分享:
分享到微信朋友圈
X
临床研究
基于MRI-T2WI影像组学列线图鉴别卵巢交界性与恶性上皮源性肿瘤
丁聪 魏明翔 贾建业 周围 柏根基

Cite this article as: Ding C, Wei MX, Jia JY, et al. Differentiation of borderline and malignant epithelial tumors based on MRI-T2WI radiomics nomogram[J]. Chin J Magn Reson Imaging, 2022, 13(7): 55-60.本文引用格式:丁聪, 魏明翔, 贾建业, 等. 基于MRI-T2WI影像组学列线图鉴别卵巢交界性与恶性上皮源性肿瘤[J]. 磁共振成像, 2022, 13(7): 55-60. DOI:10.12015/issn.1674-8034.2022.07.010.


[摘要] 目的 建立基于MRI-T2WI影像组学列线图并评价其鉴别卵巢交界性上皮源性肿瘤(boderline epithelial ovarian tumors, BEOTs)及恶性上皮源性肿瘤(malignant epithelial ovarian tumors, MEOTs)的效能及临床应用价值。材料与方法 回顾性分析2016年1月至2021年5月间南京医科大学附属淮安第一医院经病理证实的上皮源性卵巢肿瘤患者的临床及影像资料,共计192例,其中BEOTs 72例,MEOTs 120例,按8∶2比例随机分为训练集(n=153)及测试集(n=39),从每个患者的轴位T2WI图像中手动勾画感兴趣区并提取影像组学特征。使用Mann-Whitney U检验、相关性分析及最小绝对收缩选择算子(least absolute shrinkage and selection operator, LASSO)回归进行特征选择,并构建影像组学模型及计算影像组学评分Radscore。结合临床因素及Radscore,采用多元logistic回归模型构建影像组学列线图模型。最后通过ROC曲线、校准曲线及决策曲线分析评价列线图模型的临床应用价值。结果 经特征筛选后最终保留10个影像组学特征。结合HE4和Radscore的影像组学列线图在训练集及测试集中的曲线下面积值(area under the cure, AUC)(训练集:0.947,测试集:0.914)均大于单一的影像组学模型(训练集:0.925,测试集:0.819)。ROC曲线及决策曲线分析结果显示,影像组学列线图模型更具优势。结论 结合MRI-T2WI影像组学特征和临床因素的影像组学列线图模型可直观、准确地鉴别BEOTs及MEOTs,并为下一步的临床决策提供指导。
[Abstract] Objective To develop and validate a radiomics nomogram that was based on MRI-T2WI to distinguish between borderline epithelial ovarian tumors (BEOTs) and malignant epithelial ovarian tumors (MEOTs).Materials and Methods The clinical and imaging data of 192 patients with epithelial ovarian tumors confirmed by pathology from January 2016 to May 2021 were retrospectively analyzed in the Affiliated Huaian First People's Hospital of Nanjing Medical University, including EBOTs (n=72) and MEOTs (n=153) were enrolled. According to the ratio of 8∶2,all cases were randomly divided into the training group (n=153) and validation group (n=39). We used T2WI to manually delineated ROI and extract radiomics features. Mann-Whitney U test, correlation and LASSO regression were used to select features, and then constructed radiomics model by these features, used to calculate Radscore. Combining Radscore with clinic factors, we used multiple logistic regression to construct radiomics nomogram. ROC curve, calibration curve and decision curve analysis and correction were used to evaluate the clinical value of radiomics nomogram.Results We reserved 10 radiomics features after the feature was filtered. The AUC of the radiomics nomogram which combined HE4 with Radscore in the training group and validation group (training group: 0.947, validation group: 0.914) were higher than those of the single radiomics model (training group:0.925, validation group:0.819). ROC and DCA results showed that the radiomics nomogram had higher reliability.Conclusions The radiomics nomogram combined radiomics feature based on T2WI and clinical factors is able to distinguish between BEOTs and MEOTs intuitively and accurately and provide guidance for the next clinical decision.
[关键词] 卵巢肿瘤;影像组学;机器学习;列线图;磁共振成像;T2加权成像
[Keywords] ovarian tumors;radiomics;machine learning;nomogram;magnetic resonance imaging;T2-weighted imaging

