分享:
分享到微信朋友圈
X
临床研究
基于扩散峰度成像直方图构建低级别胶质瘤预后的列线图模型
施蒙 马跃虎 任军 王同兴 殷信道 彭明洋

Cite this article as: Citation:Shi M, Ma YH, Ren J, et al. Construction of nomogram model for predicting prognosis of low-grade gliomas based on diffusion kurtosis imaging histogram[J]. Chin J Magn Reson Imaging, 2022, 13(8): 7-12, 18.本文引用格式:施蒙, 马跃虎, 任军, 等. 基于扩散峰度成像直方图构建低级别胶质瘤预后的列线图模型[J]. 磁共振成像, 2022, 13(8): 7-12, 18. DOI:10.12015/issn.1674-8034.2022.08.002.


[摘要] 目的 基于扩散峰度成像(diffusion kurtosis imaging, DKI)直方图的影像组学特征构建低级别胶质瘤(low-grade glioma, LGG)患者预后的列线图模型。材料与方法 回顾性分析2018年1月至2020年6月在南京市第一医院就诊的88例LGG患者的DKI资料。经DKE软件处理获得直方图参数特征,并经最低绝对收缩和选择算子筛选最佳影像特征后计算DKI评分。采用单因素Cox回归及多因素Cox回归分析筛选与LGG预后密切相关独立危险因素,并依此建立预测LGG预后的列线图。应用Delong检验比较临床变量模型和列线图模型差异,采用决策曲线分析(decision curve analysis, DCA)和校准曲线评估模型效能。结果 年龄、WHO分级、脑叶位置、肿瘤部位、术后放疗与否、DKI评分是LGG预后的关键危险因素(均P<0.05)。基于以上危险因素构建列线图模型,一致性指数为0.838(95% CI:0.816~0.860),预测LGG预后的曲线下面积为0.953,明显大于基于临床变量的模型的0.745(Z=-3.42, P=0.005)。DCA显示列线图模型的净收益优于临床变量模型。校准曲线提示在观察值与预测值之间有良好的一致性。结论 基于DKI直方图的列线图模型可直观全面地预测LGG患者预后,为临床个性化评估患者生存预后提供有力工具。
[Abstract] Objective To establish a nomogram based on diffusion kurtosis imaging (DKI) histogram radiomics for predicting prognosis of low-grade gliomas (LGG) patients.Materials and Methods The DKI data of 88 patients with LGG treated in Nanjing First Hospital from January 2018 to June 2020 were analyzed retrospectively. The histogram parameters were obtained by using DKE software, and the DKI score was calculated after the least absolute shrinkage and selection operator screened the best image features. Univariate Cox regression and multivariate Cox regression were used to screen the independent risk factors closely related to the prognosis of LGG, and the nomogram model for predicting the prognosis of LGG was established in turn. Delong test was used to compare the difference between clinical variable model and nomogram model. Decision curve analysis (DCA) and calibration curve were used to evaluate the effectiveness of the models.Results Age, grade, lobar location, tumor location, postoperative radiotherapy and DKI score were the key risk factors for prognosis of LGG (all P<0.05). The nomogram model was constructed based on the above risk factors. The C-index was 0.838 (95% CI: 0.816-0.860), and the area under the curve for predicting the prognosis of LGG was 0.953, which was significantly greater than 0.745 of model based on clinical variables (Z=-3.42, P=0.005). DCA showed that the net benefit of nomogram model was better than that of clinical variable model. The calibration curve indicates that there was a good consistency between the observed value and the predicted value.Conclusions Nomogram based on DKI histogram can predict the prognosis of LGG patients intuitively and comprehensively. It can provide a relatively accurate prediction tool for neurosurgeons to individualized assessment of survival and prognosis for patients.
[关键词] 低级别胶质瘤;磁共振成像;扩散峰度成像;直方图分析;预后;列线图
[Keywords] low-grade gliomas;magnetic resonance imaging;diffusion kurtosis imaging;histogram analysis;prognosis;nomogram

