作者投稿
专家审稿
编辑办公
邮件订阅
RSS
The Value of Model Based on Radiomics Features of T2-weighted Imaging and Clinical Feature in Diagnosing the Depth of Stromal Invasion of Cervical Squamous Cell Carcinoma
-
摘要:目的 初步探讨基于T2加权成像(T2-weighted imaging, T2WI)的影像组学特征联合患者临床特征构建的模型对早期宫颈鳞状细胞癌深间质浸润(deep stromal invasion, DSI)的诊断价值。方法 回顾性纳入2017年1月至2021年2月在北京协和医院行根治性子宫切除术的早期宫颈鳞状细胞癌患者，并按8∶2的比例随机分为训练集和验证集。收集训练集患者的术前临床特征和矢状位T2WI图像影像组学特征资料，经筛选、特征降维后，采用Logistic回归分析法建立早期宫颈癌DSI诊断模型，包括临床特征模型、影像组学模型和临床-影像组学模型。基于验证集数据，采用受试者工作特征(receiver operating characteristic, ROC)曲线对上述模型的性能进行验证。结果 共168例符合纳入和排除标准的早期宫颈鳞状细胞癌患者入选本研究。其中训练集135例，验证集33例；经组织病理学证实为浅间质浸润的患者72例，DSI患者96例。共筛选出患者年龄、术前鳞状细胞癌抗原水平、国际妇产科联盟分期3个临床特征和4个影像组学特征用于模型构建。ROC曲线分析显示，临床特征模型、影像组学模型和临床-影像组学模型诊断早期宫颈鳞状细胞癌DSI的曲线下面积分别为0.797(95% CI: 0.623~0.971)、0.793(95% CI: 0.633~0.954)和0.820(95% CI: 0.665~0.974)，且以临床-影像组学模型的诊断效能最高，其灵敏度、特异度和准确度分别为85.7%(95% CI: 49.8%~100%)、73.7%(95% CI: 57.9%~100%)和78.8%(95% CI: 69.7%~93.9%)。结论 基于T2WI图像的影像组学特征联合临床特征构建的临床-影像组学模型可作为一种无创的术前检查手段高效判断早期宫颈鳞状细胞癌间质浸润深度。Abstract:Objective To investigate the prediction value of a clinical-radiomics model based on T2- weighted imaging (T2WI) and clinical features for diagnosing deep stromal invasion (DSI) in patients with early-stage cervical squamous cell carcinoma.Methods Patients with early-stage cervical squamous cell carcinoma that underwent radical hysterectomy in Peking Union Medical College Hospital from January 2017 to February 2021 were retrospectively included and randomly divided into the training set and the validation set with the the ratio of 8∶2. The preoperative clinical features and the radiomics features of sagittal T2WI images were obtained. After selection of key features, a radiomics model, a clinical model, and a clinical-radiomics model for diagnosing DSI in early-stage cervical squamous cell carcinoma were developed by Logistic regression based on the training set. The performance of different models was compared by the receiver operating characteristic (ROC) curve in the validation set.Results A total of 168 patients with early-stage cervical squamous cell carcinoma that met the inclusion and exclusion criteria were included in this study. They were randomly divided into the training set (n=135) and the validation set (n=33), in which 72 cases had histopathologically confirmed superficial stromal invasion and 96 cases had DSI. Four radiomics features and three clinical parameters (age, Federation International of Gynecology and Obstetrics stage, and preoperative squamous cell carcinoma antigen levels) were selected and used to develop models. In the validation set, the clinical-radiomics model showed better diagnostic performance with the area under the curve (AUC) of 0.820 (95% CI: 0.665-0.974) than the clinical model[AUC: 0.797(95% CI: 0.623-0.971)] and the radiomics model[AUC: 0.793(95% CI: 0.633-0.954)].The sensitivity, specificity, and accuracy of the clinical-radiomics model were 85.7%(95% CI: 49.8%-100%), 73.7%(95% CI: 57.9%-100%), and 78.8%(95% CI: 69.7%-93.9%), respectively.Conclusion Radiomics features based on T2WI images combined with clinical features can be used as a noninvasive preoperative method to determine the depth of stromal invasion in early-stage cervical squamous cell carcinoma.
