简介:摘要目的基于肺癌患者胸部定位CT图像进行筛选与放射性肺炎发生相关的放射组学特征,构建机器学习模型,探讨放射组学在预测放射性肺炎发生中的价值。方法回顾性分析行根治性调强放疗的Ⅲ期非小细胞肺癌患者86例,通过随访影像学资料及临床信息将其进行放射性肺炎分级,并收集其定位CT图像。将全肺作为感兴趣体积进行放射组学特征的提取,分析与发生放射性肺炎有关的放射组学特征及临床、剂量学特征。利用支持向量机进行模型构建,通过五折验证方式检测模型预测性能。结果提取出放射组学特征1029个,通过方差分析及LASSO方法共得到与发生放射性肺炎有关的放射组学特征5个。单纯利用放射组学特征构建模型的测试集曲线下面积(AUC)=0.67,利用放射组学特征结合临床、剂量参数构建模型的测试集AUC=0.71。结论在通过利用Ⅲ期非小细胞肺癌患者的定位CT图像进行构建的放射组学模型有预测放射性肺炎发生的潜能,加入临床及剂量参数后可进一步提高预测效能。
简介:摘要目的分析探讨肺癌和食管癌易患放射性肺炎(RP)患者的放射组学共同特征,建立能够同时预测两种肿瘤放疗后发生RP的预测模型。方法回顾性分析行根治性放疗的Ⅲ期肺癌和Ⅲ期食管癌各100例,依据随访影像学资料及临床信息进行RP分级,并收集其定位CT图像,将全肺作为感兴趣区域进行放射组学特征的提取,分析与RP相关的放射组学特征及临床、剂量学特征,利用机器学习进行模型构建。结果提取出放射组学特征1691个,肺癌和食管癌患者经过方差分析、最小绝对值收敛和选择算子降维后与RP相关的放射组学特征分别为8个和6个,其中相同的参数为5个。使用随机森林构建预测模型,将肺癌和食管癌分别交替作为训练集和验证集,食管癌和肺癌作为独立验证集曲线下面积分别为0.662和0.645。结论构建肺癌和食管癌患者发生RP的共同预测模型是可行的,但还需进一步扩充样本量,并且纳入临床和剂量学参数增加其准确度、稳定性和泛化能力。
简介:摘要目的探讨剂量组学在预测肺癌根治性放疗患者放射性肺炎发生中的应用潜能。方法回顾性收集行根治性放疗的314例肺癌患者的临床资料、放疗剂量文件、定位及随访CT图像,根据临床资料及影像学随访资料对放射性肺炎进行分级,提取全肺的剂量组学特征,构建机器学习模型。应用1000次自助抽样法(bootstrap)的最小绝对值收敛和选择算子嵌套逻辑回归(LASSO-LR)及1000次bootstrap的赤池信息量准则(AIC)向后法筛选与放射性肺炎相关的剂量组学特征,随机按照7∶3划分为训练集及验证集,应用逻辑回归建立预测模型,并应用ROC曲线及校正曲线评价模型的性能。结果共提取120个剂量组学特征,经LASSO-LR降维筛选得到12个特征进入“特征池”,再经过AIC向后法筛选,最终筛选出6个剂量组学特征进行模型构建,训练集AUC为0.77(95%CI为0.65~0.87),独立验证集AUC为0.72(95%CI为0.64~0.81)。结论利用剂量组学建立的预测模型具有预测放射性肺炎发生的潜力,但仍需继续纳入多中心数据及前瞻性数据进一步挖掘剂量组学的应用潜能。
简介:摘要目的评价基于多参数磁共振成像(multiparameter magnetic resonance imaging,MP-MRI)的放射组学特征对上皮性卵巢癌腹膜转移的预测价值。材料与方法回顾性收集86例上皮性卵巢癌患者纳入研究,所有患者均行轴位脂肪抑制T2加权成像(fat suppression-T2 weighted imaging,FS-T2WI)、扩散加权成像(diffusion-weighted imaging,DWI)和动态增强(dynamic contrast enhanced,DCE)-T1WI扫描,从每个患者术前FS-T2WI、DWI和DCE-T1WI图像中提取定量成像特征,建立放射组学模型、临床模型;结合放射组学特征及临床病理危险因素,构建放射组学诺模图,通过受试者工作特性曲线、AUC、校准曲线和临床实用性来评估该放射组学诺模图的预测性能。结果来自MP-MRI组合序列的放射组学模型比单独来自FS-T2WI、DWI和DCE-T1WI的模型具有更高的AUC (0.865 vs. 0.749、0.765、0.736)。诺模图(0.953)显示出比临床模型(0.819)和组学模型(0.865)更好的诊断效果。结论基于MP-MRI组合序列的放射组学诺模图对腹膜转移显示出良好的预测准确性,可用于术前识别上皮性卵巢癌患者的腹膜转移。
