影像组学及深度学习联合血液炎性指标预测胶质瘤预后的价值OA北大核心CSTPCD

目的 探讨基于影像组学和深度学习特征评分(radiomics-deep learning score, RD-score)联合血液炎性指标构建的列线图在术前预测胶质瘤预后的价值。材料与方法 回顾性分析166例临床确诊胶质瘤的患者病例,按8∶2随机分为训练集(133例)和验证集(33例)。收集患者的临床、血液炎性指标资料,构建组合变量系统性炎症指数(systemic immune inflammation index, SII)、全身炎症反应指数(system inflammation response index, SIRI)、衍生中性粒细胞与淋巴细胞比值(derived neutrophil-to-lymphocyte ratio, dNLR)、中性粒细胞与淋巴细胞比值(neutrophil-to-lymphocyte ratio, NLR)、单核细胞与淋巴细胞比值(monocyte-to-lymphocyte ratio, MLR)、血小板与淋巴细胞比值(platelet-to-lymphocyte ratio, PLR)并计算其截断值。勾画胶质瘤感兴趣体积(volume of interest, VOI)并提取影像组学及深度学习特征,利用最小绝对值收敛和选择算子(least absolute shrinkage and selection operator, LASSO)-Cox进行特征筛选,构建基于影像组学特征评分(radiomics-score,Rad-score)、基于深度学习特征评分(deep learning-score, DL-score)以及RD-score模型,并比较三者的受试者工作特征曲线下面积(area under the curve, AUC)以评估其预测效能;基于RD-score对胶质瘤患者进行危险分层,并通过Kaplan-Meier生存分析绘制生存曲线。结合患者的临床因素、血液炎性指标和RD-score,使用多因素Cox回归构建术前预测总生存期(overall survival, OS)的RD-score模型、临床血液学模型和联合模型,计算AUC以评估各模型预测胶质瘤1、3、5年生存率的效能。绘制联合模型列线图,采用C指数(C-index)、校准曲线及决策曲线分析(decision curve analysis, DCA)评估列线图效能。结果 最终筛选出10个组学特征和8个深度学习特征用以构建RD-score。RD-score的预测效能高于Rad-score及DL-score(DeLong检验,P<0.05),根据RD-score可将胶质瘤分为高风险组(RD-score≥1.09)和低风险组(RD-score<1.09)。多因素Cox回归结果显示年龄、肿瘤分级、术后化疗、SIRI和RD-score是胶质瘤预后的独立预测因素,基于以上因素构建的联合模型在训练集和验证集中的AUC高于RD-score模型及临床血液学模型(DeLong检验,P<0.05)。联合模型的可视化列线图预测OS的C-index分别为0.844和0.849;校准曲线提示在观察值和预测值之间有良好的一致性,DCA显示列线图有较高的净收益。结论 基于影像组学和深度学习的RD-score联合临床-血液炎性指标构建的列线图可以在术前有效预测胶质瘤患者的预后。