-
宫颈癌是女性最常见的妇科恶性肿瘤之一，位居全球女性癌症死亡原因的第4位。宫颈鳞状细胞癌(简称“宫颈鳞癌”)是宫颈癌最常见的病理类型，约占所有宫颈癌的80%[1-2]。宫颈深间质浸润(deep stomal invasion, DSI)是宫颈癌患者预后的独立危险因素，与肿瘤复发和患者死亡率增加密切相关[3]。早期宫颈癌患者行根治性子宫切除术后，病理检查发现存在DSI为进行术后辅助放化疗的重要指征[4-5]。但根治性切除术后放化疗一方面可增强治疗效果，另一方面可导致致死性并发症，并非最佳治疗策略[6]。因此，术前准确判断早期宫颈癌患者间质浸润深度，对治疗方案的制订和避免不必要的手术干预具有重要意义。影像组学作为一种可将医学图像信息转化为定量特征的新技术，已用于宫颈癌预后危险因素的术前预测。基于术前MRI影像组学特征联合临床特征构建的模型预测早期宫颈癌淋巴结转移和脉管浸润的曲线下面积(area under the curve, AUC)分别可达0.847~0.893和0.727~0.814[7-10]。但目前尚缺乏其预测DSI的术前模型。本研究初步探讨基于T2加权成像(T2-weighted imaging, T2WI)的影像组学特征联合临床特征构建的模型在早期宫颈鳞癌间质浸润深度中的诊断价值。
1. 资料与方法
1.1 研究对象与分组
1.1.1 研究对象
本研究为回顾性分析。纳入2017年1月至2021年2月北京协和医院诊治的早期宫颈癌患者。纳入标准：(1)均行根治性子宫切除术，且经病理证实为宫颈鳞癌；(2)国际妇产科联盟(Federation International of Gynecology and Obstetrics, FIGO)分期为ⅠB1~ⅡA1；(3)术前14 d内行MRI检查获取矢状位T2WI图像。排除标准：(1)矢状位T2WI图像上无明确病灶显示或图像质量差，有严重伪影；(2)MRI检查前已进行治疗(新辅助治疗或宫颈锥切术)的患者。
本研究已通过北京协和医院伦理委员会审批并申请豁免患者知情同意(审批号：SK-910)。
1.1.2 分组
按8∶2的比例，随机将患者分为训练集和验证集。其中，训练集数据用于建立Logistic回归模型，验证集数据用于诊断模型的效能验证。
1.2 研究方法
1.2.1 资料收集
收集患者年龄、术前血清鳞状细胞癌相关抗原(squamous cell carcinoma antigen, SCC-Ag)、绝经状态及FIGO分期等信息。其中2018年之前的病例，由1名具有11年工作经验的妇科肿瘤医师结合患者的病历资料和组织病理学结果，按《FIGO宫颈癌分期(2018版)》[11]中分期标准进行重新分期。
1.2.2 间质浸润深度的定义
早期宫颈鳞癌间质浸润深度通过计算由表面上皮基底层至浸润灶最深处的厚度与此处宫颈间质厚度的比值得到。该比值＜1/2定义为浅间质浸润，≥1/2定义为DSI[12-13]。
1.2.3 MRI检查方法及图像分割
患者均于我院2个中心6台设备进行1.5T MRI检查或3T MRI检查。盆腔MRI采用8/16/32通道相控阵线圈。检查序列包括T2WI、T1加权成像(T1-weighted imaging, T1WI)和弥散加权成像(diffusion weighted imaging, DWI)。由PACS系统获取患者的扫描图像，并保存为DICOM格式。矢状位T2WI图像用于感兴趣区(region of interest, ROI)手动分割和影像组学特征提取。详细的MRI检查设备及矢状位T2WI图像采集参数见表 1。
表 1 MRI设备信息及矢状位T2WI图像参数设备与参数 Signa Excite，GE Optima MR 360，GE Discovery MR 750W，GE Discovery MR 750，GE MagnetomⓇ Skyra，Siemens Ingenia CX，Philips 场强与图像采集 1.5T、FRFSE 1.5T、FRFSE 3T、FRFSE 3T、FRFSE 3T、TSE 3T、TSE 重复时间/回波时间(ms) 3400/88 4653/130 4273/79 3607/111 4010/115 3500/100 视野(mm2) 270×270 260×260 280×280 220×220 300×300 260×260 矩阵(频率×相位) 288×192 288×192 288×192 288×192 320×240 512×512 层厚(mm) 5.5 5 4.5 5 4 3 层间距(mm) 1 1 1 1 1.2 0.3 层数 16 19 24 16 24 29 激励次数 1 1 1.4 2 2 2 回波链 22 21 28 21 默认值 32 呼吸补偿 自由呼吸 自由呼吸 自由呼吸 自由呼吸 自由呼吸 自由呼吸 T2WI：T2加权成像 1.2.4 图像分割及影像组学特征提取
