分享自:

基于低剂量CT影像组学特征的纯磨玻璃结节浸润性腺癌预测

期刊:Br J RadiolDOI:10.1259/bjr.20211048

该文档属于类型a,以下是根据要求生成的学术报告:


研究作者及机构
本研究由Yong Li, Jieke Liu, Xi Yang, Hao Xu, Haomiao Qing, Jing Ren和Peng Zhou共同完成,他们来自四川肿瘤医院放射科、四川肿瘤中心以及电子科技大学医学院。研究于2022年发表在《British Journal of Radiology》期刊上,文章标题为《Prediction of invasive adenocarcinomas manifesting as pure ground-glass nodules based on radiomic signature of low-dose CT in lung cancer screening》。

学术背景
肺癌是全球范围内致死率最高的癌症之一,早期筛查和诊断对于提高患者生存率至关重要。低剂量CT(low-dose CT, LDCT)已被广泛用于肺癌筛查,尤其是在亚洲人群中,显著提高了肺磨玻璃结节(ground-glass nodules, GGNs)的检出率。GGNs中约90%为腺癌,其病理类型包括非典型腺瘤样增生(atypical adenomatous hyperplasia, AAH)、原位腺癌(adenocarcinoma in situ, AIS)、微浸润腺癌(minimally invasive adenocarcinoma, MIA)和浸润性腺癌(invasive adenocarcinoma, IA)。AIS和MIA的5年无病生存率接近100%,而IA的生存率则显著降低,因此准确区分IA与AIS/MIA对于临床决策至关重要。然而,尽管纯磨玻璃结节(pure ground-glass nodules, pGGNs)通常被认为是AIS/MIA,但仍有18.0%至40.4%的pGGNs最终被诊断为IA。本研究旨在基于LDCT的放射组学特征,开发一种预测pGGNs中IA的模型,并与传统的定量和语义特征、标准剂量CT(standard-dose CT, SDCT)的放射组学模型以及术中冰冻切片(frozen section, FS)诊断进行比较。

研究流程
本研究分为以下几个主要步骤:
1. 研究对象及数据收集
研究回顾性分析了2018年7月至2020年12月期间在四川肿瘤医院接受LDCT和SDCT扫描的132名患者的147个pGGNs。所有结节均经手术病理证实。研究对象分为主要队列(43个IA和60个AIS/MIA)和验证队列(19个IA和25个AIS/MIA)。
2. 影像获取与分割
所有患者均使用256层多排CT扫描仪进行LDCT和SDCT扫描。结节的三维分割通过基于深度学习的UAI平台自动完成,并由两名经验丰富的胸部放射科医生评估分割结果。
3. 定量-语义模型构建
从LDCT和SDCT图像中提取常规定量特征(如直径、体积和平均衰减值)和语义特征(如结节形状、边缘、分叶、毛刺等)。通过多变量逻辑回归构建定量-语义模型。
4. 放射组学特征提取与选择
从分割后的结节中提取104个原始放射组学特征,包括形状、一阶统计量和纹理特征。通过Mann-Whitney U检验、最小冗余最大相关性(minimum redundancy-maximum relevance, mRMR)和最小绝对收缩与选择算子(least absolute shrinkage and selection operator, LASSO)选择最具预测性的特征,并构建放射组学模型。
5. 模型性能评估
使用受试者工作特征曲线下面积(area under curve, AUC)、敏感性、特异性和准确性评估定量-语义模型、LDCT放射组学模型、SDCT放射组学模型和FS模型的诊断性能。
6. 统计分析
使用R软件、MedCalc和SPSS进行统计分析,比较各模型的AUC差异,并通过Hosmer-Lemeshow检验评估模型的拟合优度。

主要结果
1. 定量-语义模型
在主要队列中,定量-语义模型的AUC为0.879(95% CI, 0.801-0.935),在验证队列中为0.897(95% CI, 0.768-0.968)。最终模型中包含体积、平均衰减值和空泡征(vacuole sign)。
2. 放射组学模型
LDCT放射组学模型在主要队列中的AUC为0.929(95% CI, 0.862-0.971),在验证队列中为0.933(95% CI, 0.815-0.986)。SDCT放射组学模型在主要队列中的AUC为0.941(95% CI, 0.876-0.978),在验证队列中为0.901(95% CI, 0.773-0.970)。
3. FS模型
FS模型在主要队列中的AUC为0.884(95% CI, 0.805-0.938),在验证队列中为0.828(95% CI, 0.685-0.925)。
4. 模型比较
各模型在主要队列和验证队列中的AUC差异无统计学意义(p > 0.05),表明LDCT放射组学模型与SDCT放射组学模型和FS模型具有相当的诊断性能。

结论
本研究开发了基于LDCT的定量-语义模型和放射组学模型,用于预测pGGNs中的IA。研究结果表明,LDCT放射组学模型与SDCT放射组学模型和FS模型具有相当的诊断性能,可作为术前非侵入性生物标志物,用于评估pGGNs的浸润风险,从而减少过度检查和治疗。

研究亮点
1. 创新性
本研究首次将LDCT放射组学模型应用于pGGNs中IA的预测,并与SDCT放射组学模型和FS模型进行了系统比较。
2. 实用性
研究结果为肺癌筛查中pGGNs的临床决策提供了重要依据,有助于减少不必要的侵入性检查和治疗。
3. 方法学严谨性
研究采用了严格的放射组学特征选择和模型验证流程,确保了结果的可靠性和可重复性。

其他有价值的内容
研究还发现,空泡征是预测IA的重要语义特征,而体积和平均衰减值在定量-语义模型中具有显著预测价值。此外,研究强调了LDCT在肺癌筛查中的潜力,尤其是在资源有限的情况下,LDCT可作为SDCT的有效替代方案。


以上为根据文档内容生成的学术报告。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com