A Clinical Scoring System Predicting the Osteosarcoma Chemotherapy Drug Resistance
-
摘要:
目的 开发能预测骨肉瘤化疗耐药的评分系统，指导医生更好地选择合适的治疗方案。 方法 2014年1月至2017年12月在昆明医科大学第三附属医院119例经病理诊断为骨肉瘤并行新辅助化疗的患者纳入研究，收集其一般情况及血液指标、初诊表现、治疗模式、治疗疗效以及生存时间。 结果 （1）根据RECIST 1.1进行疗效评，119例患者78人评估为稳定（SD组），41评估为进（PD组）；且转移对化疗疗效无明显影响，P > 0.05；（2）两组间进行比较结果发现分期、初诊时间、原发灶大小、化疗周期、化疗药物种类、化疗前淋巴细胞/白细胞比值、化疗前中性粒细胞/淋巴细胞比值、化疗前白蛋白、化疗前谷草转氨酶、化疗前尿酸、化疗后尿素氮、化疗后尿酸、化疗前低密度脂蛋白，差异有统计学意义（P < 0.05），且根据ROC曲线最佳截断值得出：分期≥III期、化疗周期≤2周期、化疗药物种类≤3种、化疗前淋巴细胞/白细胞≤0.32、化疗前中性粒细胞/淋巴细胞≤1.98、化疗前白蛋白≥48 g/L、化疗后尿素氮≥4.22 mmol/L、化疗后尿酸≥305 umol/L、TGF-β总得分≥8.5分是骨肉瘤患者发生化疗耐药的危险因素;（3）患者具有一次危险因素记为1分，0～3分列为1组；4～6分列为2组；7～9分列为3组。将1组，2组，3组三个组疗效进行比较，差异有统计学意义，P < 0.05。 结论 分期、化疗周期、化疗药物数量、化疗前淋巴细胞/白细胞、化疗前中性粒细胞/淋巴细胞、化疗前白蛋白、化疗后尿素氮、化疗后尿酸、TGF-β总得分是骨肉瘤化疗耐药相关临床因素，本研究为尽早评估出化疗耐药的患者的同时评估可能发生化疗耐药的程度提供了充足的理论依据。 Abstract:Objective The purpose of this study was to develop a scoring system to predict chemotherapy resistance of osteosarcoma, which could guide doctors to better choose the appropriate treatment. Methods 119 cases of osteosarcoma with neoadjuvant chemotherapy were diagnosed by pathology at the Third Affiliated Hospital of Kunming Medical University between January 2013 and December 2017 and the covariates including general situation, blood indexes, initial diagnosis, treatment mode, therapeutic effect and survival were analyzed. Results According to RECIST 1.1, 78 of 119 patients were evaluated as stable disease（SD group）and 41 as progressive disease（PD group）; There was signifcant difference in staging, initial visit time, initial tumor size, neoadjuvant chemotherapy cycle, types of chemotherapy drugs, lymphocyte/leukocyte prechemotherapy, neutrophils/lymphocytes prechemotherapy, albumin prechemotherapy, ALP prechemotherapy, Uric acid prechemotherapy, BUN after the chemotherapy, uric acid after the chemotherapy, LDL prechemotherapy, TGF-β score, TCNR between SD group and PD group（P < 0.05）. Metastasis had no significant effect on the efficacy of chemotherapy. According to the ROC curve, the best cut-off value showed staging≥III, neoadjuvant chemotherapy