分享:
分享到微信朋友圈
X
综述
影像组学分析在胰腺癌诊疗中的应用及研究进展
李晶晶 黎玉莹 石海峰 杭俊杰

Cite this article as: Li JJ, Li YY, Shi HF, et al. Application and research progress of radiomics in evaluation of pancreatic cancer[J]. Chin J Magn Reson Imaging, 2022, 13(8): 150-153.本文引用格式:李晶晶, 黎玉莹, 石海峰, 等. 影像组学分析在胰腺癌诊疗中的应用及研究进展[J]. 磁共振成像, 2022, 13(8): 150-153. DOI:10.12015/issn.1674-8034.2022.08.034.


[摘要] 胰腺癌的死亡率正逐年上升,早期诊断和精准治疗是改善治疗效果的关键。影像组学作为一种新兴技术,可以无创地对肿瘤异质性进行分析,已逐步应用于胰腺癌的诊疗中。基于计算机断层扫描(computed tomography, CT)、MRI和正电子发射断层显像/计算机断层扫描(positron emission tomography/computed tomography, PET/CT)的影像组学能够鉴别胰腺癌与其他易误诊为胰腺癌的疾病,也可以评估胰腺癌治疗效果以及预测生存期等,有助于胰腺癌个体化治疗。本文就CT、MRI和PET/CT相关影像组学分析在胰腺癌的鉴别诊断、疗效评估及预后预测方面的应用及研究进展予以综述。
[Abstract] The death rate of pancreatic cancer is increasing year by year. Early diagnosis and precise treatment are the key to improve the therapeutic effect. As a new technology, radiomics has been gradually applied to the diagnosis and treatment of pancreatic cancer due to its non-invasive analysis of tumor heterogeneity. Radiomics based on computed tomography (CT), MRI, positron emission tomography/computed tomography (PET/CT) can distinguish pancreatic cancer from other diseases that are easily misdiagnosed as pancreatic cancer, evaluate the treatment effect and predict survival, thus contributing to the individualized treatment of pancreatic cancer. The purpose of this article reviews the application and research progress of radiomics based on CT, MRI, PET/CT in differential diagnosis, curative effect evaluation and prognosis prediction of pancreatic cancer.
[关键词] 胰腺癌;影像组学;鉴别诊断;疗效评估;预后预测;磁共振成像
[Keywords] pancreatic cancer;radiomics;differential diagnosis;curative effect evaluation;prognosis prediction;magnetic resonance imaging

李晶晶 1   黎玉莹 1   石海峰 2*   杭俊杰 3  

1 大连医科大学研究生院,大连 116044

2 常州市第二人民医院放射科,常州 213003

3 常州市第二人民医院肿瘤内科,常州 213003

石海峰,E-mail:doctorstone771@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: 江苏省卫健委高层次人才“六个一”拔尖人才项目 LGY2020036 常州市卫健委重大项目 ZD201913
收稿日期:2022-04-22
接受日期:2022-08-05
中图分类号:R445.2  R735.9 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.08.034
本文引用格式:李晶晶, 黎玉莹, 石海峰, 等. 影像组学分析在胰腺癌诊疗中的应用及研究进展[J]. 磁共振成像, 2022, 13(8): 150-153. DOI:10.12015/issn.1674-8034.2022.08.034

       胰腺癌是全球癌症相关死亡的第七大原因,其死亡率与发病率几乎相同[1]。预计到2025年,胰腺癌将成为癌症相关死亡的第三大原因[2]。其特点是恶性程度高、进展迅速、预后极差[3]。约80%的胰腺癌被发现时已经是晚期或局部晚期,且目前大多数治疗方案效果不显著,导致整体预后不良[4]。因此,准确地诊断以及对患者预后预测和治疗效果的评估对临床而言尤为重要。常规影像检查在胰腺癌诊断、疗效评估、预后预测等方面发挥重要作用,但常规影像特征所能提供的临床信息有限,不能全面且准确反映肿瘤的特性。影像组学可以从常规影像图像中提取大量特征,临床医生可以将这些特征与临床信息结合起来做进一步分析,从而改善治疗疗效及患者预后[5]。本文就影像组学分析在胰腺癌中的应用及研究进展进行综述。

