分享:
分享到微信朋友圈
X
经验交流
基于术前MRI影像组学及临床特征的早期宫颈癌中危因素预测模型构建
易芹芹 周宙 罗燕 钟淑媛 凌人男

Cite this article as: Yi QQ, Zhou Z, Luo Y, et al. Construction of prediction model of intermediate risk factors for early cervical cancer based on preoperative MRI radiomics and clinical features[J]. Chin J Magn Reson Imaging, 2022, 13(4): 124-127, 136.本文引用格式:易芹芹, 周宙, 罗燕, 等. 基于术前MRI影像组学及临床特征的早期宫颈癌中危因素预测模型构建[J]. 磁共振成像, 2022, 13(4): 124-127, 136. DOI:10.12015/issn.1674-8034.2022.04.024.


[摘要] 目的 基于术前双序列(T2加权成像及增强T1加权成像) MRI图像进行影像组学分析,并联合临床特征,建立最大径小于4 cm的早期宫颈癌(ⅠB期及ⅡA期)中危因素预测模型,并对该模型进行验证。材料与方法 回顾性分析我院2016年6月至2021年6月的宫颈癌患者病例170例,根据术后病理结果将病例分为中危因素组及非中危因素组。将病例按7∶3的比例随机分为训练组(n=119)、验证组(n=51),采用Analysis Kinetics软件对图像特性进行特征提取,并采用多因素分析构建临床模型、影像组学模型及临床-影像组学组合模型,并通过受试者工作特征曲线、校准曲线和决策曲线分析比较并验证三种模型。结果 临床-影像组学组合模型术前可以预测宫颈癌的中危因素(曲线下面积为0.853,P<0.01),敏感度为85.5%,特异度为78%,高于临床模型,与影像组学模型相比差异无统计学意义。结论 对于小于4 cm的早期宫颈癌(ⅠB、ⅡA期),以双序列MRI图像及临床特征建立的临床-影像组学组合模型有助于预测宫颈癌病理中危因素,有益于临床制订个体化诊疗决策。
[Abstract] Objective To establish and validate a combined predictive model based on pretreatment dual-sequence MR (T2 weighted imaging and contrast-enhanced T1 weighted imaging) imaging features and clinical features to predict intermediate risk factors in patients with early cervical cancer (ⅠB and ⅡA) less than 4 cm.Materials and Methods A total of 170 patients eligible for inclusion with cervical cancer from our hospital between 2016 and 2021 were retrospectively collected, and were divided into intermediate-risk and non-intermediate-risk groups based on postoperative pathological results. The cases were randomly divided into training group (n=119) and validation group (n=51) according to the ratio of 7:3. Analysis Kinetics software was used to extract radiomics characteristics. Multivariate Logistic regression analysis was used to develop the clinical model, the radiomics signature (Rad-score) and the clinical-radiomics model (the combined model). Performance of the three models were assessed by using receiver operating characteristic curves, calibration curves and decision curve analysis (DCA).Results The combined pretreatment clinical-radiomics model could predict intermediate-risk cervical cancer (AUC=0.853, P<0.01). Sensitivity of the clinical-radiomics model was 85.5% and specificity was 78%. The combined model showed better performance than clinical model and no significant difference compared with radiomics model.Conclusions The intermediate risk factors in early cervical cancer (ⅠB and ⅡA) less than 4 cm can be predicted with the combined clinical-radiomics model based on dual-sequence MRI and clinical characteristics. Therefore, it could benefit individualized treatment decision-making.
[关键词] 影像组学;宫颈癌;危险因素;磁共振成像;预测模型
[Keywords] radiomics;cervical cancer;risk factors;magnetic resonance imaging;predicting model

易芹芹    周宙    罗燕    钟淑媛    凌人男 *  

深圳市人民医院(暨南大学第二临床医学院,南方科技大学第一附属医院)放射科,深圳 518020

凌人男,E-mail:670744652@qq.com

作者利益冲突声明:全部作者均声明无利益冲突。


基金项目: 广东省医学科学技术研究基金项目 B2020004
收稿日期:2021-12-21
接受日期:2022-03-25
中图分类号:R445.2  R737.33 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.04.024
本文引用格式:易芹芹, 周宙, 罗燕, 等. 基于术前MRI影像组学及临床特征的早期宫颈癌中危因素预测模型构建[J]. 磁共振成像, 2022, 13(4): 124-127, 136. DOI:10.12015/issn.1674-8034.2022.04.024

