分享:
分享到微信朋友圈
X
临床研究
基于T1WI动脉期影像组学模型预测胰腺导管腺癌淋巴结转移的研究
刘琢玉 黄小华 陈雨薇 胡云涛 唐玲玲 刘念

Cite this article as: Liu ZY, Huang XH, Chen YW, et al. Prediction of lymph node metastasis of pancreatic ductal adenocarcinoma based on radiomics model of T1WI arterial phase[J]. Chin J Magn Reson Imaging, 2022, 13(8): 30-35.本文引用格式:刘琢玉, 黄小华, 陈雨薇, 等. 基于T1WI动脉期影像组学模型预测胰腺导管腺癌淋巴结转移的研究[J]. 磁共振成像, 2022, 13(8): 30-35. DOI:10.12015/issn.1674-8034.2022.08.006.


[摘要] 目的 探讨基于胰腺TIWI动脉期影像组学模型对胰腺导管腺癌(pancreatic ductal adenocarcinoma, PDAC)淋巴结转移的预测价值。材料与方法 回顾性分析2016年3月至2022年3月本院121例术前接受MRI增强扫描且术后病理证实为PDAC患者的MRI图像及临床病理信息。根据术后淋巴结病理报告,阳性者(有淋巴结转移)44例,阴性者(无淋巴结转移)77例。患者按7∶3的比例随机分为训练组(83例)与验证组(38例)。两名医师在T1WI动脉期图像上手动勾画胰腺肿块的三维感兴趣区(region of interest, ROI)并提取特征。使用单因素分析(Student's t检验和曼—惠特尼U检验)和最小绝对收缩和选择算子筛选最优特征。基于决策树、支持向量机、逻辑回归3种机器学习方法建立预测模型。使用受试者工作特征曲线下面积(area under the curve, AUC)等评估模型的预测性能,Hosmer-Lemesow检验及校准曲线进行模型的拟合优度检验。结果 淋巴结转移阳性组和阴性组、训练组和验证组组间患者的临床病理特征(年龄、性别、肿瘤部位、组织学分级、CA199、T分期)差异无统计学意义(P>0.05)。基于3D-ROI共提取1223个特征,降维后获得5个预测淋巴结转移的最优特征并建立模型。训练组中,支持向量机模型、决策树模型和逻辑回归模型的AUC分别为0.882 [95%置信区间(confidence interval, CI):0.797~0.968]、0.842(95% CI:0.755~0.930)、0.813(95% CI:0.710~0.915)。验证组中,三种模型的AUC分别为0.726(95% CI:0.546~0.906)、0.753(95% CI:0.606~0.899)、0.702(95% CI:0.522~0.883),Delong检验显示三个模型两两比较差异均无统计学意义(P>0.05),三个模型采用Hosmer-Lemesow检验进行分析,表现良好(P>0.05)。结论 基于T1WI动脉期图像的影像组学模型对PDAC淋巴结转移有一定的预测价值。
[Abstract] Objective To evaluate the predictive value of pancreatic TIWI arterial phase radiomics model for lymph node metastasis in pancreatic ductal adenocarcinoma (PDAC). Methods and Materials: The MRI images and clinicopathological information of 121 patients with PDAC confirmed by pathology and preoperative enhancement MRI were analyzed retrospectively from March 2016 to March 2022. According to the pathological report of postoperative lymph nodes, 44 cases were positive and 77 cases were negative. The patients were randomly divided into training group (n=83) and validation group (n=38) according to 7∶3. Two physicians manually delineated the three-dimensional region of interest (3D-ROI) of pancreatic masses on T1WI arterial phase images and extracted features. Single factor analysis (Student's t test and Mann-Whitney U test) and the least absolute shrinkage and selection operator were used to screen the optimal features. Three prediction models were established based on decision tree, support vector machine and logical regression machine learning methods, respectively. The prediction performance of the model was evaluated by using the area under the receiver operating characteristic curve (AUC), the Hosmer-Lemesow test and the calibration plot were performed for the goodness of fit test of the model.Results There was no significant difference in clinicopathological characteristics (age, sex, tumor location, histological grade, CA199, T stage) between lymph node metastasis positive group and negative group, training group and validation group (P>0.05). A total of 1223 features were extracted based on 3D-ROI. After dimensionality reduction, five optimal features for predicting lymph node metastasis were obtained and then the model was established. In the training group, the AUC of support vector machine model, decision tree model and logical regression model were 0.882 [95% (confidence interval, CI): 0.797-0.968], 0.842 (95% CI: 0.755-0.930) and 0.813 (95% CI: 0.710-0.915) respectively. In the validation group, the AUC of the three models were 0.726 (95% CI: 0.546-0.906), 0.753 (95% CI: 0.606-0.899), 0.702 (95% CI: 0.522-0.883). Delong test showed that there was no significant difference between the three models (P>0.05). Three models were analyzed using the Hosmer-Lemesow test and performed well (P>0.05).Conclusions The radiomics model based on T1WI arterial phase images has a certain value in predicting lymph node metastasis in PDAC.
[关键词] 磁共振成像;影像组学;胰腺导管腺癌;淋巴结转移
[Keywords] magnetic resonance imaging;radiomics;pancreatic ductal adenocarcinoma;lymph node metastasis

