European Radiology：CT放射组学模型在区分I型和II型上皮性卵巢癌中的应用

卵巢癌（OCs）由一组具有高度异质性的疾病组成，在病因学、分子生物学和预后方面存在差异，其中90%的OCs为上皮性卵巢癌（EOCs）。根据发病机制，EOCs被分为I型和II型。I型肿瘤包括低度浆液性癌（LGSC）、粘液性癌、子宫内膜癌、透明细胞癌和恶性Brenner瘤，它们来源于成熟的前体病变，生长速度缓慢。I型肿瘤的侵略性较小，预后较好。II型肿瘤包括高级别浆液性癌（HGSC）、癌肉瘤和未分化癌，它们来源于输卵管和/或卵巢表面上皮，生长速度快。II型肿瘤具有高侵袭性、预后差、复发风险高。基于对肿瘤微环境在分子和基因水平上的理解，量身定制的个性化管理得到了更多的关注。因此，术前无创区分I型和II型EOCs对于临床治疗非常重要。

最近，放射组学分析，即从医学图像中提取的定量图像特征已被用于提高诊断性能、预测预后，并帮助临床决策。一些研究表明，放射组学分析可用于区分良性和恶性肿瘤、预测肿瘤的风险等级以及评估淋巴结转移和肿瘤复发的风险。以前的一些研究表明，基于磁共振成像（MRI）的放射组学可区分I型和II型EOCs，并具有很好的诊断性能。

计算机断层扫描（CT）为术前分期的首选影像工具，也是OC诊断工作和随访的第一步。到目前为止，只有一项研究利用CT纹理分析对HGSC和非HGSC进行分类。然而，该研究采用的是二维分割和随机森林（RF）分类器。据我们所知，三维分割通常可以提供更多有用的信息，而且应该研究和选择不同的机器分类器。

近日，发表在European Radiology杂志的一项研究利用基于CT的放射组学进行I型和II型EOCs的术前区分，使用不同的机器学习分类器来选择最佳的放射组学特征，并开发和验证了一个结合了放射组学特征以及临床和放射学特征的预测性联合模型。

总共有470名EOCs患者被回顾性地纳入研究。患者被分为训练数据集（N = 329）和测试数据集（N = 141）。从每个病人的增强CT图像的门静脉期共提取了1316个放射组学特征，然后对这些特征进行降维。训练了支持向量机（SVM）、k-近邻（KNN）、随机森林（RF）、天真贝叶斯（NB）、逻辑回归（LR）和eXtreme Gradient Boosting（XGBoost）分类器以获得放射组学特征。通过接收者操作特征曲线下的面积（AUC）和相对标准偏差（RSD）来评估和比较每个放射组学特征的性能。挑选出最佳的放射组学特征，并与临床和放射学特征相结合，建立一个综合模型，并评估了联合模型的诊断价值。 

基于LR的放射组学特征在测试数据集中表现良好，AUC为0.879，准确性为0.773。联合模型在训练和测试数据集中表现最好，AUC为0.900和0.934，准确率为0.848和0.823。 

图 a 综合模型中的视觉列线图，以及临床、放射和综合模型的DCA。 b 临床、放射和综合模型的DCA。Y轴代表净收益。红线代表临床模型，蓝线代表放射学模型，黄线代表综合模型。RAD评分，放射组学评分；HE4，人类附睾蛋白4；DCA，决策曲线分析

本项研究表明，研究所提出的组合模型在术前区分I型和II型EOCs方面表现出良好的诊断性能。此外，基于联合模型的视觉列线图是对EOCs患者进行风险分层、个体化治疗和强化随访的有用工具。

原文出处：

Jiaojiao Li,Xubin Li,Juanwei Ma,et al.Computed tomography-based radiomics machine learning classifiers to differentiate type I and type II epithelial ovarian cancers.DOI:10.1007/s00330-022-09318-w