施蒙 1   马跃虎 2   任军 2   王同兴 2   殷信道 2   彭明洋 2*  

1 南京市中西医结合医院医学影像科,南京 210000

2 南京医科大学附属南京医院(南京市第一医院)医学影像科,南京 210006

彭明洋,E-mail:pengyang.0000@163.com

作者利益冲突声明:所有作者均声明不存在利益冲突。


基金项目: 江苏省重点研发项目 BE2021604 江苏省自然科学基金 BK20201118
收稿日期:2022-04-18
接受日期:2022-07-27
中图分类号:R445.2  R730.264 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.08.002
本文引用格式:施蒙, 马跃虎, 任军, 等. 基于扩散峰度成像直方图构建低级别胶质瘤预后的列线图模型[J]. 磁共振成像, 2022, 13(8): 7-12, 18. DOI:10.12015/issn.1674-8034.2022.08.002

       脑胶质瘤仍然是最常见的原发性脑肿瘤[1]。根据WHO 2016年分类可将其分为高级别胶质瘤(WHO Ⅲ~Ⅳ级)和低级别胶质瘤(WHO Ⅰ~Ⅱ级)[2]。低级别胶质瘤(low-grade gliomas, LGG)虽然只占20%且生长缓慢,但具有转化为高级别胶质瘤的风险[3, 4]。即便采取最佳的治疗措施,患者仍然存在较高的复发及致死致残率。扩散峰度成像(diffusion kurtosis imaging, DKI)是描述组织内水分子扩散非高斯分布的扩散成像新技术,能更好地反映组织的微观结构复杂性[5]。基于像素分布的直方图分析可提供更多反映肿瘤异质性的定量参数,能更全面地评估肿瘤的生物学特征[6]。以往的研究显示发病年龄、肿瘤发生位置、病理组织学类型、脑血流量、治疗方法及DKI参数等与胶质瘤患者的生存预后相关[7, 8, 9, 10]。但目前为止,尚无系统的评价体系综合纳入这些因素。列线图模型可通过联合多指标诊断或预测某一临床事件的发生,已广泛应用于肿瘤患者的生存期预测中[11, 12]。本研究旨在基于DKI直方图影像组学特征构建预测LGG患者生存率的列线图,建立一个相对准确直观的评价模型来预测LGG患者的总生存率。

1 资料与方法

1.1 研究对象

       本研究经过南京医科大学伦理委员会批准(批准文号:2018-448),免除受试者知情同意。回顾性分析2018年1月至2020年6月在南京市第一医院神经外科就诊的LGG患者病例资料。纳入标准:(1)所有患者均为初发首治;(2)术前均行头颅DKI检查;(3)生存资料及病理生理资料完整(如年龄、性别、WHO分级、病理类型、脑叶位置、肿瘤部位、术后是否放疗等);(4)术前未接受化疗或放疗。排除标准:(1)接受过皮质类固醇或抗生素治疗或曾接受过脑部手术的患者;(2)DKI图像因运动伪影太重无法评估;(3)30 d内死亡的患者。根据头颅MRI、PET/CT、病理评估预后,分为复发和未复发,并每半年通过电话随访患者生存情况。随访时间为2年。

1.2 MRI扫描参数

       所有患者在治疗前行MRI扫描,采用西门子医疗系统的3.0 T MR扫描(Magnetom Verio, Siemens Medical Solutions,Erlangen, Germany),扫描序列包括T1WI、T2WI、液体衰减反转恢复序列(fluid attenuated inversion recovery, FLAIR)、扩散加权成像(diffusion-weighted imaging, DWI)、DKI和T1增强扫描。DKI扫描参数如下:TR 3000 ms;TE 109 ms;矩阵128×128;FOV 256 mm×256 mm;FA 90°;层数15;层厚4 mm;b值0、500、1000、1500、2000和2500 s/mm2,方向30。

