目的:基于多模態(tài)磁共振成像（MRI）影像組學(xué)策略構(gòu)建膀胱癌肌層浸潤預(yù)測模型,實現(xiàn)膀胱癌肌層浸潤術(shù)前準(zhǔn)確預(yù)測。方法:選取在醫(yī)院就診的54例膀胱癌患者術(shù)前T2加權(quán)成像（T2WI）、彌散加權(quán)成像（DWI）和表觀彌散系數(shù)（ADC）3種影像模態(tài)圖譜資料,其中術(shù)后病理診斷為非肌層浸潤膀胱癌（NMIBC）24例,肌層浸潤膀胱癌（MIBC）30例。對腫瘤區(qū)域進行勾勒,并提取灰度直方特征、灰度共生矩陣（GLCM）特征和灰度游程矩陣（GLRLM）特征,共計提取3類特征中的1 104個影像特征。采用特征回歸剔除算法進行特征選擇,并利用非線性支持向量機（SVM）結(jié)合所選特征構(gòu)建預(yù)測模型,用于計算MIBC與NMIBC的預(yù)測準(zhǔn)確率和受試者特征（ROC）曲線下面積（AUC）。結(jié)果:經(jīng)過對3種模態(tài)中提取的1 104個特征進行選擇,最終選出19個最優(yōu)特征。利用最優(yōu)特征與SVM分類器構(gòu)建的預(yù)測模型對MIBC與NMIBC的預(yù)測準(zhǔn)確率和AUC分別為91.22%和0.9756。結(jié)論:提出的影像組學(xué)策略能夠準(zhǔn)確預(yù)測膀胱癌肌層浸潤性,對于最佳治療策略的制定具有重要指導(dǎo)意義。 

【文章來源】：中國醫(yī)學(xué)裝備. 2020,17(09)

【文章頁數(shù)】：5 頁

【部分圖文】：

在1104個影像組學(xué)特征中選擇的19個最優(yōu)特征3.3最優(yōu)特征在3種MRI模態(tài)中的分布

??羌?層浸潤性膀胱癌(non-muscle-invasivebladdercancer，NMIBC)，臨床常采用放化療與經(jīng)尿道膀胱腫瘤切除術(shù)(Transurethralresection，TUR)等治療方式，其術(shù)后5年生存率高達96%[7-9]。25%～30%的患者確診時其病灶已浸潤至肌層，為肌層浸潤性膀胱癌(muscle-invasivebladdercancer，MIBC)，臨床常采用根治性膀胱全切術(shù)(radicalcystectomy，RC)進行治療，其術(shù)后5年生存率為33%～75%[5,10]。因此，膀胱癌肌層浸潤性早期精準(zhǔn)診斷，對患者的治療與預(yù)后至關(guān)重要。膀胱腫瘤分期與浸潤位置對應(yīng)關(guān)系[9]見圖1。圖1膀胱腫瘤分期與浸潤位置對應(yīng)關(guān)系(改編自文獻[9])2基于多模態(tài)MRI影像組學(xué)的預(yù)測模型構(gòu)建2.1膀胱腫瘤數(shù)據(jù)獲取選取2012年6月至2017年3月在唐都醫(yī)院就診的54例術(shù)后確診為膀胱癌患者資料，其中24例術(shù)后病理診斷為NMIBC，30例為MIBC。收集其相應(yīng)的術(shù)前多模態(tài)MRI數(shù)據(jù)，其中包括T2-加權(quán)成像(T2weightedimaging，T2WI)、彌散加權(quán)成像(diffusion-weightedimaging，DWI)和相應(yīng)的表觀彌散系數(shù)(apparentdiffusioncoefficient，ADC)3種影像模態(tài)圖譜。從每例患者的多模態(tài)MRI中尋找腫瘤最大的圖層，然后從中勾勒出腫瘤感興趣區(qū)域(regionofinterest，ROI)。采取多個灰階尺度，對圖像進行離散化處理，并從每個尺度的離散化圖像中提取紋理特征。多尺度離散化過程計算為公式1：Irescale(x)=Grayscale×+1(1)I(x)-min[I(x)]max[I(x)]-min[I(x)]式中Grayscale為需要標(biāo)準(zhǔn)化到哪一個灰度等級，在本研究中Grayscale∈{8,16,32,64,128}[12]；Irescale為標(biāo)準(zhǔn)化到某一個Grayscale的圖像數(shù)據(jù)；I(x)為原始圖像像素灰度值，min[I(x)]和max[I(x)]分別

下面積(areaunderthecurve，AUC)等指標(biāo)量化評估預(yù)測效果。3結(jié)果3.1影像組學(xué)特征的相關(guān)性分析由于從T2WI、DWI和ADC的3種MRI圖像模態(tài)中分別提取了3類影像組學(xué)共計1104個特征，且存在一定的相關(guān)性。那些具有一定相關(guān)性的特征之間可能存在不同程度的特征冗余，若直接將其用于預(yù)測模型構(gòu)建，往往導(dǎo)致模型過擬合，從而影響模型的穩(wěn)定性與泛化能力。為了直觀反應(yīng)特征之間的相關(guān)性，利用相關(guān)性分析方法，對以上任意兩個特征之間的相關(guān)性進行分析，并求取互相關(guān)系數(shù)絕對值，從而可視化表征以上特征的相關(guān)性程度，見圖2。圖2在1104個影像組學(xué)特征中的互相關(guān)系數(shù)絕對值圖譜圖2顯示，所有1104個特征任意兩個的相關(guān)性計算結(jié)果顏色越趨于暖色區(qū)域，表明特征之間的相關(guān)性越強，反之越趨于冷色區(qū)，表明相關(guān)性越弱。從中可直觀顯示：這1104個特征之間存在顯著特征相關(guān)性，可能在這些兩兩嚴重相關(guān)的特征之間存在冗余。3.2基于SVM-RFE的最優(yōu)特征選擇在1104個影像組學(xué)特征之間存在一定的相關(guān)性，存在特征冗余。由于在基于SVM的分類模型構(gòu)建中，特征冗余通常會造成模型過擬合，降低其預(yù)測穩(wěn)定性與泛化能力。因此，采用SVM-RFE的特征選擇算法，從以上1104個特征中選擇一組具有最高分類AUC值的特征子集作為最佳特征集，用于進一步構(gòu)建分類模型�；赟VM-RFE的特征選擇結(jié)果中顯示，經(jīng)過SVM-RFE特征排序后，前19個特征在預(yù)分類中可獲得高達0.9819的AUC值，因此被選為最優(yōu)特征子集，用于接下來的預(yù)測模型構(gòu)建，見圖3。圖3在1104個影像組學(xué)特征中選擇的19個最優(yōu)特征注：圖中條棒的長度越短則排序越靠前圖419個最優(yōu)特征的具體名稱及其在3種MRI模態(tài)中的分布3.3最優(yōu)特征在3種MRI模態(tài)中的分?


本文編號：3287674