cycle≤3, Lymphocyte/leukocyte prechemotherapy≤0.32, neutrophils/lymphocytes ≤1.98, albumin prechemotherapy, ≥48 g/L, BUN after the chemotherapy≥4.22 mmol/L, uric acid after the chemotherapy≥305 umol/L. TGF-β score≥8.5 was the risk factor for chemotherapy resistance in patients with osteosarcoma.3. Patients with one risk factors add 1, and 0-3 were classified as group 1. 4-6 were listed as group 2; 7-9 were listed as group 3 and there was no statistically significant difference between the three groups. Conclusion This study explored the clinical factors related to chemotherapy resistance of osteosarcoma. -
Key words:
- Osteosarcoma /
- Chemotherapy /
- Drug resistance /
- Scoring system
-
肾上腺是人体最重要的内分泌器官之一，负责合成和分泌激素。其位于双侧肾上极的内侧，左右各一，按组织学结构可分为皮质和髓质两个部分。由于起源于肾上腺皮质或肾上腺髓质的肿瘤具有自主分泌激素的潜力，因此将其称为功能性肾上腺肿瘤。功能性肾上腺肿瘤包括肾上腺腺瘤（Adrenal adenoma）、肾上腺皮质癌（Adrenocortical carcinoma）、嗜铬细胞瘤（Pheochromocytoma，PHEO）和神经母细胞瘤（Neuroblastoma）[1-2]。这些肿瘤种类繁多，具有不同的临床和影像表现、预后和治疗选择[1]。近年来，影像组学（Radiomics）在肿瘤中的应用得到了业界的广泛关注和研究，已经在前列腺癌、肺癌、肝癌、胰腺癌、乳腺癌等疾病领域取得了一定的研究成果[3-7]。本文拟对影像组学在肾上腺肿瘤中的应用研究进展作阐述。
1. 影像组学概述
1.1 影像组学概念
影像组学是人工智能（artificial intelligence，AI）与医学影像学结合的产物，其概念是由荷兰学者Lambin等[8]在2012年首次正式提出的，即一种通过数学的方法来描述X线、CT、MRI、超声、PET等影像资料中感兴趣区内像素或体素的强度和它们在感兴趣区域内的位置之间的关系，从而为临床提供客观量化指标的新兴的影像学技术。
1.2 影像组学的基本工作流程
1.2.1 图像采集
目前，主要是通过电子计算机断层扫描（CT）、磁共振成像（MRI）和正电子发射计算机断层显像（PET-CT）等影像扫描方式来进行图像的采集。在常规的临床图像采集中，图像分辨率（像素大小或矩阵大小和层厚）、正电子发射断层扫描（PET）成像的冲洗时间、患者位置以及不同重建算法和层厚带来的变化等成像参数有很大的差异，这些差异会对提取的影像组学特征产生不利影响。另外，识别和整理大量具有相似临床参数的图像数据样本也是一项非常艰巨的任务[9]。在采集时应该遵循标准化成像原则，以保证影像数据的可重复性和准确性[10-11]。
1.2.2 图像分割
图像分割又称病灶分割或感兴趣区域（region of interest，ROI）分割，是指对感兴趣区（通常是肿瘤区域）通过手工、半自动或自动的方式进行逐层勾画分割，最后生成三维感兴趣区。获得精确、稳定、可重复的分割是一项极具挑战性的任务，不同的技术和方式会对结果产生重大影响[12]。目前认为通过计算机辅助边缘检测辅以放射科医生人工处理可以实现最佳的可重复分割[12-13]。最近，基于深度学习（deep learning）的第四代自动分割算法技术已经进入了开发，高精度全自动的分割算法将是未来的努力目标[14-15]。
1.2.3 图像特征提取