1 影像组学概述

       影像组学最初于2012年由荷兰学者Lambin提出,其思想源于实体肿瘤在时间和空间上存在异质性[6]。影像组学主要通过从图像中提取定量特征来反映肿瘤的异质性[7]。影像组学特征可以单独或与组织学、基因组学、蛋白质组学数据结合,用于解决临床问题[8]。影像组学分析可以在原发肿瘤、转移性病灶以及正常组织中进行[9]。影像组学的流程主要包括四个部分:(1)图像数据获取,数据多源于计算机断层扫描(computed tomography, CT)、MRI、正电子发射断层显像/计算机断层扫描(positron emission tomography/computed tomography, PET/CT)图像。因为不同的扫描参数会影响影像组学特征值,所以应尽可能使扫描参数规范化。(2)图像分割,包括手动、半自动和全自动地勾画感兴趣区,目前多使用的手动勾画会耗费时间和人力,许多用于自动分割的计算机算法已经被开发出来,从简单的阈值分割到基于人工智能的算法[10]。(3)图像特征提取和筛选,主要包括形状特征、一阶统计特征、二阶纹理特征、高阶特征[11]。(4)模型建立与评估,模型构建方法主要包括随机森林(random forest, RF)、神经网络、逻辑回归、最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)、Cox比例风险回归。以往研究发现,RF模型具有更高的预测性能[12]

2 影像组学在胰腺癌中的应用

2.1 CT影像组学在胰腺癌中的应用

2.1.1 CT影像组学在胰腺癌鉴别诊断中的应用

       影像组学在鉴别胰腺癌和胰腺良性疾病上有着巨大潜力,如胰腺神经内分泌肿瘤、肿块性胰腺炎、自身免疫性胰腺炎,它们与胰腺癌的影像特征具有一定程度相似性,但临床治疗方案和预后有着显著差异[13, 14, 15],准确鉴别尤为重要。He等[16]回顾性分析67例非典型神经内分泌肿瘤患者和80例胰腺导管腺癌患者的增强CT图像,发现将临床特征和影像组学特征结合构建的模型诊断性能高于仅基于临床特征构建的模型,其受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under the curve, AUC)分别为0.884、0.775。Ren等[17]纳入30例肿块性胰腺炎患者和79例胰腺癌患者,发现基于CT纹理分析的RF模型可以鉴别两者,其AUC为0.84。Park等[18]同样建立RF模型来鉴别自身免疫胰腺炎和胰腺癌,发现模型鉴别性能良好,其AUC为0.975。

       上述研究表明基于CT的影像组学可以无创性地鉴别胰腺癌与胰腺神经内分泌肿瘤、肿块性胰腺炎、自身免疫性胰腺炎,但目前尚缺乏胰腺癌与沟槽性胰腺炎的鉴别,有待进一步研究探索。

2.1.2 CT影像组学在胰腺癌疗效评估中的应用

       CT是迄今为止最常见的用于监测肿瘤对治疗反应的成像方式,但这种评估肿瘤反应的方法是主观的,会低估在肿瘤大小没有明显变化下的反应。影像组学可以将图像转化为定量数据来评估肿瘤的治疗疗效[19]。目前已有学者将其应用于胰腺癌放化疗的疗效评估中。Cheng等[20]评估110例胰腺癌患者化疗后肝转移灶的CT纹理变化发现,基线峰度[空间比例因子(spatial scaling factor, SSF)=3]及正像素的平均值百分比变化、熵(SSF5)与疾病进展时间显著相关。Nasief等[21]同样发现影像组学特征有助于预测放化疗反应,其采用贝叶斯正则化神经网络建立疗效预测模型,发现熵、峰度和粗度的组合具有良好的预测效能,其AUC为0.94。也有研究表明[22]将熵、聚类趋势和粗度与临床指标糖类抗原19-9(carbohydrate antigen 19-9, CA19-9)结合构建的疗效预测模型性能更佳。

       上述研究结果均体现了CT影像组学在胰腺癌放化疗疗效评估中的作用,且发现具有良好疗效预测价值的影像组学特征主要有熵、峰度、粗度,但研究的样本量较小,仍需扩大样本量来评估影像组学特征的稳定性。