刘琢玉    黄小华 *   陈雨薇    胡云涛    唐玲玲    刘念   

川北医学院附属医院放射科,南充 637000

黄小华,E-mail:15082797553@163.com

作者利益冲突声明:全体作者均声明无利益冲突。


基金项目: 南充市市校科技战略合作专项 20SXQT0303
收稿日期:2022-04-29
接受日期:2022-07-29
中图分类号:R445.2  R735.9 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.08.006
本文引用格式:刘琢玉, 黄小华, 陈雨薇, 等. 基于T1WI动脉期影像组学模型预测胰腺导管腺癌淋巴结转移的研究[J]. 磁共振成像, 2022, 13(8): 30-35. DOI:10.12015/issn.1674-8034.2022.08.006

       胰腺导管腺癌(pancreatic ductal adenocarcinoma, PDAC)占胰腺恶性肿瘤的95%,5年存活率仅为1%~5%[1, 2]。接受根治性手术的PDAC患者生存率有所提高,但伴有淋巴结转移的患者预后差,且术后复发风险高[3, 4, 5]。因此,术前准确评估PDAC淋巴结状态对指导临床医师治疗方案的选择及预后预测的评估至关重要。计算机体层摄影(computed tomography, CT)和MRI检测PDAC的敏感度分别为76%~96%、83%~93.5%[2],但在术前评估淋巴结状态的准确性方面仍存在很大挑战[6, 7]。影像组学通过量化定量特征来表征肿瘤的生物学特点[8, 9],已用于胰腺肿瘤的鉴别诊断、疗效评估与预后预测等方面[10, 11, 12, 13, 14]。目前已有少数基于影像组学预测PDAC淋巴结转移的研究,然而这些研究多基于增强CT图像且研究多采用单一建模方法[15, 16, 17, 18]。因此,本研究旨在利用三种机器学习模型探讨T1WI动脉期图像预测PDAC患者淋巴结转移的价值,以期获得一种无创、准确且便利的术前预测淋巴结转移的方法。

1 材料与方法

1.1 研究对象

       本研究经川北医学院附属医院伦理委员会批准,免除受试者知情同意,批准文号:2022ER045-1。回顾性分析本院2016年3月至2022年3月收治的121例经术后病理证实为PDAC患者的MRI图像及临床病理信息。男73例,女48例,年龄(61±10)岁。纳入标准:(1)术后病理证实为PDAC;(2)术中行淋巴结清扫且具有术后详细淋巴结病理报告;(3)MRI增强扫描在术前1个月内进行。排除标准:(1)图像质量不符合诊断标准;(2)术前进行抗癌治疗;(3)有其他恶性肿瘤患者。根据术后淋巴结病理结果:淋巴结转移阳性者44例,阴性者77例。