1.3 图像处理及VOI勾画

       使用FMRIB扩散工具包(版本v6.0, Oxford, UK, http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FSL)对图像进行头部运动和涡流畸变校正,应用DKE软件(版本DKE 2.6,http://www.nitrc.org/projects/dke)对DKI图像进行刚体配准和空间平滑(高斯平滑),以获得参数图各向异性分数(fractional anisotropy, FA)、平均扩散率(mean diffusivity, MD)、平均峰度(mean kurtosis, MK)、峰度各向异性分数(kurtosis fractional anisotropy, KFA)和平均峰度张量(mean kurtosis tensor, MKT)。使用ITK-SNAP软件(版本3.4.0, http://www.itksnap.org)在DKI图像上逐层勾画获取整个肿瘤实质区作为感兴趣容积(volume of interest, VOI)进行直方图分析(图1)。勾画过程中以横断位T1WI增强图像作为参考,避免包含较大的囊变、坏死、出血及血管所在的区域。最后获得各个参数图的直方图参数,包括:平均值、最小值、最大值、方差、第20百分位数(20th)、第50百分位数(50th)、第75百分位数(75th)、偏度和峰度,共获得45个DKI特征。所有VOI勾画均由1名具有5年中枢影像诊断经验的高年资主治医师在未告知临床资料的前提下进行勾画,并由另外1名具有10年中枢影像诊断经验的副主任医师校对。意见不统一时经协商达成一致。

图1  右侧额叶星形细胞瘤Ⅱ级T1增强及扩散峰度成像(DKI)图感兴趣区勾画示例,1A~1F分别为T1增强、各向异性分数(FA)、平均扩散率(MD)、平均峰度(MK)、峰度各向异性分数(KFA)和平均峰度张量(MKT)图。
Fig. 1  An example of volume of interest delineation on T1 enhancement and diffusion kurtosis imaging (DKI) images in right frontal astrocytoma (grade Ⅱ), 1A-1F: T1 enhancement, fractional anisotropy (FA), mean diffusivity (MD), mean kurtosis (MK), kurtosis fractional anisotropy (KFA) and mean kurtosis tensor (MKT), respectively.

1.4 特征选择及DKI评分

       采用最低绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)筛选预测预后的最佳影像特征,并根据最佳影像特征的系数加权线性组合计算出DKI评分。

1.5 统计学分析

       所有数据均采用R 3.5.1统计软件进行处理。符合正态分布的计量资料以均数±标准差表示,并应用独立t检验分析,不符合正态分布的计量资料以中位数(四分位数)表示,并应用Mann-Whitney U检验分析,计数资料采用例数(百分比)表示,并采用χ2检验分析。使用Kappa分析评估观察者间DKI感兴趣区勾画的一致性。使用R软件行Kaplan-Meier法绘制生存曲线,Log-rank比较组间差异。单因素Cox回归分析分析相关独立的危险因素,进而纳入多变量Cox回归分析,最后产生独立的风险因素。基于上述预后因素构建LGG列线图,采用1000次重采样的方法用于构建列线图和校准曲线以减少过度拟合偏差,使用一致性指数(C-index)评估观察值的和预测值之间的区别,利用C-index比较列线图与WHO分级的预后效能。采用决策曲线分析(decision curve analysis, DCA)评价模型获益情况,通过计算不同阈值概率下的净效益,以确定本预测模型的临床效益用途。应用受试者工作特征(receiver operating characteristic, ROC)曲线评估模型的预测效能。临床变量模型和列线图模型的效能比较采用Delong检验。P<0.05为差异有统计学意义。

2 结果

2.1 LGG患者临床数据及人口学特征

       共95例LGG患者纳入研究,其中5例曾接受过脑部手术,2例DKI图像伪影较大,最终共88例纳入分析。其中男51例,女37例,年龄(54.15±12.83)岁,23例患者复发,65例患者术后未复发。少突星形细胞瘤8例,少突胶质细胞瘤37例,星形细胞瘤43例。年龄、WHO分级、病理类型、肿瘤部位、是否放化疗在生存组和死亡组间差异具有统计学意义(P<0.05)(表1)。图2为低级别胶质瘤复发与未复发的影像示例。

