留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

CT影像组学模型预测膀胱癌术后1年复发的初步研究

张古沐阳 许梨梨 毛丽 李秀丽 金征宇 孙昊

张古沐阳, 许梨梨, 毛丽, 李秀丽, 金征宇, 孙昊. CT影像组学模型预测膀胱癌术后1年复发的初步研究[J]. 协和医学杂志, 2021, 12(5): 698-704. doi: 10.12290/xhyxzz.2021-0511
引用本文: 张古沐阳, 许梨梨, 毛丽, 李秀丽, 金征宇, 孙昊. CT影像组学模型预测膀胱癌术后1年复发的初步研究[J]. 协和医学杂志, 2021, 12(5): 698-704. doi: 10.12290/xhyxzz.2021-0511
ZHANG Gumuyang, XU Lili, MAO Li, LI Xiuli, JIN Zhengyu, SUN Hao. CT-based Radiomics to Predict Recurrence of Bladder Cancer after Resection in One Year: A Preliminary Study[J]. Medical Journal of Peking Union Medical College Hospital, 2021, 12(5): 698-704. doi: 10.12290/xhyxzz.2021-0511
Citation: ZHANG Gumuyang, XU Lili, MAO Li, LI Xiuli, JIN Zhengyu, SUN Hao. CT-based Radiomics to Predict Recurrence of Bladder Cancer after Resection in One Year: A Preliminary Study[J]. Medical Journal of Peking Union Medical College Hospital, 2021, 12(5): 698-704. doi: 10.12290/xhyxzz.2021-0511

CT影像组学模型预测膀胱癌术后1年复发的初步研究

doi: 10.12290/xhyxzz.2021-0511
基金项目: 

国家自然科学基金 8190742

详细信息
    通讯作者:

    孙昊  电话:010-69154597,E-mail:sunhao_robert@126.com

  • 中图分类号: R81

CT-based Radiomics to Predict Recurrence of Bladder Cancer after Resection in One Year: A Preliminary Study

Funds: 

National Natural Science Foundation of China 8190742

More Information
  • 摘要:   目的  探究基于CT图像的影像组学模型预测膀胱癌术后1年复发的可行性。  方法  回顾性纳入2014年5月至2018年7月于北京协和医院行手术治疗的膀胱癌患者,并对其进行随访,记录疾病复发状况。收集膀胱癌患者术前CT泌尿系成像实质期图像,经滤波处理后进行影像组学特征提取;采用JMIM特征选择算法识别与膀胱癌术后1年复发相关的最佳影像组学特征,采用随机森林模型、自适应增强模型、梯度提升树模型以及3个模型构成的组合模型构建膀胱癌术后1年复发的预测模型,并基于10次10折交叉验证法对各模型进行验证。采用受试者工作特征曲线对各模型的预测性能进行评定。  结果  共228例符合纳入和排除标准的膀胱癌患者入选本研究。随访1年时51例患者复发,177例患者未复发。经交叉验证,随机森林模型、自适应增强模型、梯度提升树模型和组合模型预测膀胱癌术后1年复发的曲线下面积分别为0.729(95% CI: 0.649~0.809)、0.710(95% CI: 0.627~0.793)、0.709(95% CI: 0.624~0.793)、0.732(95% CI: 0.651~0.812),准确度分别为76.8%(95% CI: 70.6%~82.0%)、73.7%(95% CI: 67.4%~79.2%)、61.8%(95% CI: 54.7%~67.7%)、75.0%(95% CI: 68.8%~80.4%),灵敏度分别为52.9%(95% CI: 38.6%~66.8%)、62.7%(95% CI: 48.1%~75.5%)、80.4%(95% CI: 64.3%~88.2%)、58.8%(95% CI: 44.2%~72.1%),特异度分别为83.6%(95% CI: 77.1%~88.6%)、76.8%(95% CI: 69.8%~82.7%)、56.5%(95% CI: 48.9%~63.9%)、79.7%(95% CI: 72.8%~85.2%)。  结论  有机结合基于CT图像构建的多个影像组学模型可预测膀胱癌术后1年的复发风险。
    作者贡献:张古沐阳负责研究设计、数据分析、论文撰写;许梨梨负责临床数据收集及整理;毛丽负责数据分析和论文修改;李秀丽负责数据分析指导;孙昊负责指导研究设计与数据分析及论文修改;金征宇负责研究项目设计。
    利益冲突:本研究所使用影像组学平台由深睿医疗人工智能研究院提供, 毛丽、李秀丽为深睿医疗人工智能研究院员工,其余作者均无利益冲突
  • 图  1  3个基本模型中影像组学特征的基尼重要性分析