       本研究患者纳入过程:在本院图片归档和通信系统(picture archiving and communication system, PACS)中查找疑似PDAC且行MRI扫描患者共307例,排除未行T1WI增强扫描患者21例、非PDAC患者20例、图像质量不符合标准14例,共获得MRI诊断为PDAC患者252例。而后排除术前进行抗癌治疗患者23例、未进行术后病理证实为PDAC患者71例、未进行术后淋巴结病理检查29例、同时患有其他恶性肿瘤者8例,最终纳入患者121例。将患者按7∶3的比例随机分为训练组(83例)与验证组(38例)。

1.2 MRI扫描

       采用GE Discovery MR 750 3.0 T及联影UMR790 3.0 T扫描仪和32通道相控阵线圈行腹部常规序列扫描,GE Discovery MR 750 3.0 T扫描序列及参数:轴位LAVA三期动态增强扫描序列,TR 4 ms,TE 1.9 ms,层厚5 mm,间距0 mm,矩阵224×190,视野36 cm×36 cm。联影UMR790 3.0 T扫描序列及参数:轴位Quick 3D三期动态增强扫描序列,TR 3 ms,TE 1.5 ms,层厚5 mm,间距0 mm,矩阵256×224,视野40 cm×30 cm。以2.5 mL/s的流速静脉注射钆贝葡胺注射液(0.1 mmol/kg;上海博莱科信谊药业有限责任公司),然后用10 mL生理盐水冲洗。考虑到患者年龄、心功能等个体差异,动脉期时间约为注射对比剂后16 s~20 s。

1.3 图像分割及特征提取

       使用3D slicer(version 4.11.20210226,美国,https://www.slicer.org/)进行感兴趣区(region of interest, ROI)勾画及特征提取。一位具有5年工作经验的影像科医师在T1WI动脉期图像上逐层勾勒胰腺肿块轮廓,获取胰腺肿块的三维感兴趣容积(图1)。同时一位具有7年工作经验的影像科医师随机抽取一半图像进行ROI勾画。基于3D slicer软件中Python包“PyRadiomics”提取特征,包括形状特征、一阶特征、灰度共生矩阵特征、灰度区域大小矩阵特征、灰度行程矩阵特征、灰度相关矩阵特征、邻域灰度差矩阵特征及经小波及拉普拉斯变换后的特征共1223个。由于本研究收集不同型号磁共振扫描仪的图像,为保证模型的泛化能力和结果的可重复性,在特征提取之前进行重采样,并对提取的数据进行Z-score标准化处理。

图1  胰腺肿块三维感兴趣区勾画示意图。1A、1B:男,64岁,淋巴结转移阳性;1C、1D:男,53岁,淋巴结转移阴性。1A、1C:肿瘤最大层面的横断面图像,1A中红箭所示为转移性淋巴结;1B、1D:3D-Slicer软件靶区勾画示意图。
Fig.1  Schematic diagram of the three-dimensional region of interest (ROI) of pancreatic masses. 1A and 1B: Male, 64 years old, positive for lymph node metastasis. 1C and 1D: Male, 53 years old, negative for lymph node metastasis. 1A and 1C are the cross-sectional images of the largest level of the tumor, red arrow in 1A shows the metastatic lymph nodes. 1B and 1D are the sketch diagrams of 3D-slicer software target area.

1.4 评估观察者间的一致性检验

       影像组学特征在观察者间的一致性检验采用组间相关系数(interclass correlation coefficient, ICC)作为度量指标,对两名医师勾画ROI后所提取的影像组学特征进行ICC检验,ICC≥0.75认为具有较好的一致性。

1.5 特征选择及模型建立

       采用单因素分析(Student's t检验和曼—惠特尼U检验)选择两组间差异有统计学意义的特征,进而使用最小绝对收缩与选择算子(least absolute shrinkage and selection operator, LASSO)进行特征选择,将部分参数的回归系数抑制为0,再通过LASSO算法下十折交叉验证完成参数筛选,选择最优影像组学特征。使用支持向量机、逻辑回归及决策树3种机器学习方法对最优特征子集进行模型构建。将121例患者按7∶3随机分为训练集(83例)和验证集(38例)。在训练组中进行模型的训练、并在验证组中进行模型性能验证。

