摘要
目的 对FIGO（FederationInternationalofGynecologyandObstetrics，国际妇产科联合会）分期IB-IIA期的早期宫颈癌患者，根治性手术和根治性放化疗可以取得同等的生存结局。接受手术治疗的患者中，相当大一部分因合并预后不良因素需要补充术后放疗，以降低局部复发和远处转移的概率。对这部分患者而言，手术+放疗的治疗模式，会使患者遭受由手术和放疗带来的双重并发症，且增加治疗费用和住院时长，故根治性放化疗或许是其更佳的治疗选择。目前早期宫颈癌患者术后放疗指征以术后病理为金标准，术前主要依靠传统影像学和妇检肿瘤大小来判断，其准确率有待提高。基于人工智能的影像组学技术能从图像中提取高通量特征映射肿瘤异质性，已成功在多种癌症中建立比传统方法更准确的对预后不良因素的预测模型，但尚未有研究对宫颈癌术后放疗概率做出预测。本研究将基于盆腔增强CT（ComputedTomography，计算机断层扫描）影像组学结合临床特征的诺模图预测早期宫颈癌（FIGOIB-IIA）患者术后辅助放疗概率。 方法 回顾性收集了200例术前分期FIGOIB-IIA期的在我院行宫颈癌根治术的宫颈鳞癌/腺癌患者的术前增强CT图像及临床病理资料，将其随机分为训练组（n=140）和验证组（n=60）。在所有患者的CT图像中勾画感兴趣区域（ROI，RegionofInterest），提取影像组学特征，并通过单因素分析、套索分析、逻辑逐步回归筛选有意义的影像组学特征，构建影像组学逻辑回归模型。通过单因素及多因素分析得到有意义的临床特征，构建临床逻辑回归模型，并联合影像组学特征和临床特征构建综合模型，选出三个模型中最优的综合模型，构建可视化诺模图。 结果 从提取出的1595个影像组学特征中筛选出8个有意义的影像组学特征，建立影像组学模型，在训练组和验证组中的AUC（AreaUnderCurve，曲线下面积）值分别为0.761(95%CI0.678-0.845)、0.748(95%CI0.624-0.872)。从临床资料中筛选出5个有意义的临床特征：FIGO分期、CT淋巴结转移情况、触诊肿瘤大小、病理类型（腺癌/鳞癌）、红细胞数目，构建相应的临床模型，训练组AUC值可达0.887(95%CI0.893-0.979),验证组AUC达0.815(95%CI0.772-0.963)，较影像组学模型有所提高。结合影像组学特征和临床特征构建的综合模型训练组AUC值高达0.936(95%CI0.834-0.940),验证组AUC高达0.867(95%CI0.703-0.926)，综合模型在AUC值、准确度、灵敏度等方面相较于前两个模型有了进一步提升，且在亚组分析中，在临床模型预测术后观察患者中加入影像组学特征，可以进一步筛选术后放疗人群、提高模型预测准确率，因此认为，综合模型为三者中最稳健的模型，预测性能良好。基于综合模型构建的可视化诺模图，校准曲线也显示出良好的一致性。 结论 基于增强CT影像组学和临床特征构建的诺模图可以预测早期宫颈癌（FIGOIB-IIA）患者术后辅助放疗概率，模型预测效果佳，有临床应用前景。
NETL