2.1.3 CT影像组学在胰腺癌预后预测中的应用

       影像组学可以提取人眼无法识别的影像特征,并能够预测肿瘤预后[23]。大部分研究结果表明将影像组学特征与临床特征结合更有助于预测患者的预后。Cheng等[24]分析41例接受化疗前的不可切除胰腺癌患者纹理特征与无进展生存期(progression free survival, PFS)和总体生存率(overall survival, OS)的关系发现,标准差与肿瘤大小结合的模型比单独用标准差的模型性能好,AUC分别为0.756、0.715。Hang等[25]发现基于原发肿瘤和肝转移瘤纹理特征的影像组学评分(radiomics score, RS)和临床特征的列线图可以准确预测OS。Xie等[26]同样发现结合RS和临床特征的列线图可以更好地预测可切除胰腺癌患者的无病生存期(disease free survival, DFS)和OS。但也有研究发现影像组学特征不能有效地预测患者的预后,如Cassinotto等[27]发现纹理特征与DFS无关,而传统的影像学特征门静脉期CT值和临床特征肿瘤分级与DFS显著相关。

       总之,目前多数研究均体现了影像组学在胰腺癌患者预后预测中的价值,将CT影像组学特征与临床特征结合构建的预测模型具有良好的性能,但不同的研究结果之间存在差别,可能和入组条件的差异及样本量有关,仍需要进一步研究证实。

2.2 MRI影像组学在胰腺癌中的应用

2.2.1 MRI影像组学在胰腺癌鉴别诊断中的应用

       由MRI衍生的影像组学特征目前主要用于胰腺癌与肿块性胰腺炎的鉴别诊断中。肿块性胰腺炎与胰腺癌具有相似的临床表现和影像学特征,但两者治疗效果和生存期不一样,因此准确鉴别两者对临床有重要意义。有学者将基于MRI的影像组学特征与临床特征结合起来构建模型,以区分这两种病变。Liu等[28]从四个不同的序列中提取影像组学特征,建立基于多参数MRI的影像组学特征和临床特征的混合模型,发现其诊断性能比单独使用临床特征或常规影像学参数构建的模型更高。需指出的是,上述研究结果缺乏外部验证,而在Deng等[29]研究中加入了外部验证组,发现基于T1WI、T2WI和动态增强的动脉期、门脉期提取的影像组学特征构建的模型性能良好,在训练组及验证组中AUC均>0.8,相比之下,结合病灶大小、主胰管及胆总管最大横截面的直径构建的临床模型并没有很好地鉴别两者。

       上述研究结果表明将影像组学特征和临床特征结合构建的模型有助于区分胰腺癌与肿块性胰腺炎,但目前尚缺乏胰腺癌与胰腺良性肿瘤的鉴别,未来有待进一步研究探索。

2.2.2 MRI影像组学在胰腺癌疗效评估中的运用

       基于MRI的影像组学可以对肿瘤的异质性进行分析,提高MRI对胰腺癌患者疗效评估的能力[30],主要应用于全身立体定向放射治疗(stereotactic body radiotherapy, SBRT)及新辅助化疗。Simpson等[31]纳入20例接受SBRT的胰腺癌患者,构建RF和LASSO分类模型来预测治疗疗效,发现两者AUC均为0.81。Liang等[32]发现纹理特征复杂度和强度及临床特征肿瘤位置是新辅助化疗患者疗效的潜在预测因子。需注意的是,由于不同疗效的患者在肿瘤复发风险上存在差异,因此也可以通过评估复发风险来反映患者的疗效。例如,Tang等[33]发现影像组学特征、CA19-9和临床分期可以作为评估早期复发的独立因素,并且结合RS、CA19-9和临床分期构建多因素logistic回归模型,其AUC在训练组及验证组中均>0.8。

       上述研究均证实了MRI影像组学在胰腺癌疗效评估中的应用,包括可切除及不可切除胰腺癌,由于MRI有良好的软组织分辨能力,可以多模态、多序列、多方位成像,基于MRI的影像组学可以对胰腺癌异质性进行分析,从而提高MRI对胰腺癌疗效的预测效能,但目前多数研究均为回顾性研究,仍需要进一步进行前瞻性及多中心研究。