丁聪 1   魏明翔 2   贾建业 1   周围 1   柏根基 1*  

1 南京医科大学附属淮安第一医院影像科,淮安 223000

2 南京医科大学附属苏州医院影像科,苏州 215000

柏根基,E-mail:hybgj0451@163.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: 北京医卫健康公益基金 B20240ES
收稿日期:2022-03-08
接受日期:2022-07-08
中图分类号:R445.2  R737.31 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.07.010
本文引用格式:丁聪, 魏明翔, 贾建业, 等. 基于MRI-T2WI影像组学列线图鉴别卵巢交界性与恶性上皮源性肿瘤[J]. 磁共振成像, 2022, 13(7): 55-60. DOI:10.12015/issn.1674-8034.2022.07.010

       卵巢肿瘤是妇科最常见的肿瘤之一,其可定性分为良性、恶性及交界性,卵巢上皮源性恶性肿瘤(malignant epithelial ovarian tumors, MEOTs)约占卵巢恶性肿瘤的95%,为妇科恶性肿瘤的首要致死疾病[1, 2]。卵巢交界性上皮源性肿瘤(boderline epithelial ovarian tumors, BEOTs)好发于育龄期女性[3],约占卵巢上皮性肿瘤的10%~15%[4],与MEOTs相比具有较低的BRCA突变率[5],不侵犯卵巢组织,但是可以扩散至卵巢外的腹膜组织[6]。虽然约2%的BEOTs具有恶变可能,但大部分的BEOTs可完全治愈,若诊断准确,可对患者行保留生育的术式,这将大大改善患者治疗后的生活质量[7, 8]。因BEOTs发病隐匿且无典型及明显的临床症状,目前对于BEOTs准确诊断仍具有难度,即便是冷冻切片病理对BEOTs的诊断准确率也仅有69.2%[9],这可能导致患者选择了错误的手术方式,因此在术前对其进行准确诊断是很有必要的。

       MRI在诊断卵巢肿瘤方面具有多种优势,并且在临床中已广泛应用,常规MRI可以显示BEOTs和MEOTs的形态特征,有助于二者的鉴别[10, 11, 12]。但是影像表观特征并非固定的,依靠影像表观特征的诊断在一定程度上依赖于影像医师的主观评估,忽略了肿瘤内部的潜在特征及患者的临床表现。因此需要一种更加客观且结合患者临床表现的手段来对BEOTs及MEOTs在术前进行准确、安全的鉴别及诊断。

       影像组学目前已被广泛应用于肿瘤研究方面,其可以高通量地提取人眼无法识别的定量特征,对肿瘤性疾病的进行术前诊断及预后分析方面展现了极大的应用价值[10]。而列线图则可简单直观地展示研究结果。MRI对卵巢良性肿瘤和恶性肿瘤的鉴别诊断具有较高的价值[13, 14]。因T2WI较其他序列更能清晰地反映疾病的病理情况,且具有更好的可重复性[15],同时T2WI在临床广泛使用,故本研究基于T2WI来勾画病灶。本研究通过影像组学列线图方法,基于T2WI提取影像组学特征并结合临床危险因素构建列线图,探讨其在术前鉴别BEOTs及MEOTs方面的效果及临床应用价值。

1 材料与方法

1.1 一般资料

       本研究为回顾性研究,依据纳入标准连续地收集2016年1月至2021年5月在南京医科大学附淮安第一医院就诊的上皮源性卵巢肿瘤患者。纳入标准为:(1)术后经组织病理证实的卵巢上皮肿瘤的患者;(2)术前2周内完成MRI扫描。排除标准为:(1)与研究目的不一致的其他卵巢肿瘤,如:生殖细胞肿瘤、性索间质肿瘤以及转移瘤等;(2)既往有盆腔手术史及放化疗病史;(3)MRI序列缺失或图像质量较差;(4)MRI图像未能完整展示肿瘤。最终,192例卵巢上皮肿瘤患者被纳入本次研究,包括BEOTs患者72人及MEOTs患者120人。本研究经南京医科大学附属淮安第一医院伦理委员会批准,免除受试者知情同意,批准文号:YX-2021-001-01。

