基于放射组学的胃肠间质瘤恶性潜能分类模型的构建方法与流程

本发明属于肿瘤学、影像学、计算机辅助医学领域，涉及一种基于放射组学的胃肠道间质瘤(gastrointestinalstromaltumors,gist)恶性潜能分类模型的构建方法。

背景技术：

胃肠道间质瘤(gastrointestinalstromaltumors,gist)是一类起源于胃肠道间质组织的肿瘤，占消化道间叶肿瘤的大部分。免疫组化检测通常表达cd117，显示卡哈尔细胞(cajalcell)分化，大多数病例具有c-kit或pdgfra活化突变。近年来，gist在中国的发病率呈急速上升的趋势。根治gist的唯一方法是手术切除，但gist高危患者术后复发转移率可高达55％～90％。而对具有高度复发潜能的肿瘤进行小分子靶向药物——伊马替尼的辅助治疗，便可显著降低肿瘤的复发与转移机率。因此，临床上大多数gist患者都在术后接受了伊马替尼的辅助治疗。然而，是否有患者其实仅通过手术就已经被治愈？又是否有gist高危患者因为选择不进行伊马替尼治疗而错失良机，导致死亡？面对上述问题，如何准确鉴别和区分不同恶性潜能的gist成为临床诊治的关键所在。

目前临床上，gist的分类方法主要包括两种：改良nih以及afip。改良nih与afip均引入了肿瘤最大径、核分裂象计数和肿瘤部位三个参数，其中改良nih还引入了肿瘤破裂这个参数。但是，由于afip不如nih直观，因此，一定程度上限制了其广泛应用。

然而，并非所有gist的生物学行为和临床转归都可以用前述的这些分类方法来解释，比如一部分很小的gist可以迅速进展并发展为肝脏转移；也不乏一部分大的gist患者即使不接受术后辅助治疗依然长期保持无病生存。同时，与普通型gist不同的是，核分裂象不能评估sdh缺陷型gist的危险度。sdh缺陷型gist患者核分裂象少的可发生肝转移，核分裂象多的却可不转移，而且发生转移的间歇期较长，需要长期随访。许多发生转移的普通型gist患者通常在1～2年内死亡，而sdh缺陷型gist患者经tki抑制剂治疗后常可存活5年或以上。综上所述，现有的gist分类方法虽能为临床医师的诊治提供一些线索与方向，但仍有较大的提升和改进的空间。

技术实现要素：

本发明的目的在于提供一种基于放射组学的胃肠道间质瘤(gist)恶性潜能分类模型的方法，它根据gist患者的影像学图像，通过计算机提取出其中的特征参数，再通过计算机函数将具有不同恶性潜能的gist进行分类，从而建立一种基于放射组学的胃肠道间质瘤恶性潜能分类模型，以便帮助临床医生做出更好的临床决策。

本发明所述的基于放射组学的胃肠间质瘤恶性潜能分类模型的构建方法，包括以下步骤：

a.数据采集：腹部增强期薄层ct图像采集；

b.提取放射组学特征：利用itk-snap软件勾画出roi，将肿瘤轮廓逐层勾画出来，然后将二维roi进行三维容积重建以生成voi，使用matlab2014b软件从中提取特征数据，包括纹理特征和非纹理特征；

c.统计学分析：使用统计学方法，评估在主要队列与检验队列中肿瘤大小、核分裂象、基因特征等临床危险因素与放射组学特征之间的单因素关联；

d.特征选择与放射组学特征模型构建：

1)使用lasso算法建立模型：将高维数据进行降维，从原始数据集中筛选最有用的两类特征，分别为global和glszm两类特征，建立所选特征的线性组合的预测函数：

radscore＝0.1335-0.2209×glszm_rlv(r＝0.5,s＝4,a＝equal,n＝64)

-0.0061×global_variance(r＝2/3,s＝4,a＝lloyd,n＝8)；

2)通过所述预测函数对每个患者进行数据分析，包括训练组和验证组，建立dicom数据库，设计分类模型；

e.放射组学特征模型验证与校准：绘制校准曲线以评估所得的特征模型，进行hosmer-lemenshow拟合优度测试，计算相对校准的c-指数，以进行系统校准；其中，训练组的c-指数为0.8161(95％ci，0.7453至0.8988)，测试组的c-指数为0.8079(95％ci，0.7279至0.9042)。

