中国癌症杂志 ›› 2021, Vol. 31 ›› Issue (6): 460-467.doi: 10.19401/j.cnki.1007-3639.2021.06.004
董诗洁,胡晓欣,王 葳,杨 孟,岳 磊,童 彤,顾雅佳
DONG Shijie, HU Xiaoxin, WANG Wei, YANG Meng, YUE Lei, TONG Tong, GU Yajia
摘要: 背景与目的:术前寻找可早期用于准确评估淋巴结转移与否的生物标志物极具临床应用价值。探讨MRI影像组学参数预测子宫颈癌淋巴结转移的价值,建立和验证用于术前预测子宫颈癌淋巴结转移的影像组学模型。方法:回顾性分析2015年6月—2019年9月在复旦大学附属肿瘤医院经术后病理学检查证实的子宫颈癌非淋巴结转移患者和子宫颈癌淋巴结转移患者共202例的临床资料,所有患者均经过术前MRI检查。选用MRI图像分别为T2加权图像(T2 weighted image,T2WI)和T1增强图像(T1 contrast +,T1C+)。使用ITK-SNAP软件进行三维手动分割子宫颈癌肿瘤区域。通过开源的python包Pyradiomics和python编程平台jupyter notebook,经过10种图像类型体系和6种特征体系来提取影像组学特征,选取子宫颈癌患者202例,其中未发生淋巴结转移的104例,发生淋巴结转移的98例。T2WI序列和T1C+序列模型分别提取1 923个特征,T2WI联合T1C+序列提取3 846个特征。通过建立影像组学标签,经过机器学习模型验证影像组学标签。最后将训练集和测试集的曲线下面积(area under curve,AUC)、准确率、阳性预测值(positive predictive value,PPV)和阴性预测值(negative predictive value,NPV)作为评估影像组学标签的定量表现。结果:T2WI序列选取特征排序前14名的特征进行分类器训练,训练集AUC=0.810,测试集AUC=0.773。对于T1C+序列选取了特征排序前16名的特征进行分类器训练,训练集AUC=0.819,测试集AUC=0.781。在T2WI联合T1C+序列中选取了特征排序前16名的特征进行分类器训练,训练集AUC=0.841,测试集AUC=0.803。结论:T2WI联合T1C+序列影像组学模型对早期子宫颈癌淋巴结转移有较好的预测能力。