基于CT影像组学预测模型对食管癌放疗后总生存期的预测价值.pdf

Modern Oncology 2023,31(23):4388-4393RadiationTherapy放射治疗4388:吉基于CT影像组学预测模型对食管癌放疗后总生存期的预测价值颖，等基于CT影像组学预测模型对食管癌放疗后总生存期的预测价值吉颖，柏会明，杨瑜，黄栎有？1盐城市第二人民医院放疗科，江苏盐城2 2 40 0 2；南京鼓楼医院集团宿迁医院肿瘤科，江苏宿迁2 2 38 0 0【摘要】目的：探讨CT影像组学特征对食管癌根治性放疗患者预后总生存期的预测价值。方法：回顾性分析133例接受根治性放疗的食管癌患者临床、病理和影像资料。患者CT图像提取影像组学特征395个。通过最小绝对收缩和选择算子法筛选最佳影像组学特征并计算得到影像组学得分（Radscore）。通过单因素多因素分析得到食管癌根治性放疗患者预后的独立预测因子并建立Cox回归模型。计算预测模型C-index、决策曲线、综合判别改善指数评价不同预测模型性能。结果：筛选得到6 个最佳影像组学特征。单因素多因素结果显示Radscore、化疗、放疗近期疗效为独立预测因子。影像组学模型在训练集与验证集的C-index分别为0.7 46、0.7 2 1高于临床模型（0.6 51、0.6 43）。决策曲线结果显示在阅值0.1 0.7 之间，影像组学模型的临床净收益要高于临床模型。综合判别改善指数结果显示影像组学模型较临床模型在1年、3年、5年总生存期的综合判别性能分别提高了11.3%、2 2.2%、45.6%。结论：CT影像组学模型能较好的预测食管癌根治性放疗患者预后总生存期。【关键词】食管癌；放射治疗；影像组学；体层摄影术；X线计算机；总生存期【中图分类号】R735.1【文献标识码】AD0I:10.3969/j.issn.1672-4992.2023.23.017【文章编号】16 7 2-49 9 2-（2 0 2 3)2 3-438 8-0 6The predictive value of CT-based radiomics model for overall survival of radiotherapy inesophageal cancerJI Ying,BO Huiming,YANG Yu,HUANG Liyou?Department of Radiotherapy,Yancheng Second Peoples Hospital,Jiangsu Yancheng 224002,China;Department of Oncology,SuqianHospital of Nanjing Drum Tower Hospital Group,Jiangsu Suqian 223800,China.Abstract Objective:To investigate the value of CT radiomics features in predicting the overall survival of esoph-ageal cancer patients treated with radical radiotherapy.Methods:A retrospective study was conducted on the clinical,pathological,and imaging data of 133 esophageal cancer patients who received radical radiotherapy.A total of 395 ra-diomics features were extracted from patients CT images.The optimal radiomics features were selected using the leastabsolute shrinkage and selection operator method,and a radiomics score(Radscore)was calculated.Univariate andmultivariate analyses were performed to identify independent prognostic factors for esophageal cancer patients undergo-ing radical radiotherapy,and a Cox regression model was established.The performance of different prediction modelswas assessed using the C-index,decision curve analysis,and integrated discrimination improvement index.Results:Six optimal radiomics features were selected.Univariate and multivariate analyses revealed that Radscore,chemothera-py,and short-term radiotherapy efficacy were independent prognostic factors.The C-index of the radiomics modelin the training and validation sets was 0.746 and 0.721,respectively,higher than that of the clinical model(0.651and 0.643).Decision curve analysis showed that,within a threshold