基于对比增强CT的影像组学模型可预测乳腺癌患者的肿瘤浸润淋巴细胞水平.pdf
《基于对比增强CT的影像组学模型可预测乳腺癌患者的肿瘤浸润淋巴细胞水平.pdf》由会员分享,可在线阅读,更多相关《基于对比增强CT的影像组学模型可预测乳腺癌患者的肿瘤浸润淋巴细胞水平.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 卷第期影 像 科 学 与 光 化 学V o l N o 年月I m a g i n gS c i e n c ea n dP h o t o c h e m i s t r yM a r,h t t p s:/p u b l i s h c n k i n e t/g k g h基于对比增强C T的影像组学模型可预测乳腺癌患者的肿瘤浸润淋巴细胞水平李永,崔书君,杨飞,张凡,殷晓霞河北北方学院附属第一医院 医学影像部,河北 张家口 ;河北北方学院附属第一医院 病理科,河北 张家口 摘要:目的:基于对比增强C T开发用于预测乳腺癌(B C)患者肿瘤浸润淋巴细胞(T I L)水平的新型影像组学模
2、型.方法:回顾性纳入 名非特殊浸润性B C患者(训练集:名,验证集:名),使用P y r a d i o m i c s软件包提取患者对比增强C T图像中的高维影像组学特征,然后利用M a n n Wh i t n e yU检验、斯皮尔曼相关系数和最小绝对值收敛和选择算子(L A S S O)算法进行特征逐步筛选.筛选后的最优特征通过非线性支持向量机(N L S VM)方法在训练集中开发了影像组学模型,并在验证集中对模型的判别能力进行验证.之后利用沙普利加和解释(S HA P)算法对模型进行全局解释与特征重要性排序.结果:模型训练组和验证组的曲线下面积(A U C)分别为 (C I:)和 (C
3、 I:),影像组学模型有个正向影响特征与个负向影响特征,其中l o g s i g m a mm D_f i r s t o r d e r_M a x i m u m对模型的影响力最大,其值越大时,模型输出S HA P值越小.结论:基于对比增强C T的影像组学模型可以帮助临床医生在治疗前准确预测B C患者的肿瘤浸润淋巴细胞水平,促进B C患者的个性化治疗.关键词:影像组学;肿瘤浸润淋巴细胞;乳腺癌;预测模型d o i:/i s s n E n h a n c e dC T B a s e dR a d i o m c i sM o d e l c a nP r e d i c tT u m
4、o u r i n f i l t r a t i n gL y m p h o c y t eL e v e l s i nB r e a s tC a n c e rP a t i e n t sL IY o n g,C U IS h u j u n,YAN GF e i,Z HAN GF a n,Y I NX i a o x i aM e d i c a l I m a g i n gD e p a r t m e n t o ft h eF i r s tA f f i l i a t e dH o s p i t a l o fH e b e iN o r t hU n i v e
5、r s i t y,Z h a n g j i a k o u ,H e b e i,PRC h i n a;D e p a r t m e n t o fP a t h o l o g y,T h eF i r s tA f f i l i a t e dH o s p i t a l o fH e b e iN o r t hU n i v e r s i t y,Z h a n g j i a k o u ,H e b e i,PRC h i n aA b s t r a c t:O b j e c t i v e:T o d e v e l o pa n o v e lr a d i
6、o m i c s m o d e lb a s e d o n c o n t r a s t e n h a n c e d C T f o rp r e d i c t i n gt u m o r i n f i l t r a t i n gl y m p h o c y t e s(T I L)l e v e l s i nb r e a s t c a n c e r(B C)p a t i e n t s M e t h o d s:p a t i e n t sw i t hn o n s p e c i f i c i n v a s i v eB Cw e r e r e
7、 t r o s p e c t i v e l ye n r o l l e d(t r a i n i n gg r o u p:,v a l i d a t i o ng r o u p:),a n dh i g h d i m e n s i o n a l r a d i o m c i s f e a t u r e s i nt h e c o n t r a s t e n h a n c e dC Ti m a g e so f t h ep a t i e n t s w e r ee x t r a c t e du s i n gt h eP y r a d i o m
8、 i c ss o f t w a r ep a c k a g e,f o l l o w e db yt h eu s eo ft h e M a n n Wh i t n e yU t e s t,S p e a r m a nsc o r r e l a t i o nc o e f f i c i e n t,a n d t h e l e a s t a b s o l u t e s h r i n k a g e a n ds e l e c t i o no p e r a t o r(L A S S O)a l g o r i t h mf o r s t e p w i
