基于放射组学预测肺腺癌EGFR基因突变状态的研究
目的：基于薄层计算机断层扫描（TSCT）建立一种预测肺腺癌表皮生长因子受体（EGFR）突变状态的放射组学模型并评估其有效性。 方法：该研究包括284例肺腺癌患者（141例EGFR突变型和143例EGFR野生型）。所有患者均有薄层（轴位图像层厚1mm）CT增强扫描图像。通过使用半自动方法（ITK-SNAP3.6.0）对每个肿瘤的感兴趣区域（ROI）进行分割，即利用阈值分割法计算机自动生成ROI，并且放射科医师可以逐层改变病灶轮廓以精确其边界。通过使用放射组学软件Analysis-Kit(GEHealthcare，LifeScience，China)提取396个放射组学特征。用于建立放射组学模型的临床信息及影像特征包括性别、年龄、吸烟状况、症状以及肿瘤直径、部位、充气支气管征、胸膜牵扯征、空洞／空泡总共9个特征。按7：3的比例，将284例患者随机分为训练组（n=199）和测试组（n=85）。通过Multiinformation法对组学特征降维、临床特征筛选后再分别对放射组学特征、临床特征、结合组学与临床特征建立模型，对比了LogisticRegression和RandomForest两种模型，最后总共得到6个模型。通过受试者操作特征（ROC）曲线下面积（AUC）、准确度、灵敏度、特异度、精确度、F1及Brier分数对6个模型进行比较，并使用ROC曲线、混淆矩阵、DCA曲线三种指标评估模型效能。 结果：EGFR突变与女性、吸烟、充气支气管征显著相关（P<0.05），通过特征降维得到4个放射组学特征，均为灰度游程矩阵。使用放射组学与临床特征结合的模型预测效能高于仅用组学特征、仅用临床特征建立的模型，并且RandomForest模型显示AUC为0.841，而LogisticRegression模型显示AUC稍低，为0.729。 结论：采用RandomForest方法建立放射组学和临床特征结合的综合模型一定程度可以预测肺腺癌EGFR突变状态，并且有可能改善临床实践中对患者治疗计划的管理。
肺腺癌;放射组学;表皮生长因子受体;计算机断层扫描
河北医科大学
硕士
医学影像与核医学
时高峰
2019
中文
R734.2
2020-01-02（万方平台首次上网日期，不代表论文的发表时间）