1.6 统计学方法

       采用SPSS(25.0版,IBM公司,美国)完成临床病理资料的统计分析,满足正态分布的计量资料用平均值±标准差(x¯±s)表示,组间比较采用独立样本t检验。不满足正态分布的计量资料用中位数±四分位数间距(M±Q)表示,组间比较采用曼—惠特尼U检验。计数资料以例数表示,组间比较采用χ2检验。采用R(x64 4.1.1)和python(3.9.12)完成特征筛选及模型建立,绘制并计算受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under the curve, AUC)来评估各模型的预测效能,使用Hosmer-Lemesow检验和校准曲线进行模型的拟合优度检验。使用Delong检验实现三种机器学习模型之间的比较。P<0.05认为差异有统计学意义。

2 结果

2.1 淋巴结转移阳性组与阴性组临床病理特征比较

       两组间患者在年龄、性别、肿瘤部位、组织学分级、CA199、T分期的差异均无统计学意义(P>0.05)(表1)。

表1  淋巴结转移阳性组与阴性组患者的临床病理资料比较
Tab. 1  Comparison of clinicopathological data between patients with positive and negative lymph node metastasis

2.2 训练组与验证组临床病理特征比较

       两组间患者年龄、淋巴结状态、性别、肿瘤部位、组织学分级、CA199、T分期的差异均无统计学意义(P>0.05)(表2)。

表2  训练组与验证组患者的临床病理资料比较
Tab. 2  Comparison of clinicopathological data between training group and validation group

2.3 影像组学特征筛选

       根据一致性检验分析结果,ICCmean=0.81,ICCmedian=0.86。为了选择受观察者影响较小的特征为后续模型特征,选择ICC值≥0.75的影像组学特征,共895个。单因素分析和LASSO筛选出5个预测PDAC淋巴结转移最优的特征,分别为1个灰度共生矩阵特征[相关度(correlation)]、2个灰度行程矩阵特征[长行程灰度优势(long run ray level emphasis)、长行程优势(long run emphasis)]、2个灰度区域大小矩阵特征[小区域低灰度优势(small area low gray level emphasis)、灰度非均匀归一化(gray level non uniformity normalized)]。

2.4 三种机器学习模型对淋巴结转移的预测效能

       在训练组中,支持向量机模型、决策树模型和逻辑回归模型的AUC分别为0.882 [95%置信区间(confidence interval, CI):0.797~0.968]、0.842(95% CI:0.755~0.930)、0.813(95% CI:0.710~0.915)。在验证组中,三种模型的AUC分别为0.726(95% CI:0.546~0.906)、0.753(95% CI:0.606~0.899)、0.702(95% CI:0.522~0.883)(表3图2)。Delong检验显示三个模型两两比较差异均无统计学意义(P>0.05)。分别绘制三种机器学习模型在验证组中的校准曲线图(图3)。Hosmer-Lemeshow检验(逻辑回归模型P=0.42;支持向量机模型P=0.24;决策树模型P=1.00)验证了预测值和实际临床观察值之间存在一致性,其中决策树模型拟合最佳。

图2  训练组和验证组三个模型的受试者工作特征曲线(ROC)及曲线下面积(AUC)。2A:训练组;2B:验证组。
图3  三种机器学习模型在验证组中的校准曲线图。
Fig. 2  Receiver operating characteristic (ROC) curve and area under the curve (AUC) of three models in training group and validation group. 2A: The training group; 2B: The validation group.
Fig. 3  Calibration plots of the three machine learning models in the validation group.
表3  3种机器学习模型对胰腺导管腺癌淋巴结转移的预测价值
Tab. 3  Predictive value of three machine learning models for lymph node metastasis in pancreatic ductal adenocarcinoma