    A.随机森林模型,贡献度最高的3个影像组学特征分别为经σ参数为4 mm的拉普拉斯高斯滤波器变换后图像ROI内GLSZM纹理特征的灰度不均匀性,经XYZ方向分别为低通、低通和高通的小波滤波器滤波后图像GLCM纹理特征的联合熵和运行熵; B.自适应增强模型,贡献度最高的3个影像组学特征分别为经XYZ方向分别为低通、高通和高通的小波滤波器滤波后图像ROI内的最大值,原始图像上GLCM纹理特征的和熵,经XYZ方向分别为高通、高通和高通的小波滤波器滤波后图像ROI内的最大值; C. 梯度提升树模型,贡献度最高的3个影像组学特征分别为经σ参数为4 mm的拉普拉斯高斯滤波器变换后图像ROI内GLSZM纹理特征的灰度不均匀性,经XYZ方向分别为低通、低通和高通的小波滤波器滤波后图像的GLCM纹理特征的联合熵,原始图像上GLCM纹理特征的和熵
    ROI:感兴趣区;GLSZM:灰度区域大小矩阵;GLCM:灰度共生矩阵

    图  2  经交叉验证影像组学模型预测膀胱癌术后1年复发的ROC曲线图

    AUC:同表 2;ROC:受试者工作特征

    表  1  膀胱癌术后1年复发组与未复发组患者临床资料比较

    指标 复发组(n=51) 未复发组(n=177) P
    年龄(x±s,岁) 65.5±9.9 64.1±11.5 0.475
    最大病灶直径[M(P25, P75),mm] 17.1(10.7, 25.6) 13.4(9.7, 18.5) 0.017
    CT图像上病灶数量[n(%)] 0.005
      单发 33(64.7) 146(82.5)
      多发 18(35.3) 31(17.5)
    最大病灶CT值[M(P25, P75),HU] 66.8(60.5, 77.2) 66.2 (57.0, 75.5) 0.354
    T分期[n(%)] 0.583
      ≤T1期 44(86.3) 147(83.1)
      ≥T2期 7(13.7) 30(16.9)
    下载: 导出CSV