1.2 检查方法

       使用1.5 T磁共振成像仪(Siemens,Avanto or Aera,德国)和3.0 T磁共振扫描仪(Siemens,Verio or Spectra,德国)及相控阵线圈进行图像采集。患者于采集前需禁食至少4 h,并且适度饮水以充盈膀胱。设定的T2WI扫描参数如下所示。(1)Avanto SE扫描参数:TR 1100 ms,TE 120 ms,层厚7.4 mm,FOV 384 mm×512 mm;(2)Verio SE扫描参数:TR 1700 ms,TE 98 ms,层厚6.1 mm,FOV 240 mm×320 mm;(3)Spectra SE扫描参数:TR 4500 ms,TE 96 ms,层厚 5.4 mm,FOV 240 mm×320 mm;(4)Aera SE扫描参数:TR 4410 ms,TE 87 ms,层厚5 mm,FOV 640 mm×640 mm。

1.3 图像分割及特征提取

       将T2WI图像导入至ITK-SNAP软件(v.3.8.0,http://www.itksnap.org)进行图像手动分割。图像感兴趣区域(region of interest, ROI)的分割由两位具有六年工作经验的且不知道患者临床及病理资料的影像科住院医师独立完成。ROI范围包括了肿瘤的囊性成分和实性成分,且其他MRI序列作为ROI勾画的参考,以尽可能区分肿瘤与正常组织的边界。如果患者肿瘤是多灶性的,只选择最大的肿块来勾画ROI(图1)。通过计算每个特征的组内及组间相关系数(intra-/interclass correlation coefficient,ICC)来评估ROI的一致性。具体勾画流程如下:首先由医师A在轴位T2WI像上逐层手工勾画;同时,从训练样本中随机选取30名患者的影像图像,由另一位影像科医师B进行分割,以评估观察者间的一致性。医师A间隔一个月再对所有病例重新进行ROI的勾画,以评估观察者内一致性。

       在特征提取前对图像进行标准化并重采样到3 mm×3 mm×3 mm体素。随后使用基于Python(v3.7,http:/pyradiomics.readthedocs.io/)的PyRadiomics库提取共1130个影像组学特征,其提取特征可分为五组:一阶特征18个,形态学特征14个,二阶特征75个,经过拉普拉斯-高斯滤波器滤波后的特征279个及小波变换后的特征744个。

图1  感兴趣区勾画流程图。1A:卵巢肿瘤患者轴位T2加权图像;1B~1C:勾画感兴趣区;1D:通过软件对感兴趣区进行三维呈现。
Fig. 1  Delineation flow chart of area of interest. 1A: Axial T2-weighted images of patients with ovarian tumors; 1B and 1C: Sketching the region of interest; 1D: Rendering of the region of interest through software.

1.4 影像组学特征筛选

       当特征的ICC>0.80时,可认为该特征具有稳定性及可重复性,故保留医生A第一次勾画所提取的ICC>0.80的特征用以后续分析。首先,对训练集和测试集数据进行Z值标准化。随后,对训练集特征进行Mann-Whitney U检验,保留P<0.05的特征。用随机森林算法计算剩余特征的重要性权重,并进行相关性检验,删除相关系数大于0.9且特征重要性权重低的特征。最后,采用最小绝对收缩选择算子(least absolute shrinkage and selection operator, LASSO)算法从剩余的特征中筛选出具有鉴别价值的特征用以计算Radscore及建模。

       其中Xi为LASSO所选择的影像组学特征,βi为其相应的系数。

1.5 建立及评估模型

       通过多因素logistic回归分析对候选预测因子包括患者年龄、月经状况、生育情况、腹痛、腹胀、肿瘤标记物指标(包括HE4、CA125、CA199、CA724、CEA、AFP)进行筛选,得出独立预测因子并结合Radscore构建影像组学列线图,并且使用ROC曲线及决策曲线分析(decision curve analysis, DCA)评估模型的临床应用价值。

