高级别小肾癌的诊断预测模型的制作及验证

发布时间：2021-12-11 06:59

　　目的:近几十年来,随着腹部CT及泌尿系B超的广泛应用,肾细胞癌（RCC）的发病率越来越高。小肾癌（SRMs）指局限于肾脏且肿瘤最大径小于等于4cm的T1a期肾癌,目前公认为外科手术是SRMs的首选治疗方式。但现有学者提出,由于SRMs生物学表现的多样性,对于某些低级别的SRMs患者,采用积极的动态监测是更合适的临床选择。然而,目前尚缺乏对高级别SRMs术前预测的相关研究,因此,在本研究中,我们旨在根据患者的临床信息,筛选出高级别SRMs的临床预测指标,开发高级别SRMs的术前预测模型,并对该模型进行验证。由此更好的指导临床医师做出最佳的治疗方案选择。方法:本研究回顾性分析了2013年1月至2016年5月期间,在天津医科大学第二医院泌尿外科接受肾部分切除术或根治性肾切除术,且经病理确诊的329名SRMs患者（包括开发队列和验证队列）。收集患者的相关术前资料,包括临床指标（即年龄、性别、BMI、临床表现）、血液学指标（即淋巴细胞计数绝对值、中性粒细胞与淋巴细胞比率）、CT相关指标（即肿瘤大小、坏死、肿瘤轮廓、肿瘤外生特性、有无收集系统压迫）。采用LASSO回归模型进行数据降维和特征分析,应... 

【文章来源】：天津医科大学天津市 211工程院校

【文章页数】：48 页

【学位级别】：硕士

【部分图文】：

肾肿瘤影像资料特征

10图 2.临床因素的 LASSO 回归分析注：基于 LASSO 二元逻辑回归模型的特征选择。（A）LASSO 模型中的调整参数（λ）被选择为 10 个具有最低标准的交叉验证。 根据调整参数（λ），绘制曲线下的面积（AUC）。 利用最小标准和最小标准的 1 个标准差（1-SEstandard），以最佳值画出垂直虚线。根据 10 倍交叉验证，λ 值为 0.063，log

图 3. 预测高级别小肾癌列线图注：1.Points 代表各预测因素单项得分；2.CT Size 即肾肿瘤的最大直径；3.CT Necrosis 即肿瘤坏死，其中 1 代表存在坏死，0 代表无坏死；4.CT Tumorcontour 即肿瘤边界，其中 1 代表边界不清，0 代表边界清晰；5.CT Collectionsystem oppression 即肿瘤对肾脏集合系统的压迫，其中 1 代表存在压迫，0 代表无压迫；6.CT Exophytic properties 即肿瘤的外生性，1 代表外生性肿瘤，0代表内生性肿瘤；7.Total Points 即总分，Predicted probability to be highgrade 即预测为高级别小肾癌的概率。2.4 预测模型的验证由于开发队列的数据被用来构建列线图，所以验证队列的数据被用来验证列线图。在开发组和验证组（图 4a 和图 4b）的预测和观察之间，预测高级别SRMs 概率的列线图校准曲线一致。校准曲线描述了基于预测高级别组织病理亚型的风险和高级别组织病理亚型的观察结果之间的一致性的最终模型的校准。实线代表了列线图的性能，而靠近对角线虚线的位置代表更准确的预测。当列线图用于预测高级别肿瘤与低级别肿瘤组织学亚型时，得到开发队列


本文编号：3534219