基于磁共振影像组学胶质瘤病理分级预测研究

发布时间：2020-07-07 21:58

【摘要】：目的:胶质瘤术前准确分级对于患者的治疗和预后评估至关重要,基于磁共振影像组学方法挖掘具有胶质瘤术前分级效能最优的MRI特征参数;探讨基于磁共振影像组学在脑胶质瘤术前分级诊断中的应用价值,提高MRI对脑胶质瘤分级的诊断效能。方法:回顾性分析59例病理确诊的脑内胶质瘤患者。所有患者术前均行3.0T MRI平扫及增强扫描。手工勾画ROI,随后在T1WI、T2WI、T2 FLAIR及T1WI增强序列上提取396个高维3D影像组学特征,在数据预处理后,采用方差分析(analysis of variance ANOVA)、Kruskal-Wallis检验及LASSO回归进行特征选择及影像组学标签的建立。通过多元逻辑线性回归和交叉验证建立影像组学预测模型。选择临床影像诊断特征包括肿瘤发生半球、强化程度、坏死/囊变、肿瘤跨越中线、瘤周水肿情况,结合影像组学标签建立列线图。多参数回归分析用于模型建立,ROC曲线和曲线下面积用来评价模型的预测效能,校正曲线评价列线图的校正效果。结果:采用ANOVA、Kruskal-Wallis检验及通过LASSO降维后,分别从T1WI序列中筛选出3个特征参数、对比增强T1WI(Contrast Enhanced T1-Weighted Imaging,T1WI-CE)序列中筛选7个特征参数及T2WI序列中筛选6个特征参数,T2FLAIR未筛选出有价值特征参数。利用T1WI参数预测分级模型中ROC曲线下面积(areaunder curve,AUC)为0.716,敏感度为80.4%,特异度为61.5%;加入临床影像诊断指标后AUC为0.794,敏感度为84.8%,特异度为69.2%。T1WI-CE参数预测分级模型中AUC0.910,敏感度为91.3%,特异度为84.6%;加入临床影像诊断指标后AUC为0.915,敏感度为93.5%,特异度为84.6%。T2WI参数预测分级模型中AUC为0.808,敏感度为58.7%,特异度为92.3%;加入临床影像诊断指标后AUC为0.853,敏感度为92.3%,特异度为69.6%。结论:(1)胶质瘤的分级与临床影像学特征(肿瘤水肿、坏死/囊变及强化程度)相关。(2)基于T1WI、T2WI及T1 WI-CE三个序列影像组学模型中,T1WI-CE鉴别脑内胶质瘤病理分级的诊断效能最好(AUC=0.910),且高于临床影像诊断模型(AUC=0.828)的效能。个体化预测模型联合肿瘤水肿、坏死/囊变、强化程度及影像组学标签(分别基于T1WI、T2WI及T1 WI-CE)组成,优于单纯影像组学模型诊断效能。(3)基于影像组学标签、临床影像诊断特征的可视化列线图对于胶质瘤术前病理学分级诊断具有良好的临床应用前景。
【学位授予单位】：南华大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R445.2;R739.4
【图文】：

列线图,影像

图 3 图 4(2)影像组学特征的诊断验证及列线图的建立：用逻辑回归分析影像组学特征与胶质瘤病理分级间存在显著相关性(P=0.000)（图 5）。用 Rad-score、肿瘤囊变/坏死、瘤周水肿及强化程度进行多变量逻辑回归分析，将表示为列线图以提供定量和预测工具。（图 6）该方法将患者 Rad-score、肿瘤囊变/坏死、瘤周水肿及强化程度在图中相应的轴上找到对应点，得到变量的分数，将每个变量的分数求和得到总分，以总得分为基础，再向下画一条垂直线，交点处的分数即为该患者发生高级低级别胶质瘤的可能性。值越高，高级别胶质瘤可能性越大，反之，低级别胶质瘤的可能性越大。列线图的校准曲线表明预测的概率与实际发生的概率吻合良好（图 7）。(3)临床效用评估：用决策曲线评估不同建模方法对病人来说的净受益率，联合模型优于影像组学模型（P=0.03）（图 8）。如阈值概率为 0.5 时，仅基于 T1WI序列的影像组学列线图比治疗所有患者或不治疗患者的净效益更高。基于 T1WI

线图,影像,线图,肿瘤

图6用影像组学特征与患者的肿瘤囊变/坏死、瘤周水肿及强化程度，建立放射组列线图。图 7 图 8图 7 校正曲线用列线图预测值，和实际值的比较。对角线为理想曲线，越接近对角线，预测值和实际值越一致。图 8 图决策曲线 y 轴代表净效益。x 轴表示阈值概率。粉色线代表影像组学模型。蓝色代表联合模型。黑色代表都不治疗，灰色代表都治疗，评估不同建模方法对病人来说的净受益率，联合模型优于影像组学模型（P=0.03）。

基于磁共振影像组学胶质瘤病理分级预测研究

影像组学特征在两组之间的差异（P=0.000）

【相似文献】