论文部分内容阅读
第一部分非小细胞肺癌淋巴结转移的危险因素
目的：应用患者的临床资料及CT形态学特征，分析NSCLC患者淋巴结转移的危险因素。
方法：对河北医科大学第四医院2018年1月至2018年9月411例行肺癌根治术且行肺内及纵隔淋巴结清扫的NSCLC患者进行回顾性分析。所有患者术前均进行了标准的CT增强扫描。411例患者中，存在肺内及纵隔淋巴结转移的患者为141例，未见淋巴结转移的患者为270例。一名有5年诊断经验的放射科医生在不知道淋巴结病理诊断的情况下，重新阅读了所有的增强CT扫描图像，并将所有淋巴结分为存在淋巴结转移组和未见淋巴结转移组。根据NSCLC患者的临床资料、CT形态学特征进行单因素和多因素分析，确定NSCLC患者纵隔及肺内淋巴结转移的相关因素。临床资料包括年龄、性别、吸烟状况、饮酒状况、家族史、有无胸闷、胸痛等症状，CT形态学特征包括肿瘤最大直径、肿瘤位置、有无空泡、有无分叶征、有无毛刺征、有无胸膜牵扯征。进一步绘制受试者工作曲线(ROC)，并计算曲线下面积(AUC)值、灵敏度、特异度、准确度、阳性预测值及阴性预测值。
结果：本研究中，141名患者的存在肺内及纵隔内淋巴结转移。肿瘤最大直径和毛刺征这两个特征具有良好的预测淋巴结转移的性能(P＜0.01)。这两个危险因素的OR值分别为1.451(肿瘤最大直径)、2.115(毛刺征)，最佳截断值分别为有毛刺征，肿瘤最大直径≥2.95cm。结合两个因素生成的ROC曲线下面积AUC值为0.684(95%CI：0.631-0.737)，灵敏度为0.461，特异度为0.819，准确度为0.773，阳性预测值为0.664，阴性预测值为0.832。
结论：直径较大且存在毛刺征的非小细胞肺癌患者肺内及纵隔LNM的可能性较大，应用肿瘤最大直径和毛刺征这两个特征建立的NSCLC患者LNM模型具有很好的预测效能。
第二部分临床IA期非小细胞肺癌病理淋巴结转移预测模型的建立和验证
目的：应用患者的临床资料/CT形态学特征、放射组学(radiomics)特征和两者结合的方法，建立和验证临床IA期NSCLC患者淋巴结转移(lymph node metastasis, LNM)的术前预测模型。
方法：回顾性分析河北医科大学第四医院在2018年1月至2018年9月期间的649例术前CT分期为IA期的NSCLC患者。所有患者术前均行薄层增强CT扫描。在全部649例患者中，有138例(占患者总数的21%)术后发生了淋巴结转移。临床资料包括年龄、性别、吸烟状况，CT形态学特征包括肿瘤最大直径、肿瘤位置、有无空泡、有无毛刺征、有无分叶征、有无胸膜牵扯征。以上资料均由影像科医师进行数据收集和图像的判读。应用Mann-WhitneyU检验和卡方检验进行特征选择，并建立临床模型。应用ITK-SNAP软件对NSCLC患者静脉期增强CT(contrast enhanced computed tomography, CE-CT)图像，即原发病灶，进行手动或半自动勾画。应用AK软件对勾画的感兴趣区(region of interest, ROI)中提取出396个放射组学特征。其中，训练组有455例(97例患者有淋巴结转移，358例无淋巴结转移)，验证组194例(41例有淋巴结转移,153例无淋巴结转移)。放射组学特征降维采用Mann-WhitneyU检验和单变量方差分析。采用最小绝对收缩选择操作(least absolute shrinkage and selection operator, LASSO)算法进行特征选择。模型建立采用随机森林模型(random forest, RF)。我们建立了三个模型(临床模型、放射组学模型和临床-放射组学模型)来预测临床IA期NSCLC患者的淋巴结转移并绘制了受试者工作特征曲线(receiver operating characteristic, ROC)。采用曲线下面积(area under the curve, AUC)值以及准确度(ACC)、灵敏度(SEN)和特异度(SPE)、阳性预测值、阴性预测值来评价三种模型淋巴结转移分类的性能。应用决策曲线(decision curve analysis, DCA)分析来评价三种模型在区分是否有淋巴结转移的性能。
结果：两个临床特征(分别为肿瘤最大直径和毛刺征)和七个放射组学特征(分别为Zone-SizeVariance,ClusterShade,Correlation,HaralickCorrelation,LongRunEmphasis,Percentile15,andVolume)具有良好的预测性能(P＜0.01)。临床模型中，训练组和测试组的AUC值分别为0.739和0.614，ACC值分别为0.633和0.428，SEN值分别为0.753和0.951，SPE值分别为0.601和0.288；放射组学模型中，训练组和测试组的AUC值分别为0.898和0.851，ACC值分别为0.782和0.804，SEN值分别为0.866和0.829，SPE值分别为0.760和0.797；临床-放射组学结合模型中，训练组和测试组的AUC值分别为0.911和0.860，ACC值分别为0.802和0.830，SEN值分别为0.887和0.805，SPE值分别为0.779和0.837；。其中，临床模型和放射组学模型/临床-放射组学模型的训练组和测试组的AUC值相比，具有统计学意义，delong检验P值均＜0.001。
结论：基于增强CT的放射组学模型、临床-放射组学模型均可以很好的预测术前IA期NSCLC患者淋巴结转移，预测能力高于临床模型。