1.6 统计学分析

       采用R语言(Version.3.5.3, www.R-project.org)、SPSS(Version.25.0,IBM, Armonk, NY, USA)软件进行分析及绘图。P<0.05为差异具有统计学意义。人口学和临床资料中,连续变量采用独立样本t检验(正态分布)或Mann-Whitney U检验(非正态分布)分析,分类变量采用卡方检验或Fisher精确概率检验进行分析。采用mRMRe程序包对提取出的影像组学特征进行筛选。应用glmnet程序包对一下组学特征进行LASSO降维处理。使用pROC程序包绘制ROC曲线,采用ROC曲线下面积(area under the curve, AUC)、敏感度、特异度及准确度以评估预测效能。采用rms程序包绘制列线图。同时通过rmda程序包绘制决策曲线分析(decision curve analysis, DCA)模型的应用价值。采用Delong检验比较影像组学模型及联合模型之间的差异。

2 结果

2.1 临床资料

       共纳入192名患者,包括BEOTs患者72人(37.5%)及MEOTs患者120人(62.5%),图2为两组卵巢肿瘤的影像及病理图像。数据集经过8∶2的比例随机分为训练集(n=153)和测试集(n=39)。两组患者的年龄、生育情况、月经情况、腹痛、腹胀及肿瘤标志物(包括HE4、CA125、CA199、CA72-4、CEA及AFP)差异无统计学意义(P>0.05)(表1)。患者的具体组织下亚型如表2所示。

图2  两组卵巢肿瘤示例及相对应的病理图片。2A~2B:女,79岁,T2脂肪抑制序列显示左侧卵巢肿瘤,病理证实为交界性浆液性囊腺瘤;2C~2D:女,49岁,T2脂肪抑制序列显示左侧卵巢肿瘤,病理证实为子宫内膜样癌。
Fig. 2  Two groups of ovarian tumors and pathological confirmation pictures corresponding to them. 2A-2B: A 79-year-old woman with a left ovarian tumor, the corresponding pathological picture confirmed borderline serous epithelial ovarian tumors. 2C-2D: A 49-year-old woman with a left ovarian tumor, the corresponding pathological picture confirmed malignant serous epithelial ovarian tumors.
表1  训练集与测试集患者临床资料
Tab. 1  Clinical data of patients in training set and test set
表2  各组肿瘤病理构成情况(例)
Tab. 2  Pathological composition of tumors in each group (case)

2.2 影像组学模型

       T2WI提取的1130个影像组学特征中,1064个影像组学特征表现出了较好的一致性(ICC>0.80),其分布热图如图3所示。经过Mann-Whitney U检验及相关性分析筛选后,剩余117个特征。经十折交叉验证的LASSO回归分析后(图4A4B),最后筛选出10个影像组学特征,其对应系数绝对值如图4C所示。随后建立影像组学模型,得到Radscore公式,拟合筛选得到的特征来建立影像组学模型,Radscore公式如下:

       Radscore=0.659+0.467×original_firstorder_Skewness-0.079×original_gldm_DependenceEntropy

       -0.106×log-sigma-3-0-mm-3D_glcm_MCC-0×wavelet-HHL_glcm_Correlation

       -0.162×wavelet-HLL_gldm_LargeDependenceHighGrayLevelEmphasis

       +0.076×wavelet-HLL_firstorder_Mean-0.269×wavelet-LHH_glcm_MCC

       -0.091×wavelet-LHL_gldm_LargeDependenceHighGrayLevelEmphasis

       +0.567×log-sigma-3-0-mm-3D_firstorder_90Percentile

       计算后得出基于T2WI的影像组学特征的模型在训练集及测试集的AUC值分为是0.925(0.883~0.965)及0.819(0.670~0.969)。

图3  1064个具有较高稳定性和差异性的影像组学特征分布热图。
Fig. 3  Heat map of the distribution of 1064 image omics features with high stability and difference.
图4  影像组学模型建立流程图。4A:通过LASSO回归选择参数,最优超参数λ值即为第一个虚线所对应的模型最低点的横坐标;图4B:根据λ确定具有非零系数的影像组学特征绘制的系数曲线;图4C:筛选出13个影像组学特征及其对应系数的绝对值;图4D:结合HE4和Radscore构建的列线图模型。
Fig. 4  Flow chart of image omics model building. 4A: Selecting parameters by LASSO regression, the optimal hyperparameter λ value is the abscess graph of the lowest point of the model corresponding to the first dotted line; 4B: Coefficient curves based on image omics features with non-zero coefficients determined by λ; 4C: Screening the absolute values of 13 radiomics features and their corresponding coefficients; 4D: The nomogram constructed by combining HE4 and Radscore.

