摘要
第一部分基于影像组学特征及模型在鉴别结直肠癌肝转移与乳腺癌肝转移的研究 目的应用机器学习影像组学特征及模型鉴别结直肠癌肝转移与乳腺癌肝转移，评估模型的诊断效能。 方法将112例结直肠癌肝转移与118例乳腺癌肝转移患者按照7：3比例随机为训练集与验证集（训练：160例，验证：70例）。对已勾画ROI的患者肝脏的增强CT门静脉期图像进行预处理，然后提取出895个影像组学特征，分别釆用T检验和最小绝对收缩选择算子对以上特征进行降维处理，从中得出最优特征集合，并创建逻辑回归模型。使用受试者工作曲线下面积（AUC）值、准确度、敏感度、特异度及FI评分评估模型的诊断效能。 结果在训练集中，结直肠癌肝转移患者78例，乳腺癌肝转移患者82例；在验证集中，结直肠癌肝转移患者34例，乳腺癌肝转移患者36例。经过降维，最终筛选出10个差异最大的组学特征，分别是original_shape_Elongation、original_shape_Maximum3DDiameter、original_shape_Sphericity、original_firstorder_Skewness、wavelet-HLL_glrlm_GrayLevelNonUniformityNormalized、wavelet-HLH_glrlm_RunEntropy、wavelet-HHL_glszm_ZoneEntropy、wavelet-HHH_glrlm_LongRunEmphasis、wavelet-HHH_glszm_ZoneEntropy、wavelet-LLL_glszm_SizeZoneNonUniformityNormalized。建立逻辑回归模型，ROC曲线结果显示，训练集LR模型鉴别诊断CRLM和BCLM的AUC为0.94（P＜0.05），准确率为0.86，敏感度为0.87，特异度为0.91，FI评分为0.90；验证集LR模型诊断CRLM和BCLM的AUC为0.91（P＜0.05），准确率为0.89，敏感度为0.83，特异度为0.89，FI评分为0.89。 结论基于CRLM及BCLM的门静脉期CT增强图像，应用影像组学的方法，在影像组学特征上有效的鉴别两种不同部位来源的肝转移病灶，为临床针对原发灶不明的转移性肝癌寻找原发灶提供了新的思路。 第二部分基于机器学习影像组学特征及模型在结直肠癌肝转移与微卫星不稳定性相关性研究 目的应用机器学习影像组学特征及模型鉴别高频微卫星不稳定性结直肠癌肝转移与低频微卫星不稳定性结直肠癌肝转移，评估模型的诊断效能。 方法将12例MSI-H型CRLM患者，96例MSI-L型CRLM患者按照7：3比例随机为训练集与验证集（训练：75例，验证：33例）。对患者肝脏的增强CT门静脉期图像进行特征提取、降维，筛选得出最优的特征集合，并创建一个随机森林模型。使用受试者工作曲线下面积（AUC）值、准确度、敏感度、特异度及F1评分来判定模型的临床诊断效能。 结果在训练集中，MSI-H型CRLM患者8例，MSI-L型CRLM患者67例；在验证集中，MSI-H型CRLM患者4例，MSI-L型CRLM患者29例。经过降维，最终筛选出7个差异最大的组学特征，分别是original_shape_Elongation、wavelet-LLH_glcm_Idn、wavelet-LHL_firstorder_Skewness、wavelet-LHL_glrlm_ShortRunLowGrayLevelEmphasis、wavelet-HLH_glszm_SmallAreaLowGrayLevelEmphasis、wavelet-HHH_glrlm_RunLengthNonUniformityNormalized、wavelet-LLL_glszm_SmallAreaHighGrayLevelEmphasis。建立随机森林模型，使用5折交叉验证后ROC曲线结果显示，训练集RF模型鉴别诊断MSI-H型和MSI-L型CRLM的AUC为0.88（P＜0.05），准确率0.85，敏感度为0.85，特异度0.92，FI评分为0.88；验证集RF模型诊断MSI-H型和MSI-L型CRLM的AUC为0.75（P＜0.05），准确率0.74，敏感度为0.81，特异度为0.85，FI评分为0.78。 结论应用影像组学的方法基于门静脉期的CT增强图像建立预测模型，可以有效的鉴别MSI-H型及MSI-L型CRLM，从而在未知MSI的情况下，可为临床免疫治疗制订方案提供有效辅助手段，从而延缓转移进展，延长患者生存时间。
NETL