range of 0.1 0.7,the net clinical benefit of theradiomics model was higher than that of the clinical model.The integrated discrimination improvement index resultsindicated that the radiomics model outperformed the clinical model in terms of overall discriminative performance for 1-year,3-year,and 5-year overall survival by 11.3%,22.2%,and 45.6%,respectively.Conclusion:The CT ra-diomics model shows promise in predicting the overall survival of esophageal cancer patients undergoing radical radio-therapy.Key words esophageal cancer,radiotherapy,radiomics,romography,X-ray compute,overall survival【收稿日期】20230516【修回日期】2023-0707【作者简介】吉颖（198 7），女，江苏盐城人，主管技师，研究方向：肿瘤放射治疗学。E-mail：7 8 912 346 q q.c o m4389.MODERNON31,No.232023年12 月现代肿瘤医学第31卷第2 3期食管癌是全球范围内发病率较高的一种恶性肿瘤，尤以中国患者发病率最高1。其中,鳞状细胞癌是中国患者最常见的类型2 。由于食管癌早期症状不明显,大部分患者在确诊时已错过了接受手术的最佳时机。放疗成为无法手术的食管癌患者主要治疗手段之一。然而，由于肿瘤的异质性，并非所有患者都能从放疗中获得生存获益3。因此,准确预测食管癌患者放疗后生存率能够帮助临床制定个性化的治疗方案，提高治疗效果，延长生存时间。目前临床通过患者临床资料和影像学检查结果难以对食管癌患者预后进行准确预测4。影像组学作为一种将高维度医学影像数据转化成定量特征的技术，已被研究证明能够预测多种疾病的预后5-7 。本研究拟通过提取并分析 CT影像组学特征并联合临床资料建立接受根治性放疗的食管癌患者预后生存模型，对食管癌患者放疗后总生存期进行预测。1资料与方法1.1一般资料回顾性分析2 0 18 年0 3月至2 0 2 1年0 3月盐城市第二人民医院133例接受根治性放疗的食管癌患者。搜集患者的CT影像、放疗剂量和临床病理资料。纳人标准：有明确病理结果的食管癌患者；患者接收根治性放射治疗；患者拥有治疗前的定位CT检查图像。排除标准：既往或合并患有其他恶性肿瘤患者；患者临床资料不完整；CT图像质量不满足研究要求。1.2检查方法使用GEBright Speed Elite Select16排CT对患者进行增强扫描。患者在体位固定后，通过肘部静脉注人8 0 10 0 mL碘对比剂，注射速率为2.0 3.0 mL/s。在管电压为12 0 kV，管电流为12 0 mA的条件下，以螺距0.2 和扫描层厚为5mm的参数进行扫描，并使用512 512 的扫描矩阵生成图像重建层厚为5mm的影像。扫描延迟时间为2 5秒。1.3分析方法1.3.1影像组学特征提取将患者胸部动脉期CT图像导人到ITK-SANP软件中，1名拥有5年CT诊断经验的医生在软件中对食管癌肿瘤体积（volumeof interest，VO I）进行标注，标注时医生避开食管空腔以及其他解剖屏障。基于患者CT图像和标注生成的VOImask图像，通过python中开源程序包Pyradiomics1.2.0对VOI区域内图像进行影像组学特征提取。在设置组距为25、重采样尺寸为3mm3mm3mm的条件下，从每位患者的CT图像中提取包括一阶特征、形态特征、纹理特征以及高阶特征共计395个影像组学特征。在本研究中,由另一位具有9年CT诊断经验的医师在所有患者中随机选取2 0 例患者再次进行独立的VOI勾画并提取影像组学特征。研究计算了2 名医生提取特征的组内相关系数（ICC），在后续分析中，仅纳人ICC大于0.7 5的特征来确保提取特征的稳定性。1.3.2数据降维以7:3的比例将133例食管癌患者随机划分为训练集与验证集。对纳人的影像组学特征通过Z-score进行特征标准化，消除不同特征之间数值范围的差异。采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)Cox回归筛选出最优影像组学特征集。依据LASSO回归所筛选出的影像组学特征，通过对其相应权重系数进行线性加权，最终计算得到影像组学得分（Radscore）。1.3.3食管癌放疗OS预测模型建立通过Cox单因素和多因素分析对纳人的临床指标（年龄、性别、T分期、N分期、TNM分期、放疗剂量、是否化疗）以及Radscore进行筛选。基于筛选出的变量建立Cox回归模型，并通过列线图对模型进行可视化。为检测预测模型的有效性,研究对Cox模型以及模型中包含的变量进行风险比例（p r o p o r t i o n a l h a z a r d,PH)假设检验，以P0.05表示满足PH假设。研究通过绘制列线图的校准曲线来检测列线图预测结果与实际结果的一致性。研究分别计算了仅纳入临床参数的临床模型与纳入临床参数和Radscore的影像组学模型的C-index，以此比较2种模型在预测食管癌放疗LPFS上的鉴别能力。通过决策曲线分析（decision curve analysis,DCA）计算2 种模型在不同阈值下的模型净获益，比较模型的临床实用性。