采用InferScholar Center 3.2软件进行图像分割。由1名具有11年工作经验的影像科医师综合多序列MRI图像，在矢状位T2WI图像肿瘤所有累及层面，沿病灶边缘准确勾画ROI(图 1)，勾画时严格避开正常解剖结构，但包括病灶中的出血、坏死和囊变区域。由1名具有18年工作经验的影像科医师对勾画区域进行复核。若出现分歧，二人协商后达成统一意见。为减少多个成像设备不同采集参数对影像组学特征稳定性的影响，在影像组学特征提取前，采用Pycharm软件2019.1.3 (https://www.jetbrains.com/)，根据像素间距和扫描层厚对原始DICOM图像及对应ROI进行归一化处理。基于T2WI图像，共提取7组影像组学特征，包括一阶特征(first order features, FOF)、形状特征(shape-based features, SBF)、灰度共生矩阵(gray level co-occurr-ence matrix, GLCM)特征、灰度相关矩阵(gray level dependence matrix, GLDM)特征、灰度游程矩阵(gray level run length matrix, GLRLM)特征、灰度区域大小矩阵(gray level size zone matrix, GLSZM)特征、邻域灰度差分矩阵(neighbouring gray tone difference matrix, NGTDM)特征。其中，SBF仅从原始图像中提取，其余6组特征从原始图像和处理后图像中提取。
![]()
图 1 宫颈鳞癌患者矢状位T2WI图像及ROI勾画示意图A.患者43岁，FIGO分期Ⅰ B2期，癌灶浸润最大深度为16 mm，此处宫颈间质厚度为25 mm，诊断为DSI；B.与图A为同一患者，黄色区域为沿肿瘤边缘勾画的ROI示意图；C.患者32岁，FIGO分期Ⅰ B2期，癌灶最大浸润深度为10 mm，此处宫颈间质厚度为23 mm，诊断为浅间质浸润；D.与图C为同一患者，黄色区域为沿肿瘤边缘勾画的ROI示意图
T2WI：同表 1；ROI：感兴趣区；FIGO：国际妇产科联盟；DSI: 深间质浸润1.2.5 影像组学特征筛选及模型建立
为保障可选取诊断性能较好的影像组学特征，首先对每个影像组学特征进行显著性检验，仅保留具有显著性差异的影像组学特征。而后将所有具有显著性差异的影像组学特征两两配对，并进行相关性检验。若两两特征间的Pearson相关系数＞0.85，则保留显著性检验中P值更小的影像组学特征。最后采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)回归(5折交叉验证法)对保留下的影像组学特征进行特征降维，并采用Logistic回归分析法建立影像组学模型(Rstudio 3.5.0软件)。
1.3 临床特征分析及临床特征模型、临床-影像组学模型和列线图建立
训练集中，对患者年龄、术前SCC-Ag、绝经状态和FIGO分期4个临床特征，依次采用显著性检验和多因素Logistic回归分析法筛选DSI的独立危险因素，最终保留的临床特征结合影像组学特征用于构建临床特征模型及临床-影像组学模型。验证集用于验证构建的模型对早期宫颈鳞癌DSI的诊断效能。为方便临床应用，基于训练集数据构建的临床-影像组学模型进一步绘制诊断宫颈鳞癌DSI的列线图。首先对临床-影像组学模型Logistic回归分析结果的拟合系数进行转换，然后根据转换结果对每个变量进行赋值，最后根据每个变量的赋值将其绘制在列线图的标尺上。
1.4 样本量估算及偏倚控制
样本量估算：按照以分类变量为结局的诊断性研究计算样本量。预期构建的模型诊断DSI的灵敏度为85%，特异度为80%，二者的允许误差均为0.06，α为0.05，双侧检验，考虑入组患者可能存在图像质量不佳和存在伪影的情况，设置15%的无效比例，经计算所需样本量为162例。
偏倚控制：对T2WI图像进行归一化处理，以减少不同设备对结果造成的干扰；图像分割和审核均由同1名医师负责，以减少主观因素的影响。
1.5 统计学处理
采用SPSS 21.0和Rstudio 3.5.0软件进行统计学分析。患者年龄和术前SCC-Ag水平为计量资料，且满足正态分布，以均数±标准差表示，组间比较采用独立样本t检验；绝经状态和FIGO分期为计数资料，以例数(百分数)表示，组间比较采用χ2检验或Fisher精确概率法。采用Logistic回归分析法筛选早期宫颈鳞癌间质浸润深度的危险因素，并构建诊断模型，包括临床特征模型、影像组学模型以及临床-影像组学模型。采用受试者工作特征(receiver operating characteristic, ROC)曲线评估各模型诊断早期宫颈鳞癌DSI的效能。双侧检验，检验水准α=0.05。
2. 结果
2.1 一般临床资料
共168例符合纳入和排除标准的早期宫颈鳞癌患者入选本研究。其中96例接受1.5T MRI检查，72例接受3T MRI检查。经组织病理证实为浅间质浸润72例(42.9%)，DSI 96例(57.1%)。训练集135例，验证集33例。
训练集中，浅间质浸润患者与DSI患者术前SCC-Ag水平(P＜0.001)、FIGO分期(P＜0.001)有显著性差异。验证集中，浅间质浸润患者与DSI患者年龄(P=0.044)有显著性差异，见表 2。训练集患者与验证集患者年龄(P=0.528)、术前SCC-Ag水平(P=0.654)、绝经状态(P=0.181)和FIGO分期(P=0.116)均无显著性差异。
