Page 105 - 南京医科大学学报自然科学版

第43卷第9期 林 洁，苏春秋，唐文天，等. 基于T1WI增强影像组学在鉴别高级别胶质瘤复发与假性进展中
2023年9月 的应用价值［J］. 南京医科大学学报（自然科学版），2023，43（9）：1279-1284 ·1283 ·

年龄更轻，进一步将年龄纳入模型后与单纯影像组
100
学模型进行DeLong检验比较，结果显示差异无统计
80
学意义（训练集、测试集 P 值分别为 0.658、0.480）。
（ % ） 60 除此之外，两组常规影像特征差异无统计学意义（P

灵敏度 40 均>0.05），与 Agarwal 等 的研究结果相符。此外，
［11］
［12-13］
研究表明颞肌厚度与胶质瘤预后相关
，本研究
结果表明颞肌厚度在假性进展与复发间的差异无
20
训练组（AUC=0.929） 统计学意义，有待更多研究进一步验证。
验证组（AUC=0.853）
0 既往研究多使用功能 MR 鉴别假性进展与复
0 20 40 60 80 100 发 ［3，14］ ，虽然这些研究取得了良好的结果，但功能
100-特异度（%）
训练组AUC为0.929，验证组AUC为0.853。 MR 不在常规扫描方案中，且扫描失败率及诊断不
图3 训练组及验证组鉴别复发与假性进展的ROC曲线 确定性仍然存在。T1WI增强作为常规扫描方案，可

A B
1.2
1.0
1.0
实际概率 0.8 实际概率 0.8
0.6
0.6
0.4
0.4
0.2 偏差校正 0.2 偏差校正
理想状态 理想状态
0
0
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8
预测概率 预测概率
A：训练组的校准曲线；B：验证组的校准曲线。
图4 校准曲线

以反映肿瘤血脑屏障的破坏程度。此外，影像组学 72.78%、78.36%和 61.33%，本研究提取了更丰富的
作为一种新兴研究方法，可以高通量地提取肉眼无 影像组学特征，并将其降维为 PCA 特征，通过 LAS⁃
法观察到的特征，进行客观定量的分析，受到了越 SO 进行筛选，构建 SVM 模型，获得了更高的效能，
来越多研究的关注 ［15］ 。本研究提取了丰富的影像 验证组AUC值为0.853，准确性为0.813，较以往研究
组学特征，并通过PCA降维及LASSO筛选以获得最 有所提升。
佳特征，从而构建SVM模型。 PCA通过正交变换将 本研究存在以下局限性：①样本量较小，因此
可能存在相关性的高维特征转换为线性独立的特 可能存在过拟合的风险，为了解决此问题，本研究
征，相比原始的大量特征，PCA 可以缓解维度灾难， 通过对原始图像中提取的特征进行多种高阶变换
消除众多特征之间的互相影响，实现降低噪声且不 以获得较多的特征并进行 5 次交叉验证，以尽量避
受数据集以外因素干扰的优点。目前已有研究将 免过拟合；②手动勾画VOI可能存在差异，但本研究
PCA 特征用于预测胶质瘤 MGMT 基因状态，并获得 VOI 包含整个肿瘤的实质区可以减小由于单一层面
了较好的结果 ［16］ 。LASSO 通过构建一个惩罚函数， 选择带来的误差，能够更加全面地反映肿瘤内部
将简单线性回归L1正则化，可以将不重要的特征系 的异质性特征；③本研究的临床资料中未纳入
数收缩到0，而非0系数的特征视为最终特征保留下 HGG 的分子标志物，需要在今后的研究中进一步
来，从而实现了特征选择，目前已广泛应用于胶质 纳入分子标志物评估；④本研究是回顾性研究，且
瘤的鉴别诊断、基因状态预测中 ［17-18］ 。既往研究多 仅对本中心的胶质瘤数据进行了研究，可能存在
为单独应用PCA或LASSO分别筛选特征建模 ［19］ ，本 局限性，下一步将联合其他研究中心开展更广泛、
研究创新性地将二者结合，有利于更好地筛选最优 更深入的研究。
特征。孙颖志等 ［20］ 通过T1WI增强建立机器学习模 综上所述，基于 T1WI 增强影像组学可以鉴别
型鉴别胶质母细胞瘤的假性进展与复发，模型验证 HGG 术后的假性进展与复发，有助于临床及时干
组的AUC 值、准确性、灵敏度和特异度分别为0.79、 预，为临床决策提供支持。