       由于实施早期宫颈癌筛查及接种HPV疫苗,全球宫颈癌的发病率下降;然而我国宫颈癌发病率仍呈上升趋势,宫颈癌的防治和诊疗仍面临较大压力[1]。早期宫颈癌(ⅠB和ⅡA期)治疗可选根治性手术切除或同步放化疗,手术切除后具有中危因素的患者术后需辅助放疗或化疗[2]。根据Sedlis标准,国际妇瘤学会将淋巴脉管浸润、深层间质浸润及瘤径不小于4 cm定义为宫颈癌中危因素[3]。术前通过影像学检查可以较易识别肿瘤大小,但淋巴脉管浸润(lymph-vascular space invasion,LVSI)和深层间质浸润情况必须通过术后病理才能确定。影像组学可以从术前影像图像中高通量提取定量特征,通过挖掘高维数据辅助临床决策,最终实现个体化精准治疗[4, 5]。近年已有文献发现MRI的功能序列DWI、PET/CT的标准摄取值及PET/CT影像组学可以术前预测LVSI及深层间质浸润[6, 7, 8, 9]。基于MRI的影像组学模型可以术前无创预测宫颈癌的组织学类型、淋巴结是否转移等[10, 11];血液学指标临床较容易获得,而且也可以预测宫颈癌预后[12]。本研究拟对肿瘤最大径小于4 cm的宫颈癌患者,基于双序列[T2加权成像(T2 weighted imaging,T2WI)及增强T1加权成像(T1 weighted imaging,T1WI)] MRI图像进行影像组学分析,并联合血液学临床特征,建立术前预测宫颈癌中危因素(LVSI或深层间质浸润)的模型,辅助临床制订个体化治疗方案。

1 材料与方法

1.1 一般资料

       本研究经深圳市人民医院医学伦理委员会批准(批准文号:LL-KY-2019519),免除受试者知情同意。回顾性分析深圳市人民医院2016年6月至2021年6月的早期宫颈癌患者病例170例。纳入标准:(1)患者均接受根治性子宫切除术及盆腔淋巴结清扫术,MRI检查(T2WI及增强T1WI图像)与手术间隔小于2周;(2)术后确诊为早期(FIGO2018分期为ⅠB期或ⅡA期)宫颈癌,术前未进行辅助治疗。排除标准:肿瘤最大径<1 cm或≥4 cm;图像质量差,影响结果判读;临床资料(年龄、大小、中性粒细胞计数、淋巴细胞计数、血小板计数、中心粒淋巴比、淋巴单核比、全身免疫炎症指数)不足。研究终点为病理中危因素,术后病理确诊有深层间质浸润或淋巴脉管浸润二者之一为阳性,二者都无为阴性。

1.2 MRI检查

       采用Siemens Magnetom Skyro 3.0 T (西门子,德国) MRI扫描仪,专用腹部8通道相控阵线圈进行盆腔MRI扫描,所有患者MRI检查均在同一台机器完成。患者在检查前至少禁食4 h且喝水适度充盈膀胱。扫描序列包括轴位T1WI及矢状位、轴位T2WI,按照0.1 mmol/kg注射Gd-DTPA后80~120 s采集盆腔轴位、矢状位增强T1WI图像,扫描参数见表1

表1  MRI扫描参数

1.3 影像组学分析

       影像组学分析流程:图像分割、特征提取、特征筛选与降维、建模(图1)。

1.3.1 图像分割及特征提取

       将患者的T2WI及增强T1WI以DICOM图像格式保存并导入开源软件ITK-SNAP (3.6版本,www.itksnap.org)中,由两名分别具有8年及15年妇科影像诊断的医师进行手动图像分割,得到3D VOI,再导入AK软件(GE Healthcare Analysis Kinetics)进行特征提取。第1名医师勾画感兴趣区域(region of interest,ROI)并提取特征,1周后再次勾画ROI并提取特征,用于评估测量者自身一致性;第2名医师勾画1次ROI并提取特征,用于评估测量者间一致性。勾画感兴趣区时,为了表现肿瘤异质性,勾画范围包括肿瘤出血、囊变或坏死区域。

