论文部分内容阅读
背景实体肿瘤具有时空上的异质性,从而限制了基于侵入性活检的分子检测,但这方面医学成像技术拥有巨大潜力,它能以非侵入性的方式捕捉肿瘤内的异质性。在过去的几十年中,医学成像技术不断创新,新的显像剂和标准化的协议,促使定量成像技术走向成熟。故而,从图像中能够自动化和可重复地提取更多的影像信息。影像组学(Radiomics)从医学影像图像中高通量地提取组学特征,是解决这个问题的方法而且充满希望,但是需要多中心进一步验证。值得注意的,影像组学标签已经在多种肿瘤中得以验证,与基因突变、预后和疗效等密切相关。提示我们一个新的问题:是否可以基于术前影像组学特征精确预测乙型肝炎病毒(Hepatitis B virus,HBV)相关性肝细胞癌(Hepatocellular carcinoma,HCC)的微血管侵犯(Microvascular invasion,MVI)的发生?是否可以术前预测肝癌部分切除术后预后?目的1、基于CT影像组学特征建立肝癌术前微血管侵犯的诺莫(Nomogram)模型,从而为临床治疗决策提供指导。2、探讨基于术前CT影像组学特征建立肝部分切除术患者预后预测模型的可行性,从而为肝癌的精准治疗提供新的思路。方法纳入304名符合条件的肝细胞性肝癌患者,随机分为训练(n= 184)和验证(n=120)组。收集肝癌患者的门脉和动脉期计算机断层扫描(Computed tomography,CT)数据,通过MATAB2014b提取影像组学特征。采用LASSO特征选择算法,对训练集进行了降维、特征选择和构造组学标签的处理。然后采用多变量Logistic回归分析方法,建立了包括影像组学特征、影像图像特征和甲胎蛋白(AFP)水平的诺莫模型(Nomogram)。分析了该模型的识别能力和临床应用价值。并且使用内部队列数据进行验证该模型。另一方面,经肝部分切除的177例肝细胞癌患者随机分为训练队列(n=113)和独立验证队列(n = 64)。收集肝癌的静脉和动脉相CT图像,用MATAB2014b提取影像组学特征。利用LASSO算法,在训练集中选取最优特征,并建立影像组学标签。然后经COX回归分析来构造影像组学的诺莫图(Nomogram)。通过识别、校正和临床应用来估计其性能。并通过内部队列进行验证。结果经980个影像组学特征筛选,最终纳入8个影像组学特征,并建立影像组学标签(Radiomics signature)。在训练集和验证集,影像组学特征与MVI状态显著相关(均为尸<0.001)。在个体化的Nomogram预测模型中,保留了包括影像组学特征、非平滑肿瘤边缘、低密度晕征、瘤内动脉和甲胎蛋白水平等预测因子。该模型在训练和验证组(C-index[95%置信区间]:0.846[0.787-0.905]和 0.844[0.74-0.915]中表现出良好的校正和识别能力。通过决策曲线分析,证实了其临床应用价值。另一部分肝切除研究中,入选19个影像组学特征建立组学标签,在训练和验证组中均与无病生存期(DFS)(P<0.001,P=0.00013)和总生存率(P<0.0001)显著相关(P<0.0001)。结合影像射组学标签、巴塞罗那分期(BCLC)和甲胎蛋白水平,我们开发了适用于个体化的影像组学Nomogram模型。该模型具有良好的鉴别能力,在训练组和验证组一致性(C-index)分别为0.782(95%CI:0.730-0.834)、0.743(95%CI:0.657-0.829),并有良好的校正能力。通过决策曲线分析证实了该模型的临床实用性。结论我们首次运用影像组学技术预测MVI的发生和肝癌切除术患者的预后。作为一种新的无创术前预测方法,影像组学Nmogram模型显示出对HBV相关的肝细胞性肝癌患者的MVI状态的良好预测准确性。另一方面,我们构建的影像组学Nmogram模型,在肝切除术前对肝癌患者DFS进行了个体化、非侵入性的评估,从而帮助我们识别可以在手术治疗中获益更多的肝细胞性肝癌患者,避免过度治疗或治疗不足。以上影像组学的研究为未来肝癌的精准治疗提供了新的思路。