摘要
研究目的 1、探讨基于胃癌原发灶及癌旁胃壁外脂肪组织的CT影像组学鉴别T1-2与T3-4期的模型构建及其应用价值。 2、探讨基于胃癌原发灶及癌旁胃壁外脂肪组织的CT影像组学预测淋巴结有无转移的模型构建及其应用价值。 研究方法 1、回顾性收集2011年12月至2019年12月465例术前行规范胃部CT检查且胃癌切除术后T分期及N分期明确的病例的影像学及临床资料，按照T分期将其分为T1-2期及T3-4期两组，其中T1-2期患者150例，T3-4期患者315例；按照有无淋巴结转移将其分为有淋巴结转移及无淋巴结转移两组，其中有淋巴结转移296例，无淋巴结转移169例。使用ITK-SNAP软件对静脉期CT轴位图像肿瘤原发灶及癌旁胃壁外脂肪组织进行最大层面感兴趣区（regionofinterest,ROI）的手动勾画，使用Pyradiomics软件分别对每位患者的肿瘤原发灶ROI及癌旁胃壁外脂肪组织ROI进行影像组学特征的提取。采用三个步骤的算法对两个区域的ROI的影像组学特征进行筛选：①计算组内相关系数（intraclasscorrelationcoefficient,ICC）评价观察者间信度，剔除ICC低于0.75的特征；②采用Mann-Whitney检验进行特征的初步筛选；③采用最小绝对收缩和选择算子（Leastabsoluteshrinkageandselectionoperator,LASSO）分别筛选出两个ROI与T、N分期相关性最高的影像组学特征。采用分层抽样方法按7：3分为训练集及测试集。选择利用逻辑回归（Logisticregression,LR）、支持向量机（supportvectormachines,SVM）及决策树（DecisionTree,DT）三种方法分别对两个ROI区域筛选得到的特征建立模型，使用受试者工作特性曲线（receiveroperatingcharacteristic，ROC）下面积（areaunderthecurve,AUC）评价各模型鉴别T、N分期的效能，选择效能最好的模型作为影像组学模型。 2、对每例患者筛选后的具体的特征数值按照其权重系数进行加权得到影像组学标签Radscore值，用t检验或卡方检验从6种临床信息中筛选建立临床模型，联合两个影像组学标签及临床特征构建影像组学诺模图。使用AUC评价对比两个ROI的影像组学模型、临床模型及诺模图鉴别T、N分期的效能，采用校准曲线评价模型评估与实际病理结果的匹配性，决策曲线评价模型的临床净收益。 研究结果 1、基于胃癌原发灶和癌旁胃壁外脂肪组织采用三种建模方法构建的三个模型中，逻辑回归模型在两个ROI中的预测T分期的效能最好，其中基于原发灶ROI的在训练集和测试集上的AUC值（0.864、0.836）和基于癌旁胃壁外脂肪组织的在训练集和测试集上的AUC值（0.782、0.784）；均高于CT-T分期和CT-N分期组成的临床模型的AUC值（0.761、0.758）；联合两个影像组学标签及临床特征生成的影像组学诺模图预测效能优于单一影像组学模型和临床模型，在训练集及测试集上的AUC值分别为0.876、0.851。校准曲线和决策曲线反映该影像组学诺模图具有良好的T分期预测性能。 2、基于胃癌原发灶和癌旁胃壁外脂肪组织采用三种建模方法构建的三个模型中，逻辑回归模型在两个ROI中的预测N分期的效能最好，其中基于原发灶ROI的在训练集和测试集上的AUC值（0.806、0.786）和基于癌旁胃壁外脂肪组织的在训练集和测试集上的AUC值（0.778、0.746）；均高于CT-T分期和CT-N分期组成的临床模型的AUC值（0.785、0.695）；联合两个影像组学标签及临床特征生成的影像组学诺模图预测效能优于单一影像组学模型和临床模型，在训练集及测试集上的AUC值分别为0.842、0.788。校准曲线和决策曲线反映该影像组学诺模图具有良好的预测淋巴结转移状态性能。 结论 1、基于胃癌肿瘤原发灶及癌旁胃壁外脂肪组织的CT影像组学特征构建影像组学模型能较好地区分T1-2与T3-4期胃癌，联合CT影像组学特征标签和临床特征构建诺模图能进一步提升其预测准确性。 2、基于胃癌肿瘤原发灶及癌旁胃壁外脂肪组织的CT影像组学特征构建影像组学模型能较好地预测胃癌淋巴结转移状态，联合CT影像组学特征标签和临床特征构建诺模图能进一步提升其预测准确性。
NETL