       每个序列各提取了1316个特征,包括:(1)强度特征(18个):一阶特征,表现肿瘤的信号强度,比如熵;(2)形态特征(14个):表现肿瘤的大小和形态信息;(3)纹理特征(354个):表现肿瘤体素之间及肿瘤与周围环境的关系,量化肿瘤异质性,比如灰度共生矩阵;(4)小波特征(744个):经小波分解计算获得原始图像的强度和纹理特征;(5)拉普拉斯变换特征(186个):通过高斯滤波器的拉普拉斯算子提取出的纹理特征。

1.3.2 特征筛选与降维、建模

       影像组学特征参数采用最小值-最大值进行归一化处理,消除不同特征间的尺度差异。首先,在训练组中,通过单因素分析筛选组学特征:以P<0.05为标准;其次,通过LASSO回归进行降维;确定组学特征后建模,得到组学模型并计算Rad-score。

图1  预测宫颈癌中危因素影像组学流程图。

1.4 临床特征

       包括年龄、肿瘤大小、术前中性粒细胞计数(neutrophil count,NEU,×109/L) (正常值为2.0~7.5)、术前淋巴细胞计数(lymphocyte count,LYM,×109/L) (正常值为0.8~4.0)、术前血小板计数(platelet count,PLT,×109/L) (正常值为100~300)、中性粒淋巴比(neutrophil to lymphocyte ratio,NLR)、淋巴单核比(lymphocyte to monocyte ratio,LMR)、全身免疫炎症指数(systemic immune-inflammation index,SⅡ);首先,在训练组中进行单因素分析筛选出P<0.05的临床特征,再进行多因素分析构建临床模型。将临床模型中的特征与Rad-score融合形成组合模型。

1.5 统计学分析

       所有的统计在SPSS 21.0、R软件(3.5.1版本,https://www.r-project.org/)及Medcalc 15.2.2软件进行。(1) t检验或Mann-Whitney U检验用于比较训练组与验证组在年龄、肿瘤大小、NEU、LYM、PLT、NLR、LMR、SⅡ是否有差异;(2) t检验或Mann-Whitney U检验比较训练组中中危因素阳性组与阴性组是否有差异;(3)组间相关系数(intraclass correlation coefficients,ICC)用于评价特征提取时观察者自身及观察者间一致性,ICC>0.75的特征纳入研究;(4) R软件进行LASSO回归;(5)进行Logistic回归分析,并绘制临床模型、组学模型及组合模型的ROC,并比较曲线下面积(area under curve,AUC);(6)行Hosmer-Lemeshow拟合优度检验,并绘制校准曲线和决策曲线评估模型的准确性。

2 结果

2.1 一般资料

       共筛选出符合纳入及排除标准的早期宫颈癌患者病例170例。将病例按7∶3的比例随机分为训练组(n=119)、验证组(n=51),入组流程图见图2。训练组中有中危因素者83例,无中危因素者36例;验证组中有中危因素者30例,无中危因素者21例(图3)。

图2  入组流程图。
图3  3A~3D:42岁,宫颈癌ⅡA期,有淋巴脉管间隙浸润及深间质浸润,为中危因素阳性;3E~3H:35岁,宫颈癌ⅡA期,无淋巴脉管间隙浸润,仅有浅间质浸润,为中危因素阴性。

2.2 临床模型

       临床特征在训练组与验证组间差异没有统计学意义(表2)。血小板计数升高与中危因素有关(P<0.05),年龄、大小、中心粒细胞计数、淋巴细胞计数、NLR、LMR、SⅡ与中危因素无关(P>0.05)。