9、s e f e a t u r es c r e e n i n g T h e f i l t e r e do p t i m a l f e a t u r e sw e r ed e v e l o p e d i nt h e t r a i n i n gs e t a n dv a l i d a t e d i nt h ev a l i d a t i o ns e tb yn o n l i n e a r s u p p o r tv e c t o rm a c h i n e(N L S VM)m e t h o da n dt h ed i s c r i m i
10、n a t i v ea b i l i t yo f t h em o d e lw a sv e r i f i e di nt h ev a l i d a t i o ns e t A f t e r w a r d s,t h e 收稿,录用河北省医学重点课题()第期李永等:基于对比增强C T的影像组学模型可预测乳腺癌患者的肿瘤浸润淋巴细胞水平 g l o b a l i n t e r p r e t a t i o no f t h em o d e lw i t h f e a t u r e i m p o r t a n c e r a n k i n g i s p e
11、r f o r m e du s i n g t h eS h a p l e ya d d i t i v e a n de x P l a n a t o r y(S HA P)a l g o r i t h m R e s u l t s:T h ea r e au n d e r c u r v e(AU C)o f t r a i n i n ga n dv a l i d a t i o ng r o u p sw e r e (C I:)a n d (C I:),r e s p e c t i v e l y,a n dt h e r ew e r et h r e ep o s
12、 i t i v e l yi n f l u e n c i n gf e a t u r e sf e a t u r e sf o u rn e g a t i v e l yi n f l u e n c i n gf e a t u r e s f o r t h e r a d i o m c i sm o d e l,o fw h i c h l o g s i g m a mm D_f i r s t o r d e r_M a x i m u mh a s t h eg r e a t e s t i n f l u e n c eo n t h em o d e l,a n
13、 dt h e l a r g e r i t sv a l u e,t h e s m a l l e r t h em o d e l o u t p u tS HA Pv a l u e C o n c l u s i o n:C o n t r a s t e n h a n c e dC T b a s e dr a d i o m c i sm o d e l c a nh e l pc l i n i c i a n sa c c u r a t e l yp r e d i c t t h el e v e lo ft u m o r i n f i l t r a t i n
14、 gl y m p h o c y t ei nB Cp a t i e n t sb e f o r et r e a t m e n ta n df a c i l i t a t ep e r s o n a l i s e dt r e a t m e n t f o rB Cp a t i e n t s K e yw o r d s:r a d i o m c i s;T I L;b r e a s t c a n c e r;p r e d i c t i v em o d e l肿瘤浸润淋巴细胞(t u m o r i n f i l t r a t i n gl y m p
15、h o c y t e,T I L)是肿瘤微环境的重要组成部分,作为一种新型 预 后 标 志 物,它 与 乳 腺 癌(b r e a s tc a n c e r,B C)患者新辅助治疗的反应率和免疫治疗后的生存率息息相关,.国际T I L工作组也强调基质表面确定的平均T I L评分在临床实践中的重要价值,但其评价过程需耗费病理医生大量时间且主观性不可避免.此外,肿瘤异质性阻碍了日常病理学工作中T I L评估的常规执行.因此,一种更客观、更可靠的方法在评估乳腺癌T I L中的作用至关重要.影像组学是一个新兴领域,它将医学图像转换为代表肿瘤潜在组织特性的高维、定量与可挖掘特征,其中包含了微量的可
16、判别信息.研究表明乳腺癌影像组学不仅可以帮助支持临床实践中的患者诊断、预后预测,而且可能是估计免疫组织病理学特征的强大标志物,可以帮助指导患者治疗.目前来自磁共振成像(m a g n e t i cr e s o n a n c ei m a g i n g,MR I)的定量成像特征已在乳腺癌T I L水平的预测中起着重要作用,.与MR I相比,对比增强C T也广泛用于乳腺癌筛查和诊断.本研究的目的是评估基于对比增强C T的影像组学模型在预测乳腺癌患者T I L水平方面的有用性.资料与方法 研究对象的纳入和排除这项回顾性研究得到了河北北方学院附属第一医院机构伦理审查委员会的批准,所有患者都免除
17、了知情同意.研究对象纳入标准:病理确诊为非特殊浸润性乳腺癌;术前进行乳房增强C T检查;有完整的临床病理资料,包括免疫组化结果;可用的病理切片进行T I L水平评估.排除标准:图像不完整或图像质量差;患者罹患其他肿瘤.对比增强C T图像的获取所有患者均接受了对比增强C T胸部检查.扫描步骤如下:用双管高压注射器(剂量 m L/k g,流速 m L/s)将造影剂(碘己醇,m g/m L)注入正中肘静脉.注射造影剂后监测主动脉弓水平血管的C T值.当C T值达到约 HU时,会自动触发增强型C T扫描.并在延迟 s后进行静脉期扫描.T I L评估病理医生使用粗针穿刺收集所有B C患者的活检样本,然后
