基于生境影像组学的列线图模型预测宫颈癌的淋巴血管间隙浸润
RSS 订阅 · 临床放射学杂志
该双中心回顾性研究纳入215例经病理确诊的宫颈癌患者，采用k-means聚类算法分割ADC图的肿瘤亚区域，构建生境影像组学模型预测LVSI。
要点
- 低扩散亚区影像组学模型对LVSI的预测效能优于全肿瘤模型和高扩散亚区模型
- FIGO分期和深部间质浸润是LVSI阳性的独立预测因子（P<0.05）
核心结论
- 列线图模型对宫颈癌患者LVSI的术前预测具有较高的诊断价值，并有助于指导临床决策
- 低扩散亚区模型在训练集与验证集中的AUC值最高，分别为0.867和0.799
- 列线图模型的预测效能最佳，在训练集的AUC、敏感度和特异度分别为0.885、0.743和0.872，在验证集中分别为0.807、0.766和0.794
研究设计与样本
- 双中心回顾性研究，纳入215例经术后病理确诊的宫颈癌患者，训练集163例，验证集52例
- 基于ADC图采用k-means聚类算法分割肿瘤区域，提取影像组学特征
- 构建全肿瘤模型、低扩散亚区模型、高扩散亚区模型三类影像组学预测模型，采用4种机器学习算法建模
- 通过单因素、多因素Logistic回归筛选独立临床危险因素，联合最佳影像组学模型构建列线图
- 采用ROC曲线、DeLong检验和决策曲线分析比较模型性能，使用SHapley加法解释分析评估特征影响
诊断标准与关键数值
- 低扩散亚区模型在训练集和验证集中的AUC分别为0.867和0.799
- FIGO分期、深部间质浸润是与LVSI阳性相关的独立预测因子（P<0.05）
临床应用与阅片要点
- 术前MR扫描时应重点关注ADC图上肿瘤的扩散异质性，低扩散亚区域特征对LVSI预测价值更高
- 报告中需准确评估FIGO分期和间质浸润深度，这两个因素是LVSI的独立预测因子
- 可结合影像组学特征、FIGO分期和深部间质浸润情况综合评估LVSI风险，辅助临床制定个体化治疗方案
局限性
- 回顾性研究设计存在固有偏倚
- 双中心研究但样本量相对有限，验证集仅52例
原文图文
目的 基于表观扩散系数（ADC）的亚区域特征解释宫颈癌的异质性,开发和验证用于预测淋巴血管间隙浸润（LVSI）的列线图模型。 方法 回顾性纳入两个中心经术后病理确诊的215例宫颈癌患者,分为训练集（ n =163）和验证集（ n =52）。基于ADC图,采用k-means聚类算法分割肿瘤区域,提取影像组学特征,构建三类影像组学预测模型,包括全肿瘤模型、低扩散亚区模型、高扩散亚区模型,采用4种机器学习算法进行建模。通过单因素、多因素 Logistic 回归筛选出独立临床危险因素构建临床模型。最终选择最佳影像组学模型,联合临床高危因素构建列线图模型。通过受试者工作特征（ROC）曲线、 DeLong 检验和决策曲线分析比较模型的性能及临床净获益。SHapley加法解释分析用于衡量每个特征对模型预测的影响。 结果 多因素分析发现,FIGO分期、深部间质浸润是与LVSI阳性相关的独立预测因子（ P <0.05）。低扩散亚区模型在训练集与验证集中的曲线下面积（AUC）值最高（分别为0.867、0.799）。列线图模型的预测效能最佳,其在训练集的AUC、敏感度和特异度分别为0.885、0.743和0.872,在验证集中分别为0.807、0.766和0.794。 结论 列线图模型对宫颈癌患者LVSI的术前预测具有较高的诊断价值,并有助于指导临床决策。
来源：临床放射学杂志，查看原文。版权归原作者所有。
引用
- 临床放射学杂志：基于生境影像组学的列线图模型预测宫颈癌的淋巴血管间隙浸润
供执业医师工作参考，不替代临床判断；数值与分级以指南原文为准。