表2  训练组与验证组临床特征对比

2.3 组学模型

       T2WI及增强T1WI序列共2632个,排除了ICC≤0.75的组学特征,再经过单因素分析后剩余1809个特征。通过LASSO回归降维后,有7个组学特征是中危因素的独立预测因子,包括3个T2WI图像特征及4个增强T1WI图像特征。训练组影像组学标签预测患者中危因素的AUC为0.835 (95% CI:0.769~0.887),敏感度为81.7%,特异度为80%。

2.4 临床-影像特征组合模型

       将血小板计数和Rad-score纳入模型,得到预测模型为P=ex/1+ex,其中x=-1.074+0.001×血小板计数+1.965×Rad-score,e为自然对数。训练组组合模型预测患者中危因素的AUC为0.853,95% CI:0.790~0.903,敏感度为85.5%,特异度为78%。

2.5 临床模型、影像组学模型及组合模型在训练组和验证组的对比

       训练组中,临床模型小于影像组学模型及组合模型,差异具有统计学意义(AUC=0.517,95% CI:0.439~0.595,P<0.01),影像组学模型AUC小于组合模型,差异无统计学意义(P=0.39) (图4)。验证组中,临床模型小于影像组学模型及组合模型,差异具有统计学意义(AUC=0.569,95% CI:0.428~0.702,P<0.01),影像组学模型(AUC=0.843,95% CI:0.720~0.927)小于组合模型(AUC=0.846,95% CI:0.723~0.929),差异无统计学意义(P=0.85) (图5)。校准曲线表明组合模型具有良好的预测性(Hosmer-Lemeshow检验,P=0.798);决策曲线表明组合模型具有良好的临床效益(图6)。

图4  训练组ROC曲线对比。
图5  验证组ROC曲线对比。
图6  6A为组合模型校准曲线,6B为三组模型决策曲线。

3 讨论

3.1 研究回顾

       对于小于4 cm的早期宫颈癌(ⅠB、ⅡA期),本次回顾性研究发现以MRI图像(联合T2WI及增强T1WI图像)和血常规建立的临床-影像组学组合模型有助于预测病理中危因素,模型效能高于单纯临床模型,与影像组学模型效能相当,有益于辅助临床制订个体化诊疗决策。

3.2 研究现状

       宫颈癌中危因素与预后密切相关,与无中危因素的宫颈癌相比,具有中危因素的患者,3年复发率从2%增长至31%,术后辅助治疗可以明显降低复发率和死亡率[4,13]。年龄、肿瘤大小与宫颈癌LVSI或深层间质浸润相关[14, 15],Chu等[4]研究发现年龄、肿瘤大小与宫颈癌无病生存期(disease-free survival,DFS)和总生存期(overall survival,OS)均相关,大于40岁的患者或者肿瘤最大径不小于2 cm的患者均与宫颈癌DFS和OS呈正相关。本研究纳入了年龄和肿瘤大小作为临床特征,但在中危因素上阳性组和阴性组并没有差别,未最终进入临床模型,可能与本组研究病例年龄均数在40岁以上,肿瘤最大径均数也大于2 cm有关。Fang等[16]在研究影像组学预测早期宫颈癌的DFS中,纳入了中心粒细胞计数、血小板计数及淋巴细胞计数作为临床特征,但经过单因素分析和多因素分析,上述三个参数均未进入临床模型。Wang等[17]研究发现血小板计数升高与更高的分期、更短的无进展生存期(progression-free survival,PFS)和OS相关;Kozasa等[18]也发现血小板计数高和血小板计数/淋巴细胞计数高是宫颈癌患者PFS和OS的独立预测因子;本研究结果显示,中心粒细胞计数和淋巴细胞计数在中危因素阴性组和阳性组间没有差别,血小板计数在两组间有差别,与上述研究结果相似。近年研究表明PLR、LMR及SⅡ在肿瘤微环境中会升高,其可以通过促进细胞增殖、血管生成并抑制体内淋巴系统来促进肿瘤的发展,并可以改变肿瘤对化疗药物的反应,可以预测宫颈癌等肿瘤的预后[19, 20, 21];本研究发现PLR、LMR及SⅡ在早期宫颈癌有中危因素组和无中危因素组间差异无统计学意义,可能与宫颈癌分期较早、直径较小及本组病例数量偏少有关。