2.3 列线图建立及效能验证

       对患者候选预测因子计算后得出高性能预测因子HE4 [OR=1.018(1.010~1.027),P<0.01],故联合HE4及Radscore构建列线图(图4D)。通过校准曲线(图5A5B)可见训练集和测试集中,影像组学列线图预测结果与病理结果具有更高的一致性。基于影像组学特征及临床特征的联合模型在训练集及测试集的AUC值分别为0.947(0.912~0.982)及0.914(0.821~1)(图6)。Delong检验显示,基于T2WI的影像组学模型与联合模型之间的差异不具有统计学意义(P=0.1738)。决策曲线(图7)显示危险阈值在0.01~1.00范围内,联合模型的净收益最大,故影像组学列线图对于BEOTs及MEOTs鉴别方面的临床应用价值高于单独的影像组学模型。

图5  列线图模型预测交界性及恶性卵巢上皮源性卵巢癌结果与病理结果一致性的校准曲线,刻画的实线与45°虚线的吻合程度反映了列线图的预测性能。5A:训练集;5B:测试集。
图6  测试集中影像组学模型及联合模型的ROC曲线。
图7  影像组学模型及联合模型的临床决策曲线。
Fig. 5  Calibration curves of the nomogram for predicting borderline and malignant epithelial ovarian cancer with the consistency of pathological results. The degree of coincidence between the delineated solid line and the 45°-dotted line reflects the prediction performance of the line graph.
Fig. 6  ROC curves of the radiomics model and the combined model in the test set.
Fig. 7  The clinical decision curve of the radiomics model and the combined mode.

3 讨论

       本研究开发并验证了一组用于术前鉴别BEOTs及MEOTs的影像组学列线图。结果初步表明,联合临床特征的影像组学列线图比单独的影像组学模型具有更高的预测效能,其在训练集及测试集中均展示了良好的效能,AUC值分别为0.947及0.914。

3.1 影像组学模型的价值

       影像组学作为一种新兴的非侵入性技术,通过提取和分析图像中像素的灰度强度和位置来提供肿瘤异质性数据,可以挖掘人眼无法识别的高维特征[16]。同时有研究发现,放射组学特征与潜在的病理改变之间存在显著的相关性[17, 18, 19]。此前有数个基于CT的研究展示了影像组学在卵巢肿瘤鉴别方面的价值[20, 21]。Giuliano等[22]的Meta分析指出在鉴别BEOTs及MEOTs方面,MRI展现了比CT更为优异的诊断效能。这可能是由于MRI较CT具有更高的对比度及分辨率。同时多项研究发现,基于磁共振的影像组学模型可以在术前识别上皮性卵巢癌的腹膜转移及预测术后复发风险,改善患者的预后[23, 24, 25],故本研究采用MRI图像提取影像特征。Ye等[26]、Li等[27]的研究分别基于T2、DWI及T1增强序列的图像进行特征提取,构建的模型均展现出优秀价值。但上述研究均基于增强MRI,增强MRI需要注射对比剂,因此在肾功能不全及有对比剂不良反应病史的患者中禁止使用。简俊明等[28]的研究发现,基于增强MRI及平扫MRI图像所构建的影像组学模型在鉴别Ⅰ、Ⅱ型卵巢癌方面的能力没有显著性差异。因此本研究使用MRI平扫图像提取影像组学特征,最终筛选出十个影像组学特征来建立影像组学模型,包括两个一阶特征,两个经拉普拉斯-高斯滤波器滤波后的特征以及六个小波变换后的特征,十个特征合并成Rad-Score。该影像组学模型在训练集(AUC=0.925)及测试集(AUC=0.819)中均展现了优秀的诊断效能。

