Page 56 - 南京医科大学学报自然科学版
P. 56
第43卷第5期
·638 · 南 京 医 科 大 学 学 报 2023年5月
1.0 校准线 ROI。但本研究基于影像图像及病理状态，图像特
理想线
0.8 征与肿瘤术中形态、质地等具有很大差异性，由经
阳性比例 0.6 验丰富的神经外科医师绘制可能更具有效性。
本研究的局限性在于：①研究样本量相对不
0.4
0.2 足，因此仅对训练模型进行了内部测试，未进行外
0.0 部验证，后续会进一步引入多中心外部验证；②本
0.0 0.2 0.4 0.6 0.8 1.0 研究仅通过影像组学特征建立单一Ki67预测模型，
平均预测值
图3 预测模型校准曲线 在后续研究中会引入更多临床资料及多种相关免
Figure 3 Calibration plot for the predictive model 疫组化预测模型进一步完善不足；③本研究采用支
持向量机建模，而机器学习模型种类多，如逻辑分
为脑胶质瘤恶性程度和预后的评估指标之一 ，但 析、决策树、随机森林、梯度提升树等，在后续的研
［26］
Ki67指数只能通过术后病理免疫组化获得，亟待一 究中我们会增加多中心研究进行多模型比较，同时
种无创的方式在术前大致掌握肿瘤Ki67指数水平， 进一步优化模型，弥补不足，以期为临床应用提供
评估胶质瘤恶性程度，以制定更准确的手术策略。 更优的模型。
近年来，影像组学越来越成为研究热点 ［27］ 。影像组 综上所述，基于 T1WI+C 的支持向量机算法构
学是以影像特征为基础的一种辅助临床决策的新 建的胶质瘤细胞增殖活性预测模型，可能是术前预
兴研究策略 。目前广泛应用于肿瘤良恶性鉴别、术 测细胞增殖活性程度的一种新途径，有望为患者个
［28］
前肿瘤分期预测、基因突变及生存预后等领域 ［29-30］ 。 性化治疗提供参考依据。
相比于传统医学影像资料分析，基于人工智能下的
［参考文献］
图像分析具有更大能力，运用于影像组学中也具有
［1］ BRAUNSTEIN S，RALEIGH D，BINDRA R，et al. Pediat⁃
更大潜能 ［31］ 。大数据背景下医学影像与人工智能
ric high ⁃ grade glioma：current molecular landscape and
的多学科交叉，可能为未来精准医疗的发展带来新
therapeutic approaches［J］. J Neurooncol，2017，134（3）：
的契机 。
［32］
541-549
本研究通过算法提取高通量特征，深入挖掘影 ［2］ 万俊呈，陈 洁.高级别脑胶质瘤患者复发因素及相关
像图像中潜在的临床价值，同时选择对高维度数据 参数研究［J］.系统医学，2021，6（21）：174-177
分析算法 Lasso 回归模型进行最终特征提取，同时 ［3］ PENG W，CHEN S，KONG D，et al. Grade classification
为避免特征出现过拟合现象，利用交叉验证选择最 of human glioma using a convolutional neural network
优参数，最后共筛选出 6 项最有价值影像特征。基 based on mid⁃infrared spectroscopy mapping［J］. J Bio⁃
于术前影像组学筛选的最优特征与 SVM 机器学习 photonics，2022，15（4）：e202100313
模型作为分类器，对胶质瘤细胞增殖活性进行预 ［4］ MALTA T，DE SOUZA C，SABEDOT T，et al. Glioma
CpG island methylator phenotype（G ⁃ CIMP）：biological
测，该研究采用ROC曲线的AUC值等对模型训练集
and clinical implications［J］. Neuro Oncol，2018，20（5）：
和测试集进行评估，同时采用校准曲线的布尔里得
608-620
分评估模型对胶质瘤 Ki67 指数分类的实际偏倚。
［5］ RUFF M，KIZILBASH S，BUCKNER J. Further under⁃
AUC 越接近 1，表明分类效能越好 ［33-34］ 。本研究构 standing of glioma mechanisms of pathogenesis：implica⁃
建的模型在训练集、测试集 AUC 分别为 0.82、0.91， tions for therapeutic development［J］. Expert Rev Anti⁃
表明预测模型具有较好的区分能力；同时校准曲线 cancer Ther，2020，20（5）：355-363
与理想曲线偏差小，吻合度较好（布尔里得分为 ［6］ THERESIA E，MALUEKA R，PRANACIPTA S，et al. As⁃
0.175），表明该模型具有较好的预测效能，有望成为 sociation between Ki⁃67 labeling index and histopatholog⁃
术前预测胶质瘤细胞增殖活性的辅助方法。 ical grading of glioma in indonesian population［J］. Asian
Pac J Cancer Prev，2020，21（4）：1063-1068
本研究影像特征提取通过 ROI 勾画获得，ROI
［7］ KLÖPPEL G，LA ROSA S. Correction to：Ki67 labeling in⁃
勾画方式很多，有手动勾画、半自动勾画、自动化勾
dex：assessment and prognostic role in gastroenteropancre⁃
画等。大多认为计算机自动算法勾画 ROI 省时省 atic neuroendocrine neoplasms［J］. Virchows Arch，2018，
力，同时避免源于主观因素影响。也有学者认为影 472（3）：515
像科专业医师基于专业背景更有助于绘制准确的 ［8］ QU D，XU H，HAN X，et al. Expression of cyclinD1 and