表 2 训练集和验证集患者一般临床资料比较指标 训练集 P值 验证集 P值 浅间质浸润(n=53) DSI(n=82) 浅间质浸润(n=19) DSI(n=14) 年龄(x±s，岁) 44.17±9.64 43.71±10.69 0.799 40.11±6.72 46.14±9.80 0.044 术前SCC-Ag(x±s，μg/L) 1.45±1.27 3.44±3.50 ＜0.001 1.76±0.98 3.29±3.10 0.097 绝经状态[n(%)] 0.328 0.628 未绝经 41(77.36) 56(68.29) 17(89.47) 11(78.57) 绝经 12(22.64) 26(31.71) 2(10.53) 3(21.43) FIGO分期[n(%)] ＜0.001 0.161 ⅠB1 29(54.72) 13(15.85) 10(52.63) 4(28.57) ⅠB2 21(39.62) 58(70.73) 9(47.37) 8(57.14) ⅠB3 0 3(3.66) 0 2(14.29) ⅡA1 3(5.66) 8(9.76) 0 0 DSI、FIGO：同图 1；SCC-Ag：鳞状细胞癌相关抗原 2.2 特征选择及模型建立
临床特征指标中，通过显著性检验和多因素Logistic回归分析法筛选后，最终保留患者年龄、术前SCC-Ag水平和FIGO分期3个指标，并构建临床特征模型。在原始图像和ROI归一化处理后，从患者的矢状位T2WI图像ROI内共提取1454个影像组学特征。通过显著性检验、相关性检验筛选以及LASSO回归和5折交叉验证法进行特征降维，最终保留4个影像组学特征(gldm_ LargeDependenceHigh- GrayLevelEmphasis_ log.sigma.2.0.mm.3D、glrlm_ Short-RunLowGrayLevelEmphasis_ wavelet.LLH、glszm_ Small- AreaLowGrayLevelEmphasis_ wavelet.LHL、shape_ Surface VolumeRatio_ original)，详见图 2。采用选择的4个影像组学特征构建影像组学模型；采用患者年龄、FIGO分期、术前SCC-Ag水平和4个影像组学特征构建临床-影像组学模型。
![]()
图 2 基于LASSO的Logistic回归模型特征选择图A.通过5折交叉验证法筛选LASSO模型中的最优参数Lambda值，LASSO模型的复杂程度由Lambda(下横坐标)控制，Lambda越大对变量较多的线性模型的惩罚力度越大，从而最终获得1个变量较少的模型。纵坐标表示衡量模型的指标函数，由于因变量为二分类变量，故衡量模型的指标函数选择常用的“Deviance”，即-2×Log-likelihood。红点表示每个Lambda对应的目标参量，左侧竖线表示目标参量最小的Lambda值，右侧竖线表示在目标参量最小值的1个方差范围内得到最简单模型的Lambda值。上横坐标表示随Lambda增大，尚未被剔除变量的数目。B.LASSO模型的系数变化图。每条曲线代表每个特征系数的变化轨迹，在图A选择的最优参数Lambda值的位置(下横坐标)向上划1条竖线(图中未标出)，与之相交的变量即为模型最终所纳入的变量，变量所对应的纵坐标即为该变量的回归系数(可理解为该变量的贡献度)，上横坐标表示此时模型中非零系数的数目，下横坐标同图A
LASSO：最小绝对收缩和选择算子2.3 模型验证
ROC曲线显示，临床特征模型、影像组学模型和临床-影像组学模型诊断验证集早期宫颈鳞癌DSI的AUC分别为0.797(95% CI: 0.623~0.971)、0.793(95% CI: 0.633~0.954)和0.820(95% CI: 0.665~0.974)，且以临床-影像组学模型的诊断效能最高，临床特征模型的特异度最高(图 3，表 3)，图 4为根据临床-影像组学模型绘制的列线图。
表 3 验证集中3个模型对DSI的诊断效能![]()
图 4 早期宫颈鳞癌患者发生DSI的列线图4个影像组学特征与其对应系数之积的线性和被定义为列线图上的影像组学得分(radiomics signature)；3个临床特征分别根据其赋分值在列线图上展示为“age”“SCC-Ag”和“FIGO”
DSI：同图 13. 讨论
本研究基于患者术前临床特征和T2WI影像组学特征构建早期宫颈鳞癌DIS诊断模型，以有助于临床早期识别此类人群。结果显示，相比临床特征模型和影像组学模型，临床-影像组学模型对DSI具有较好的诊断性能(AUC：0.820)，其灵敏度和特异度分别为85.7%、73.7%，基本达到有经验医师的诊断水平。
宫颈间质浸润深度是早期宫颈癌患者预后的重要病理因素，不仅与宫颈鳞癌患者5年无进展生存期相关[14]，亦可决定治疗方案的选择。对于早期宫颈癌患者，宫颈间质浸润深度＜1/2是行保留生育功能的根治性子宫颈切除术的必要条件[15]。而对于已行根治性切除术治疗的宫颈癌患者，根据美国国立综合癌症网络临床实践指南标准，宫颈DSI、存在淋巴脉管浸润和肿瘤直径大于4 cm是需进行术后辅助放化疗的重要指征[3-4]。因此，准确识别存在DSI的早期宫颈癌患者，可为此类患者选择最优的初始治疗手段，使患者获益最大化[16]。
常规影像学手段，如超声可在术前评估间质浸润深度，但其灵敏度和特异度较低[17]。MRI具有良好的软组织成像优势，是目前临床广泛认可的评估早期宫颈肿瘤体积和局部浸润深度最可靠的成像方式[15, 18-19]，但由于其基于传统图像特征，评估结果的准确度受操作者主观因素的影响较大。因此，亟需探寻诊断早期宫颈癌DSI的新方法。
3.1 影像组学模型