目的：应用患者的临床资料及CT形态学特征，分析NSCLC患者淋巴结转移的危险因素。
方法：对河北医科大学第四医院2018年1月至2018年9月411例行肺癌根治术且行肺内及纵隔淋巴结清扫的NSCLC患者进行回顾性分析。所有患者术前均进行了标准的CT增强扫描。411例患者中，存在肺内及纵隔淋巴结转移的患者为141例，未见淋巴结转移的患者为270例。一名有5年诊断经验的放射科医生在不知道淋巴结病理诊断的情况下，重新阅读了所有的增强CT扫描图像，并将所有淋巴结分为存在淋巴结转移组和未见淋巴结转移组。根据NSCLC患者的临床资料、CT形态学特征进行单因素和多因素分析，确定NSCLC患者纵隔及肺内淋巴结转移的相关因素。临床资料包括年龄、性别、吸烟状况、饮酒状况、家族史、有无胸闷、胸痛等症状，CT形态学特征包括肿瘤最大直径、肿瘤位置、有无空泡、有无分叶征、有无毛刺征、有无胸膜牵扯征。进一步绘制受试者工作曲线(ROC)，并计算曲线下面积(AUC)值、灵敏度、特异度、准确度、阳性预测值及阴性预测值。
结果：本研究中，141名患者的存在肺内及纵隔内淋巴结转移。肿瘤最大直径和毛刺征这两个特征具有良好的预测淋巴结转移的性能(P＜0.01)。这两个危险因素的OR值分别为1.451(肿瘤最大直径)、2.115(毛刺征)，最佳截断值分别为有毛刺征，肿瘤最大直径≥2.95cm。结合两个因素生成的ROC曲线下面积AUC值为0.684(95%CI：0.631-0.737)，灵敏度为0.461，特异度为0.819，准确度为0.773，阳性预测值为0.664，阴性预测值为0.832。
结论：直径较大且存在毛刺征的非小细胞肺癌患者肺内及纵隔LNM的可能性较大，应用肿瘤最大直径和毛刺征这两个特征建立的NSCLC患者LNM模型具有很好的预测效能。
第二部分临床IA期非小细胞肺癌病理淋巴结转移预测模型的建立和验证
目的：应用患者的临床资料/CT形态学特征、放射组学(radiomics)特征和两者结合的方法，建立和验证临床IA期NSCLC患者淋巴结转移(lymph node metastasis, LNM)的术前预测模型。
方法：回顾性分析河北医科大学第四医院在2018年1月至2018年9月期间的649例术前CT分期为IA期的NSCLC患者。所有患者术前均行薄层增强CT扫描。在全部649例患者中，有138例(占患者总数的21%)术后发生了淋巴结转移。临床资料包括年龄、性别、吸烟状况，CT形态学特征包括肿瘤最大直径、肿瘤位置、有无空泡、有无毛刺征、有无分叶征、有无胸膜牵扯征。以上资料均由影像科医师进行数据收集和图像的判读。应用Mann-WhitneyU检验和卡方检验进行特征选择，并建立临床模型。应用ITK-SNAP软件对NSCLC患者静脉期增强CT(contrast enhanced computed tomography, CE-CT)图像，即原发病灶，进行手动或半自动勾画。应用AK软件对勾画的感兴趣区(region of interest, ROI)中提取出396个放射组学特征。其中，训练组有455例(97例患者有淋巴结转移，358例无淋巴结转移)，验证组194例(41例有淋巴结转移,153例无淋巴结转移)。放射组学特征降维采用Mann-WhitneyU检验和单变量方差分析。采用最小绝对收缩选择操作(least absolute shrinkage and selection operator, LASSO)算法进行特征选择。模型建立采用随机森林模型(random forest, RF)。我们建立了三个模型(临床模型、放射组学模型和临床-放射组学模型)来预测临床IA期NSCLC患者的淋巴结转移并绘制了受试者工作特征曲线(receiver operating characteristic, ROC)。采用曲线下面积(area under the curve, AUC)值以及准确度(ACC)、灵敏度(SEN)和特异度(SPE)、阳性预测值、阴性预测值来评价三种模型淋巴结转移分类的性能。应用决策曲线(decision curve analysis, DCA)分析来评价三种模型在区分是否有淋巴结转移的性能。
结果：两个临床特征(分别为肿瘤最大直径和毛刺征)和七个放射组学特征(分别为Zone-SizeVariance,ClusterShade,Correlation,HaralickCorrelation,LongRunEmphasis,Percentile15,andVolume)具有良好的预测性能(P＜0.01)。临床模型中，训练组和测试组的AUC值分别为0.739和0.614，ACC值分别为0.633和0.428，SEN值分别为0.753和0.951，SPE值分别为0.601和0.288；放射组学模型中，训练组和测试组的AUC值分别为0.898和0.851，ACC值分别为0.782和0.804，SEN值分别为0.866和0.829，SPE值分别为0.760和0.797；临床-放射组学结合模型中，训练组和测试组的AUC值分别为0.911和0.860，ACC值分别为0.802和0.830，SEN值分别为0.887和0.805，SPE值分别为0.779和0.837；。其中，临床模型和放射组学模型/临床-放射组学模型的训练组和测试组的AUC值相比，具有统计学意义，delong检验P值均＜0.001。
结论：基于增强CT的放射组学模型、临床-放射组学模型均可以很好的预测术前IA期NSCLC患者淋巴结转移，预测能力高于临床模型。