设计基于医学影像放射组学特征预测肝内胆管结石并发肝内胆管细胞癌的模型
DeepLearning
辣汤AI小组
由温州医院团队领衔开发、验证的一个基于医学影像放射组学特征预测肝内胆管结石并发肝内胆管细胞癌的模型，并在肿瘤学期刊frontiersinoncology(IF:4.)发表了题目为”DevelopmentandValidationofaRadiomic-BasedModelforPredictionofIntrahepaticCholangiocarcinomainPatientsWithIntrahepaticLithiasisComplicatedbyImagologicallyDiagnosedMass”的文章。doi:10./fonc..
肝内胆管细胞癌(ICC)是仅次于肝细胞癌的第二大肝脏恶性肿瘤，其全球发病率正在上升。ICC的风险因素是复杂的，但最近因肝内胆管结石(IHL)进展为ICC的高优势比（ORs）在多个地区被证实，因此精确诊断并通过外科治疗手段排出IHL该高风险因素意义重大。
因为缺乏早期的临床症状和放射学特征，临床外科医生很难在IHL患者中早期识别ICC。由于采样率误差，组织活检手段确定的“阴性”结果也不能完全排除ICC。
IHL-ICC的术前诊断主要是结合影像学、血清癌胚抗原(CEA)和癌抗原19-9(CA19-9)。目前IHL-ICC的诊断准确率较低，一般在30-65%之间。
近年来，放射组学被引入临床以识别肝脏肿瘤，但是，没有关于使用该方法诊断IHL-ICC的研究。
温州医院团队领衔的研究，旨在确定IHL-ICC的放射特征，开发一个结合放射评分和临床特征的预测模型，用于IHL患者术前ICC的识别，并在独立的数据集上验证其预测能力。
该研究训练组纳入了96名温州医院符合条件的病人，外部验证组35名病人来自温州医院，病人入组的筛选方法如图1所示。
用LifeX软件对所有患者增强后的CT图像进行评估，对检索到的动脉期CT图像进行特征提取，为了保证人工评估工作的客观性，两名不了解临床和病理特征的医生对感兴趣区域进行手动分割，提取了52个量化的纹理特征。同时为了评估观察者间的可靠性，同一医生一个月内重复两次对感兴趣区域的分割和特征提取过程。用同类相关系数计算可信度，研究者和观察者组内相关数值均大于0.55的放射特征被选择用于随后的研究。该团队构建了三个模型，分别是：
放射模型：将最小绝对收缩和选择算子(LASSO)逻辑回归算法应用于训练组，确定4个与ICC相关的具有非零系数的特征，同时用惩罚参数交叉验证10次。通过所选特征各自的系数加权的线性组合来生成放射特征，构建放射模型。
临床模型：通过结合训练队列的三个独立因素（发热、癌胚抗原和癌胚抗原19-9），开发了基于候选预测因子的多元逻辑回归分析的临床模型。
综合模型：通过公式?0.+0.*rad-score?1.*1(ifwithfever)+1.*2(if5mg/L≥CEA≥3.75mg/L)+2.*(ifCEA5mg/L)+0.*(if.15U/ml≥CA19-9≥37U/ml)+1.*(ifCA19-9.15U/ml)开发了包含放射特征和临床特征的综合模型。
该团队通过计算感兴趣区域的AUC，测量已建立模型的辨别性能，使用德龙算法，比较各种模型之间AUC评估的差异。通过自举法(重采样次)绘制校准曲线，以评估放射性诺模图的预测准确性。在训练队列中，放射模型的AUC为0.（95%置信区间：0.,0.），临床模型的AUC为0.（95%置信区间：0.,0.）综合模型的AUC为0.（95%置信区间：0.,0.）；在验证队列中，放射模型的AUC为0.（95%置信区间：0.,0.），临床模型的AUC为0.（95%置信区间：0.,0.）综合模型的AUC为0.（95%置信区间：0.,0.）
结果表明，放射模型将IHL-ICC的诊断准确率提高到72%，高于之前的研究，综合模型进一步将诊断准确率提高到86%，基于医学影像放射组学特征的预测模型有望成为预测IHL-ICC的一种新的、准确的工具，它可以及时识别IHL的病变以进行肝切除术或避免不必要的手术切除。图1招募和筛选病人的方法
图2研究人群的人口统计学和临床特征
图3不同模型之间的性能比较
名词解释
IHL：肝内胆管结石
ICC：肝内胆管癌
ORs:高优势比
LASSO(LeastAbsoluteShrinkageandSelectionOperator)是线性回归的一种缩减方式，通过引入L1惩罚项，实现变量选择和参数估计
自举法（bootstrap）：放回式抽样统计法。通过对数据集多次重复取样，构建多个进化树，用来检验你所计算的进化树分支可信度的。
诺模图（Nomogram）：旨在以绘图的方法来阐述不同变量之间的关系。在医学领域，Nomogram优势在于可个性化的计算特定肿瘤患者生存率,因此在临床实践中有很大的价值。
德龙算法（DeLongalgorithm）:这个是一种AUC显著性检验的方法，通过计算不同ROC曲线AUC值的方差和协方差进行显著性检验得到P值，一般来说P值低于0.05时,对比两个ROC曲线的AUC值才具备统计意义。
扫码