    表  2  影像组学模型在训练组和经交叉验证对膀胱癌术后1年复发的预测效能

    预测模型 AUC(95% CI) 准确度(95% CI) 灵敏度(95% CI) 特异度(95% CI)
    训练集
      随机森林模型 1.000(1.000~1.000) 99.6%(97.2%~100%) 100%(91.3%~100%) 99.4%(96.4%~100%)
      自适应增强模型 0.952(0.924~0.979) 86.0%(80.6%~90.1%) 88.2%(75.4%~95.1%) 85.3%(79.0%~90.0%)
      梯度提升树模型 0.984(0.972~0.995) 73.7%(67.4%~79.2%) 100%(91.3%~100%) 66.1%(58.6%~72.9%)
      组合模型 1.000(0.999~1.000) 96.1%(92.4%~98.1%) 100%(91.3%~100%) 94.9%(90.3%~97.5%)
    交叉验证
      随机森林模型 0.729(0.649~0.809) 76.8%(70.6%~82.0%) 52.9%(38.6%~66.8%) 83.6%(77.1%~88.6%)
      自适应增强模型 0.710(0.627~0.793) 73.7%(67.4%~79.2%) 62.7%(48.1%~75.5%) 76.8%(69.8%~82.7%)
      梯度提升树模型 0.709(0.624~0.793) 61.8%(54.7%~67.7%) 80.4%(64.3%~88.2%) 56.5%(48.9%~63.9%)
      组合模型 0.732(0.651~0.812) 75.0%(68.8%~80.4%) 58.8%(44.2%~72.1%) 79.7%(72.8%~85.2%)
    AUC:曲线下面积
    下载: 导出CSV
  • [1] Bray F, Ferlay J, Soerjomataram I, et al. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2018, 68: 394-424. doi:  10.3322/caac.21492
    [2] Pang C, Guan Y, Li H, et al. Urologic cancer in China[J]. JPN J Clin Oncol, 2016, 46: 497-501. doi:  10.1093/jjco/hyw034
    [3] Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer, 2012, 48: 441-446. doi:  10.1016/j.ejca.2011.11.036
    [4] Kumar V, Gu Y, Basu S, et al. Radiomics: the process and the challenges[J]. Magnetic Resonance Imaging, 2012, 30: 1234-1248. doi:  10.1016/j.mri.2012.06.010
    [5] Aerts HJ, Velazquez ER, Leijenaar RT, et al. Decoding tumour phenotype by noninvasive imaging using a quantita-tive radiomics approach[J]. Nat Commun, 2014, 5: 4006. doi:  10.1038/ncomms5006
    [6] Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data[J]. Radiology, 2016, 278: 563-577. doi:  10.1148/radiol.2015151169
    [7] Spiess PE, Agarwal N, Bangs R, et al. Bladder Cancer, Version 5.2017, NCCN Clinical Practice Guidelines in Oncology[J]. J Natl Compr Canc Netw, 2017, 15: 1240-1267. doi:  10.6004/jnccn.2017.0156
    [8] Kluth LA, Black PC, Bochner BH, et al. Prognostic and Prediction Tools in Bladder Cancer: A Comprehensive Review of the Literature[J]. Eur Urol, 2015, 68: 238-253. doi:  10.1016/j.eururo.2015.01.032
    [9] Fernandez-Gomez J, Madero R, Solsona E, et al. Predicting nonmuscle invasive bladder cancer recurrence and progression in patients treated with bacillus Calmette-Guerin: the CUETO scoring model[J]. J Urol, 2009, 182: 2195-2203. doi:  10.1016/j.juro.2009.07.016
    [10] Sylvester RJ, van der Meijden AP, Oosterlinck W, et al. Predicting recurrence and progression in individual patients with stage Ta T1 bladder cancer using EORTC risk tables: a combined analysis of 2596 patients from seven EORTC trials[J]. Eur Urol, 2006, 49: 466-475. doi:  10.1016/j.eururo.2005.12.031
    [11] Oderda M, Ricceri F, Pisano F, et al. Prognostic factors including Ki-67 and p53 in Bacillus Calmette-Guerin-treated non-muscle-invasive bladder cancer: a prospective study[J]. Urol Int, 2013, 90: 184-190. doi:  10.1159/000343431
    [12] van Kessel KEM, van der Keur KA, Dyrskjøt L, et al. Molecular Markers Increase Precision of the European Associa-tion of Urology Non-Muscle-Invasive Bladder Cancer Progression Risk Groups[J]. Clin Cancer Res, 2018, 24: 1586-1593. doi:  10.1158/1078-0432.CCR-17-2719
    [13] Tilki D, Burger M, Dalbagni G, et al. Urine markers for detection and surveillance of non-muscle-invasive bladder cancer[J]. Euro Urol, 2011, 60: 484-492. doi:  10.1016/j.eururo.2011.05.053
    [14] Ueno Y, Takeuchi M, Tamada T, et al. Diagnostic Accuracy and Interobserver Agreement for the Vesical Imaging-Reporting and Data System for Muscle-invasive Bladder Cancer: A Multireader Validation Study[J]. Eur Urol, 2019, 76: 54-56. doi:  10.1016/j.eururo.2019.03.012
    [15] Wu S, Zheng J, Li Y, et al. A Radiomics Nomogram for the Preoperative Prediction of Lymph Node Metastasis in Bladder Cancer[J]. Clin Cancer Res, 2017, 23: 6904-6911. doi:  10.1158/1078-0432.CCR-17-1510
    [16] Zhang G, Xu L, Zhao L, et al. CT-based radiomics to predict the pathological grade of bladder cancer[J]. Eur Radiol, 2020, 30: 6749-6756. doi:  10.1007/s00330-020-06893-8
    [17] Zhang G, Sun H, Shi B, et al. Quantitative CT texture analysis for evaluating histologic grade of urothelial carcinoma[J]. Abdom Radiol (NY), 2017, 42: 561-568. doi:  10.1007/s00261-016-0897-2
    [18] Garapati SS, Hadjiiski L, Cha KH, et al. Urinary bladder cancer staging in CT urography using machine learning[J]. Med Phys, 2017, 44: 5814-5823. doi:  10.1002/mp.12510
  • 加载中
图(2) / 表(2)
计量
  • 文章访问数:  37
  • HTML全文浏览量:  2
  • PDF下载量:  21
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-07-01
  • 录用日期:  2021-08-05
  • 刊出日期:  2021-09-30

目录

    /

    返回文章
    返回