CT定量分析结合影像组学对大于10mm肺磨玻璃结节的病理预测研究
作者单位:大连医科大学
学位级别:硕士
导师姓名:李智勇
授予年度:2023年
学科分类:1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 100201[医学-内科学(含:心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 100214[医学-肿瘤学] 100106[医学-放射医学] 10[医学]
摘 要:第一部分鉴别大于10mm纯磨玻璃结节中的微浸润性腺癌和浸润性腺癌目的:探索计算机断层扫描(Computed tomography,CT)定量分析结合影像组学对纯磨玻璃结节(Pure ground-glass nodules,pGGN)中的两种主要肺腺癌类型:微浸润性腺癌(Minimally invasive adenocarcinoma,MIA)和浸润性腺癌(Invasive adenocarcinoma,IA)进行精准鉴别的可能性。材料和方法:回顾性收集经术后病理证实为MIA或IA且术前CT图像上病灶直径≥10mm的pGGN患者资料。在训练集中,采用单因素和多因素回归分析患者临床资料、CT语义及定量特征,并建立标准CT模型。手动分割病灶并提取影像组学特征,筛选后利用6种机器学习方法建立影像组学模型。通过比较受试者工作特征曲线下面积(Area under curve,AUC)评估标准CT模型、影像组学模型及联合标准CT模型与最佳影像组学模型的结合模型的性能。招募四位专家分别评估验证集中的pGGN,将专家和模型的诊断性能进行比较。结果:198名患者的200个pGGN被纳入研究。形状及定量特征体积、最大横断面平均CT值被用于建立标准CT模型。在训练集中,10个组学特征被确定为最优特征子集,6种机器学习方法建立的组学模型的性能均高于标准CT模型。验证集中,逻辑回归模型表现稳定(AUC=0.877)并具有比标准CT模型(AUC=0.828)更高的性能;经多因素分析,组学评分Radiomics_score是IA的独立预测因子。结合模型没有显示出较组学模型性能上的明显提高。与四位专家的诊断相比,影像组学模型在区分IA和MIA方面的表现更好。结论:对于大于10mm的pGGN,影像组学模型在区分IA和MIA时表现优良,有助于临床医生进行治疗方案选择和术前评估。第二部分识别大于10mm纯磨玻璃结节中贴壁为主的肺腺癌目的:评估CT定量特征及影像组学在诊断大于10mm纯磨玻璃结节(Pure ground-glass nodules,pGGN)中贴壁为主的肺腺癌时的价值。材料和方法:回顾性分析204名大尺寸(≥10mm)pGGN患者的CT图像,患者术后病理诊断为贴壁为主的肺腺癌(包括微浸润性腺癌[Minimally invasive adenocarcinoma,MIA]和贴壁为主的浸润性腺癌[Lepidic predominant adenocarcinoma,LPA])或非贴壁为主的浸润性腺癌(Non-lepidic predominant invasive adenocarcinoma,NLPA)。将两组(MIA/LPA和NLPA)中的pGGN随机分为训练集和验证集。分析训练集中患者临床数据和CT语义、定量参数以建立基线模型;并建立具有最佳组学特征的影像组学模型;最后,使用最佳组学标签和基线独立预测因子建立结合模型。对三个模型的性能及三位放射科医生的鉴别诊断能力进行评估和比较,并利用来自其他医院的47名患者组成的测试集进行外部验证。结果:逻辑回归方法建立的影像组学模型(训练集AUC=0.833;验证集AUC=0.804;外部测试集AUC=0.792)和结合模型(AUC值分别为0.849、0.820和0.775)的鉴别能力优于包括肿瘤位置和结节平均CT值两个特征的基线模型(AUC值分别为0.756、0.762和0.725)。DeLong检验表明,结合模型和影像组学模型的AUC在训练集中显著增加。放射科医生诊断最高AUC值为0.600。结论:CT影像组学的应用能够提高对表现为大于10mm纯磨玻璃结节的贴壁为主肺腺癌的识别能力。第三部分大于10mm混合磨玻璃结节样肺腺癌的CT影像和病理对照研究目的:通过术前CT定量分析结合放射组学预测大于10mm的混合磨玻璃结节(Mixed ground-glass nodules,mGGN)样肺腺癌的组织学侵袭性。材料和方法:这项回顾性研究包括在2011年11月至2018年12月期间接受手术切除并被诊断为微浸润性腺癌(Minimally invasive adenocarcinoma,MIA)或浸润性腺癌(Invasive adenocarcinoma,IA)的112名患者,其病灶在CT上表现为mGGN≥10mm。对患者的CT影像进行语义特征、定量特征和组学分析,利用逻辑回归方法建立基线模型、影像组学模型和结合模型。结果:在训练集中,基线模型(分叶征、质量)、影像组学模型和结合模型分别获得了0.792、0.822、0.843的AUC值。而验证集中三个模型AUC值分别为0.779、0.786及0.806。诺莫图显示,相比于两个基线特征,rad_score是唯一的独立预测因子。结论:对于大于10mm的mGGN,影像组学