基于CT的影像组学术前预测胃癌Ki-67表达水平的研究
Preoperative assessment of Ki-67 status in gastric cancer with CT-based radiomics approach作者机构：南方医科大学第二临床医学院广州510515 广东省人民医院放射科 华南理工大学计算机科学与工程学院 汕头大学医学院 华南理工大学医学院
出 版 物：《国际医学放射学杂志》 (International Journal of Medical Radiology)
年 卷 期：2020年第43卷第6期
页 面：631-638页
学科分类：1002[医学-临床医学] 100214[医学-肿瘤学] 10[医学]
主 题：胃癌 影像组学 Ki-67 体层摄影术,X线计算机 诺谟图
摘 要：目的 基于CT影像建立手工特征和深度学习特征的标签,并联合临床危险因素建立影像组学模型,探讨模型对术前胃癌病人Ki-67表达水平的诊断效能.方法 回顾性收集2009年1月—2019年1月行上腹部CT增强扫描且术后行胃癌组织Ki-67表达水平检测的468例胃癌病人的影像和临床病理资料,随机分为训练集(310例)和验证集(158例),并根据Ki-67表达水平将病人分为高表达组(训练集177例,验证集79例)和低表达组(训练集133例,验证集79例).在训练集中基于CT影像分别提取、筛选肿瘤的手工特征及深度学习特征以建立影像组学标签,并联合临床信息进行多因素逻辑回归分析,构建可术前个体化预测胃癌Ki-67表达水平的影像组学模型.采用受试者操作特征(ROC)曲线分别评价训练集与验证集中影像组学标签及联合模型预测Ki-67表达水平的效能,并计算曲线下面积(AUC).采用校准曲线评估联合预测模型术前预测Ki-67状态的结果与术后病理真实状态的拟合度,采用决策曲线分析(DCA)计算联合模型的净获益的阈值概率.采用独立样本t检验或卡方检验对高低表达组间的临床和病理特征、影像组学评分进行比较.结果 最终获得与胃癌Ki-67水平显著相关的20个影像组学特征(9个手工特征,11个深度学习特征),结合多因素逻辑回归分析得到的临床危险因素(年龄)构建影像-临床联合预测模型,并将该模型可视化为诺谟图.ROC曲线示单纯的影像组学标签预测Ki-67表达水平的AUC在训练集和验证集分别为0.637(95％CI:0.570～0.704)和0.724(95％CI:0.641～0.807).加入了临床危险因素的联合模型可在术前更好地预测胃癌Ki-67表达水平,训练集和验证集的AUC分别为0.656(95％CI:0.589～0.724)和0.733(95％CI:0.650～0.816).校准曲线评估显示联合模型在验证集中有更好的拟合度,DCA表明影像组学联合模型具有良好的临床应用价值.结论 基于CT影像建立的手工和深度影像组学标签,并结合临床危险因素建立的联合预测模型可作为术前评估胃癌病人Ki-67表达状态的一种无创性辅助工具,有利于协助临床决策,改善病人预后.