影像组学是指对大型成像数据特征算法进行高通量提取，将医学图像转换为高维、可挖掘和定量分析的信息，从而帮助临床决策的制订和个体化治疗的实施。近年来，影像组学已广泛应用于多种肿瘤的诊断与鉴别诊断、预后分析中，其结合临床特征构建的综合预测模型可辅助肿瘤患者的临床决策。影像组学已被用于宫颈恶性肿瘤的诊断、早期宫颈癌患者无病生存时间的预测、局部晚期宫颈癌患者对新辅助化疗或放疗反应预测等。有关早期宫颈癌患者病理危险因素的研究，Wu等[7]基于189例患者的T2WI和表观弥散系数图像构建的影像组学模型预测宫颈癌发生淋巴结转移的AUC达0.847。一项基于增强T1WI图像提取的影像组学特征联合临床特征构建的模型预测早期宫颈癌患者发生脉管浸润的灵敏度和特异度分别为77.3%和69.2%[9]。但尚缺乏影像组学特征与早期宫颈癌患者间质浸润深度关系的相关研究。
标准矢状位T2WI图像是临床MRI检查常规扫描序列图像，在女性盆腔检查中可较好地展示病变的浸润范围及其与周围组织的位置关系。因此，本研究主要基于矢状位T2WI图像进行影像组学特征分析，并利用影像组学技术将MRI图像特征转化为大量高维、可挖掘的定量数据，以减少主观因素的影响，进而通过LASSO回归和5折交叉验证法对所筛选的影像组学特征进行降维，最终实现影像组学特征对早期宫颈癌间质浸润深度的定量评估。结果显示影像组学特征模型诊断早期宫颈鳞癌DSI的AUC为0.793，灵敏度、特异度分别为71.4%、84.2%，均基本达到有经验医师的诊断水平[15]。提示，通过对T2WI影像组学特征进行定量分析，有助于术前对早期宫颈鳞癌间质浸润深度作出判断，以指导患者治疗方案的制订。
3.2 临床-影像组学模型
除影像组学特征外，既往研究发现肿瘤大小、FIGO分期、治疗前SCC-Ag水平等临床特征与宫颈癌间质浸润深度有关[20-22]。因此，本研究回顾性收集患者的年龄、术前SCC-Ag水平、绝经状态以及FIGO分期4个易获取的临床特征进行分析。单因素分析显示，训练集中浅间质浸润患者的术前SCC-Ag水平、FIGO分期与DSI患者存在显著性差异；进一步采用多因素Logistic回归分析法对临床特征筛选后，最终保留患者年龄、术前SCC-Ag水平、FIGO分期3个指标用于构建临床特征模型。该模型诊断早期宫颈癌DSI的AUC(0.797)虽与影像组学特征模型相当，但其灵敏度仅为64.3%，易出现假阴性结果。与此同时，该模型的诊断特异度达100%，提示临床特征模型有助于对早期宫颈鳞癌患者间质浸润深度进行初步筛查。本研究基于临床特征和影像组学特征构建的临床-影像组学模型对早期宫颈鳞癌DSI具有较好的诊断性能(AUC：0.820)，且灵敏度和特异度均在可接受范围，提示在实际临床应用中综合考虑患者的临床特征和影像组学特征更有助于对早期宫颈鳞癌患者间质浸润深度作出准确判断。
3.3 预测早期宫颈鳞癌间质浸润深度的列线图
为方便临床使用，本研究构建了可用于预测早期宫颈癌患者发生DSI风险的列线图(图 4)，其为临床-影像组学模型的可视化展示。影像组学特征与其对应系数之积的线性和被定义为列线图上的影像组学得分(radiomics signature)，在使用过程中，首先依据患者的影像组学得分在“radiomics signature”轴上进行定位，并在点轴上垂直向“points”轴绘制直线；然后针对其他临床特征重复上述操作；将3个临床特征得分与影像组学特征得分相加，获得“total points”轴上的最终值并向下垂直绘制直线，得到该患者发生DSI的概率。列线图可增加预测模型的临床实用性，并有助于实现宫颈癌患者发生DSI的精准化和个体化预测。
本研究局限性：(1)影像组学特征主要来源于矢状位T2WI序列图像。既往研究表明DWI序列图像和对比增强图像在宫颈癌患者的预后危险因素预测中也有一定价值。(2)纳入单中心患者数据，建立的模型是否稳健需多中心研究进一步验证。
综上，基于T2WI图像的影像组学特征联合临床特征构建的临床-影像组学模型可作为一种无创、精准的术前检查手段高效判断早期宫颈鳞癌间质浸润深度，辅助临床为患者制订最佳的治疗方案。
作者贡献：任静负责研究设计、临床资料收集、数据分析与论文撰写；何泳蓝、李源负责研究设计、论文审校与修改；曹颖负责数据分析、模型构建、论文撰写；夏晨负责数据分析、模型构建；向阳、薛华丹、金征宇负责指导研究设计、数据审核及论文审校。利益冲突：无 -
![]()
图 1 宫颈鳞癌患者矢状位T2WI图像及ROI勾画示意图
A.患者43岁，FIGO分期Ⅰ B2期，癌灶浸润最大深度为16 mm，此处宫颈间质厚度为25 mm，诊断为DSI；B.与图A为同一患者，黄色区域为沿肿瘤边缘勾画的ROI示意图；C.患者32岁，FIGO分期Ⅰ B2期，癌灶最大浸润深度为10 mm，此处宫颈间质厚度为23 mm，诊断为浅间质浸润；D.与图C为同一患者，黄色区域为沿肿瘤边缘勾画的ROI示意图
T2WI：同表 1；ROI：感兴趣区；FIGO：国际妇产科联盟；DSI: 深间质浸润![]()
图 2 基于LASSO的Logistic回归模型特征选择图
A.通过5折交叉验证法筛选LASSO模型中的最优参数Lambda值，LASSO模型的复杂程度由Lambda(下横坐标)控制，Lambda越大对变量较多的线性模型的惩罚力度越大，从而最终获得1个变量较少的模型。纵坐标表示衡量模型的指标函数，由于因变量为二分类变量，故衡量模型的指标函数选择常用的“Deviance”，即-2×Log-likelihood。红点表示每个Lambda对应的目标参量，左侧竖线表示目标参量最小的Lambda值，右侧竖线表示在目标参量最小值的1个方差范围内得到最简单模型的Lambda值。上横坐标表示随Lambda增大，尚未被剔除变量的数目。B.LASSO模型的系数变化图。每条曲线代表每个特征系数的变化轨迹，在图A选择的最优参数Lambda值的位置(下横坐标)向上划1条竖线(图中未标出)，与之相交的变量即为模型最终所纳入的变量，变量所对应的纵坐标即为该变量的回归系数(可理解为该变量的贡献度)，上横坐标表示此时模型中非零系数的数目，下横坐标同图A
