用7个与OS相关的影像组学特征构建影像组学模型,并生成二分类的影像组学标签。不同影像组学标签间患者OS、无病生存时间(Disease-free survival,DFS)存在显著差异(训练集:p<0.0001,p<0.001;验证集:p<0.001,p=0.0036)。用二分类的影像组学标签预测ICC患者OS,其C-index在训练集和验证集分别为0.680(95%CI 0.618-0.742)和0.698(95%CI0.583-0.814),预测效能与临床、病理、常规影像学特征构建的CPR模型相当(训练集C-index:0.705,95%CI:0.634-0.777;验证集C-index:0.674,95%CI:0.555-0.792)(训练集:p=0.486;验证集:p=0.752)。整合了CPR模型中的变量和影像组学标签的临床-影像组学联合模型,预测OS的C-index在训练集和验证集分别为0.750(95%CI 0.680-0.819)和0.723(95%CI 0.624-0.822),预测效能较CPR模型提高无显著差异(训练集:p=0.109,验证集:p=0.214)。但是,根据临床-影像组学联合模型预测患者OS的风险分数,将患者分为预后不良的高危组和低危组,两组患者间实际OS存在显著差异,即模型可以实现对患者进行预后分层(验证集p=0.028)。CPR模型标记的高危及低危患者间实际OS无显著差异(验证集p=0.059)。另外,与CPR模型相比,影像组学标签的加入使联合模型在预测患者术后1年OS、2年OS、3年OS上的再分类能力和预测准确性显著提高(验证集1年OS的NRI为0.325,IDI为0.081;2年OS的NRI为0.343,IDI为0.129;3年OS的NRI为0.414,IDI为0.162)。结论:基于多参数MRI构建的影像组学标签可以在术前对患者进行危险分层,并对现有预后因素具有互补效应,是辅助临床决策的潜在工具。