简介:摘要目的基于肺癌患者放疗前的CT影像组学特征,综合临床信息与放疗剂量学特征,利用机器学习方法构建症状性放射性肺炎的预测模型。方法回顾性收集2018年11月至2020年4月在江南大学附属医院接受放疗的103例肺癌患者的临床与剂量学资料。获取这些患者放疗前胸部CT影像,勾画双侧正常肺组织结构,提取250种影像组学特征。用单因素分析研究临床、剂量学特征与放射性肺炎发生的相关性。收集所有影像组学特征、临床和剂量学特征作为潜在预测因子,通过LASSO回归机器学习方法筛选特征,并得到肺炎预测模型。然后根据筛选的特征建立放射性肺炎发生风险的列线图。结果单因素分析结果表明,症状性放射性肺炎与双侧正常肺组织的平均肺剂量(MLD)、V20 Gy和V30 Gy的相关性具有统计学意义(t=2.20、2.34、2.93,P<0.05)。在综合所有影像组学特征、临床和放疗剂量学特征后,本研究共筛选出4个特征,为肺的剂量体积百分数V30 Gy,和3个影像组学特征,包括灰度共生矩阵类别的熵特征、小波变换直方图类别的均值及中位数特征。基于这些特征所构建的肺炎预测模型的曲线下面积(AUC)为0.757。绘制了可根据特征值给予个体化的风险预测与提前干预的列线图。结论放疗前的CT影像组学结合剂量学特征可用于预测症状性肺炎的发生,可望为临床提前干预提供帮助。
简介:【摘要】目的:探讨肺癌放疗患者症状性放射性肺炎预测的CT影像学研究。方法:运用抽样调查法,抽选我院2019年10月到2021年10月期间收治的肺癌放疗后出现症状性放射性肺炎患者作为研究对象,抽样数量为100,对所有患者实施CT影像学检查,并将其研究结果与临床病理学检查结果进行对比,分析CT影像学检查对肺癌放疗患者症状性放射性肺炎的预测效果。结果:经过检查诊断,共有98例患者被检测为症状性放射性肺炎,占比为98.00%,与临床病理学检查结果相比存在较小的差异,无统计学意义(P>0.05);剩余2例患者被漏诊,漏诊率为2.00%,对比可知,CT检查与病理学检查的漏诊率接近,无统计学意义(P>0.05)。CT检查的特异性为98.22%,灵敏度为89.24%。结论:CT影像学检查可对肺癌患者放疗后的症状性放射性肺炎进行有效预测,有助于临床治疗中及早对患者进行防治。
简介:中药对众多疾病的独特疗效已为人们广泛认可,但是由于历史的局部性,其理论基础很难得到现代社会特别是国际社会公认,因此中药现代化势在必行,如何应用现代科学技术,给传统中药理论以现代科学理论解释是中药现代化的关键。本文基于现代基础组学特别是功能基因组学,现代分析化学及一些生物高技术手段的研究进展及发展趋势,从一个新的视角提出了开展“中药基因组学(TCMGenomics)”与“中药化学组学(TCMChemics)”研究的策略,这一研究体系的核心是将中药的作用机理或功能用其对能代表其功能的一组基因表达的影响来诠释;将中药作用的物质基础用能代表其功能的一组化学成分诠释,本文试图从上述观点出发探讨建立现代中药理论体系和现代中药学的可能性。
简介:摘要目的利用放射组学特征构建不同的机器学习分类模型,预测盆腔肿瘤调强放疗剂量验证的γ通过率,并探讨最佳预测模型。方法回顾性分析196例盆腔肿瘤调强放疗计划,采用基于模体测量方式的三维剂量验证结果,γ通过率标准为3%/2 mm、10%剂量阈值。提取基于剂量文件的放射组学特征构建预测模型。分别采用随机森林、支持向量机、自适应增强和梯度提升决策树4种机器学习算法,计算曲线下面积(AUC)值、敏感度和特异度,评估4种预测模型的分类性能。结果随机森林、支持向量机、自适应增强、梯度提升决策树模型的灵敏度和特异度分别为0.93、0.85,0.93、0.96,0.38、0.69,0.46、0.46。随机森林模型和自适应增强模型的AUC值分别为0.81和0.82,支持向量机和梯度提升决策树模型的AUC值为0.87。结论针对盆腔肿瘤调强放疗计划,可以采用基于放射组学特征的机器学习方法来构建γ通过率的预测模型。支持向量机模型和梯度提升决策树模型的分类性能要优于随机森林模型、自适应增强模型。
简介:摘要为了提高肿瘤治疗效果并最大程度降低其毒性,研究人员针对多种类型肿瘤正在研究如何根据患者个体情况化进行适应性治疗。随着现代辐照技术(如调强放疗)的引入,结合功能显像技术能够更精准地描绘治疗靶区的性能,为治疗适应创造了多种机会。根据功能性CT、MRI和PET显像结果,在治疗过程中随时调整放疗靶区,或明确原发肿瘤内部的亚区以优化放疗剂量策略。此外,借助解剖或功能显像还能够预测正常组织发生并发症的概率,如使用CT或PET显像来预测放射性肺炎。PET显像除了聚焦、监测实体肿瘤以辅助放疗,并调整治疗策略外,还能够验证质子束疗法的疗效。本文主要讨论放射肿瘤学中基于影像学的治疗适应的现状及其所面临的挑战。