图2  典型低级别胶质瘤未复发与复发影像示例。2A~2E:右侧额叶星形细胞瘤(WHO Ⅰ级),术后2年随访MRI(2E)未见明显复发征象。2F~2J:右侧枕叶星形细胞瘤(WHO Ⅱ级),术后1年随访MRI(2J)可见复发征象。
Fig. 2  Typical example of low-grade gliomas with no recurrence and recurrence. 2A-2E: Right frontal lobe astrocytoma (WHO grade Ⅰ). No obvious recurrence signs were found on MRI (1E) after 2 years of follow-up. 2F-2J: Right occipital astrocytoma (WHO grade Ⅱ). MRI (2J) showed signs of recurrence one year after operation.
表1  低级别胶质瘤基线资料和组织病理学分布
Tab. 1  The clinical data and distribution of histopathological in low-grade glioma

2.2 DKI特征筛选及评分

       DKI感兴趣区勾画在2位医师间具有很高的一致性(Kappa值:0.92)。经LASSO降维后共筛选出9个与预后最相关的特征,分别为MD方差、MD峰度、FA最小值、FA方差、FA偏度、KFA 25th、KFA偏度、MK偏度、MKT 25th。LASSO系数分布图见图3。DKI评分公式为:

图3  低级别胶质瘤扩散峰度成像(DKI)直方图特征LASSO系数分布。
Fig. 3  The distribution of LASSO coefficients of diffusion kurtosis imaging (DKI) histogram radiomics in low-grade glioma.

2.3 Cox回归分析各因素与LGG患者预后关系

       单因素Cox回归分析发现年龄、WHO分级、病理类型、脑叶位置、肿瘤部位、术后放疗与否、DKI评分是影响LGG患者预后的关键因素。进一步多因素Cox回归分析发现年龄、WHO分级、脑叶位置、肿瘤部位、术后放疗与否、DKI评分仍然是影响LGG患者预后的关键因素(表2)。基于以上关键的独立危险因素,本研究构建了基于DKI评分预测LGG患者生存率的列线图(图4)。采用Bootstrap法对列线图进行内部验证,抽样次数B=1000,验证结果显示一致性指数为0.838(95% CI:0.816~0.860),具有良好的预测价值。基于以上变量和DKI评分建立列线图模型预测LGG预后的曲线下面积为0.953,明显大于基于临床变量的模型的0.745(Z=-3.42,P=0.005)(图5A)。DCA显示临床变量模型的一致性指数为0.667(95% CI:0.614~0.719),列线图模型的一致性指数为0.858(95% CI:0.833~0.882),表明列线图模型的净收益优于临床变量模型(图5B)。校准曲线提示在观察值与预测值之间有良好的一致性(图5C)。

图4  低级别胶质瘤患者五年生存率预后预测的列线图。DKI:扩散峰度成像。
图5  低级别胶质瘤预后模型效能评估结果。5A:临床变量模型和列线图模型预测低级别胶质瘤预后的受试者工作特征曲线;5B:临床变量模型和列线图模型的决策曲线图;5C:低级别胶质瘤患者列线图模型五年生存率校准曲线。
Fig. 4  Prognosis prediction nomogram of 5-year survival rate in low-grade glioma patients. DKI: diffusion kurtosis imaging.
Fig. 5  The evaluation results of low-grade glioma prognosis model. 5A: The receiver operating characteristic curve of clinical variable model and nomogram model for predicting the prognosis of low-grade gliomas; 5B: Decision curve analysis of clinical variable model and nomogram model; 5C: Calibration curve of 5-year survival rate of nomogram model in low-grade glioma patients.
表2  低级别胶质瘤患者复发与未复发的Cox回归模型单因素和多因素分析
Tab. 2  Univariate and multivariate analysis of Cox regression model in low-grade glioma patients between no recurrence and recurrence

3 讨论

       本研究基于88例低级别胶质瘤的DKI直方图的影像特征分析,构建预后评估模型。Cox回归分析结果显示年龄、WHO分级、脑叶位置、肿瘤部位、术后放疗与否、DKI评分是LGG预后的关键危险因素。基于以上危险因素构建列线图模型,其预测效能明显优于临床变量模型,并具有较好的临床效益。基于DKI直方图的列线图模型可直观全面地预测LGG患者预后,为临床个性化评估患者生存预后提供有力工具。

