【摘 要】
：
目的:构建基于影像组学特征的预测模型,以预测非小细胞肺癌患者接受序贯放化疗(sequential chemoradiotherapy,SCRT)或同步放化疗(concurrent chemoradiotherapy,CCRT)后的病情部分缓解(partial re-sponse,PR)可能性.方法:回顾性收集2016年01月至2020年06月确诊为非小细胞肺癌并接受SCRT或CCRT患者资料.符合条件的患者纳入本研究中,并随机分为训练集和验证集.采用单因素方差分析及最小绝对收缩和选择算子(least ab
【机 构】
：
安徽理工大学医学院,安徽 淮南 232001;安徽理工大学医学院,安徽 淮南 232001;安徽理工大学医学院工业粉尘防控与职业安全健康教育部重点实验室,安徽 淮南 232001;安徽理工大学附属肿瘤
论文部分内容阅读
目的:构建基于影像组学特征的预测模型,以预测非小细胞肺癌患者接受序贯放化疗(sequential chemoradiotherapy,SCRT)或同步放化疗(concurrent chemoradiotherapy,CCRT)后的病情部分缓解(partial re-sponse,PR)可能性.方法:回顾性收集2016年01月至2020年06月确诊为非小细胞肺癌并接受SCRT或CCRT患者资料.符合条件的患者纳入本研究中,并随机分为训练集和验证集.采用单因素方差分析及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法,在训练集中筛选出最佳影像组学特征.在训练集中进行机器学习(Logistic regression,LR;Decision tree,DT;AdaBoost)模型构建.受试者工作特征曲线下面积(area under curve,AUC)、敏感性和特异性用于评估模型性能,使用列线图对模型进行可视化,决策曲线分析法检验模型应用效能.结果:共纳入75例患者,随机分为两组,训练集52例,验证集23例.在进行单因素方差分析和LASSO回归分析后,筛选出了6个放射学特征,使用机器学习方法构建预测模型.在训练集中,LR、DT、AdaBoost的模型的AUC为0.919、0.773及0.832,在验证集中为0.795、0.723及0.638.使用LR模型构建决策曲线表明,当风险阈值为0.1～0.92时,可增加患者的净效益.结论:本研究开发并验证了一个影像组学预测模型,可以预测接受SCRT/CCRT后肺癌患者的缓解概率.
其他文献
目的:研究红外定位系统(optical positioning system,OPS)在胸腹部肿瘤放射治疗中对摆位误差的指导意义.方法:选择30例胸腹部肿瘤患者,均采用改进型仰卧位固定技术固定,所有患者均辅以OPS标记.患者治疗时按常规方法对照激光线摆位,行锥形束CT(cone beam computed tomography,CBCT)扫描后移床治疗,记录移床后的CBCT误差值(对照组)以及OPS读数(观察组),包括X(左右方向)、Y(头脚方向)、Z(腹背方向)三个方向的线性误差,并分析比较两种误差结果
目的:探讨中性粒细胞与淋巴细胞比值(neutrophil to lymphocyte ratio,NLR)、血小板与淋巴细胞比值(platelet to lymphocyte ratio,PLR)及红细胞分布宽度(red blood cell distribution width,RDW)对前列腺癌(pros-tate cancer,PCa)患者术后复发转移的价值.方法:选取2016年01月至2018年06月我院收治的PCa患者128例,根据其术后是否发生复发转移分为未复发转移组(n=78)和复发转移组(
目的:采用生物信息学的方法探讨影响前列腺癌放疗敏感性的差异基因表达及其生物学功能富集与疾病预后的潜在关系.方法:检索并获取GE O数据库中的关于前列腺癌放疗敏感性差异基因表达的数据(GSM3954350、GSM3954351、GSM3954352),GER2工具对差异基因进行筛选和分析,采用Enrichr数据库进行GO、KEGG富集分析,用Cytoscape软件构建蛋白质互作网络(protein-protein interaction,PPI),分析枢纽基因.结果:共筛选7041个差异表达的基因,其中38