3 讨论

       本研究回顾性分析121例PDAC患者的T1WI动脉期图像,旨在通过影像组学模型为术前预测PDAC淋巴结转移提供一个潜在无创的新方法。研究发现基于三种分类器的机器学习模型均具有较好的预测价值,Delong检验显示三个模型两两比较差异均无统计学意义。提示基于T1WI动脉期图像的影像组学模型可以在术前进行PDAC患者淋巴结状态的评估,可在传统医学图像的基础上提供额外有价值的信息,为临床医师治疗方案的选择提供参考。

3.1 PDAC淋巴结转移研究现状

       淋巴结转移是PDAC患者重要的生存预测因子,但术前检测存在困难[19, 20, 21, 22]。不利于临床医师进行肿瘤的术前分期及治疗方案的选择。近年来,血清标志物如MMP7、MUC1、MUC2和中性粒细胞数与淋巴细胞数的比值等被提出可用于术前检测PDAC淋巴结状态,但由于技术和准确性等问题,其临床应用受到限制[19, 20]。超声内镜引导下细针抽吸(endoscopic ultrasound-guided fine needle aspiration, EUS-FNA)对检测淋巴结转移非常敏感,但EUS-FNA是一种有创的诊断工具,很大程度会导致患者发生胰腺炎等并发症[21]。影像组学可以从医学图像(CT、MRI等)中提取大量的高维量化特征,揭示肉眼无法清楚观察到的疾病的隐藏特征[23, 24]。既往研究[15, 16, 17,2526]多采用增强CT影像组学预测PDAC淋巴结转移情况,Bian等[15]研究发现CT动脉期影像组学评分(RAD-score)越高,淋巴结转移的风险越高。Li等[17]结合临床数据和CT静脉期特征建立模型进行研究,发现联合影像组学特征与临床特征的预测模型对术前淋巴结转移的识别能力优于临床模型。证明了CT影像组学在PDAC淋巴结转移中的预测价值。但CT检查产生的电离辐射对人体有一定的损伤,且碘对比剂可能会使患者发生过敏反应甚至肾功能损害。

3.2 PDAC淋巴结转移主要研究结果分析

       目前,MRI检查以其无辐射、高软组织对比及多参数成像被越来越多的患者所选择,有学者研究[27, 28]认为增强T1WI影像组学模型对肿瘤组织淋巴结转移及预后评估具有重要价值。由于在增强T1WI序列中,动脉期的肿瘤与背景胰腺信号强度差异最大,因此本研究采用T1WI动脉期影像组学预测PDAC淋巴结转移情况。降维处理后获得5个预测淋巴结转移最优的特征,分别为1个灰度共生矩阵特征、2个灰度行程矩阵特征、2个灰度区域大小矩阵特征。灰度共生矩阵可以获得图像中具有相似或特定强度的像素对的空间相关关系,灰度行程矩阵反映了图像灰度关于方向、相邻间隔和变化幅度等信息,灰度区域大小矩阵是在二维空间中记录图像区域内有ji元素相邻的情况的出现次数或概率[29, 30]。Shi等[18]同样基于T1WI动脉期图像进行分析,该研究仅采用逻辑回归分类器建立模型。而本研究除采用逻辑回归模型外,还使用支持向量机和决策树进行建模。其中支持向量机模型的预测效能较逻辑回归模型与决策树模型好,AUC在训练组与验证组中分别为0.882与0.726。总之,构建的3种机器学习模型在训练组均表现为较好的预测效能(AUC>0.8),虽在验证组略有下降,但都维持在一个较理想的范围内(AUC>0.7)。