3.1 低级别胶质瘤预后评估的国内外现状

       胶质瘤病理分级存在差异时,其治疗方案的选择及预后也会不同[13, 14]。LGG胶质瘤的治疗主要以手术切除为主,辅以放射治疗或化学治疗[15]。准确评估LGG患者的生存率对神经外科医生选择合适的治疗方案及后续治疗、随访均具有重要意义[3,16]。本研究基于Cox回归分析发现的年龄、WHO分级、病理类型、脑叶位置、肿瘤部位、术后放疗与否、DKI评分等关键因素构建了LGG患者的个体生存列线图,通过临床参数和DKI评分预测患者生存率,并具有较高的准确率。

       以往已有较多研究显示年龄、组织学类型、肿瘤分级等与LGG预后相关[17, 18, 19, 20]。本研究经Cox回归分析发现的年龄、WHO分级、病理类型、脑叶位置、肿瘤部位等是LGG预后的关键因素,这与以往的研究结果一致。Alattar等[21]研究发现对于年龄<50岁的非额叶肿瘤患者,尽管IDH突变率相当,但手术后患者的生存率仍存在差异,额叶LGG患者的预后较好。此外,本研究显示接受放疗的患者通常预后较好。目前LGG患者放疗的选择仍存在争议。林明健等[9]研究显示虽然放疗在Cox多因素中未见明显差异,但列线图中发现接受术后放疗的患者预后更好。李文菲等[22]结果与本研究相同,显示经过Cox多因素后放疗仍然是LGG患者预后的关键因素,且在列线图中,对于接受放疗的患者其评分越低,五年生存率越高。此外,李文菲等[22]研究显示多参数MRI评分(常规MRI、扩散张量成像、动态磁敏感对比增强)可有效地预测LGG患者预后,MRI评分低危组与高危组的生存曲线存在明显差异。然而,该MRI评分需多序列扫描,并非所有患者都可扫描所有序列。

3.2 DKI直方图参数特征预测低级别胶质瘤预后的价值

       本研究基于DKI直方图参数进行特征筛选,获得DKI评分,用于LGG患者预后评估,结果显示DKI评分是LGG患者预后的关键因素,基于临床变量和DKI评分的列线图预测五年生存率具有较高的准确性。DKI是DTI的扩展,通过量化扩散诱导信号衰减的高斯扩散行为的偏离度,可以提供组织特征的更精确的信息,并可从DKI中得到FA、MD、MK、KFA和MKT等参数[23, 24, 25]。直方图分析可更全面地估计肿瘤的生物学特征[26]。以往已有较多研究显示DKI直方图分析可较为准确地预测胶质瘤级别[27, 28, 29, 30]。然而,目前尚无DKI直方图分析与临床变量相结合预测LGG患者的生存率,这也是本研究的创新点之一。该列线图对LGG患者预后预测的AUC达0.95,明显优于临床变量预后预测效能(0.76)。且优于李文菲等[22]多参数MRI评分列线图的0.8。本研究中基于DKI直方图参数特征和临床变量的单因素、多因素分析及开发的列线图模型的净收益优于临床变量模型。校准曲线提示在观察值与预测值之间有良好的一致性。由此可见,该列线图模型可为患者提供简单、直观的预后判断,为临床医生对LGG患者的生存率把握提供有利的工具,使患者得到最大获益。

3.3 局限性分析

       本研究仍然存在一定的局限性:首先,本研究样本的病理类型较为单一;其次,其他影响因素如IDH基因突变、治疗方案等未纳入分析;最后,本研究为单中心研究,未来需进一步应用多中心数据进行验证。

       综上所述,年龄、WHO分级、病理类型、脑叶位置、肿瘤部位、术后放疗与否、DKI评分等是影响LGG预后的独立危险因素。基于临床变量及DKI直方图参数的列线图模型可更为准确、直观地预测低级别胶质瘤的总生存率,为临床提供个性化治疗。

