摘要
目的探讨影像组学在预测宫颈癌患者同步放化疗完全缓解的应用价值。 方法收集2018-5~2020-10于我院行同步放化疗的宫颈癌患者80例，所有患者治疗前后均行常规平扫+增强磁共振检查，参照放化疗周期结束后是否存在肿瘤残留分为完全缓解组（PCR）与非完全缓解组（NPCR）。将全部患者治疗前磁共振T2WI矢状位图像从PACS系统以BMP格式导出，应用图像分析软件Mazda导入图像，逐层勾画肿瘤区域，获得肿瘤的三维影像信息，运行软件特征分析功能，得到101组影像特征信息。应用高级计算机语言Python导入数据，将数据进行标准化及随机化处理，应用最小绝对收缩和选择算子（LASSO）特征筛选的方法，将与结果相关性不大的特征的系数计算为0，依靠筛选出来的特征建立3种预测模型，分别为：逻辑回归模型、随机森林模型和支持向量机模型，应用五折交叉验证比较其预测性能的优劣，筛选出较好的预测模型。绘制预测模型的受试者特性曲线（ROC），计算其预测效能AUC，可信区间95%，以p＜0.05为差异有统计学意义。将有意义的筛选特征与其系数相乘，求和，并加上其常量可以得到患者的影像组学评分R_score,计算得到每个患者的R_score，与患者的临床一般资料（年龄、肿瘤直径，肿瘤分化程度，月经初潮年龄、怀孕与生育数量）进行组合，根据治疗效果分组行进二元逻辑回归分析，计算得到各个变量对结果影响的显著性sig即p值，以p＜0.05具有显著性差异，p＞0.05不具有显著差异。 结果 1.通过最小绝对收缩和选择算子（LASSO）特征筛选，成功得到了6组具有预测性能的影像组学特征：三维直方图第99百分位特征[Perc.99%3D]，自相关[S(1,0,0)Correlat]，差方差[S(0,1,0)DifVarncshang]，和熵[S(1,-1,0)SumEntrp]，熵[S(0,0,1)Entropy]，游程长度不均匀性[135dr_RLNonUni]及各自的特征系数。 2.利用五折交叉验证比较所选特征建立的预测模型，逻辑回归、随机森林、支持向量机，最终支持向量机模型结果具有较高的准确性及稳定性。 3.利用LASSO筛选得到的特征及其系数能够计算得到每位患者与治疗结果相关的影像组学评分R_score，将影像组学评分与患者的临床因素进行二元逻辑回归分析，得到各个参数的显著性，只有组学评分的p=0.02＜0.05,其余临床资料p值均大于0.05。 结论 1.利用影像组学的方法分析宫颈癌MRI图像的特征信息，具有预测其放化疗后完全缓解（PCR）的能力； 2.本实验中，支持向量机模型相比其他模型具有较好的可靠性和稳定性。 3.通过影像组学特征参数建立的组学得分R_score与其他临床信息相比是唯一能够预测疗效的指标。
NETL