       此外,由于胰腺不同部位的PDAC淋巴结转移途径不同,本研究根据是否有淋巴结转移将患者分为阳性组与阴性组。并进行了淋巴结转移阳性组与阴性组、训练组和验证组间的临床及病理资料的比较,结果显示淋巴结转移阳性组和阴性组间的年龄、性别、肿瘤部位、组织学分级、CA199及T分期等临床及病理资料差异均无统计学意义。临床病理资料在训练组与验证组中差异无统计学意义提示临床病理信息在组间分布具有均衡性,排除临床和病理特征在影像组学模型中的潜在干扰因素。Bian等[15]的研究同样得出年龄、性别、肿瘤部位及组织学分级在淋巴结转移阳性与阴性组间差异无统计学意义。Li等[17]的研究发现年龄、性别及肿瘤部位在PDAC患者淋巴结转移阳性及阴性组间的差异无统计学意义,但组织学分级在两组间差异有统计学意义。然而,通过组织学分级等临床因素构建的临床模型在训练组及验证组中预测效能欠佳。因此提示仅凭借临床信息较难预测淋巴结转移。在Shi等[18]的最新研究中发现PDAC组织学分级在淋巴结转移阳性与阴性组间差异有统计学意义,和本研究结果的差异可能与本研究样本量较小有关。此外,Shi等[18]的研究依据淋巴结转移是否大于3例来进行分组,与本研究的分组情况略有不同。因此后续研究将继续扩大样本量,排除其他因素对实验结果的影响。

3.3 局限性

       本研究的局限性:(1)本研究是一项回顾性研究,外科医师所清扫的淋巴结可能与影像上所观察到的淋巴结不一致,较难获得淋巴结病理和影像的精准对应;(2)本研究仅采用TIWI动脉期进行建模,可能会丢失其他序列所提供的有用信息,后续将采用多期相、多序列联合建模以期获得一个最佳的预测模型;(3)由于是回顾性分析,部分临床病理资料缺失的特征被排除在外,因而所纳入临床病理资料有限,可能忽略对预测淋巴结转移有价值的临床特征。因此,未来需要进一步进行多中心、大样本研究,同时纳入更全面的临床特征以进一步提高模型的鲁棒性和预测效能。

       综上所述,基于T1WI动脉期图像提取影像组学特征构建机器学习模型,能客观反映PDAC的空间形态学异质性特征,在术前预测PDAC淋巴结转移方面具有较高的诊断效能,可帮助临床获得更准确的诊断和分期。