放射组学的最初定义是从图像中提取高通量特征，该步骤是影像组学的核心流程。通常提取的影像组学特征包括：形状特征（包括体积、表面积、肿瘤位置等）、一阶直方图特征、二阶纹理特征[包括灰度共生矩阵（gray-level co-occurrence matrix，GLCM）、联合强度矩阵（joint intensity matrix，JIM）、邻域灰度差矩阵（neighborhood gray-tone difference matrix，NGTDM）、邻域灰度相关矩阵（neighboring gray-level dependence matrix，NGLDM）和灰度行程矩阵（gray-level run length matrix，GLRLM）等]、多尺度纹理特征和深度特征等[11, 16]。有研究认为，一阶特征有着较高的可重复性和再现性，有可能用于纵向监测肿瘤治疗反应[17-18]，但最能预测反应的放射组学特征似乎随着肿瘤分子亚型的不同而不同[19]。近年来，随着基于多层神经网络特别是卷积神经网络（convolutional neural networks，CNN）的深度学习技术的发展，机器学习特征的提取得到了广泛的应用[20]。
1.2.4 图像特征的筛选与降维
并不是所有的提取特征都对于特定的研究有用处，提取的特征数量可能会高于研究中的样本数量，这会增加数据过度拟合的概率。因此，降维和选择任务特定的特征以获得最佳性能是必要的步骤[9]。常用的方法有：主成分分析算法（principal component analysis，PCA）、最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）、支持向量机（support vector machine，SVM）及最小冗余最大相关性（minimum redundancy maximum relevance，mRMR）等[21-22]。
1.2.5 建立模型及数据分析
利用影像组学特征建立分类器模型的方法很多，常用的模型分析方法有：Logistic回归（logistic regression）、支持向量机（support vector machine，SVM）、随机森林（random forest）、人工神经网络（artificial neural networks，ANN）及COX回归（Cox regression）等。其中，Logistic回归模型因为其简单易用性，成为放射组学中最受欢迎的分类器之一[23-24]。
2. 影像组学在肾上腺肿瘤中的临床应用
2.1 影像组学在肾上腺肿瘤诊断及鉴别诊断中的价值
肾上腺偶发瘤（adrenal incidentaloma）通常是在腹部影像学检查中被发现的[25]。肾上腺偶发瘤是指患者在正常体检或在行肾上腺疾病之外的诊治过程中，影像学检查无意发现的肾上腺占位。在没有明显浸润或转移迹象的情况下，影像学成像技术并不总是能准确地确定肿块的良恶性[26]。另外，亚临床型嗜铬细胞瘤（subclinical pheochromocytoma，sPHEO）和低脂肾上腺腺瘤（lipid-poor adrenal adenoma，LPA）之间的影像学特征和非特异性临床表现有一定的相似性，两者经常误诊，而sPHEO的患者在手术过程中可能会发生严重的高血压危象甚至心脑血管事件[27-28]。由于肿瘤的性质可能会影响手术方式和手术策略，因此鉴别肿瘤的性质是非常关键的，这给临床医生带来了不小的挑战[29]。Torresan等[26]回顾分析了19例接受肾上腺皮质肿瘤切除术的患者的平扫、动脉和静脉期的CT图像，以及一组接受了至少5a的偶发肿瘤监测的队列患者的CT图像。使用专用软件绘制每个病变的感兴趣体积，并针对每个阶段提取一阶（直方图）和二阶（灰度颜色矩阵和游程矩阵）放射学特征。在剔除了2个恶性异常值后，非监督式机器学习方法在所有阶段的8个肾上腺皮质癌中有7个正确地预测了恶性肿瘤。结果表明，即使是通过一种非监督式机器判读方法，放射组学结合CT纹理分析也能够在几乎所有的患者中区分肾上腺皮质肿瘤的良恶性。Yi等[30]回顾性评估了265例手术切除并经病理证实为sPHEO和LPA的病例，其中包括训练队列212名（LPA 145名；sPHEO 67名）；验证队列53 名（LPA 36名；sPHEO 17名）。评估其CT影像学特征，包括长径（LD）、短径（SD）、增强前CT值（CTpre）、增强后CT值（CTpost）、形状、均匀性、坏死或囊变（N/C）。提取放射性组学特征，并用其构建放射性组学特征（Rad-score）和放射组学列线图。用受试者工作特性曲线（receiver operating characteristic，ROC）的曲线下面积（area under curve，AUC）评价其性能。选取了40个候选特征中的16个用来建立放射组学特征。sPHEO组和LPA组之间的特征有显著差异（AUC值为：训练队列0.907；验证队列0.902）。基于增强CT特征的放射组学列线图包括Rad-score、LD、SD、CTpre、形状、均匀性和N/C （AUC值为：训练队列0.957；验证队列0.967）。基于增强前CT特征的放射学列线图包括Rad-score、LD、SD、CTpre、形状和均匀性（AUC值为：训练队列0.955；验证队列0.958）。结果表明基于增强前和增强CT图像的放射组学列线图都能够区分sPHEO和LPA。此外还指出，使用增强前CT图像进行预测诊断的良好结果是至关重要的，这可以让患者可以避免与增强CT相关的额外辐射和风险。此外，在Moawad等[31]进行的一项研究中，对肾上腺增强CT扫描特征进行纹理分析也成功地区分了肾上腺肿瘤的良、恶性，具有较高的敏感性和特异性（AUC = 0.85，敏感性 = 84.2%，特异性 = 71.4%）。