通过综合判别改善指数IDI(integrated discrimination improvement,IDI）比较2种模型对于食管癌放疗OS的综合判别能力。1.3.4随访随访截至2 0 2 3年0 3月31日，随访主要通过电话随访进行,同时参考患者的再次住院病历和门诊复查结果等相关信息。所有患者无失访。主要观察指标为患者总生存期（o-verall survival,OS)1.4统计学方法本研究使用R语言（Version3.6.0）完成统计学分析。连续变量首先进行正态性检验，符合正态分布的采用平均数土标准差表示，通过独立样本t检验比较；不符合正态分布的采用中位数（上、下四分位数）表示，用MannW h i t n e y U检验比较。分类变量则通过皮尔逊检验比较组间差异。以P0.75。对影像组学特征进行标准化后,Lasso-cox降维结果显示在参数入=0.2 132 时筛选得到6 个最佳影像组学特征（图1）。根据特征对应的加权系数得到影像组学4390吉基于CT影像组学预测模型对食管癌放疗后总生存期的预测价值颖，等计算公式为 Radscore=w a v e l e t _LH H _g l c m _Cl u s t e r-Prominence 0.079 949 896+wavelet_LHH_glcm_Correlation0.031 475 514-wavelet HLL_glcm_Contrast 0.041 588 864+wavelet_HHL_glcm_Correlation 0.004 040 308-log_sigma_1mm_3D_glcm_ClusterShade 0.018 383 364+square_glcm_JointEntropy 0.088 046 479计算得到训练集与验证集的Radscore中位数分别为-0.048、0.0 42。Ra d s c o r e 在两组训练集中差异不具有统计学意义（P=0.912,Z=-0.110）。基于R中 surv_cutpoint函数计算得到Radscore的最佳截断值为1.0 14（图2）。将Radscore值大于截断值的定义为高风险，小于截断值的定义为低风险。训练集与验证集中高得分与低得分患者生存曲线如图3所示，结果发现训练集与验证集上的低风险患者生存期明显高于高风险患者，差异具有统计学意义（P0.000 1,P=0.034)2.3单因素多因素分析对训练中患者临床资料与Radscore分别进行单因素分析。单因素分析结果如表2 所示,Radscore、T NM 分期、联合化疗、放疗近期疗效CR为食管癌放疗OS的影响因素。进一步进行Cox多因素分析，结果如表3所示,在仅纳人临床影响因素的临床多因素分析中,化疗、近期疗效CR为食管癌放疗OS的独立预测因子；在纳入临床影响因素和Radscore的影像组学多因素分析中,化疗、近期疗效 CR和Radscore为食管癌放疗OS的独立预测因子。基于两组独立预测因子分别建立临床Cox模型和影像组学Cox模型表1食管癌患者一般资料nTab.1General information of esophageal cancer patientsnIndexCasesPercentage(%)Age(years,xs)59.32 8.63Radiation therapy dose(Gy)54(50.00,60.00)GenderMale8563.91Female4836.09Tumor locationCervical75.26Upper thoracic3727.82Middle thoracic6851.13Lower thoracic2115.79T stagingT1-38060.15T45339.85N stagingNo2115.79N9069.17N22216.54TNM stagingI-I7959.40IV5440.60ChemotherapyYes10075.19No3324.81CRYes6548.87No6851.13AB1048171655642332620151295100001041047147221100480-260040220-41T-7-6-5-4-3-2-10-7-6-5-4-3-2-10Log()Log Lambda图1Lasso-cox 回归A：交叉验证曲线图，左右两条虚线分别代表均方误差最小值及1倍标准差时对应的入值;B：影像组学特征收敛图，在均方误差最小值处绘制虚线得到6 个影像组学特征。Fig.1Lasso-Cox regressionA:Cross-validation curve with two dashed lines indicating the minimum mean squared error and X value correspond to one standard deviation.B:Con-vergence plot of radiomic features,with six selected optimal features indicated by a dashed line at the minimum MSE.2.4模型表现临床模型在训练集与验证集的C-index分别为0.6 51(95%CI:0.591 0.711)、0.6 43(95%CI:0.556 0.7 30),纳人Radscore后的影像组学模型的Ci n d e x 分别提升至0.746(95%CI:0.683 0.809)、0.7 2 1(95%C I:0.6 2 40.819)。对C-index更高的影像组学模型绘制列线图（图4）,并对影像组学模型进行PH检验。PH检验结果显示Radscore、化疗、放疗短期疗效以及模型整体均满足PH检验（P=0.116、0.7 6 7、0.50 2、0.454）（图5），提示影像组学模型构建较为合理。校准曲线显示影像组学模型在训练集和验证集上与实际OS均有着良好的吻合度（图6）。