Page 60 - 南京医科大学学报自然科学版
P. 60

第44卷第1期
               · 54  ·                           南 京    医 科 大 学 学         报                        2024年1月


              特征，并计算预测的 P 值，P < 0.05 的特征被保留。
                                                                2 结     果
              接着，多变量逻辑回归与最小决策收缩和选择算
              子（least absolute shrinkage and selection operator，  2.1  患者特征
              LASSO）进行多变量特征的选择。LASSO 涉及一个                            共纳入 186 例患者，平均年龄（45.88±8.36）岁，
              参数λ，以使 C⁃指数最大并控制所选最优特征的数                          中位随访时间 57.5 个月。临床病理特征在训练集
              量。影像组学评分（Rad⁃score）由所选组学特征的                       和验证集间无统计学差异（年龄，P=0.75；肿瘤长径、
              指数组合来计算。在训练集中，多元比例风险模型                            宽径、纵径，P=0.88、0.65、0.53；化放疗，P=0.75；组织
              也被用来预测影像组学评分。用 C⁃指数来评估影                           学类型，P=0.33；锥切，P=0.78；手术方法，P=0.10；组
              像组学评分的预测价值。C⁃指数表示模型预测的                            织学等级，P=0.85；淋巴结转移，P=0.25；淋巴血管间
              DFS 和实际 DFS 间的一致性（< 0.5 表示预测值较                    隙侵犯，P=1.00；宫颈间质浸润深度，P=0.06；宫旁浸
              差，> 0.7表示预测值较好）。                                  润，P=0.79）。
              1.2.3  影像组学、临床病理模型及联合模型的建立                        2.2  组学模型预测DFS的效能

                  分别计算T1CE、DWI、T2WI、T1CE+DWI、T1CE+                   对于T1CE，共筛选了8个组学特征。在训练集
              T2WI、DWI+T2WI 和 T1CE+DWI+T2WI 的影像组学               中，放射学评分的危险比（hazard ratio，HR）为 3.71
              评分，并进一步比较各序列及组合的 C⁃指数。不                           （95%CI：2.31~5.97），训练集中预测效能的C⁃指数为
              同序列中影像组学评分的效能在验证集中进一步                             0.798，验证集为0.758，在训练集和验证集中具有最
              验证。                                               优的预测效能。
                  临床病理特征包括年龄、术后化疗、肿瘤大小、                              对于 DWI，共筛选了 2 个组学特征。在训练
              组织学类型、锥切史、手术方式（微创与否）、组织学                          集 中 ，放 射 学 评 分 的 HR 为 4 793.88（95% CI：
              分级、淋巴结转移、淋巴血管间隙侵犯、宫颈间质浸                           32.11~7 156.09），训练集中预测效能的 C⁃指数为
              润深度和宫旁浸润。这些参数首先在训练集和验                             0.740，验证集为0.525。
              证集之间进行比较，然后利用单变量比例风险模型                                 对于T2WI，共筛选了6个组学特征。在训练集中，
              在训练集中筛选有意义的预后因素（P < 0.05）。将                       放射学评分的 HR 为 5.20（95%CI：2.23~12.12）。训
              有意义的变量纳入多变量风险预测模型中，建立预                            练集中预测效能的C⁃指数为0.782；验证集为0.493。
              测 DFS 的临床病理模型。进一步在验证集中计算                               对于 T1CE+DWI，共筛选了 5 个组学特征。在
              模型的效能。                                            训练集中，放射学评分的 HR 为 6.40（95%CI：3.13~
                  将筛选出的有意义的临床病理特征分别联合                           13.10）。训练集中预测效能的C⁃指数为0.759；验证
              不同序列的影像组学评分，构建联合的多变量风险                            集为0.699。
              预测模型，通过C⁃指数比较预测效能。进一步在验                                对于 T1CE+T2WI，共筛选了 10 个组学特征。
              证集中计算联合模型的效能。                                     在训练集中，放射学评分的 HR 为 4.37（95%CI：
              1.2.4  临床应用                                       2.59~7.37）。训练集中预测效能的 C⁃指数为 0.822；
                  列线图是一种易于使用的临床诊断工具，将有                          验证集为0.667。
              意义的参数通过风险量表的形式呈现                   ［15］ 。本文绘           对于DWI+T2WI，共筛选了13个组学特征。在
              制了具有最大诊断效能模型的列线图。                                 训练集中，放射学评分的HR为15.41（95%CI：6.47~
              1.3  统计学方法                                        36.69）。训练集中预测效能的C⁃指数为0.903；验证

                  使用 R4.2.1（https：//www.r⁃project.org）、MedCalc  集为0.578。
             （15.0版）和SPSS 18.0进行统计分析。用独立样本t                          对于 T1CE+DWI+T2WI，共筛选了 4 个组学特
              检验比较连续变量（年龄、肿瘤大小和影像组学评                            征。在训练集中，放射学评分的HR为6.47（95%CI：
              分），用卡方检验比较训练集和验证集间分类变量                            3.16~13.24）。 训 练 集 中 预 测 效 能 的 C ⁃ 指 数 为
             （放化疗、组织学类型、锥切史、手术方式、组织学等                           0.762；验证集为0.695。
              级、淋巴结转移、淋巴血管间隙侵犯、宫颈间质浸润                           2.3  临床病理特征模型预测DFS的效能
              深度和宫旁浸润）。使用“生存”软件包建立比例风                                通过单因素和多因素分析筛选出3个有意义的
              险预测模型。使用“Surminer”软件包构建生存曲线                       临床病理特征（组织学类型、淋巴结转移和宫旁浸
              并计算。P < 0.05为差异有统计学意义。                            润）并构建预测模型。在训练集中，肿瘤的病理组
   55   56   57   58   59   60   61   62   63   64   65