Page 70 - 南京医科大学自然版
P. 70

第45卷第2期
               ·210 ·                            南 京    医 科 大 学 学         报                        2025年2月


             （MAGNETOM Verio，西门子公司，德国；uMR 770，                  类并达成共识       ［23］ 。为了选择最佳聚类数，根据聚类
              上海联合影像医疗）。MAGNETOM Vero 参数为轴                      预测指数（cluster prediction index）和差距统计量
              向T2WI：重复时间/回波时间 4 520 ms/125 ms，分辨               （gap⁃statistics）计算k值从2到8的结果，基于最优k
              率1.0 mm × 0.8 mm × 4.0 mm，视野250 mm × 250 mm；      值，采用 10 种多组学聚类算法进行聚类，具体操作
              轴向T1对比增强成像（CE⁃T1WI）：重复时间/回波时                      为：每一种算法都获取 1 个 N × N 的矩阵，其中 N 为
              间 650 ms/9.3 ms，分辨率1.0 mm × 0.7 mm × 4.0 mm，      肿瘤数目，矩阵的每个元素值取决于 2 个肿瘤是否
              视野 250 mm × 250 mm；弥散加权成像（DWI，b 值为                分到一组，若为一组则值为 1，反之为 0，将 10 种算
              0、50、100、150、200、500、1 000、2 000 s/mm ）：重复时       法的矩阵相加，得到合并矩阵（图1）。
                                                   2
              间/回波时间 6 800 ms/98 ms，分辨率1.8 mm×1.5 mm
              ×5.0 mm，视野260 mm×260 mm。uMR 770参数为轴
              向 T2WI：重复时间/回波时间 5 937 ms/102 ms，分辨                                                Subtype
              率0.86 mm×0.69 mm×4.0 mm，视野220 mm×220 mm；
              轴向CE⁃T1WI：重复时间/回波时间1 015 ms/9.76 ms，

              分辨率 1.01 mm×0.81 mm×4.00 mm，视野 220 mm×
                                                                                                      Subtype
              220 mm；DWI（b值为0和1 000 s/mm ）：重复时间/回                                                      CS1
                                              2
                                                                                                       CS2
              波时间 6 152 ms/82.7 ms，分辨率 2.60 mm×2.34 mm                                                Matrix
              ×5.00 mm，视野300 mm×260 mm。表观弥散系数图                                                         1 0.8
                                                                                                       0.6
             （ADC）由DWI自动计算生成。                                                                          0.4
                                                                                                       0.2
                  使用 ITK⁃SNAP（v.4.0.1；www.itksnap.org）在轴                                               0
              向 T2WI、轴向 CE⁃T1WI、DWI（b 值为 1 000 s/mm ）
                                                           2
              和 ADC 图上对肿瘤及淋巴结进行三维分割，由 1 位                       图1   基于10种多组学聚类算法以k值为2的影像组学特征
              2年盆腔磁共振诊断经验的放射科医师逐层手动勾                                 的一致性聚类
              画肿瘤及盆腔淋巴结的感兴趣区域，由1位10年盆                           Figure 1  Consensus clustering of radiomics features at a
                                                                         k⁃value of 2 based on ten multiomics clustering
              腔磁共振诊断经验的放射科医师对所有分割结果
                                                                         methods
              进行确认。两位医师都对患者的临床和组织病理
              学结果不知情。                                                基于该合并矩阵，采用分层聚类算法（hierarchi⁃
              1.2.2 影像组学特征提取                                    cal clustering，HC）进行聚类并分组。图 2 展示了两
                  使用 Python（v.3.7；https：//www.python.org）软件     组之间每个序列的肿瘤影像组学特征的分布情况。
              的   PyRadiomics  包 （1.3.0； https：//pyradiomics.   1.3  统计学方法
              readthedocs.io/en/latest/）提 取 磁 共 振 影 像 组 学 特          使用SPSS27.0.1和R4.2.2进行统计分析。正态
              征。在特征提取前首先对图像进行归一化处理，以                            分布数据采用均数±标准差（x ± s）表示，非正态分布
              消除不同范围的灰度值的影响                 ［13］ ，然后分别从         数据采用中位数（四分位数）［M（P25，P75）］表示。使
              T2WI、DWI、ADC 和 CE⁃T1WI 分割的肿瘤及盆腔淋                  用Kruskal⁃Wallis检验比较连续变量（年龄和肿瘤大
              巴结中提取影像组学特征，包括一阶特征（基于图                            小），使用 Pearson 卡方检验或 Fisher 精确检验比较
              像梯度直方图特征）、二阶特征（灰度共生矩阵、灰                           分类变量（组织学类型、肿瘤分化程度、淋巴结转移、
              度行程矩阵和灰度区域大小矩阵）、大小相关特征                            淋巴血管间隙侵犯、宫颈间质浸润深度和宫旁浸
              和形状相关特征。                                          润）。双侧检验，P < 0.05为差异有统计学意义。
              1.2.3 特征选择和一致性聚类
                                                                2  结 果
                  从T2WI、DWI、ADC、CE⁃T1WI序列中分别提取
              1 409 个定量特征。使用 UMAP（uniform manifold              2.1  患者特征
              approximation）算法对特征降维，每个序列最终保留                         共纳入164例患者，年龄为（48.12±9.81）岁。大
              10 个特征。MOVICS（R 软件，v4.2.2，MOVICS 包）是              多数患者处于术后 FIGO ⅠB 期（n=86，52.4%），其
              一个集成分析管道，为10种多组学聚类算法提供统                           次 是 Ⅲ Cp 期（n=39，23.8% ）和 Ⅱ A 期（n=38，
              一接口，基于影像组学特征对肿瘤及淋巴结进行聚                            23.2%）。只有1例患者为ⅡB期（0.6%）。39例患者
   65   66   67   68   69   70   71   72   73   74   75