       影像组学可以预测宫颈癌分期、组织学类型、淋巴结转移和复发[22, 23, 24]。目前,有较多关于宫颈癌影像组学的研究是从T2WI或增强T1图像中来提取影像组学特征的[16,25, 26],说明从磁共振检查的这两个序列中可以成功提取宫颈癌相关的影像组学特征并辅助临床诊疗决策;任静等研究发现基于宫颈癌T2WI图像影像组学特征及临床特征建立的模型可以术前预测早期宫颈癌的深层间质浸润[14],Li等[25]发现基于术前TI增强图像的影像组学特征可以预测宫颈癌LVSI,Du等[27]发现基于术前平扫T2WI图像的影像组学特征可以预测宫颈癌LVSI,结论均与本研究类似,但本研究综合纳入了平扫T2WI及增强T1图像的影像组学特征,杨易等研究者认为融合了T2WI和增强T1WI双序列构建的影像组学模型效能优于单序列(T2WI或T1CE),能提供更多信息,增加模型的准确性[28],但杨易等的研究模型未纳入临床特征。

3.3 创新型与局限性

       术前通过影像组学无创预测宫颈癌中危因素,可能会改变治疗方式,目前新辅助化疗已成为肿瘤治疗的重要部分[29],若术前预测中危因素可能性大,或可以新辅助治疗后再手术,术后中危因素可能会减少,从而改变治疗方式;既往研究大多是针对单一病理中危因素[27,30],病例数较少,但是根据NCCN宫颈癌治疗指南[31],对于术后发现病理中危因素的患者均需辅助放疗或放化疗,将术后中危因素合并作为结果来分析,可以适当提高样本量,从而增加模型准确性;既往研究常将肿瘤分化程度、病理类型、淋巴结转移情况等纳入[14,16,25],而本研究旨在术前尽可能无创预测中危因素,仅纳入了年龄、血常规和MRI图像,有助于临床便利应用及推广。但是,本研究为单中心数据模型,且缺少外部验证;肿瘤标志物、HPV等其他血液检查指标也可后续纳入研究。

       综上所述,对于小于4 cm的早期宫颈癌,通过MRI双序列(T2WI及增强T1WI)影像组学标签及血小板计数建立的临床-影像组学组合模型可以术前无创、精准预测宫颈癌中危因素,从而辅助临床为患者个体化制订最优治疗方案。