2.2.3 MRI影像组学在胰腺癌预后预测中的应用

       胰腺癌预后不良,5年相对生存率约为11%[34]。不合适的治疗方案会影响治疗效果,所以在治疗前对患者的生存率进行预测尤为重要。越来越多的研究表明基于MRI的影像组学分析在肿瘤的预后预测方面有潜在价值。Tomaszewski等[35]在研究中发现,治疗期间直方图特征的变化可以预测胰腺癌的放疗反应。其随后的一项研究[36]进一步证实了这一观点,并且发现偏态变化可以预测MRI引导放疗的局部晚期胰腺癌患者的PFS。Noda等[37]同样发现直方图特征在预测胰腺癌患者预后的价值,手术前峰度高的患者的生存率要低于峰度低的患者。Kaissis等[38]则基于机器学习算法对胰腺癌患者术前MRI图像进行影像组学分析,建立RF模型对术后辅助化疗的患者OS进行有效预测,其AUC为0.90。

       上述研究表明基于MRI的影像组学可以对肿瘤的细微变化量化分析,有效地预测胰腺癌患者的PFS及OS,有助于患者个体化治疗。但是,上述研究多缺乏验证组,需要进一步研究来验证影像组学特征的稳定性和可重复性。

2.3 PET/CT影像组学在胰腺癌中的应用

2.3.1 PET/CT影像组学在胰腺癌鉴别诊断中的应用

       自身免疫性胰腺炎与胰腺癌虽然在临床症状、影像特征方面十分相似,但治疗方法却不同,胰腺癌患者更适合根治性手术治疗,而自身免疫性胰腺癌患者更适合激素治疗[39],所以准确鉴别两者有重要意义。Liu等[40]回顾性分析48例自身免疫性胰腺炎和64例胰腺癌患者影像图像,结合支持向量机(support vector machine, SVM)和支持向量机—递归特征消除(SVM-recursive feature elimination, SVM-RFE)建立预测模型来鉴别两者,AUC为0.9668。Zhang等[41]同样发现SVM和SVM-RFE的结合有助于自身免疫性胰腺炎与胰腺癌的鉴别,并且将提取的2D和3D纹理特征融合成多域特征构建的模型具有最佳的诊断性能,AUC为0.93。

       目前在PET/CT影像组学方面尚缺乏胰腺癌与肿块性胰腺炎、沟槽性胰腺炎及神经内分泌肿瘤的鉴别诊断相关研究,而准确鉴别胰腺良恶性病变有助于临床医生制订最佳治疗方案,避免过度化治疗。

2.3.2 PET/CT影像组学在胰腺癌疗效评估中的应用

       评估代谢反应最常用的指标是标准摄取值(standard uptake value, SUV)[42],然而,这仅提供了肿瘤的整体代谢活动,并不能准确地描述肿瘤局部摄取,纹理特征分析可以评估肿瘤的异质性,改善对患者治疗反应的评估[43],目前基于PET/CT的影像组学分析主要应用于接受放疗的胰腺癌患者。Yue等[44]回顾性分析26例胰腺癌患者放疗前后PET/CT图像纹理变化,发现临床特征的年龄、淋巴结分期和纹理特征同质性、方差、聚类趋势可以预测患者的治疗反应。Tuli等[45]同样发现纹理特征方差、聚类趋势在预测治疗反应方面具有很大潜力,并且其还加入放疗前的影像学特征SUV和放射剂量,构建逻辑回归模型进行疗效预测,AUC为0.85。

       由此可见,PET/CT影像组学特征有助于胰腺癌患者放疗疗效评估,且初步显示有意义的特征主要有方差和聚类趋势,但是仍需要在更大队列的前瞻性研究中验证影像组学特征的可重复性。

2.3.3 PET/CT影像组学在预后预测中的应用

       基于PET/CT影像组学分析可为患者预后预测提供更多有用信息,有助于临床医生选择合适的治疗方案,延长患者生存期。Lee等[46]发现影像组学一阶特征熵和常规影像学特征SUV、总病变糖酵解(total lesion glycolysis, TLG)均是OS的显著独立预测因子,SUV、TLG和熵值高的患者OS更短。Cui等[47]发现影像组学特征相比常规的影像学指标更能有效预测患者的预后,其中包括形状、强度和质地的7个影像组学特征与OS显著相关(P=0.002)。上述研究影像图像分割的方法都是采用人工分割,Mori等[48]采用半自动分割方法并且发现一阶特征质心位移(center of mass shift, COMshift)低、第10个强度百分位(10th intensity percentile, P10)高的患者预后较差,而临床特征的加入并没有显著提高模型的预测性能。