LASSO：最小绝对收缩和选择算子![]()
图 4 早期宫颈鳞癌患者发生DSI的列线图
4个影像组学特征与其对应系数之积的线性和被定义为列线图上的影像组学得分(radiomics signature)；3个临床特征分别根据其赋分值在列线图上展示为“age”“SCC-Ag”和“FIGO”
DSI：同图 1表 1 MRI设备信息及矢状位T2WI图像参数
设备与参数 Signa Excite，GE Optima MR 360，GE Discovery MR 750W，GE Discovery MR 750，GE MagnetomⓇ Skyra，Siemens Ingenia CX，Philips 场强与图像采集 1.5T、FRFSE 1.5T、FRFSE 3T、FRFSE 3T、FRFSE 3T、TSE 3T、TSE 重复时间/回波时间(ms) 3400/88 4653/130 4273/79 3607/111 4010/115 3500/100 视野(mm2) 270×270 260×260 280×280 220×220 300×300 260×260 矩阵(频率×相位) 288×192 288×192 288×192 288×192 320×240 512×512 层厚(mm) 5.5 5 4.5 5 4 3 层间距(mm) 1 1 1 1 1.2 0.3 层数 16 19 24 16 24 29 激励次数 1 1 1.4 2 2 2 回波链 22 21 28 21 默认值 32 呼吸补偿 自由呼吸 自由呼吸 自由呼吸 自由呼吸 自由呼吸 自由呼吸 T2WI：T2加权成像 
下载: 导出CSV
表 2 训练集和验证集患者一般临床资料比较
指标 训练集 P值 验证集 P值 浅间质浸润(n=53) DSI(n=82) 浅间质浸润(n=19) DSI(n=14) 年龄(x±s，岁) 44.17±9.64 43.71±10.69 0.799 40.11±6.72 46.14±9.80 0.044 术前SCC-Ag(x±s，μg/L) 1.45±1.27 3.44±3.50 ＜0.001 1.76±0.98 3.29±3.10 0.097 绝经状态[n(%)] 0.328 0.628 未绝经 41(77.36) 56(68.29) 17(89.47) 11(78.57) 绝经 12(22.64) 26(31.71) 2(10.53) 3(21.43) FIGO分期[n(%)] ＜0.001 0.161 ⅠB1 29(54.72) 13(15.85) 10(52.63) 4(28.57) ⅠB2 21(39.62) 58(70.73) 9(47.37) 8(57.14) ⅠB3 0 3(3.66) 0 2(14.29) ⅡA1 3(5.66) 8(9.76) 0 0 DSI、FIGO：同图 1；SCC-Ag：鳞状细胞癌相关抗原
下载: 导出CSV
-
[1] Small W, JR, Bacon MA, Bajaj A, et al. Cervical cancer: A global health crisis[J]. Cancer, 2017, 123: 2404-2412. DOI: 10.1002/cncr.30667
[2] Lu X, Jiang L, Zhang L, et al. Immune Signature-Based Subtypes of Cervical Squamous Cell Carcinoma Tightly Associated with Human Papillomavirus Type 16 Expression, Molecular Features, and Clinical Outcome[J]. Neoplasia, 2019, 21: 591-601. DOI: 10.1016/j.neo.2019.04.003
[3] Sedlis A, Bundy BN, Rotman MZ, et al. A randomized trial of pelvic radiation therapy versus no further therapy in selected patients with stage IB carcinoma of the cervix after radical hysterectomy and pelvic lymphadenectomy: A Gynecologic Oncology Group Study[J]. Gynecol Oncol, 1999, 73: 177-183. DOI: 10.1006/gyno.1999.5387
[4] National Comprehensive Cancer Network. NCCN Clinical Practice Guidelines in Oncology. Cervical Cancer (Version 1.2021)[EB/OL]. (2020-1-14)[2021-8-26]. https://www.nccn.org/guidelines/guidelines-detail?category=1&id=1426.