2.2 影像组学在肾上腺肿瘤临床决策与风险评估中的应用
原发性醛固酮增多症（primary aldosteronism，PA）简称原醛症，主要是由于肾上腺皮质球状带分泌过多的醛固酮所致。导致PA最常见的原因之一是醛固酮瘤（aldosterone-producing adenomas，APA），约占PA的80%，主要以手术切除治疗为主。区分PA的亚型对于评估治疗方案是至关重要的，然而目前的诊断方法由于成本或技术的限制无法对PA进行精确诊断，使临床医生错误决策的概率增加。Young等[32]的研究报告，仅根据影像学表现，约有21.7%的肾上腺切除术的候选患者可能会被错误地排除，约有24.7%的患者可能接受了不适当或不必要的肾上腺切除术。影像组学的应用可能会帮助临床医生作出更为可靠的决策。He等[33]回顾性收集了90例接受肾上腺静脉采血（AVS）的原发性醛固酮增多症患者，随机分为训练组（n = 62）和验证组（n = 28）。纳入个体化预测的预测因子为Radscore、年龄、性别、血清钾水平和醛固酮-肾素比值（ARR）。发现该模型具有良好的识别能力，AUC值为0.900（95% CI：0.807～0.993），也具有良好的校准能力。在验证队列中，列线图仍然显示出良好的分辨力[AUC值为0.912（95% CI：0.761～1.000）]和良好的校准能力。结果表明，结合影像组学特征和临床因素构建临床影像组学列线图，有助于准确检测单侧肾上腺腺瘤患者发生APA的概率，可以帮助临床医生的决策和风险评估。
2.3 影像组学在肾上腺肿瘤预后预测中的应用
肾上腺转移瘤（adrenal metastases，AM）是肾上腺最常见的恶性肿瘤，肾上腺是肺、肾、肝、乳腺、胃肠道和皮肤恶性肿瘤的常见转移部位[34]。尸检报告显示患恶性肿瘤的患者伴有肾上腺转移的几率最高可达27%[35-36]。研究发现，对于很多AM患者，经皮消融是一种重要的微创治疗选择，为患者提供了提高存活率的机会，已被证明是可行、安全、有效的[34，37-38]。研究报道经消融治疗后短期内局部复发率约为8%～20%[39-40]，但有关消融后进展和存活率预测因素的数据有限[41]。Daye等[41]回顾性研究了21例接受消融术的肾上腺转移瘤患者，从人工分割的肾上腺肿瘤中提取了32个纹理特征。采用单变量COX比例风险模型预测局部进展和生存期，线性SVM学习技术对纹理特征和临床变量进行留一交叉验证，ROC曲线分析和AUC被用来评估仅使用临床变量与使用临床变量和纹理特征之间的表现。结果表明从消融前CT图像中提取的纹理特征的加入显著提高了预测肾上腺转移瘤热消融后局部进展和总存活率的模型的准确性，这将有助于指导消融和复检计划。
2.4 影像组学在预测肾上腺肿瘤生物学行为中的应用
PHEO和副神经节瘤（paragangliomas，PGL）是神经嵴起源的罕见神经内分泌肿瘤。其病因不明确，可能与遗传有关。De等[42]的研究表明，高达60%的PHEO/PGL与一种易感基因的生殖系或体细胞突变有关（RET、VHL、NF1、SDH亚组A，B，C，D，和AF2、TMEM127、MAX、HIF2A等）。生殖系突变的鉴定使患者面临同时或异时多病灶疾病的风险，从而影响医疗管理[43]。对于患者的准确治疗和随访以及家庭成员的早期诊断和治疗来说，早期的生殖系突变鉴定具有重要意义[44]。Ansquer等[43]回顾性研究了FDG-PET/CT影像组学在外科手术和基因检测前对PHEO的特征及其遗传定位的潜在附加值。发现FDG-PET/CT单独诊断的敏感性为92%，与间碘苄基胍（MIBG）联合诊断的敏感性为98%。簇1中的突变肿瘤的SUVmax显著高于簇2 （P = 0.002）或未发现突变的肿瘤（P = 0.04）。摄取最强的肿瘤的代谢性肿瘤体积（MTV）和总病变糖酵解（TLG）能够区分突变的簇2肿瘤与散发性肿瘤，但不能区分簇1，纹理特征结合MTV能更好地区分散发性和突变性肿瘤（P < 0.05）。这表明FDG-PET/CT可用于术前检测PHEO，当与影像组学生物标志物相结合时，可提供遗传易感性的证据。
2.5 影像组学存在的问题
影像组学是一个新兴的放射学领域，目前仍处于初步探索阶段。虽然影像组学在肿瘤的诊治过程中显示出了广阔的应用前景，但仍面临着很多亟待解决的问题和挑战。一是影像组学工作流程中的部分步骤（如图像采集、图像分割等）都没有一套统一的标准化流程，会受到机器型号、采集协议、图像质量、病灶分割方式等的影响，最终影响模型的准确性和可重复性。因此需要制定一套标准化工作和分析流程，病灶分割也应可能采用高精度全自动的分割算法，以消除手工分割带来的主观性差异。二是目前在肾上腺疾病的影像组学研究仍较少，且多为回顾性、单中心研究，病例的数量的较少，缺乏交叉验证。因此还需要进行大规模、多中心协作的前瞻性研究来验证其临床应用价值。
