摘要
研究目的:评估基于18F-FDGPET/CT、68Ga-NOTA-PRGD2PET/CT和99mTc-3PRGD2SPECT/CT图像的传统影像组学模型以及基于对18F-FDGPET图像深度学习的影像组学模型，在肺部占位性病变良恶性鉴别及肺癌病理亚型分类中的诊断效能。 研究方法:回顾性分析2011～2013年北京协和医院64例肺部占位性病变病历资料，其中48例参加了68Ga-NOTA-PRGD2PET/CT和18F-FDGPET/CT临床试验，另外16例参加了99mTc-3PRGD2SPECT/CT和18F-FDGPET/CT临床试验，所有纳入病例肺部病变均有病理诊断证实。利用LIFExv5.10软件手动描绘并提取图像特征参数。 对行68Ga-NOTA-PRGD2PET/CT和18F-FDGPET/CT的48例病例，评估其图像特征参数对病变良恶性鉴别的诊断效能，并使用Mann-WhitneyU检验比较病变良恶性两组间图像特征的差异。建立病变良恶性鉴别的随机森林模型，使用交叉验证法评估并比较不同模型诊断效能。进一步分析其中30例肺腺癌和鳞癌病例，评估其图像特征参数对肺腺癌和鳞癌分类的诊断效能，并比较肺腺癌和鳞癌两组间图像特征的差异。建立肺腺癌和鳞癌分类的随机森林模型，使用交叉验证法评估并比较不同模型诊断效能。 对行99mTc-3PRGD2SPECT/CT和18F-FDGPET/CT的16例病例，建立病变良恶性鉴别的随机森林模型并使用留一法评估模型效能。对其中9例肺腺癌和鳞癌病例，建立肺腺癌和鳞癌分类的随机森林模型并使用留一法评估模型效能。 对所有64例病例截取18F-FDGPET图像上病变的2D图像，建立病变良恶性鉴别的深度学习模型，同时在相同的数据集上建立随机森林模型，并进行Delong测试以比较两者ROC曲线的差异。对其中39例肺腺癌和鳞癌病例截取病灶2D图像，以相同方法建立肺腺癌和鳞癌分类的深度学习模型和随机森林模型，并比较两者ROC曲线的差异。 研究结果:肺良恶性病变两组间18F-FDGPETSTLG、18F-FDGPETGLZLMHGZE、18F-FDGPETGLZLMSZE、18F-FDGPETGLZLMSZLGE、68Ga-NOTA-PRGD2PETSphericity等特征参数存在统计学差异(P＜0.05)，CTHUmin不存在统计学差异(P＞0.05)，其AUC值分别为0.836、0.834、0.825、0.816、0.811、0.833。肺腺癌和鳞癌两组间CTGLZLMLZE、CTGLZLMLZHGE、68Ga-NOTA-PRGD2PETHISTOEntropylogl0、68Ga-NOTA-PRGD2PETHISTOEnergyUniformity、18F-FDGPETTLG、18F-FDGPETNGLDMCoarseness等特征参数存在统计学差异(P＜0.05)，其AUC值分别为0.892、0.892、0.864、0.864、0.852、0.852。基于CT特征，18F-FDGPET特征，68Ga-NOTA-PRGD2PET特征，CT和18F-FDGPET特征，CT和68Ga-NOTA-PRGD2PET特征，18F-FDGPET和68Ga-NOTA-PRGD2PET特征，以及三模态图像特征分别构建的肺占位良恶性鉴别模型的AUC值分别为0.884、0.920、0.862、0.951、0.895、0.919和0.951，且三模态特征模型AUC值显著(P＜0.05)高于单模态模型;构建的肺腺癌和鳞癌分类模型的AUC值分别为0.921、0.952、0.920、0.947、0.944、0.956和0.960，且三模态特征模型AUC值显著(P＜0.05)高于单模态模型。 基于CT特征，18F-FDGPET特征，99mTc-3PRGD2SPECT特征，CT和18F-FDGPET特征，CT和99mTc-3PRGD2SPECT特征，18F-FDGPET和99mTc-3PRGD2SPECT特征，以及三模态图像特征分别构建的病变良恶性鉴别模型的准确率分别为0.875、0.875、0.875、0.875、0.938、0.938、0.938，构建的肺腺癌和鳞癌分类模型的准确率分别为0.889、0.889、0.778、0.889、0.889、0.889、0.889。 基于18F-FDGPET图像的病变良恶性鉴别深度学习模型AUC值是0.886，传统影像组学模型AUC值是0.975，两者间无显著性差异(P＞0.05)。肺腺癌和鳞癌分类深度学习模型AUC值是0.780，传统影像组学模型AUC值是0.867，两者间无显著性差异(P＞0.05)。 结论:基于核医学图像的传统影像组学模型和深度学习模型在肺部占位性病变良恶性鉴别及肺腺癌和鳞癌分类中具有应用价值。
NETL