[1]
Hadidchi S, Surento W, Lerner A, et al. Headache and brain tumor[J]. Neuroimaging Clin N Am, 2019, 29(2): 291-300. DOI: 10.1016/j.nic.2019.01.008.
[2]
Louis DN, Perry A, Reifenberger G, et al. The 2016 World Health Organization classification of tumors of the central nervous system: a summary[J]. Acta Neuropathol, 2016, 131(6): 803-820. DOI: 10.1007/s00401-016-1545-1.
[3]
Wang TJC, Mehta MP. Low-grade glioma radiotherapy treatment and trials[J]. Neurosurg Clin N Am, 2019, 30(1): 111-118. DOI: 10.1016/j.nec.2018.08.008.
[4]
Tom MC, Cahill DP, Buckner JC, et al. Management for different glioma subtypes: are all low-grade gliomas created equal?[J]. Am Soc Clin Oncol Educ Book, 2019, 39: 133-145. DOI: 10.1200/EDBK_238353.
[5]
Hempel JM, Brendle C, Adib SD, et al. Glioma-specific diffusion signature in diffusion kurtosis imaging[J/OL]. J Clin Med, 2021, 10(11) [2022-04-18]. https://doi.org/10.3390/jcm10112325. DOI: 10.3390/jcm10112325.
[6]
梁笑, 时文伟, 谭艳. 磁共振扩散峰度成像在脑肿瘤的研究进展[J]. 磁共振成像, 2020, 11(3): 221-223. DOI: 10.12015/issn.1674-8034.2020.03.013.
Liang X, Shi WW, Tan Y. Diffusion kurtosis imaging: research advances in brain tumors[J]. Chin J Magn Reson Imaging, 2020, 11(3): 221-223. DOI: 10.12015/issn.1674-8034.2020.03.013.
[7]
梁甜甜, 张辉, 王效春, 等. 术前动态磁敏感对比增强MR灌注加权成像在脑胶质瘤预后评估中的价值研究[J]. 磁共振成像, 2018, 9(6): 406-410. DOI: 10.12015/issn.1674-8034.2018.06.002.
Liang TT, Zhang H, Wang XC, et al. Prognostic value of preoperative dynamic susceptibility contrast-enhanced MR imaging in patients with gliomas[J]. Chin J Magn Reson Imaging, 2018, 9(6): 406-410. DOI: 10.12015/issn.1674-8034.2018.06.002.
[8]
Zhang ZW, Chen J, Huo XH, et al. Identification of a mesenchymal-related signature associated with clinical prognosis in glioma[J]. Aging (Albany NY), 2021, 13(9): 12431-12455. DOI: 10.18632/aging.202886.
[9]
林明健, 王文波, 夏学巍, 等. 用于预测低级别胶质瘤患者生存率的列线图模型构建[J]. 重庆医学, 2021, 50(13): 2283-2288. DOI: 10.3969/j.issn.1671-8348.2021.13.025.
Lin MJ, Wang WB, Xia XW, et al. Nomogram model construction for predicting survival rate of patients with low-grade glioma[J]. Chongqing Med, 2021, 50(13): 2283-2288. DOI: 10.3969/j.issn.1671-8348.2021.13.025.
[10]
Gittleman H, Sloan AE, Barnholtz-Sloan JS. An independently validated survival nomogram for lower-grade glioma[J]. Neuro-oncology, 2020, 22(5): 665-674. DOI: 10.1093/neuonc/noz191.
[11]
郑德春, 许淑桂, 赖国静, 等. 基于治疗前磁共振成像列线图预测鼻咽癌新辅助化疗疗效的初步研究[J]. 磁共振成像, 2021, 12(4): 23-29. DOI: 10.12015/issn.1674-8034.2021.04.005.
Zheng DC, Xu SG, Lai GJ, et al. The performance of pretreatment MRI based nomogram in neoadjuvant chemotherapy response prediction in nasopharyngeal carcinoma: a primary study[J]. Chin J Magn Reson Imaging, 2021, 12(4): 23-29. DOI: 10.12015/issn.1674-8034.2021.04.005.
[12]