[5] Chino J, Annunziata CM, Beriwal S, et al. Radiation Therapy for Cervical Cancer: Executive Summary of an ASTRO Clinical Practice Guideline[J]. Pract Radiat Oncol, 2020, 10: 220-234. DOI: 10.1016/j.prro.2020.04.002
[6] Cibula D, Pötter R, Planchamp F, et al. The European Society of Gynaecological Oncology/European Society for Radiotherapy and Oncology/European Society of Pathology guidelines for the management of patients with cervical cancer[J]. Radiother Oncol, 2018, 127: 404-416. DOI: 10.1016/j.radonc.2018.03.003
[7] Wu Q, Wang S, Chen X, et al. Radiomics analysis of magnetic resonance imaging improves diagnostic performance of lymph node metastasis in patients with cervical cancer[J]. Radiother Oncol, 2019, 138: 141-148. DOI: 10.1016/j.radonc.2019.04.035
[8] Xiao M, Ma F, Li Y, et al. Multiparametric MRI-Based Radiomics Nomogram for Predicting Lymph Node Metastasis in Early-Stage Cervical Cancer[J]. J Magn Reson Imaging, 2020, 52: 885-896. DOI: 10.1002/jmri.27101
[9] Li Z, Li H, Wang S, et al. MR-Based Radiomics Nomogram of Cervical Cancer in Prediction of the Lymph-Vascular Space Invasion preoperatively[J]. J Magn Reson Imaging, 2019, 49: 1420-1426. DOI: 10.1002/jmri.26531
[10] Wu Q, Shi D, Dou S, et al. Radiomics Analysis of Multiparametric MRI Evaluates the Pathological Features of Cervical Squamous Cell Carcinoma[J]. J Magn Reson Imaging, 2019, 49: 1141-1148. DOI: 10.1002/jmri.26301
[11] Bhatla N, Aoki D, Sharma DN, et al. Cancer of the cervix uteri[J]. Int J Gynecol Obstet, 2018, 143: 22-36. DOI: 10.1002/ijgo.12611
[12] Allam M, Feely C, Millan D, et al. Depth of cervical stromal invasion as a prognostic factor after radical surgery for early stage cervical cancer[J]. Gynecol oncol, 2004, 93: 637-641. DOI: 10.1016/j.ygyno.2004.02.029
[13] Bhatla N, Berek JS, Cuello Fredes M, et al. Revised FIGO staging for carcinoma of the cervix uteri[J]. Int J Gynaecol Obstet, 2019, 145: 129-135. DOI: 10.1002/ijgo.12749
[14] Shu T, Zhao D, Li B, et al. Prognostic evaluation of postoperative adjuvant therapy for operable cervical cancer: 10 years' experience of National Cancer Center in China[J]. Chin J Cancer Res, 2017, 29: 510-520. DOI: 10.21147/j.issn.1000-9604.2017.06.05