       总之,基于PET/CT的影像组学研究在胰腺癌预后预测中具有较大的价值,但是目前影像图像分割的方法多采用人工分割,会存在一定程度的主观性,未来研究可以采用基于全卷积网络的自动分割方法。

3 不足与展望

       虽然影像组学在胰腺癌诊疗领域中取得了一定的进展,但是大多数研究均为回顾性研究,且样本量相对较小,建立的模型可能存在过度拟合的风险。此外,很多研究都缺乏多中心外部队列的验证,有效、标准化及可重复的特征提取系统有限,提取特征的质量、模型的构建都会受到图像采集、后处理和分割类型的影响。并且,大多数研究中感兴趣区多采用手动分割方式,这耗费时间及人力且可重复性差。

       目前影像组学已在胰腺癌鉴别诊断、疗效评估及预后预测等方面取得了一定的成果,但是尚缺乏术后术区软组织成分鉴别以及术后胰瘘风险评估,并且仍需要进行前瞻性研究来验证结果,从而更好地为胰腺癌患者的精准诊疗服务。笔者期待在未来的研究中可以通过在多个时间点提取影像组学特征,来评估影像组学特征的有效性和稳定性。并且将CT、MRI及其他影像新技术、多期图像的多模态模型联合应用,为患者个体化、精准化治疗提供有效信息。