3.2 临床-影像组学模型的价值

       在临床诊断中,年龄、月经情况、腹水情况及肿瘤标志物等均是不可忽略的因素,同时Rad-Score可作为独立的生物学标志物,故本研究联合Rad-Score及临床因素构建联合模型。本研究经过筛选出临床特征的为肿瘤标志物HE4。HE4主要在生殖道和呼吸道表达,在上皮性卵巢癌中高表达,被认为是最有前途的卵巢癌辅助标志物[29, 30, 31]。对于影像上不确定的卵巢肿块,上皮性卵巢癌患者指南(2018版)建议测定血清HE4。多项研究指出HE4是鉴别卵巢上皮肿瘤的最佳标志物,同时也与卵巢癌患者的不良预后有关[32, 33]。罗玉婷[30]的研究发现MRI联合HE4比单一MRI在鉴别卵巢肿瘤方面更有价值,这与我们的研究结果相类似。本研究结合Rad-Score及HE4开发了影像组学列线图,结果表明,无论在训练集(AUC=0.947)还是测试集(AUC=0.914)中,影像组学列线图较影像组学模型具有更高的AUC值。但Delong检验显示影像组学列线图模型与影像组学模型之间ROC差异无统计学意义(P值=0.174),这可能是由于我们纳入的样本较少,且MEOTs患者与BEOTs患者数目有悬殊,同时我们的研究是单中心研究,可能会对结果产生偏差。决策曲线结果显示联合模型的净收益较影像组学模型更大,故我们可以认为影像组学列线图对于BEOTs及MEOTs鉴别方面的临床应用价值高于单独的影像组学模型,可帮助临床医生在术前无创、准确地鉴别BEOTs及MEOTs,并帮助临床选择合适的治疗方案。

3.3 局限性

       本研究仍存在一些局限性:(1)本研究样本量较少,且缺乏外部验证,回顾性研究存在可能的偏倚,今后当扩大样本量并且进行多中心研究;(2)本研究ROI为手工勾画,部分病例的病灶与周围组织分界欠清,因此勾画时会将部分ROI漏画或者将正常组织勾画入ROI;(3)卵巢上皮肿瘤亚型众多,本研究未更细化地进行分析研究,日后当对于组织学亚型分类进行分析探索;(4)本研究所构建的模型仅在于区分BEOTs及MEOTs,但是卵巢肿瘤种类多样,因此在日后研究中,应当纳入更多类型的卵巢肿瘤,以更好地应用于临床。

