论文部分内容阅读
目的一、探讨基于磁共振扩散加权成像(Diffusion weighted imaging MRI,DWI-MRI)联合磁共振动态增强(Dynamic contrast-enhanced MRI,DCE-MRI)的影像组学对乳腺癌诊断价值。二、探讨基于DWI-MRI联合DCE-MRI的影像组学对乳腺癌分子分型的预测价值。材料与方法一、病例资料收集我院2017年3月至2018年3月女性乳腺肿瘤患者213例,平均年龄52±11.51岁。所有患者均手术获得病理及免疫组化结果,依据免疫组化结果将乳腺癌患者分为四型:管腔上皮(Luminal)A型、Luminal B型、HER-2过表达型及三阴性(TN)型。二、图像获取及导入所有患者手术前均采用GE1.5T Signa HDxt MRI扫描双侧乳腺,扫描获取b=800s/mm2 DWI及DCE图像。采用后处理软件(Funtool)绘制时间-信号强度(time-signal intensity curve,TIC)曲线。依据TIC曲线选取DCE强化最显著时期图像,DCE图像与DWI一起导入汇医慧影公司提供影像组学云平台(Radcloud,Huiying Medical Technology Co,Ltd),隐去患者姓名、年龄、住院号等信息。三、乳腺良恶性肿瘤影像组学分析依据病理诊断结果对213例乳腺肿瘤分类诊断:(一)三维感兴趣容积(Volume of interest,VOI)提取:手动勾画DWI及DCE图像上病灶每一层面的轮廓作为VOI,包含出血、囊变及坏死区。(二)特征提取及降维:1、特征提取:提取DWI及DCE图像特征,包括一阶统计量特征19个,形状特征13个,纹理特征60个,小波特征623个,平方值79个,平方根79个,对数特征79个,指数特征79个,共2058个特征(DWI及DCE各1029个特征)。2、特征降维:依次用方差选择法、单变量特征选择及最小绝对收缩算子特征选择法对特征进行降维筛选。(三)建立分类诊断模型:建立K近邻(k-Nearest Neighbor,KNN)、支持向量机(SVM)、极限梯度增强树(Extreme Gradient Boosting,XGBoost)、逻辑回归(Logistic Regression)四种分类模型,将患者按4:1比例随机分成训练集和测试集,用训练集训练分类器,然后进行良恶性肿瘤分类诊断。四、乳腺癌分子分型影像组学分析依据免疫组化结果,对153乳腺癌患者进行影像组学分析:(一)VOI提取(同上);(二)特征提取及降维(同上);(三)建立分类诊断模型:建立四种分类模型,将乳腺癌患者按4:1随机分成训练集及测试集,用训练集训练分类器,然后进行分子分型分类诊断。五、统计学分析:(一)绘制ROC曲线,并计算曲线下面积(AUC),比较各模型诊断效能。(二)用Recall、F1-score、Precision三种指标对各种模型进行评价。结果一、一般资料本研究共纳入213例乳腺肿瘤患者,其中良性60例,包含10例良性叶状肿瘤及50例纤维腺瘤;恶性153例,均为非特异性乳腺癌。乳腺癌患者中Luminal A型51例,Luminal B型60例,HER-2过表达型23例,三阴性型19例。二、乳腺良恶性肿瘤影像组学分类诊断结果(一)特征降维结果:基于DWI及DCE图像共提取2058个特征,采用方差选择法降维得到1244个特征;然后单变量特征选择法降维得到313个特征,最后经过最小绝对收缩算子特征选择法降维得到20个特征。最终获得的20个特征分别为:1个形状特征、7个纹理特征、3个一阶特征、9个高阶特征。(二)四种分类器良恶性肿瘤分类诊断结果:1、KNN分类器良恶性分类结果:恶性肿瘤AUC为0.89,良性肿瘤AUC为0.89。恶性肿瘤Recall、F1-score、Precision分别为0.81、0.94、0.87,良性肿瘤Recall、F1-score、Precision分别为0.75、0.44、0.55。2、SVM分类器良恶性分类结果:恶性肿瘤AUC为0.95,良性肿瘤AUC为0.95。恶性肿瘤Recall、F1-score、Precision分别为恶性0.89、0.96、0.92,良性肿瘤Recall、F1-score、Precision分别为0.87、0.69、0.77。