图7 所示，DCA曲线结果显示在阈值0.1 0.7 之间，影像组学模型的临床净收益要高于临床模型。影像组学模型与临床模型间IDI分析结果显示影像组学模型较临床模型在1年、3年、5年OS的综合判别性能分别提高了0.113（95%CI：0.591 0.711)0.222(95%CI:0.118 0.342)、0.456(95%CI:0.2290.608），模型间P值均小于0.0 0 1。4391MODERNONCOL.31.No.232023年12 月现代肿瘤医学第31卷第2 3期DistributionMaximallyselectedrankstatistics30-Groups6High20-Low410-2Cutpoint=-1.o10-0202-2-102RadsocreRadsocre图2 Radscore的最佳截断值图左图为根据截断值分为低风险（蓝色）和高风险（红色）的柱状分布图；右图为不同Radsocre值时的Long-Rank统计量，选取Long-Rank统计量最大值时Radscore值作为最佳截断值。Fig.2Optimal cut-off value plot of radscoreThe left graph shows the histogram of low risk(blue)and high risk(red)according to the cutoff value.The right graph shows the Long-Rank statisticsat different Radsocre values,and the Radscore value at the maximum value of the Long-Rank statistic was selected as the best cut-off value.ARadscoreHighLowBRadscoreHighLow1.001.000.750.75-0.50-0.250.25-P0.0001P=0.0340.000.00102030405060102030405060Time(months)Time(months)NumberatriskNumberatrisk7716461623151815131211307346226151359443220102030405060102030405060Time(months)Time(months)图3高低风险患者Kaplan-Meier生存曲线A：训练集；B：验证集。Fig.3Kaplan-Meier survival curve of high and low-risk patientsA:Training set.B:Validation set.表2 单因素分析结果Tab.2Univariateanalysis resultsIndexHR(95%CI)PRadscore1.63(1.36,1.96)0.001Age1.00(0.97,1.03)0.925Gender(female)1.20(0.73,1.97)0.473Tumor location(Upper thoracic)0.88(0.30,2.58)0.817Tumor location(Middle thoracic)0.79(0.28,2.22)0.649Tumor location(Lower thoracic)0.62(0.19,2.07)0.441T staging(T4)1.54(0.95,2.51)0.083N staging(N,)1.67(0.88,3.19)0.116N staging(N2)1.46(0.66,3.21)0.348TNM staging(IV)1.74(1.07,2.81)0.025Radiation therapy dose1.02(0.98,1.06)0.370CR(Yes)0.44(0.27,0.73)0.002Chemotherapy(Yes)0.56(0.34,0.92)0.022表3多因素分析结果Tab.3Multivariate analysis resultsClinical modelRadiomics modelIndexHR(95%CI)PHR(95%CI)PChemotherapy(Yes)0.35(0.14,0.85)0.0210.29(0.10,0.82)0.020TNM staging(IV)3.45(1.19,10.02)0.0232.64(0.81,8.61)0.106CR(Yes)NANA95.15(9.42,961.03)0.001RadscoreNANA0.57(9.42,961.03)NANote:Not available.Points234567810Radscore-65-4-3-2O12-3NoCRYesNoChemotherapyYes1Total points04F567891011 1213l-year survival0.950.90.8 0.7 0.5 0.30.13-yearsurvival0.90.8 0.7 0.5 0.30.15-yearsurvival0.8 0.7 0.5 0.30.1图4影像组学预测模型列线图Fig.4Nomogram of radiomics prediction model3讨论我国作为食管癌患者人数最多的国家8 ，食管癌放疗患者众多。为了更好地指导临床治疗，对食管癌放疗后的总生存期(OS)预测变得尤为重要。本研究基于CT影像组学特征计算Radsocre并联合临床资料建立食管癌放疗患者OS的影像组学预测模型。结果表明，影像组学预测模型在训练集和验证集上的C-index分别为0.7 46 和0.7 2 1。影像组学预测模型在预测食管癌患者放疗后的总生存期方面具有良好的效果，为临床治疗提供了重要参考。