Morshed RA, Young JS, Hervey-Jumper SL, et al. The management of low-grade gliomas in adults[J]. J Neurosurg Sci, 2019, 63(4): 450-457. DOI: 10.23736/S0390-5616.19.04701-5.
[13]
张蕾, 何泽来, 李多杰, 等. 高危低级别胶质瘤放疗联合替莫唑胺与单纯放疗临床观察[J]. 中华全科医学, 2020, 18(12): 1994-1997. DOI: 10.16766/j.cnki.issn.1674-4152.001671.
Zhang L, He ZL, Li DJ, et al. Clinical observation of radiotherapy combined with temozolomide and radiotherapy alone for high-risk low-grade glioma[J]. Chin J Gen Pract, 2020, 18(12): 1994-1997. DOI: 10.16766/j.cnki.issn.1674-4152.001671.
[14]
McDuff SGR, Dietrich J, Atkins KM, et al. Radiation and chemotherapy for high-risk lower grade gliomas: choosing between temozolomide and PCV[J]. Cancer Med, 2020, 9(1): 3-11. DOI: 10.1002/cam4.2686.
[15]
李德培, 陈忠平. 脑胶质瘤治疗现状与进展[J]. 实用医学杂志, 2021, 37(18): 2312-2316. DOI: 10.3969/j.issn.1006-5725.2021.18.002.
Li DP, Chen ZP. Current statue and advances of treatment for gliomas[J]. J Pract Med, 2021, 37(18): 2312-2316. DOI: 10.3969/j.issn.1006-5725.2021.18.002.
[16]
张力苹, 刘喜娟, 林卉, 等. 晚期胃癌生存预后因素及列线图预测模型的建立与验证[J]. 南方医科大学学报, 2021, 41(4): 621-627. DOI: 10.12122/j.issn.1673-4254.2021.04.21.
Zhang LP, Liu XJ, Lin H, et al. Factors affecting survival prognosis of advanced gastric cancer and establishment of a nomogram predictive model[J]. J South Med Univ, 2021, 41(4): 621-627. DOI: 10.12122/j.issn.1673-4254.2021.04.21.
[17]
Wang TW, Yang YP, Xu XK, et al. An integrative survival analysis for multicentric low-grade glioma[J/OL]. World Neurosurg, 2020, 134 [2022-04-18]. https://doi.org/10.1016/j.wneu.2019.10.001. DOI: 10.1016/j.wneu.2019.10.001.
[18]
Yan P, Li JW, Mo LG, et al. A nomogram combining inflammatory markers and clinical factors predicts survival in patients with diffuse glioma[J/OL]. Medicine, 2021, 100(47) [2022-04-18]. http://dx.doi.org/10.1097/MD.0000000000027972. DOI: 10.1097/MD.0000000000027972.
[19]
潘旭炎, 苏忠周, 张锦, 等. 较低级别胶质瘤个体化预后评估模型的构建[J]. 中华实验外科杂志, 2021, 38(10): 2016-2018. DOI: 10.3760/cma.j.cn421213-20210107-01006.
Pan XY, Su ZZ, Zhang J, et al. Construction of an individualized prognostic evaluation model for lower-grade glioma[J]. Chin J Exp Surg, 2021, 38(10): 2016-2018. DOI: 10.3760/cma.j.cn421213-20210107-01006.
[20]
Witteler J, Kjaer TW, Tvilsted S, et al. Seizures prior to radiotherapy of gliomas: prevalence, risk factors and survival prognosis[J]. Anticancer Res, 2020, 40(7): 3961-3965. DOI: 10.21873/anticanres.14388.
[21]
Alattar AA, Carroll KT, Bryant AK, et al. Prognostic importance of age, tumor location, and tumor grade in grade II astrocytomas: an integrated analysis of the cancer genome atlas and the surveillance, epidemiology, and end results database[J/OL]. World Neurosurg, 2019, 121 [2022-04-18]. https://doi.org/10.1016/j.wneu.2018.09.124. DOI: 10.1016/j.wneu.2018.09.124.
[22]
李文菲, 鲍欣然, 梁珊珊, 等. 基于多模态MR参数预测低级别胶质瘤预后的列线图模型的构建[J]. 中华转移性肿瘤杂志, 2021, 4(2): 139-143. DOI: 10.3760/cma.j.cn101548-20200216-00016.