18、对其进行病理制片.对免疫组织化学石蜡中进行切片后,使用苏木精和伊红进行染色准备用于病理评估.在显微镜下,T I L水平首先由第一位病理学家进行评估,根据T I L评估指南给出每位患者的相应百分数值,然后由第二位经验丰富的病理医生进行复审.为了便于评估变量,将肿瘤样本分为两组:()低T I L水平组定义为T I L密度为;()高T I L水平 组定义为T I L密度 .见图.评估标准遵循国际免疫肿瘤学生物标志物工作组发布的最新T I L评估指南.肿瘤分割和影像组学特征提取采用D I C OM格式将C T图像导入I T K S NA P软件(v e r s i o n ,h t t p:/wwwi
19、 t k s n a p o r g)并由一位有实践经验的影像医生对图像进行肿瘤感兴趣区(r e g i o no f i n t e r e s t,R O I)勾画.绘制R O I时要避开坏死囊变区,医生对图像进行勾画时无视患者的临床特征,勾画完成后再由另一位病理医生对R O I进行确认,对出现的任何差异进行讨论以解决分歧.采用n i i格式保存R O I图像,将体素大小重 影像科学与光化学第 卷新采样为mmmmmm,灰度值分别进行离散化和归一化.使用P y R a d i o m i c s从R O I中提取影像组学特征,根据图像生物标志物标准化倡议的说明,从每位患者的R O I中提取总
20、共 个影像组学特征,包括形状特征、一阶直方图特征、纹理特征(灰度共生矩阵特征、灰度依赖矩阵特征、灰度级长矩阵特征、灰度级带矩阵特征和邻域灰度差矩阵特征).图乳腺癌感兴趣区(R O I)的勾画与T I L评估案例A T I L密度为;B T I L密度为.影像组学特征选择与模型构建为了构建预测模型,对每个特 征进行M a n n Wh i t n e yU检验,去除P值小于 的影像组学特征.随后,考虑到特征之间的相关性,对特征进行斯皮尔曼(S p e a r m a n)相关性分析,消除具有高度相关性的相似特征.如果两个特征之间的相关系数 被认为是高度相关的特征,则排除其相关性较高的其中一个特征
21、.然后,使用最小绝对值收 敛 和 选 择 算 子(l e a s ta b s o l u t es h r i n k a g ea n ds e l e c t i o no p e r a t o r,L A S S O)算 法 来 选 择 提 取 的 特征,并使用折交叉验证来选择最佳L a m b d a值以确定特征子集.基于以上筛选的最优特征,通过非 线 性 支 持 向 量 机(n o n l i n e a rs u p p o r tv e c t o rm a c h i n e,N L S VM)构建影像组学预测模型,N L S VM可以在模型的复杂性和学习能力之间寻求最佳折
22、衷,以基于有限的样本信息获得最佳的泛化能力.在模型判别能力上,使用受试者操作特征(r e c e i v e ro p e r a t o rc h a r a c t e r i s t i c,R O C)曲线下面积(a r e au n d e r t h ec u r v e,AU C)评估影像组学模型的分类性能,而机器学习模型通常被认为是黑匣子,因为很难解释为什么算法为特定患者队列提供准确的预测.因此,在本研究中引入沙普利加和 解 释(S h a p l e ya d d i t i v ee x P l a n a t i o n s,S HA P)算法,S HA P是由L u n
23、 d b e r g和L e e提出的解释机器学习预测的统一框架.利用S HA P为预测模型提供全局解释,且对模型中的特征进行排名并识别重要性.统计分析采用R软件进行统计分析.采用卡方检验比较训练集及验证集两组之间T分期、N分期、E R、P R、HE R 、K i 是否有显著性差异;年龄若满足正态分布的采用独立样本t检验,以均数标准差(xs)形式表达;否则采用M a n n Wh i t n e yU检验比较两组之间的差异有无统计学意义,以四分位数M(P,P)表示.检验水准 .结果 训练集与验证集临床病理特征比较从 年月到 年 月,共纳入 名B C患者.随机将患者分为训练集和验证集,训练集与验
24、证集的比率为.训练集 例患者中,低T I L水平患者 例,高T I L水平患者 例;验证集 例患者中,低T I L水平患者 例,高T I L水平患者 例.结果显示,训练集和验证集中所有的临床病理因素在不同T I L水平中差异无统计学意义(P )(表).影像组学特征提取与选择每位 患 者 提 取 个 影 像 组 学 特 征,使 用M i n M a x归一化(M i n M a xn o r m a l i z a t i o n)对所有特征进行标准化.首先对标准化后的特征进行曼惠特尼U检验(M a n n Wh i t n e yUt e s t),筛选出P值小于 的 个特征;然后对这些特征进
25、行斯皮尔曼相关性分析,得到 个最优特征.使用折交叉验证的L A S S O算法对特征进行进一步筛选.折交叉验证以AU C为衡量标准,取其最高值时的L a m b d a值,筛选出个最佳特征用于后续的模型建立.图 A、B显示出L A S S O的特征选择过程.第期李永等:基于对比增强C T的影像组学模型可预测乳腺癌患者的肿瘤浸润淋巴细胞水平 表训练集验证集临床病理特征统计临床特征训练集(n )验证集(n)P年龄 T分期 T()()T ()()T ()()T ()()N分期 N ()()N ()()N ()()N()()E R 阴性()()阳性()()P R 阴性()()阳性()()HE R 阴性
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 对比 增强 CT 影像 模型 预测 乳腺癌 患者 肿瘤 浸润 淋巴细胞 水平
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,个别因单元格分列造成显示页码不一将协商解决,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。