       综上所述,本研究构建基于MRI-T2WI及肿瘤标志物HE4的影像组学列线图,为BEOTs及MEOTs的术前鉴别诊断提供了新的精确、客观、无创、直观的评估方法。

[1]
Tu N, Zhong Y, Wang X, et al. Treatment response prediction of nasopharyngeal carcinoma based on histogram analysis of diffusional kurtosis imaging[J]. AJNR Am J Neuroradiol, 2019, 40(2): 326-333. DOI: 10.3174/ajnr.A5925.
[2]
Siegel RL, Miller KD, Goding Sauer A, et al. Colorectal cancer statistics, 2020[J]. CA Cancer J Clin, 2020, 70(3): 145-164. DOI: 10.3322/caac.21601.
[3]
Staebler A, Mayr D. The 2016 update of the S3 guideline for malignant tumours of the ovary: role of pathology in diagnosis, therapy and clinical management of epithelial tumours[J]. Pathologe, 2017, 38(4): 331-344. DOI: 10.1007/s00292-017-0310-0.
[4]
Fang CY, Zhao LQ, Chen X, et al. The impact of clinicopathologic and surgical factors on relapse and pregnancy in young patients (≤40 years old) with borderline ovarian tumors[J]. BMC Cancer, 2018, 18(1): 1147. DOI: 10.1186/s12885-018-4932-2.
[5]
Fischerova D, Zikan M, Dundr P, et al. Diagnosis, treatment, and follow-up of borderline ovarian tumors[J]. Oncologist, 2012, 17(12): 1515-1533. DOI: 10.1634/theoncologist.2012-0139.
[6]
Acs G. Serous and mucinous borderline (low malignant potential) tumors of the ovary[J]. Am J Clin Pathol, 2005, 123(Suppl): S13-S57. DOI: 10.1309/J6PXXK1HQJAEBVPM.
[7]
王稳, 张师前, 王玉东, 等. 交界性卵巢肿瘤诊治专家共识[J]. 中国实用妇科与产科杂志, 2019, 35(9): 1000-1007. DOI: 10.19538/j.fk2019090113.
Wang W, Zhang SQ, Wang YD, et al. Expert consensus on the diagnosis and treatment of borderline ovarian tumors[J]. Chin J Pract Gynecol Obstet, 2019, 35(9): 1000-1007. DOI: 10.19538/j.fk2019090113.
[8]
Hauptmann S, Friedrich K, Redline R, et al. Ovarian borderline tumors in the 2014 WHO classification: evolving concepts and diagnostic criteria[J]. Virchows Arch, 2017, 470(2): 125-142. DOI: 10.1007/s00428-016-2040-8.
[9]
Huang Z, Li L, Li CC, et al. Diagnostic accuracy of frozen section analysis of borderline ovarian tumors: a meta-analysis with emphasis on misdiagnosis factors[J]. J Cancer, 2018, 9(16): 2817-2824. DOI: 10.7150/jca.25883.
[10]
Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data[J]. Radiology, 2016, 278(2): 563-577. DOI: 10.1148/radiol.2015151169.
[11]
Zhang H, Mao YF, Chen XJ, et al. Magnetic resonance imaging radiomics in categorizing ovarian masses and predicting clinical outcome: a preliminary study[J]. Eur Radiol, 2019, 29(7): 3358-3371. DOI: 10.1007/s00330-019-06124-9.
[12]
Li YA, Qiang JW, Ma FH, et al. MRI features and score for differentiating borderline from malignant epithelial ovarian tumors[J]. Eur J Radiol, 2018, 98: 136-142. DOI: 10.1016/j.ejrad.2017.11.014.
[13]
Javadi S, Ganeshan DM, Qayyum A, et al. Ovarian cancer, the revised FIGO staging system, and the role of imaging[J]. AJR Am J Roentgenol, 2016, 206(6): 1351-1360. DOI: 10.2214/AJR.15.15199.
[14]
Baeßler B, Weiss K, Pinto dos Santos D. Robustness and reproducibility of radiomics in magnetic resonance imaging: a phantom study[J]. Invest Radiol, 2019, 54(4): 221-228. DOI: 10.1097/RLI.0000000000000530.
[15]
Yu XP, Wang L, Yu HY, et al. MDCT-based radiomics features for the differentiation of serous borderline ovarian tumors and serous malignant ovarian tumors[J]. Cancer Manag Res, 2021, 13: 329-336. DOI: 10.2147/CMAR.S284220.
[16]
Nougaret S, Tardieu M, Vargas HA, et al. Ovarian cancer: an update on imaging in the era of radiomics[J]. Diagn Interv Imaging, 2019, 100(10): 647-655. DOI: 10.1016/j.diii.2018.11.007.
[17]
Bektas CT, Kocak B, Yardimci AH, et al. Clear cell renal cell carcinoma: machine learning-based quantitative computed tomography texture analysis for prediction of fuhrman nuclear grade[J]. Eur Radiol, 2019, 29(3): 1153-1163. DOI: 10.1007/s00330-018-5698-2.
[18]
Horvat N, Bates DDB, Petkovska I. Novel imaging techniques of rectal cancer: what do radiomics and radiogenomics have to offer? A literature review[J]. Abdom Radiol (NY), 2019, 44(11): 3764-3774. DOI: 10.1007/s00261-019-02042-y.
