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