Li WF, Bao XR, Liang SS, et al. Construction of nomogram model for predicting prognosis of low-grade gliomas(LGG) based on multimodal MRI parameters[J]. Chin J Metastatic Cancer, 2021, 4(2): 139-143. DOI: 10.3760/cma.j.cn101548-20200216-00016.
[23]
Goghari VM, Kusi M, Shakeel MK, et al. Diffusion kurtosis imaging of white matter in bipolar disorder[J/OL]. Psychiatry Res Neuroimaging, 2021, 317 [2022-04-18]. https://doi.org/10.1016/j.pscychresns.2021.111341. DOI: 10.1016/j.pscychresns.2021.111341.
[24]
Hasan KM, Yamada K. Overview of diffusion tensor, diffusion kurtosis, and Q-space imaging and software tools[J]. Magn Reson Imaging Clin N Am, 2021, 29(2): 263-268. DOI: 10.1016/j.mric.2021.02.003.
[25]
Li DD, Cui YF, Hou LN, et al. Diffusion kurtosis imaging-derived histogram metrics for prediction of resistance to neoadjuvant chemoradiotherapy in rectal adenocarcinoma: preliminary findings[J/OL]. Eur J Radiol, 2021, 144 [2022-04-18]. https://linkinghub.elsevier.com/retrieve/pii/S0720048X21004447. DOI: 10.1016/j.ejrad.2021.109963.
[26]
林涛, 赵莹, 田士峰, 等. 基于扩散峰度成像的直方图分析术前预测肝细胞癌病理分化程度的价值[J]. 中国医学影像学杂志, 2021, 29(7): 691-696. DOI: 10.3969/j.issn.1005-5185.2021.07.010.
Lin T, Zhao Y, Tian SF, et al. Preoperative prediction of pathological grading of hepatocellular carcinoma based on whole-tumor histogram analysis derived from diffusion kurtosis imaging[J]. Chin J Med Imaging, 2021, 29(7): 691-696. DOI: 10.3969/j.issn.1005-5185.2021.07.010.
[27]
Hempel JM, Brendle C, Bender B, et al. Diffusion kurtosis imaging histogram parameter metrics predicting survival in integrated molecular subtypes of diffuse glioma: an observational cohort study[J]. Eur J Radiol, 2019, 112: 144-152. DOI: 10.1016/j.ejrad.2019.01.014.
[28]
Huang ZX, Lu CY, Li G, et al. Prediction of lower grade insular glioma molecular pathology using diffusion tensor imaging metric-based histogram parameters[J/OL]. Front Oncol, 2021, 11 [2022-04-18]. https://www.frontiersin.org/articles/10.3389/fonc.2021.627202/full. DOI: 10.3389/fonc.2021.627202.
[29]
潘婷, 张璇, 苏春秋, 等. 扩散峰度成像直方图在脑胶质瘤分级中的应用[J]. 医学影像学杂志, 2020, 30(4): 541-546.
Pan T, Zhang X, Su CQ, et al. Application of histogram analysis of diffusion kurtosis imaging in grading glioma[J]. Chin J Med Imaging, 2020, 30(4): 541-546.
[30]
Gao EY, Gao AK, Kit Kung W, et al. Histogram analysis based on diffusion kurtosis imaging: Differentiating glioblastoma multiforme from single brain metastasis and comparing the diagnostic performance of two region of interest placements[J/OL]. Eur J Radiol, 2022, 147 [2022-04-18]. https://doi.org/10.1016/j.ejrad.2021.110104. DOI: 10.1016/j.ejrad.2021.110104.

上一篇 进展型及稳定型轻度认知障碍的动态功能连接对比分析
下一篇 表观扩散系数值评估较低级别胶质瘤IDH-1突变状态和瘤细胞增殖活性的价值
  
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