[1]
Siegel RL, Miller KD, Jemal A. Cancer statistics, 2019[J]. CA Cancer J Clin. 2019, 69(1): 7-34. DOI: 10.3322/caac.21551.
[2]
Chu LC, Goggins MG, Fishman EK. Diagnosis and detection of pancreatic cancer[J]. Cancer J, 2017, 23(6): 333-342. DOI: 10.1097/PPO.0000000000000290.
[3]
Komo T, Murakami Y, Kondo N, et al. Prognostic impact of Para-aortic lymph node micrometastasis in pancreatic ductal adenocarcinoma[J]. Ann Surg Oncol, 2016, 23(6): 2019-2027. DOI: 10.1245/s10434-016-5120-8.
[4]
Khorana AA, Mangu PB, Berlin J, et al. Potentially curable pancreatic cancer: American society of clinical oncology clinical practice guideline update[J]. J Clin Oncol, 2017, 35(20): 2324-2328. DOI: 10.1200/JCO.2017.72.4948.
[5]
王卓, 刘德军, 霍砚淼, 等. 淋巴结转移对胰腺癌患者生存期的影响[J]. 中华肝胆外科杂志, 2016(10): 672-676. DOI: 10.3760/cma.j.issn.1007-8118.2016.10.007.
Wang Z, Liu DJ, Huo YM, et al. Impact of lymph node metastasis on survival of patients with pancreatic cancer[J]. Chin J Hepatobiliary Surg, 2016(10): 672-676. DOI: 10.3760/cma.j.issn.1007-8118.2016.10.007.
[6]
Fowler KJ. CT assessment of pancreatic cancer: what are the gaps in predicting surgical outcomes?[J]. Radiology, 2018, 289(3): 719-720. DOI: 10.1148/radiol.2018181912.
[7]
Hanada K, Amano H, Abe T. Early diagnosis of pancreatic cancer: current trends and concerns[J]. Ann Gastroenterol Surg, 2017, 1(1): 44-51. DOI: 10.1002/ags3.12004.
[8]
石镇维, 刘再毅. 影像组学研究的困境和出路[J]. 中华放射学杂志, 2022, 56(1): 9-11. DOI: 10.3760/cma.j.cn112149-20211111-00998.
Shi ZW, Liu ZY. The challenges and solutions in radiomics study[J]. Chin J Radiol, 2022, 56(1): 9-11. DOI: 10.3760/cma.j.cn112149-20211111-00998.
[9]
Yip SSF, Aerts HJWL. Applications and limitations of radiomics[J]. Phys Med Biol, 2016, 61(13): R150-R166. DOI: 10.1088/0031-9155/61/13/R150.
[10]
刘琢玉, 唐玲玲, 黄小华, 等. 影像组学在胰腺肿瘤中的研究进展[J]. 国际医学放射学杂志, 2021, 44(6): 683-687. DOI: 10.19300/j.2021.Z18835.
Liu ZY, Tang LL, Huang XH, et al. Research progress of radiomics in evaluation of pancreatic tumors[J]. Int J Med Radiol, 2021, 44(6): 683-687. DOI: 10.19300/j.2021.Z18835.
[11]
何铭, 薛华丹, 金征宇. 影像组学在胰腺癌的应用及研究进展[J]. 中华放射学杂志, 2020, 54(10): 1029-1032. DOI: 10.3760/cma.j.cn112149-20190903-00738.
He M, Xue HD, Jin ZY. Radiomics in pancreatic cancer: the state of art[J]. Chin J Radiol, 2020, 54(10): 1029-1032. DOI: 10.3760/cma.j.cn112149-20190903-00738.
[12]
方杰, 黄小华, 刘念, 等. 影像组学在胰腺癌疗效评估中的研究进展[J]. 磁共振成像, 2021, 12(10): 105-108. DOI: 10.12015/issn.1674-8034.2021.10.027.
Fang J, Huang XH, Liu N, et al. Research progress of radiomics in evaluation of curative effect of pancreatic cancer[J]. Chin J Magn Reson Imaging, 2021, 12(10): 105-108. DOI: 10.12015/issn.1674-8034.2021.10.027.
[13]
de la Pinta C. Radiomics in pancreatic cancer for oncologist: present and future[J]. Hepatobiliary Pancreat Dis Int, 2022, 21(4): 356-361. DOI: 10.1016/j.hbpd.2021.12.006.
[14]
Ebrahimian S, Singh R, Netaji A, et al. Characterization of benign and malignant pancreatic lesions with DECT quantitative metrics and radiomics[J]. Acad Radiol, 2022, 29(5): 705-713. DOI: 10.1016/j.acra.2021.07.008.
[15]
Bian Y, Guo SW, Jiang H, et al. Relationship between radiomics and risk of lymph node metastasis in pancreatic ductal adenocarcinoma[J]. Pancreas, 2019, 48(9): 1195-1203. DOI: 10.1097/MPA.0000000000001404.
[16]
Bian Y, Guo SW, Jiang H, et al. Radiomics nomogram for the preoperative prediction of lymph node metastasis in pancreatic ductal adenocarcinoma[J/OL]. Cancer Imaging, 2022 [2022-04-29]. https://cancerimagingjournal.biomedcentral.com/articles/10.1186/s40644-021-00443-1. DOI: 10.1186/s40644-021-00443-1.
[17]