[1]
Cai ZJ, Liu Q. Understanding the Global Cancer Statistics 2018: implications for cancer control[J]. Sci China Life Sci, 2021, 64(6): 1017-1020. DOI: 10.1007/s11427-019-9816-1.
[2]
Koh WJ, Abu-Rustum NR, Bean S, et al. Cervical cancer, version 3.2019, NCCN clinical practice guidelines in oncology[J]. J Natl Compr Canc Netw, 2019, 17(1): 64-84. DOI: 10.6004/jnccn.2019.0001.
[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(2): 177-183. DOI: 10.1006/gyno.1999.5387.
[4]
Chu R, Zhang Y, Qiao X, et al. Risk stratification of early-stage cervical cancer with intermediate-risk factors: model development and validation based on machine learning algorithm[J]. Oncologist, 2021, 26(12): e2217-e2226. DOI: 10.1002/onco.13956.
[5]
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(4): 441-446. DOI: 10.1016/j.ejca.2011.11.036.
[6]
Li XR, Xu C, Yu Y, et al. Prediction of lymphovascular space invasion using a combination of tenascin-C, cox-2, and PET/CT radiomics in patients with early-stage cervical squamous cell carcinoma[J]. BMC Cancer, 2021, 21(1): 866. DOI: 10.1186/s12885-021-08596-9.
[7]
Wang Y, Chen X, Pu H, et al. Roles of DWI and T2-weighted MRI volumetry in the evaluation of lymph node metastasis and lymphovascular invasion of stage ⅠB-ⅡA cervical cancer[J]. Clin Radiol, 2022, 77(3):224-230. DOI: 10.1016/j.crad.2021.12.011.
[8]
Huang YT, Chang CB, Yeh CJ, et al. Diagnostic accuracy of 3.0 T diffusion-weighted MRI for patients with uterine carcinosarcoma: assessment of tumor extent and lymphatic metastasis[J]. J Magn Reson Imaging, 2018. DOI: 10.1002/jmri.25981.
[9]
Yang Z, Xu WN, Ma YN, et al. (18)F-FDG PET/CT can correct the clinical stages and predict pathological parameters before operation in cervical cancer[J]. Eur J Radiol, 2016, 85(5): 877-884. DOI: 10.1016/j.ejrad.2016.02.010.
[10]
Wang W, Jiao YN, Zhang LC, et al. Multiparametric MRI-based radiomics analysis: differentiation of subtypes of cervical cancer in the early stage[J]. Acta Radiol, 2021: 2841851211014188. DOI: 10.1177/02841851211014188.
[11]
Deng XJ, Liu ML, Sun JQ, et al. Feasibility of MRI-based radiomics features for predicting lymph node metastases and VEGF expression in cervical cancer[J]. Eur J Radiol, 2021, 134: 109429. DOI: 10.1016/j.ejrad.2020.109429.
[12]
Wu YT, Ye S, Goswami S, et al. Clinical significance of peripheral blood and tumor tissue lymphocyte subsets in cervical cancer patients[J]. BMC Cancer, 2020, 20(1): 173. DOI: 10.1186/s12885-020-6633-x.
[13]
Bhatla N, Aoki D, Sharma DN, et al. Cancer of the cervix uteri[J]. Int J Gynaecol Obstet, 2018, 143(Suppl 2): 22-36. DOI: 10.1002/ijgo.12611.
[14]
任静, 何泳蓝, 李源, 等. 基于T2加权成像的影像组学特征和临床特征模型在早期宫颈鳞状细胞癌深间质浸润中的诊断价值[J]. 协和医学杂志, 2021, 12(5): 705-712. DOI: 10.12290/xhyxzz.2021-0437.
Ren J, He YL, Li Y, et al. 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[J]. Med J Peking Union Med Coll Hosp, 2021, 12(5): 705-712. DOI: 10.12290/xhyxzz.2021-0437.
[15]
Zhu J, Cao LJ, Wen H, et al. The clinical and prognostic implication of deep stromal invasion in cervical cancer patients undergoing radical hysterectomy[J]. J Cancer, 2020, 11(24): 7368-7377. DOI: 10.7150/jca.50752.
[16]
Fang J, Zhang B, Wang S, et al. Association of MRI-derived radiomic biomarker with disease-free survival in patients with early-stage cervical cancer[J]. Theranostics, 2020, 10(5): 2284-2292. DOI: 10.7150/thno.37429.
[17]
Wang JM, Wang Y, Huang YQ, et al. Prognostic values of platelet-associated indicators in resectable cervical cancer[J]. Dose Response, 2019, 17(3): 1559325819874199. DOI: 10.1177/1559325819874199.
[18]