4392吉基于CT影像组学预测模型对食管癌放疗后总生存期的预测价值颖，等Global SchoenfeldtestP:0.454SchoenfeldindividualtestP:0.116SchoenfeldindividualtestP:0.767SchoenfeldindividualtestP:0.5022051010-00.10-10-520-20-38.5131731 415734.98:51317314157F34.98.513173141T4.957Time(month)Time(month)Time(month)图5影像组学模型PH检验残差图Fig.5Proportional hazards(PH)test residuals plot for the radiomics modelAB1.01.00.80.8-0.60.6-0.40.4-0.21-year0.2l-year3-year-3-year5-year0.0-0.05-year0.00.20.40.60.81.00.00.20.40.60.81.0PredictedosPredictedOs图6影像组学模型1、3、5年的总生存率校准曲线A：训练集;B：验证集。Fig.6Calibration curve of radiomics model for overall survival at 1,3 and 5 yearsA:Training set.B:Validation set.A1l0.4RadiomicsClinical0.3None0.20.10.00.00.10.20.30.40.50.60.7Threshold probability图7影像组学模型与临床模型的决策分析曲线Fig.7Decision curve analysis comparing the radiomics model with theclinical model研究从CT影像组学特征中筛选得到6 个最佳特征计算得到Radscore。参与Radscore计算的6 个影像组学特征均来自灰度共生矩阵，既往研究结果证明灰度共生矩阵能够在多种疾病的诊断中发挥价值9-1。CLCM 是一种用于描述图像纹理特征的数学模型。它通过统计图像中不同位置像素之间的灰度级别出现概率以及它们之间的空间关系。GLCM特征可以反映肿瘤组织内不同区域之间的灰度分布和纹理特征差异，从而揭示肿瘤的异质性12 。本研究根据Radsocre截断值将患者分为高风险与低风险2 类，结果发现训练集与验证集上的低风险患者生存期明显高于高风险患者（P0.001,P=0.034）。结果表明Radscore能够对食管癌放疗优势人群进行有效区分。提示肿瘤异质性可能对影像食管癌患者放疗OS存在影响。本研究单因素多因素分析发现除了Radcore，化疗、放疗短期疗效CR两个临床因素也为食管癌OS的独立风险因素。该结果与既往研究结果相似13-14 基于临床指标构建的临床预测模型在训练集和验证集中的C-index为0.6 51(95%CI:0.591 0.711)、0.6 43(95%CI:0.556 0.7 30),纳人Radscore后的影像组学模型的Ci n d e x 分别提升至0.7 46(95%CI:0.683 0.809)、0.7 2 1(95%CI:0.6 2 4 0.8 19)。为了更加全面地评价2 种预测模型的表现，研究又通过决策曲线分析和综合判别改善指数IDI来比较两种模型的临床实用性与综合判别能力。上述两种方法均为评估模型效能重要参考指标15-16 。DCA曲线结果显示在阈值0.1 0.7之间,影像组学模型的临床净收益要高于临床模型。IDI结果显示影像组学模型较临床模型在1年、3年、5年OS的综合判别性能分别提高了11.3%、2 2.2%、45.6%。通过上述3种指标证实在临床模型基础上纳入Radcore能够提升原有模型的预测性能，影像组学模型能够更好地预测食管癌放疗后OS。本研究结果表明影像组学模型在预测食管癌放疗后总生存期方面表现出良好的准确性和临床实用性。后续希望通过扩大样本量进一步提升模型性能，并通过多中心研究验证预测模型的泛化能力。本研究的局限性：（1)作为回顾性研究,所有样本均来自一个中心，且样本量较小,研究结果可能存在偏倚；（2）VOI勾画受到医生个体经验和技术水平的差异等人为因素影响；(3）纳人的临床指标较为有限综上所述,基于患者临床指标与CT影像组学开发的影像组学预测模型能够较好地预测食管癌放疗OS,为临床提供了一种新的辅助预测手段，并有望在食管癌放疗方案制定中起到重要作用。【参考文献】1BRAY F,FERLAY J,SOERJOMATARAM I,et al.Global cancerstatistics 2018:GLOBOCAN estimates of incidence and mortalityworldwide for 36 cancers in 185 countriesJ.CA Cancer J Clin,（编校：李祥婷）MODERNONCO31.No.23.4393.2023年12 月第31卷第2 3期现代肿瘤医学2018,68(6):394-424.2SMYTH EC,LAGERGREN J,FITZCERALD RC,et al.Oesophage-al cancerJ.Nat Rev Dis Primers,2017,3:17048.3XIE CY,HU YH,HO JW,et al.Using genomics feature selectionmethod in radiomics pipeline improves prognostication performancein locally advanced esophageal squamous cell carcinoma-a pilotstudyJ.Cancers(Basel),2021,13(9):2145-2160.4LAGARDE