[1]
Siegel R, Miller K, Sauer AG. Colorectal cancer statistics, 2020[J]. CA Cancer J Clin, 2020, 70(1): 7-30. DOI: 10.3322/caac.21590.
[2]
Sung H, Ferlay J, Siegel RL, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2021, 71(3): 209-249. DOI: 10.3322/caac.21660.
[3]
Pandya G, Kirtonia A, Singh A, et al. A comprehensive review of the multifaceted role of the microbiota in human pancreatic carcinoma[J/OL]. Semin Cancer Biol, 2021 [2022-07-31]. https://www.sciencedirect.com/science/article/abs/pii/S1044579X21001577. DOI: 10.1016/j.semcancer.2021.05.027.
[4]
Ansari D, Tingstedt B, Andersson B, et al. Pancreatic cancer: yesterday, today and tomorrow[J]. Future Oncol, 2016, 12(16): 1929-1946. DOI: 10.2217/fon-2016-0010.
[5]
Abunahel BM, Pontre B, Kumar H, et al. Pancreas image mining: a systematic review of radiomics[J]. Eur Radiol, 2021, 31(5): 3447-3467. DOI: 10.1007/s00330-020-07376-6.
[6]
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.
[7]
van Timmeren JE, Cester D, Tanadini-Lang S, et al. Radiomics in medical imaging-"how-to" guide and critical reflection[J/OL]. Insights Imaging, 2020, 11(1) [2022-07-31]. https://insightsimaging.springeropen.com/articles/10.1186/s13244-020-00887-2. DOI: 10.1186/s13244-020-00887-2.
[8]
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.
[9]
Lambin P, Leijenaar RTH, Deist TM, et al. Radiomics: the bridge between medical imaging and personalized medicine[J]. Nat Rev Clin Oncol, 2017, 14(12): 749-762. DOI: 10.1038/nrclinonc.2017.141.
[10]
Liang Y, Schott D, Zhang Y, et al. Auto-segmentation of pancreatic tumor in multi-parametric MRI using deep convolutional neural networks[J]. Radiother Oncol, 2020, 145: 193-200. DOI: 10.1016/j.radonc.2020.01.021.
[11]
Rizzo S, Botta F, Raimondi S, et al. Radiomics: the facts and the challenges of image analysis[J/OL]. Eur Radiol Exp, 2018, 2(1) [2022-07-31]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6234198. DOI: 10.1186/s41747-018-0068-z.
[12]
Avanzo M, Stancanello J, Pirrone G, et al. Radiomics and deep learning in lung cancer[J]. Strahlenther Onkol, 2020, 196(10): 879-887. DOI: 10.1007/s00066-020-01625-9.
[13]
Ma ZY, Gong YF, Zhuang HK, et al. Pancreatic neuroendocrine tumors: a review of serum biomarkers, staging, and management[J]. World J Gastroenterol, 2020, 26(19): 2305-2322. DOI: 10.3748/wjg.v26.i19.2305.
[14]
Ren S, Zhang J, Chen J, et al. Evaluation of Texture Analysis for the Differential Diagnosis of Mass-Forming Pancreatitis From Pancreatic Ductal Adenocarcinoma on Contrast-Enhanced CT Images[J/OL]. Front Oncol, 2019, 9 [2022-07-31]. https://www.frontiersin.org/articles/10.3389/fonc.2019.01171/full. DOI: 10.3389/fonc.2019.01171.
[15]
Li J, Liu F, Fang X, et al. CT radiomics features in differentiation of focal-type autoimmune pancreatitis from pancreatic ductal adenocarcinoma: a propensity score analysis[J]. Acad Radiol, 2022, 29(3): 358-366. DOI: 10.1016/j.acra.2021.04.014.
[16]
He M, Liu ZY, Lin YS, et al. Differentiation of atypical non-functional pancreatic neuroendocrine tumor and pancreatic ductal adenocarcinoma using CT based radiomics[J]. Eur J Radiol, 2019, 117: 102-111. DOI: 10.1016/j.ejrad.2019.05.024.
[17]
Ren S, Zhao R, Zhang JJ, et al. Diagnostic accuracy of unenhanced CT texture analysis to differentiate mass-forming pancreatitis from pancreatic ductal adenocarcinoma[J]. Abdom Radiol (NY), 2020, 45(5): 1524-1533. DOI: 10.1007/s00261-020-02506-6.
[18]
Park S, Chu LC, Hruban RH, et al. Differentiating autoimmune pancreatitis from pancreatic ductal adenocarcinoma with CT radiomics features[J]. Diagn Interv Imaging, 2020, 101(9): 555-564. DOI: 10.1016/j.diii.2020.03.002.
[19]
Nakanishi R, Oki E, Hasuda H, et al. Radiomics texture analysis for the identification of colorectal liver metastases sensitive to first-line oxaliplatin-based chemotherapy[J]. Ann Surg Oncol, 2021, 28(6): 2975-2985. DOI: 10.1245/s10434-020-09581-5.
[20]