Kozasa K, Mabuchi S, Komura N, et al. Comparison of clinical utilities of the platelet count and platelet-lymphocyte ratio for predicting survival in patients with cervical cancer: a single institutional study and literature review[J]. Oncotarget, 2017, 8(33): 55394-55404. DOI: 10.18632/oncotarget.19560.
[19]
Huang HP, Liu Q, Zhu LX, et al. Prognostic value of preoperative systemic immune-inflammation index in patients with cervical cancer[J]. Sci Rep, 2019, 9(1): 3284. DOI: 10.1038/s41598-019-39150-0.
[20]
Han XP, Liu SY, Yang G, et al. Prognostic value of systemic hemato-immunological indices in uterine cervical cancer: a systemic review, meta-analysis, and meta-regression of observational studies[J]. Gynecol Oncol, 2021, 160(1): 351-360. DOI: 10.1016/j.ygyno.2020.10.011.
[21]
Wu JY, Chen MY, Liang CX, et al. Prognostic value of the pretreatment neutrophil-to-lymphocyte ratio in cervical cancer: a meta-analysis and systematic review[J]. Oncotarget, 2017, 8(8): 13400-13412. DOI: 10.18632/oncotarget.14541.
[22]
Xiao ML, Ma FH, 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(3): 885-896. DOI: 10.1002/jmri.27101.
[23]
Manganaro L, Nicolino GM, Dolciami M, et al. Radiomics in cervical and endometrial cancer[J]. Br J Radiol, 2021, 94(1125): 20201314. DOI: 10.1259/bjr.20201314.
[24]
Umutlu L, Nensa F, Demircioglu A, et al. Radiomics analysis of multiparametric PET/MRI for N- and M-staging in patients with primary cervical cancer[J]. Rofo, 2020, 192(8): 754-763. DOI: 10.1055/a-1100-0127.
[25]
Li ZC, Li HL, Wang SY, 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(5): 1420-1426. DOI: 10.1002/jmri.26531.
[26]
Ai Y, Zhu HY, Xie CY, et al. Radiomics in cervical cancer: current applications and future potential[J]. Crit Rev Oncol Hematol, 2020, 152: 102985. DOI: 10.1016/j.critrevonc.2020.102985.
[27]
Du W, Wang Y, Li DD, et al. Preoperative prediction of lymphovascular space invasion in cervical cancer with radiomics-based nomogram[J]. Front Oncol, 2021, 11: 637794. DOI: 10.3389/fonc.2021.637794.
[28]
杨易, 冯峰, 傅爱燕, 等. 基于T2WI和增强MRI影像组学列线图预测宫颈鳞癌淋巴脉管间隙浸润[J]. 放射学实践, 2021, 36(4): 494-501. DOI: 10.13609/j.cnki.1000-0313.2021.04.015.
Yang Y, Feng F, Fu AY, et al. Radiomics nomogram based on T2WI and contrast-enhanced MRI for predicting lymphovascular space invasion in cervical squamous cell carcinoma[J]. Radiol Pract, 2021, 36(4): 494-501. DOI: 10.13609/j.cnki.1000-0313.2021.04.015.
[29]
谢瑞霖, 王慧, 仝少冬, 等. ⅠB2-ⅡB期宫颈癌新辅助治疗联合手术对比根治性同步放化疗疗效及安全性的Meta分析[J]. 中华放射肿瘤学杂志, 2019, 28(6): 428-431. DOI: 10.3760/cma.j.issn.1004-4221.2019.06.007.
Xie RL, Wang H, Tong SD, et al. The efficacy and safety of neoadjuvant therapy followed by radical surgery versus definite chemoradiotherapy in the treatment of ⅠB2-ⅡB cervical cancer: a meta-analysis[J]. Chin J Radiat Oncol, 2019, 28(6): 428-431. DOI: 10.3760/cma.j.issn.1004-4221.2019.06.007.
[30]
周小玲, 赖华, 文曦琳, 等. T2WI-FS序列影像组学诊断宫颈癌转移及脉管间隙浸润的价值[J]. 磁共振成像, 2021, 12(7): 69-71, 76. DOI: 10.12015/issn.1674-8034.2021.07.014.
Zhou XL, Lai H, Wen XL, et al. Value of T2WI-FS based radiomics features in the diagnosis of cervical cancer metastasis and lymph vascular space invasion[J]. Chin J Magn Reson Imaging, 2021, 12(7): 69-71, 76. DOI: 10.12015/issn.1674-8034.2021.07.014.
[31]
周晖, 白守民, 林仲秋. 《2019 NCCN宫颈癌临床实践指南(第1版)》解读[J]. 中国实用妇科与产科杂志, 2018, 34(9): 1002-1009. DOI: 10.19538/j.fk2018090114.
Zhou H, Bai SM, Lin ZQ. Interpretation of NCCN guidelines to the clinical practice of cervical cancer in 2019(1st edition)[J]. Chin J Pract Gynecol Obstet, 2018, 34(9): 1002-1009. DOI: 10.19538/j.fk2018090114.

上一篇 基于前列腺逐层切片病理PI-RADS v2.1与PI-RADS v2的评分比较
下一篇 磁共振扩散张量成像对正常女性尿道括约肌复合体及肛提肌结构的分析研究
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2