SM,TEN KATE FJ,REITSMA JB,et al.Prognostic fac-tors in adenocarcinoma of the esophagus or gastroesophageal junc-tionJ.J Clin Oncol,2006,24(26):4347-4355.5FRANZESE C,COZZI L,BADALAMENTI M,et al.Radiomics-based prognosis classification for high-risk prostate cancer treatedwith radiotherapy J.Strahlenther Onkol,2022,198(8):710-718.6KADOYA N,TANAKA S,KAJIKAWA T,et al.Homology-basedradiomic features for prediction of the prognosis of lung cancerbased on CT-based radiomics J.Med Phys,2020,47(5):2197-2205.7TAGLIAFICO AS,PIANA M,SCHENONE D,et al.Overview of ra-diomics in breast cancer diagnosis and prognostication J.Breast,2020,49:7480.8FAN J,LIU Z,MAO X,et al.Global trends in the incidence andmortality of esophageal cancer from 1990 to 2017 J.Cancer Med,2020,9(18):6875 6887.9孙骏,沈力，傅剑雄，等.基于增强CT灰度共生矩阵的纹理分析鉴别胃间质瘤和胃神经鞘瘤J.实用放射学杂志,2 0 2 1,37(3):416-419.SUN J,SHEN L,FU JX,et al.Differential diagnosis between thegastric stromal tumor and gastric schwannoma by using texture anal-ysis based on enhanced CT gray-level co-occurrence matrixJ.J Pract Radiol,2021,37(3):416-419.10陈旭婷,麦慧,郭美芬，等.基于灰度共生矩阵的MRI纹理分析预测乳腺癌腋窝淋巴结转移J.实用放射学杂志，2 0 2 1,37(9):1459 1463.CHEN XT,MAI H,GUO MF,et al.The value of MRI texture a-nalysis based on gray level co-occurrence matrix to predict axil-lary lymph node metastasis of breast carcinoma J.J Pract Radi-ol,2021,37(9):1459-1463.11姚易明，叶靖，高慧，等.基于矢状位T2WI灰度共生矩阵对I期子宫内膜癌肌层浸润深度的评估价值J.现代肿瘤医学，2021,29(08):1404-1409.YAO YM,YE J,GAO H,et al.Evaluation of the depth of myome-trial invasion in stage I endometrial cancer based on gray level co-occurrence matrix of sagittal T2-weighted MRIJ.ModernOncology,2021,29(08):1404-1409.12SAIHOOD A,KARSHENAS H,NILCHI A.Deep fusion of graylevel co-occurrence matrices for lung nodule classification J.PLoS One,2022,17(9):e0274516.13孔洁，祝淑钗，刘志坤，等.基于影像组学的食管鳞状细胞癌放疗后生存预测模型的建立与验证J.中国肿瘤临床,2 0 2 2,49(19):973 981.KONG J,ZHU SC,LIU ZK,et al.Construction and validation of aradiomic-based survival prediction model for patients with esoph-ageal squamous cell carcinoma after radiotherapy J.Chin J ClinOncol,2022,49(19):973-981.14LUO HS,HUANG SF,XU HY,et al.A nomogram based on pre-treatment CT radiomics features for predicting complete responseto chemoradiotherapy in patients with esophageal squamous cellcancerJ.Radiat Oncol,2020,15(1):249-260.15VICKERS AJ,WOO S.Decision curve analysis in the evaluationof radiology research J.Eur Radiol,2022,32(9):5787-5789.16LAI L.A Nomogram to predict patients with obstructive coronaryartery disease:Development and