Cheng S, Jin Z, Xue H. Assessment of Response to Chemotherapy in Pancreatic Cancer with Liver Metastasis: CT Texture as a Predictive Biomarker[J/OL]. Diagnostics (Basel), 2021, 11(12) [2022-07-31]. https://www.mdpi.com/2075-4418/11/12/2252/htm. DOI: 10.3390/diagnostics11122252.
[21]
Nasief H, Zheng C, Schott D, et al. A machine learning based delta-radiomics process for early prediction of treatment response of pancreatic cancer[J/OL]. NPJ Precis Oncol, 2019, 3 [2022-07-31]. https://www.nature.com/articles/s41698-019-0096-z. DOI: 10.1038/s41698-019-0096-z.
[22]
Nasief H, Hall W, Zheng C, et al. Improving Treatment Response Prediction for Chemoradiation Therapy of Pancreatic Cancer Using a Combination of Delta-Radiomics and the Clinical Biomarker CA19-9[J/OL]. Front Oncol, 2019, 9 [2022-07-31]. https://www.frontiersin.org/articles/10.3389/fonc.2019.01464. DOI: 10.3389/fonc.2019.01464.
[23]
Chen MY, Cao JS, Hu JH, et al. Clinical-radiomic analysis for pretreatment prediction of objective response to first transarterial chemoembolization in hepatocellular carcinoma[J]. Liver Cancer, 2021, 10(1): 38-51. DOI: 10.1159/000512028.
[24]
Cheng SH, Cheng YJ, Jin ZY, et al. Unresectable pancreatic ductal adenocarcinoma: role of CT quantitative imaging biomarkers for predicting outcomes of patients treated with chemotherapy[J]. Eur J Radiol, 2019, 113: 188-197. DOI: 10.1016/j.ejrad.2019.02.009.
[25]
Hang JJ, Xu KQ, Yin RH, et al. Role of CT texture features for predicting outcome of pancreatic cancer patients with liver metastases[J]. J Cancer, 2021, 12(8): 2351-2358. DOI: 10.7150/jca.49569.
[26]
Xie TS, Wang XY, Li ML, et al. Pancreatic ductal adenocarcinoma: a radiomics nomogram outperforms clinical model and TNM staging for survival estimation after curative resection[J]. Eur Radiol, 2020, 30(5): 2513-2524. DOI: 10.1007/s00330-019-06600-2.
[27]
Cassinotto C, Chong J, Zogopoulos G, et al. Resectable pancreatic adenocarcinoma: role of CT quantitative imaging biomarkers for predicting pathology and patient outcomes[J]. Eur J Radiol, 2017, 90: 152-158. DOI: 10.1016/j.ejrad.2017.02.033.
[28]
Liu J, Hu L, Zhou B, et al. Development and validation of a novel model incorporating MRI-based radiomics signature with clinical biomarkers for distinguishing pancreatic carcinoma from mass-forming chronic pancreatitis[J/OL]. Transl Oncol, 2022, 18 [2022-07-31]. https://www.sciencedirect.com/science/article/pii/S1936523322000195. DOI: 10.1016/j.tranon.2022.101357.
[29]
Deng Y, Ming B, Zhou T, et al. Radiomics Model Based on MR Images to Discriminate Pancreatic Ductal Adenocarcinoma and Mass-Forming Chronic Pancreatitis Lesions[J/OL]. Front Oncol, 2021, 11 [2022-07-31]. https://www.frontiersin.org/articles/10.3389/fonc.2021.620981. DOI: 10.3389/fonc.2021.620981.
[30]
Zhang H, Wang HX, Hao DP, et al. An MRI-based radiomic nomogram for discrimination between malignant and benign sinonasal tumors[J]. J Magn Reson Imaging, 2021, 53(1): 141-151. DOI: 10.1002/jmri.27298.
[31]
Simpson G, Spieler B, Dogan N, et al. Predictive value of 0.35 T magnetic resonance imaging radiomic features in stereotactic ablative body radiotherapy of pancreatic cancer: a pilot study[J]. Med Phys, 2020, 47(8): 3682-3690. DOI: 10.1002/mp.14200.
[32]
Liang L, Ding Y, Yu Y, et al. Whole-tumour evaluation with MRI and radiomics features to predict the efficacy of S-1 for adjuvant chemotherapy in postoperative pancreatic cancer patients: a pilot study[J/OL]. BMC Med Imaging, 2021, 21(1) [2022-07-31]. https://bmcmedimaging.biomedcentral.com/articles/10.1186/s12880-021-00605-4. DOI: 10.1186/s12880-021-00605-4.
[33]
Tang TY, Li X, Zhang Q, et al. Development of a novel multiparametric MRI radiomic nomogram for preoperative evaluation of early recurrence in resectable pancreatic cancer[J]. J Magn Reson Imaging, 2020, 52(1): 231-245. DOI: 10.1002/jmri.27024.
[34]
Siegel R, Miller K, Fuchs HE, et al. Cancer statistics, 2022[J]. CA Cancer J Clin, 2022, 72(1): 7-33. DOI: 10.3322/caac.21708.
[35]