[15] Lakhman Y, Akin O, park KJ, et al. Stage IB1 cervical cancer: role of preoperative MR imaging in selection of patients for fertility-sparing radical trachelectomy[J]. Radiology, 2013, 269: 149-158. DOI: 10.1148/radiol.13121746
[16] Landoni F, Colombo A, MIlani R, et al. Randomized study between radical surgery and radiotherapy for the treatment of stage IB-ⅡA cervical cancer: 20-year update[J]. J Gynecol Oncol, 2017, 28: e34. DOI: 10.3802/jgo.2017.28.e34
[17] Moloney F, Ryan D, Twomey M, et al. Comparison of MRI and high-resolution transvaginal sonography for the local staging of cervical cancer[J]. J Clin Ultrasound, 2016, 44: 78-84. DOI: 10.1002/jcu.22288
[18] 朱汇慈, 曹崑, 李晓婷, 等. MRI评估早期宫颈癌间质浸润深度[J]. 中国医学影像技术, 2020, 36: 559-563. https://www.cnki.com.cn/Article/CJFDTOTAL-ZYXX202004020.htm Zhu HC, Cao K, Li XT, et al. MRI assessment of eary cervical cancer invasion depth of stroma[J]. Zhongguo Yixue Yingxiang Jishu, 2020, 36: 559-563. https://www.cnki.com.cn/Article/CJFDTOTAL-ZYXX202004020.htm
[19] Epstein E, Testa A, Gaurilcikas A, et al. Early-stage cervical cancer: tumor delineation by magnetic resonance imaging and ultrasound - a European multicenter trial[J]. Gynecol Oncol, 2013, 128: 449-453. DOI: 10.1016/j.ygyno.2012.09.025
[20] Xu D, Wang D, Wang S, et al. Correlation Between Squamous Cell Carcinoma Antigen Level and the Clinicopathological Features of Early-Stage Cervical Squamous Cell Carcinoma and the Predictive Value of Squamous Cell Carcinoma Antigen Combined With Computed Tomography Scan for Lymph Node Metastasis[J]. Int J Gynecol Cancer, 2017, 27: 1935-1942. DOI: 10.1097/IGC.0000000000001112
[21] Liu S, Xia L, Yang Z, et al. The feasibility of (18)F-FDG PET/CT for predicting pathologic risk status in early-stage uterine cervical squamous cancer[J]. Cancer Imaging, 2020, 20: 63. DOI: 10.1186/s40644-020-00340-z
[22] 朱成功, 姜继勇, 张文清, 等. 术前血清鳞状细胞癌抗原水平对早期宫颈鳞癌淋巴结转移的预测价值[J]. 现代妇产科进展, 2020, 29: 896-900. https://www.cnki.com.cn/Article/CJFDTOTAL-XDFC202012004.htm Zhu CG, Jiang JY, Zhang WQ, et al. Predictive value of preoperative serum squamous cell carcinoma antigen level for lymph node metastasis of early-stage cervical squamous cell carcinoma[J]. Xiandai Fuchanke Jinzhan, 2020, 29: 896-900. https://www.cnki.com.cn/Article/CJFDTOTAL-XDFC202012004.htm
-
期刊类型引用(0)
其他类型引用(2)
计量
- 文章访问数: 881
- HTML全文浏览量: 261
- PDF下载量: 76
- 被引次数: 2
