论文部分内容阅读
目的1、基于CT的影像组学Nomogram模型术前对肝细胞癌(Hepatocellular carcinoma,HCC)根治术后早期复发(≤2年)进行精准预测,应用基因所代表的生物学功能提高影像组学模型的可解释性。2、构建HCC无复发生存的影像组学和基因组学预后模型,探索多组学联合模型预测效能的增益作用。方法第一部分:预测早期复发队列,共纳入262名接受根治手术的HCC患者(训练集=214人,验证集=48人)。Pyradiomics软件从术前CT图像的3D肿瘤靶体积提取影像组学特征。应用倾向评分匹配和LASSO-Logistic等算法对特征进行可重复性评价、去冗余、降维和构建组学标签。多变量logistic回归筛选独立风险因子并建立Nomogram模型。分析和验证模型的预测效能和临床应用价值。第二部分:预测无复发生存队列,共纳入TCGA&TCIA数据库中符合条件的33例HCC患者,应用LASSO-Cox等算法分别构建影像组学和基因组学预后标签。多变量Cox筛选独立预后因子并建立Nomogram模型。分析三个模型的预测效能并比较影像组学和基因组学联合的效能互补性。最后对两部分的影像组学模型包含的特征与WGCNA聚类的基因模块构建相关性,应用基因模块内基因所富集的生物学功能对影像特征的预测性能进行直观解释。结果第一部分:从1665个影像组学特征中筛选30个特征构建影像组学标签,影像组学标签与无复发生存时间和总生存时间显著相关(P<0.001)。多变量logistic回归鉴定AFP、肿瘤大小、肿瘤数目和影像组学标签为关键风险因子并构建Nomogram模型,该模型在训练集(AUC 0.800)和验证集(AUC 0.785)均表现良好的预测和校正效能,并且显著优于临床Nomogram(训练集AUC 0.716,P=0.001;验证集AUC 0.654,P=0.039)。通过决策曲线分析证实模型的临床实用性。第二部分:从1665个影像组学特征筛选9个特征构建影像组学标签;从20531个基因中筛选6个构建基因组学标签。单变量Cox回归鉴定性别、酒精性肝病、AFP、LRP1B突变、基因组学标签和影像组学标签与无复发生存显著相关(P<0.05)。多变量Cox回归鉴定基因组学标签和影像组学标签为独立风险因子并构建Nomogram模型。影像组学标签、基因组学标签和联合Nomogram均具有良好的预测效能(C-index分别为0.866、0.896和0.921),并且联合Nomogram预测效能显著优于单一组学标签(P<0.05)。应用GO和KEGG结果显示与影像组学特征显著相关的基因模块内基因主要富集在免疫反应、血管形成、细胞粘附、细胞增殖等生物学功能通路。结论影像组学模型、基因组学模型作为HCC患者预后生物标志物具有高效预测效能,影像组学特征、基因数据和临床特征具有预测效能互补性,联合模型优于单一模型预测效能。影像组学特征具有预测HCC患者预后作用可能与介导肿瘤侵袭性行为相关。