摘要
【目的】 本研究旨在建立和验证基于T2WI-BLADE和增强StarVIBE序列的MR影像组学模型，用于提高食管癌术前T分期的准确性，进一步改善食管癌患者个体化治疗。 【方法】 回顾性收集2019年6月~2020年12月期间于梅州市人民医院行手术确诊的食管癌患者共119例。收集并记录其基本信息、一般临床资料及影像资料。所有患者在术前均进行了运动不敏感T2WI-BLADE、增强starVIBE的MRI检查。本研究纳入的119例食管癌患者中，依据其病理分期进行分组，其中T3-T4期（进展期）患者91例，T1-T2期（早期）患者28例。并按7∶3的比例进行随机分组，分为训练组和对照组。 通过图像预处理、ROI勾勒、特征提取、特征降维、模型选择与训练初步建立了基于MRI影像组学的食管癌术前T分期诊断模型。本研究所建立的模型包括模型C（基于常规术前MRI分期及临床参数的临床特征模型）、模型A（基于T2WI-BLADE序列的MR组学模型）、模型B（基于增强starVIBE序列的MR组学模型）、融合了模型A和模型B的融合模型AB及联合了模型A、模型B和模型C的融合模型ABC。并对初步建立的模型进行了全面的性能评价，以验证其具有与预期相符的诊断能力。采用ROC曲线对所建模型的区分效能进行评估，采用列线图实现了模型的可视化，采用NRI和IDI指数对组合模型相较于基础模型的增益进行了评估，采用校准曲线对模型预测概率与实际概率的一致性进行评估，采用决策曲线对模型的临床效益进行评估。 【结果】 1.本研究共纳入食管癌患者119例，其中T3-T4期（进展期）患者91例、T1-T2期（早期）患者28例，两组间年龄、性别及肿瘤位置的差异无统计学意义（P＞0.05）。 2.基于T2WI-BLADE序列及增强starVIBE序列分别进行影像组学特征的提取，经过mRMR、LASSO降维筛选后，模型A（基于T2WI-BLADE序列）最终保留8个特征；模型B（基于增强starVIBE序列）最终保留6个特征。 3.在训练集中模型C、模型A、模型B、融合模型AB和融合模型ABC的AUC分别为0.640（灵敏度96.9%，特异度30.0%），0.884（灵敏度75.0%，特异度90.0%），0.904（灵敏度70.3%，特异度95.0%），0.912（灵敏度82.8%，特异度90.0%）和0.919（灵敏度84.4%，特异度90.0%）。 4.在验证集中模型C、模型A、模型B、融合模型AB和融合模型ABC的AUC分别为0.667（灵敏度85.2%，特异度50.0%），0.847（灵敏度85.2%，特异度75.0%），0.856（灵敏度92.6%，特异度75.0%），0.907（灵敏度85.2%，特异度87.5%）和0.902（灵敏度85.2%，特异度87.5%）。在概率阈值0.05-0.94和0.29-0.96的范围内，训练集和验证集中融合模型ABC的决策曲线处于基准线之上。 【结论】 1.本研究基于T2WI-BLADE序列和增强starVIBE序列的MRI影像组学技术，建立了食管癌术前T分期预测模型。 2.经过验证，本研究建立的诊断模型，特别是融合模型ABC表现出良好的诊断性能，对提高食管癌术前T分期的准确性和个体化治疗管理具有一定的价值。 3.基于MRI的影像组学能提高食管癌术前T分期诊断准确率，可以作为无创的影像分析工具，为食管癌患者个体化治疗提供有价值的参考信息。
NETL