Tomaszewski MR, Dominguez-Viqueira W, Ortiz A, et al. Heterogeneity analysis of MRI T2 maps for measurement of early tumor response to radiotherapy[J/OL]. NMR Biomed, 2021, 34(3) [2022-07-31]. https://analyticalsciencejournals.onlinelibrary.wiley.com/doi/10.1002/nbm.4454. DOI: 10.1002/nbm.4454.
[36]
Tomaszewski MR, Latifi K, Boyer E, et al. Delta radiomics analysis of Magnetic Resonance guided radiotherapy imaging data can enable treatment response prediction in pancreatic cancer[J/OL]. Radiat Oncol, 2021, 16(1) [2022-07-31]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8672552. DOI: 10.1186/s13014-021-01957-5.
[37]
Noda Y, Tomita H, Ishihara T, et al. Prediction of overall survival in patients with pancreatic ductal adenocarcinoma: histogram analysis of ADC value and correlation with pathological intratumoral necrosis[J/OL]. BMC Med Imaging, 2022, 22(1) [2022-07-31]. https://bmcmedimaging.biomedcentral.com/articles/10.1186/s12880-022-00751-3. DOI: 10.1186/s12880-022-00751-3.
[38]
Kaissis G, Ziegelmayer S, Lohofer F, et al. A machine learning model for the prediction of survival and tumor subtype in pancreatic ductal adenocarcinoma from preoperative diffusion-weighted imaging[J/OL]. Eur Radiol Exp, 2019, 3(1) [2022-07-31]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6797674. DOI: 10.1186/s41747-019-0119-0.
[39]
Ziegelmayer S, Kaissis G, Harder F, et al. Deep Convolutional Neural Network-Assisted Feature Extraction for Diagnostic Discrimination and Feature Visualization in Pancreatic Ductal Adenocarcinoma (PDAC) versus Autoimmune Pancreatitis (AIP)[J/OL]. J Clin Med, 2020, 9(12) [2022-07-31]. https://www.mdpi.com/2077-0383/9/12/4013. DOI: 10.3390/jcm9124013.
[40]
Liu ZB, Li M, Zuo CJ, et al. Radiomics model of dual-time 2-[18F]FDG PET/CT imaging to distinguish between pancreatic ductal adenocarcinoma and autoimmune pancreatitis[J]. Eur Radiol, 2021, 31(9): 6983-6991. DOI: 10.1007/s00330-021-07778-0.
[41]
Zhang YQ, Cheng C, Liu ZB, et al. Radiomics analysis for the differentiation of autoimmune pancreatitis and pancreatic ductal adenocarcinoma in 18F-FDG PET/CT[J]. Med Phys, 2019, 46(10): 4520-4530. DOI: 10.1002/mp.13733.
[42]
Zhu AZ, Lee D, Shim H. Metabolic positron emission tomography imaging in cancer detection and therapy response[J]. Semin Oncol, 2011, 38(1): 55-69. DOI: 10.1053/j.seminoncol.2010.11.012.
[43]
Chicklore S, Goh V, Siddique M, et al. Quantifying tumour heterogeneity in 18F-FDG PET/CT imaging by texture analysis[J]. Eur J Nucl Med Mol Imaging, 2013, 40(1): 133-140. DOI: 10.1007/s00259-012-2247-0.
[44]
Yue Y, Osipov A, Fraass B, et al. Identifying prognostic intratumor heterogeneity using pre- and post-radiotherapy 18F-FDG PET images for pancreatic cancer patients[J]. J Gastrointest Oncol, 2017, 8(1): 127-138. DOI: 10.21037/jgo.2016.12.04.
[45]
Tuli R, Fraass B, Yang W, et al. Pretreatment 18 F-FDG-PET texture analysis to predict local response of pancreatic cancer to radiotherapy[J/OL]. J Clin Oncol2014, 32 [2022-07-31]. https://www.researchgate.net/publication/314032386. DOI: 10.1200/jco.2014.32.3_suppl.375.
[46]
Lee JW, Park SH, Ahn H, et al. Predicting Survival in Patients with Pancreatic Cancer by Integrating Bone Marrow FDG Uptake and Radiomic Features of Primary Tumor in PET/CT[J/OL]. Cancers (Basel), 2021, 13(14) [2022-07-31]. https://www.mdpi.com/2072-6694/13/14/3563. DOI: 10.3390/cancers13143563.
[47]
Cui Y, Song J, Pollom E, et al. Quantitative analysis of (18)F-fluorodeoxyglucose positron emission tomography identifies novel prognostic imaging biomarkers in locally advanced pancreatic cancer patients treated with stereotactic body radiation therapy[J]. Int J Radiat Oncol Biol Phys, 2016, 96(1): 102-109. DOI: 10.1016/j.ijrobp.2016.04.034.
[48]
Mori M, Passoni P, Incerti E, et al. Training and validation of a robust PET radiomic-based index to predict distant-relapse-free-survival after radio-chemotherapy for locally advanced pancreatic cancer[J]. Radiother Oncol, 2020, 153: 258-264. DOI: 10.1016/j.radonc.2020.07.003.

上一篇 MRI影像组学与乳腺癌肿瘤新生血管相关性研究
下一篇 克罗恩病患者脑结构和功能改变的MRI研究进展
  
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