本发明所述的基于放射组学的胃肠间质瘤恶性潜能分类模型的构建方法具有以下有益效果：

(1)放射组学可揭示肿瘤预测性的信号，能够捕获肿瘤内在的异质性；

(2)本发明中模型的建立数据来源于患者术前常规ct图像，避免了传统诊疗方法对患者身体的损伤，属于一种无创的方法，且不会增加患者的额外费用。

(3)本发明基于现代计算机技术，准确、高效且大大减小了失误率；可基于本发明编写可操作的软件，利于临床医生的应用。

(4)本发明通过lasso简化模型，减少其他影响因素对本模型的影响，提高结果与临床特征的关联度。

采用本发明所述方法所构建的基于放射组学的gist分类估模型是另辟蹊径地从gist患者的影像学特征入手，是一种非入侵式的方式。通过从患者的ct图像中高通量地提取并分析大量高级、定量的影像学特征，应用大量的自动化数据特征化算法，将感兴趣区域(roi:regionofinterest)的影像数据转化为具有高分辨率的、可发掘的特征空间数据，从而对具有不同恶性潜能的gsit进行分类，提高临床医师的诊治的效率与效果。

附图说明

图1显示三维容积重建生成voi，其中，a为患者ct的肿瘤边界的分割；b为三维容积重建生成的voi。

图2显示特征提取中lambda值的取值范围，图中绿色的纵行分割线所对应位置为最终优选特征数值。

图3显示预测函数对训练组患者的评分分布；rad-score(radiomicssignaturescore，放射组学预测函数评分)。

图4显示预测函数对测试组患者的评分分布；rad-score(radiomicssignaturescore放射组学预测函数评分)。

图5显示基于放射组学的胃肠间质分类模型使用界面；image为图像输入窗口；auc(areaunderreceiveroperatingcharacteristic受试者工作特征曲线下面积)；radscore为放射组学预测函数评分结果输出。

具体实施方式

1.数据采集：

(1)制定标准，如关于病人的(a)未进行过伊马替尼辅助治疗的gist患者(b)经过完成切除的gist(c)少于术前15天的腹部增强ct。排除其他因素对本实验的影响。

(2)获取未进行过伊马替尼辅助治疗的gist患者的腹部ct图像，分为训练组和预测组。

(3)检验各病例之间关于年龄性别、肿瘤原发部位、组织学分级等潜在影响因素造成的差异是否有统计学意义。

2.提取放射组学特征：

利用itk-snap软件勾画出roi，将肿瘤轮廓逐层勾画出来，然后将二维roi进行三维容积重建以生成voi(如图1所示)，使用matlab2014b软件从中提取特征数据，包括纹理特征和非纹理特征。

注：itk-snap软件是用于对医学图像中三维分割的应用程序软件，能提供使用主动轮廓的方法，以及手动划定和图像导航的半自动分割等功能(http://www.itksnap.org/pmwiki/pmwiki.php)。

非纹理特征：直径、容量、离心率、硬度。

纹理特征：共9690个，类型名称如表1所示。

表1：纹理特征

3.统计学分析：

使用统计学方法，评估在主要队列与检验队列中肿瘤大小、核分裂象、基因特征等临床危险因素与放射组学特征之间的单因素关联。

4.特征选择与放射组学特征模型构建：

1)使用lasso算法(套索算法)建立模型：将高维数据进行降维，从原始数据集中筛选出最有用的两个特征(如图2所示)，分别属于global和glszm两种类型，建立所选特征的线性组合的预测函数：

radscore＝0.1335-0.2209×glszm_rlv(r＝0.5,s＝4,a＝equal,n＝64)

-0.0061×global_variance(r＝2/3,s＝4,a＝lloyd,n＝8)；

2)通过所述预测函数对每个患者进行数据分析，包括训练组和验证组(如图3，4所示)，建立dicom数据库，设计分类模型。

5.放射组学特征模型验证与校准：

绘制校准曲线以评估所得的特征模型，进行hosmer-lemenshow测试(一种拟合优度测试)，计算相对校准的c-指数，以进行系统校准；其中，训练组的c-指数为0.8161(95％ci，0.7453至0.8988)，测试组的c-指数为0.8079(95％ci，0.7279至0.9042)。

此外，选择南方医科大学南方医院两位具有5年腹部ct诊断经验以上的影像科医师a与b分别同时对符合条件的20例随机病例进行诊断阅片，应用统计学知识对两者结果差异进行显著性比较。结果表明，两者无显著性差异。一段时间后，医师a在未被告知情况下，对上述20例随机病例进行诊断阅片，对两次结果进行统计学分析，得出两次结果无显著性差异。

通过以上过程得出函数，并编成临床医生方便使用的软件(如图5所示)，于临床试行使用，并进行前瞻性验证和更多外部验证。该软件是由发明人基于本发明而自行独立开发的软件。

本发明所述方法所构建的基于放射组学的胃肠间质瘤恶性潜能分类模型能准确将具有不同恶性潜能的gist进行分类，属于一种无创技术，且不会增加患者的额外费用，操作简易，便于临床推广使用。