[19]
Liu MZ, Ge YQ, Li MR, et al. Prediction of BRCA gene mutation status in epithelial ovarian cancer by radiomics models based on 2D and 3D CT images[J]. BMC Med Imaging, 2021, 21(1): 180. DOI: 10.1186/s12880-021-00711-3.
[20]
Pan SS, Ding ZX, Zhang LX, et al. A nomogram combined radiomic and semantic features as imaging biomarker for classification of ovarian cystadenomas[J]. Front Oncol, 2020, 10: 895. DOI: 10.3389/fonc.2020.00895.
[21]
李诗韵. 基于CT平扫的2D与3D影像组学模型对卵巢良恶性病变的鉴别诊断价值初探[D]. 南昌: 南昌大学, 2021.
Li SY. Preliminary study on the value of the 2D and 3D radiomics model based on plain CT in differentiating benign from malignant ovarian lesions[D]. Nanchang: Nanchang University, 2021.
[22]
Borrelli GM, de Mattos LA, Andres MP, et al. Role of imaging tools for the diagnosis of borderline ovarian tumors: a systematic review and meta-analysis[J]. J Minim Invasive Gynecol, 2017, 24(3): 353-363. DOI: 10.1016/j.jmig.2016.12.012.
[23]
蔚晓玉, 吴慧, 牛广明, 等. 多参数MRI放射组学预测上皮性卵巢癌患者术前腹膜转移[J]. 磁共振成像, 2021, 12(8): 44-48.
Yu XY, Wu H, Niu GM, et al. Multiparameter MRI radiomics predicts preoperative peritoneal metastasis in patients with epithelial ovarian cancer[J]. Chin J Magn Reson Imaging, 2021, 12(8): 44-48.
[24]
Song XL, Ren JL, Yao TY, et al. Radiomics based on multisequence magnetic resonance imaging for the preoperative prediction of peritoneal metastasis in ovarian cancer[J]. Eur Radiol, 2021, 31(11): 8438-8446. DOI: 10.1007/s00330-021-08004-7.
[25]
Li HM, Gong J, Li RM, et al. Development of MRI-based radiomics model to predict the risk of recurrence in patients with advanced high-grade serous ovarian carcinoma[J]. AJR Am J Roentgenol, 2021, 217(3): 664-675. DOI: 10.2214/AJR.20.23195.
[26]
Ye RP, Weng SP, Li YM, et al. Texture analysis of three-dimensional MRI images may differentiate borderline and malignant epithelial ovarian tumors[J]. Korean J Radiol, 2021, 22(1): 106-117. DOI: 10.3348/kjr.2020.0121.
[27]
Li YA, Jian JM, Pickhardt PJ, et al. MRI-based machine learning for differentiating borderline from malignant epithelial ovarian tumors: a multicenter study[J]. J Magn Reson Imaging, 2020, 52(3): 897-904. DOI: 10.1002/jmri.27084.
[28]
简俊明. 面向医学图像的机器学习方法研究及在卵巢癌精准诊断中的应用[D]. 合肥: 中国科学技术大学, 2021.
Jian JM. Research on machine learning methods for medical image and its application in precise diagnosis of ovarian cancer[D]. Hefei: University of Science and Technology of China, 2021.
[29]
Qi LS, Chen DD, Li CX, et al. Diagnosis of ovarian neoplasms using nomogram in combination with ultrasound image-based radiomics signature and clinical factors[J/OL]. Front Genet, 2021 [2022-03-08]. https://www.frontiersin.org/articles/10.3389/fgene.2021.753948/full. DOI: 10.3389/fgene.2021.753948..
[30]
罗玉婷. 多模态磁共振成像联合血清CA125、HE4对鉴别卵巢良恶性肿瘤的应用价值[D]. 济宁: 济宁医学院, 2021.
Luo YT. Application value of multimodal magnetic resonance imaging combined with serum CA125 and HE4 in differentiating benign and malignant ovarian tumors[D]. Jining: Jining Medical University, 2021.
[31]
Scaletta G, Plotti F, Luvero D, et al. The role of novel biomarker HE4 in the diagnosis, prognosis and follow-up of ovarian cancer: a systematic review[J]. Expert Rev Anticancer Ther, 2017, 17(9): 827-839. DOI: 10.1080/14737140.2017.1360138.
[32]
Leandersson P, Åkesson A, Hedenfalk I, et al. A multiplex biomarker assay improves the diagnostic performance of HE4 and CA125 in ovarian tumor patients[J/OL]. PLoS One, 2020 [2022-03-08]. https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0240418. DOI: 10.1371/journal.pone.0240418.
[33]
Zheng X, Chen SL, Li LF, et al. Evaluation of HE4 and TTR for diagnosis of ovarian cancer: comparison with CA-125[J]. J Gynecol Obstet Hum Reprod, 2018, 47(6): 227-230. DOI: 10.1016/j.jogoh.2018.03.010.

上一篇 全病灶ADC直方图分析在直肠癌组织学分级的临床应用研究
下一篇 基于多参数MRI影像组学的列线图术前预测子宫内膜癌淋巴血管间隙侵犯的研究
  
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