3、XGBoost分类器良恶性分类结果:恶性肿瘤AUC为0.96,良性肿瘤AUC为0.96。恶性肿瘤Recall、F1-score、Precision分别为0.92、0.93、0.93,良性肿瘤Recall、F1-score、Precision分别为0.83、0.79、0.81。4、LR分类器良恶性分类结果:恶性肿瘤AUC为0.90,良性肿瘤AUC为0.90。恶性肿瘤Recall、F1-score、Precision分别为0.89、0.91、0.90,良性肿瘤Recall、F1-score、Precision分别为0.76、0.71、0.73。三、乳腺癌分子分型影像组学分类诊断结果(一)特征降维结果:基于DWI及DCE图像共提取2058个特征,通过方差选择法、单变量特征选择法及最小绝对收缩算子特征选择法依次降维得到612个特征、39个特征及7个特征。最终7个特征包括3个纹理特征及4个高阶特征。(二)四种分类器分子分型分类诊断结果:1、KNN分类器分子分型结果:Luminal A型AUC为0.75,Luminal B型AUC为0.75,Her-2过表达型AUC为0.88,三阴性型AUC为0.81。Luminal A型Recall、F1-score、Precision分别为0.54、0.37、0.44,Luminal B型Recall、F1-score、Precision分别为0.59、0.56、0.58;Her-2过表达型Recall、F1-score、Precision分别为0.54、0.37、0.44,三阴性型Recall、F1-score、Precision分别为0.25、0.07、0.11。2、SVM分类器分子分型结果:Luminal A型AUC 0.34,Luminal B AUC为0.71,Her-2过表达型AUC为0.72,三阴性型AUC为0.22。Luminal A型Recall、F1-score、Precision分别为0.51、0.74、0.60,Luminal B型Recall、F1-score、Precision分别为0.50、0.59、0.54;Her-2过表达型Recall、F1-score、Precision分别为1.00、0.26、0.42,,三阴性型Recall、F1-score、Precision分别为0.00、0.00、0.00。3、XGBoost分类器分子分型结果:Luminal A型AUC为0.94,Luminal B AUC为0.94,Her-2过表达型AUC为0.93,三阴性型AUC为0.96。Luminal A型Recall、F1-score、Precision分别为0.75、0.89、0.82,Luminal B型Recall、F1-score、Precision分别为0.73、0.85、0.79;Her-2过表达型Recall、F1-score、Precision分别为0.89、0.42、0.57,,三阴性型Recall、F1-score、Precision分别为0.90、0.60、0.72。4、LR分类器分子分型结果:Luminal A型AUC为0.66,Luminal B型AUC为0.70,Her-2过表达型AUC为0.72,三阴性型AUC为0.70。Luminal A型Recall、F1-score、Precision分别为0.49、0.72、0.58,Luminal B型Recall、F1-score、Precision分别为0.50、0.56、0.53;Her-2过表达型Recall、F1-score、Precision分别为1.00、0.26、0.42,三阴性型Recall、F1-score、Precision分别为1.00、0.07、0.12。结论一、基于DWI联合DCE的影像组学,XGboost分类器分类诊断乳腺良恶性肿瘤模型稳定,分类诊断准确率高,优于传统的影像手段。二、基于DWI联合DCE的影像组学,XGboost分类器预测乳腺癌分子分型预测模型稳定,分类诊断准确率高,可为临床提供一种无创的预测分子分型的手段,有助于个体化治疗方案的制定。