Li K, Yao QD, Xiao JJ, et al. Contrast-enhanced CT radiomics for predicting lymph node metastasis in pancreatic ductal adenocarcinoma: a pilot study[J/OL]. Cancer Imaging, 2020 [2022-04-29]. https://cancerimagingjournal.biomedcentral.com/articles/10.1186/s40644-020-0288-3. DOI: 10.1186/s40644-020-0288-3.
[18]
Shi ZS, Ma CL, Huang XM, et al. Magnetic resonance imaging radiomics-based nomogram from primary tumor for pretreatment prediction of peripancreatic lymph node metastasis in pancreatic ductal adenocarcinoma: a multicenter study[J]. J Magn Reson Imaging, 2022, 55(3): 823-839. DOI: 10.1002/jmri.28048.
[19]
Wang SC, Parekh JR, Porembka MR, et al. A pilot study evaluating serum MMP7 as a preoperative prognostic marker for pancreatic ductal adenocarcinoma patients[J]. J Gastrointest Surg, 2016, 20(5): 899-904. DOI: 10.1007/s11605-015-3057-z.
[20]
Tao LY, Zhang LF, Peng Y, et al. Preoperative neutrophil-to-lymphocyte ratio and tumor-related factors to predict lymph node metastasis in patients with pancreatic ductal adenocarcinoma (PDAC)[J]. Oncotarget, 2016, 7(45): 74314-74324. DOI: 10.18632/oncotarget.11031.
[21]
Lee YN, Moon JH, Kim HK, et al. A triple approach for diagnostic assessment of endoscopic ultrasound-guided fine needle aspiration in pancreatic solid masses and lymph nodes[J]. Dig Dis Sci, 2014, 59(9): 2286-2293. DOI: 10.1007/s10620-014-3119-1.
[22]
Roche CJ, Hughes ML, Garvey CJ, et al. CT and pathologic assessment of prospective nodal staging in patients with ductal adenocarcinoma of the head of the pancreas[J]. AJR Am J Roentgenol, 2003, 180(2): 475-480. DOI: 10.2214/ajr.180.2.1800475.
[23]
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.
[24]
Lafata KJ, Wang YQ, Konkel B, et al. Radiomics: a primer on high-throughput image phenotyping[J/OL]. Abdom Radiol (NY), 2021 [2022-04-29]. https://link.springer.com/article/10.1007/s00261-021-03254-x. DOI: 10.1007/s00261-021-03254-x.
[25]
Liang XY, Cai W, Liu XY, et al. A radiomics model that predicts lymph node status in pancreatic cancer to Guide clinical decision making: a retrospective study[J]. J Cancer, 2021, 12(20): 6050-6057. DOI: 10.7150/jca.61101.
[26]
Gao JH, Han F, Jin YY, et al. A radiomics nomogram for the preoperative prediction of lymph node metastasis in pancreatic ductal adenocarcinoma[J/OL]. Front Oncol, 2020 [2022-04-29]. https://www.frontiersin.org/articles/10.3389/fonc.2020.01654/full. DOI: 10.3389/fonc.2020.01654.
[27]
朱娅娣, 郁义星, 杨玲. 动态增强MRI影像组学模型术前预测乳腺癌前哨淋巴结转移[J]. 国际医学放射学杂志, 2021, 44(6): 632-637. DOI: 10.19300/j.2021.L18812.
Zhu YD, Yu YX, Yang L. Radiomic model based on DCE-MRI for the preoperative prediction of SLN metastasis in breast cancer[J]. Int J Med Radiol, 2021, 44(6): 632-637. DOI: 10.19300/j.2021.L18812.
[28]
孟闫凯, 张雨晨, 张翀达, 等. 对比MRI平扫、增强图像的影像组学标签对直肠癌生存期的预测价值[J]. 中华放射学杂志, 2018, 52(5): 349-355. DOI: 10.3760/cma.j.issn.1005-1201.2018.05.006.
Meng YK, Zhang YC, Zhang CD, et al. To compare the predictive value of the radiomics siganature extrated from MRI plain or enhancement imaging for the survival of rectal cancer[J]. Chin J Radiol, 2018, 52(5): 349-355. DOI: 10.3760/cma.j.issn.1005-1201.2018.05.006.
[29]
Mayerhoefer ME, Materka A, Langs G, et al. Introduction to radiomics[J]. J Nucl Med, 2020, 61(4): 488-495. DOI: 10.2967/jnumed.118.222893.
[30]
Abbasian Ardakani A, Bureau NJ, Ciaccio EJ, et al. Interpretation of radiomics features-a pictorial review[J/OL]. Comput Methods Programs Biomed, 2022 [2022-04-29]. https://www.sciencedirect.com/science/article/abs/pii/S0169260721006830. DOI: 10.1016/j.cmpb.2021.106609.

上一篇 酰胺质子转移加权成像与体素内不相干运动成像评估肺腺癌病理分级及其与SUVmax的相关性
下一篇 基于ADC诊断局部晚期直肠癌新辅助治疗后完全缓解准确性的Meta分析
  
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