论文部分内容阅读
目的:应用18-氟脱氧葡萄糖正电子发射断层扫描/计算机断层扫描(18F–FDG PET/CT)技术及影像组学技术(radiomics),探究18F–FDG最大标准摄取值、临床特征及影像组学特征在非小细胞肺癌基因突变中的预测价值。材料和方法:回顾性分析127例经病理证实的非小细胞肺癌患者的PET/CT资料及临床实验室资料,以EGFR突变状态进行分组,突变型68例,野生型59例。搜集所有病例临床资料,并均采用GE Discovery STEPET/CT扫描仪于安静状态下对所有受试者进行CT扫描,随后行PET扫描。PET与CT图像在Xeleris或AW 4.4工作站上进行自动融合。在原发灶浓聚最明显的部位勾画感兴趣区,得出最大标准摄取值(SUVmax)。对CT和PET图像上的肿瘤病灶进行手动分割并提取影像组学特征。采用t检验、Wilcoxon rank-sum检验及卡方检验分析组间SUVmax、临床特征的差异,采用单变量选择及方差分析提取有统计学意义的组学特征。采用logistic回归分析建模,用ROC曲线分别分析基于CT、PET图像的临床模型、组学模型和联合模型对基因状态的预测价值,并进行比较。结果:1.EGFR突变与年龄、大小、癌胚抗原无显著相关性(P>0.05),与吸烟史、性别、糖类抗原125显著相关(P<0.05)。2.EGFR突变与原发灶SUVmax无明显相关性(P>0.05)。3.结合吸烟史、性别、糖类抗原125建立的临床模型对EGFR突变预测的性能较好,曲线下面积为0.786(95%CI:0.663-0.909,P=0.000),灵敏度为0.865,特异度为0.667。4.CT和PET图像中分别提取了3个与EGFR突变显著相关的特征(P<0.05)。分别是Median firstorder wavelet-HHL、Correlation glcm wavelet-LLL、Elongation shape original。Mean firstorder wavelet-HHL、Median firstorder wavelet-HLH、Short Run Emphasis glrlm exponential。5.基于CT图像的组学特征建立的模型可以区分EGFR状态(AUC=0.775),结合该模型与临床特征(AUC=0.786)可以提高预测的准确性(AUC=0.867),但不具有显著性(P>0.05)。PET影像组学模型可以很好区分EGFR状态(AUC=0.817),结合临床模型(AUC=0.786),显著地提高了性能(AUC=0.927)。基于CT图像的联合模型与基于PET图像的联合模型预测性能相似。结论:1.SUVmax与EGFR突变状态不存在明显相关性。2.结合吸烟史、性别及CA125的临床模型可以为临床判断EGFR突变状态提供参考。3.基于CT、PET的影组学特征(Median firstorder wavelet-HHL、Correlation glcm wavelet-LLL、Elongation shape original;Mean firstorder wavelet-HHL、Median firstorder wavelet-HLH、Short Run Emphasis glrlm exponential)能从整体水平、微观结构反应感兴趣区内部的功能状况和形态学改变,对NSCLC的EGFR突变有很好的预测性能。4.基于PET/CT的影像组学特征和临床特征的高级生物标志物可用于预测EGFR的突变状态。