Academic Radiology:利用深度学习和多参数MRI放射组学预测晚期鼻窦鳞癌的早期复发
2023-12-21 shaosai MedSci原创
放射组学是一种新兴的医学影像分析方法,可以从医学影像中提取高维度和定量的特征。在鼻窦成像方面,有报道称放射组学在区分良性和恶性肿瘤和术前组织学分级方面有很大潜力。
鼻窦癌是罕见的侵袭性肿瘤,约占头颈部癌症的3%,其中鼻窦鳞状细胞癌(SNSCC)占大多数病例。SNSCC发生在充满空气的腔体中,具有非特异性的临床症状,因此许多患者被诊断时已为晚期,而局部晚期疾病的5年总生存率仍然低于50%。因此,预测晚期SNSCC患者手术切除后的早期复发(ER)率有助于临床医生的治疗决策。
肿瘤-淋巴结-转移(TNM)分期可用于预测ER的风险。也有研究表明,恶性肿瘤的组织逻辑等级和Ki-67与ER有关。然而,肿瘤的高度异质性限制了这些单一临床参数的预测准确性。目前,临床上还缺乏一个广泛接受的模型来准确预测SNSCC手术后的ER。
放射组学是一种新兴的医学影像分析方法,可以从医学影像中提取高维度和定量的特征。在鼻窦成像方面,有报道称放射组学在区分良性和恶性肿瘤和术前组织学分级方面有很大潜力。此外,最近的一项研究使用基于表观扩散系数(ADC)的放射组学来预测晚期SNSCC的ER。然而,单一序列和机器学习算法,手动勾画病变的预测性能十分有限。
近日,发表在Academic Radiology杂志的一项研究开发和验证了一个结合基于多参数MRI放射组学和临床病理学的用于评估SNSCC患者2年复发风险的自动预测工具,为临床进行准确准确的术前风险分层及预后评估提供了技术支持。
研究使用的术前MRI数据集回顾性地收集了265名接受术前MRI检查的SNSCC患者(145名复发患者),包括T2加权(T2W)、增强T1加权(T1c)序列和扩散加权(DW)。所有患者被分为165个训练队列和70个测试队列。基于VB-Net的深度学习分割模型被用来分割术前MRI的感兴趣区域(ROI),并从自动分割的ROI中提取放射组学特征。使用最小绝对收缩和选择算子(LASSO)和逻辑回归(LR)进行特征选择和放射组学评分的构建。结合有意义的临床病理预测因素开发了一个列线图,并对其性能进行了评估。此外,使用X-title软件将患者分为高风险或低风险的早期复发(ER)亚组,并对每个亚组的无复发生存概率(RFS)进行了评估。
放射组学评分、T分期、组织学等级和Ki-67预测因子是独立的预测因子。T2WI、T1c和表观弥散系数(ADC)序列的分割模型在测试队列中的Dice系数分别达到0.720、0.727和0.756。RS-T2、RS-T1c和RS-ADC是由单参数MRI得出的。RS-Combined(结合T2WI、T1c和ADC特征)来自多参数MRI,在测试队列中达到曲线下面积(AUC)和准确率分别为0.854(0.749-0.927)和74.3%(0.624-0.840)。校准曲线和决策曲线分析(DCA)说明了其在临床实践中的价值。Kaplan-Meier分析显示,在训练和测试队列中,低风险患者的2年RFS率都明显高于高风险患者(P < 0.001)。
图 手动分割和自动分割的结果。在每一行的T2WI、T1c、ADC序列中: (a) 原始图像、(b)手动分割结果(绿色)和自动分割结果(红色)
研究表明,基于多序列MRI的自动列线图模型有助于术前预测SNSCC患者的ER。
原文出处:
Mengyan Lin,Naier Lin,Sihui Yu,et al.Automated Prediction of Early Recurrence in Advanced Sinonasal Squamous Cell Carcinoma With Deep Learning and Multi-parametric MRI-based Radiomics Nomogram.DOI:10.1016/j.acra.2022.11.013
作者:shaosai
版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#深度学习# #鼻窦鳞癌#
76