3. 小结
目前，影像组学在肾上腺肿瘤中的应用包括对肿瘤的诊断及鉴别诊断、提供临床决策依据、预测肿瘤预后以及生物学行为等。未来随着影像学和人工智能的发展，影像组学在肿瘤中的应用势必会有更加广阔的前景，为肾上腺肿瘤的精准医疗和个性化治疗提供更加有利的支撑。
-
图 1 骨肉瘤患者化疗疗效评估
Figure 1. Evaluation of chemotherapy efficacy in patients with osteosarcoma
图 2 各指标对骨肉瘤化疗耐药的诊断效能
Figure 2. The diagnostic efficacy of various indexes for chemotherapy resistance of osteosarcoma
图 3 三组疗效评价比较
Figure 3. Comparison of efficacy evaluation of Group 1，Group 2 and Group 3
与2组比较，*P < 0.05；与3组比较，**P < 0.01；与1组比较，****P < 0.0001。
表 1 转移对化疗疗效的影响（n）
Table 1. Effect of metastasis on chemotherapy efficacy （n）
指标 SD PD P 转移 23 19 未转移 55 22 0.74 
下载: 导出CSV
表 2 各一般指标在两组间的表达差异n（%）
Table 2. The expression difference of general indexes between the two groups n（%）
指标 SD（n = 78） PD（n = 41） χ2 P 性别 0.759 0.149 男 53（67.9） 31（75.6） 女 25（32.1） 10（24.4） 年龄（岁） 5.375 0.510 < 10 4（5.2） 1（2.4） 10～20 42（53.8） 31（75.6） > 20 32（41） 9（2.4） 分期 15.160 0.003* IIA 15（19.2） 17（41.5） IIB 39（50） 16（39） IIIA 4（5.1） 11（26.8） IIIB 2（2.6） 7（17.1） KPS评分 0.248 0.640 < 90 53（67.9） 26（63.4） ≥90 25（32.1） 15（36.6） 病理类型 1.234 0.779 成骨型 59（75.6） 33（80.5） 成软骨型 5（6.4） 3（7.3） 纤维母细胞型 3（3.8） 2（4.9） 其他 11（14.2） 3（7.3） 初诊时间（d） 5.183 0.016* < 30 69（88.5） 29（70.7） ≥30 9（11.5） 12（29.3） BMI 2.421 0.056 < 24 59（75.6） 29（70.7） ≥24 19（24.4） 12（29.3） 原发灶大小，cm 12.26 0.001* < 5 29（37.2） 16（39） 5～10 38（48.7） 9（22） > 10 11（14.1） 16（39） 位置 0.144 0.707 左 39（50） 22（53.7） 右 39（50） 19（46.3） 靶向治疗 0.104 0.453 是 8（10.3） 5（12.2） 否 70（89.7） 36（87.8） 手术方式 1.063 0.263 截肢 36（46.2） 23（56.1） 瘤段切除 42（53.8） 18（43.9） 新辅助化疗周期 5.914 0.021* 1 23（29.5） 21（51.2） 2 32（41） 11（26.8） 3 18（23.1） 6（14.6） 4 5（6.4） 3（7.3） 化疗药物数量 8.822 0.002* 1 0 2（4.9） 2 23（29.5） 18（43.9） 3 15（19.2） 7（17） 4 21（26.9） 5（12.2） 5 19（24.4） 9（22） 化疗后肝肾功能损伤 0.416 0.523 是 41（52.6） 19（46.3） 否 37（47.4） 22（53.7） 化疗后骨髓抑制 3.343 0.067 是 55（70.5） 22（53.7） 否 23（29.5） 19（46.3） *P < 0.05。
下载: 导出CSV
表 3 各临床指标在两组间的表达差异（
$\bar x\pm s $ /n（%））Table 3. The expression of each clinical indicator was different between the two groups（
$\bar x \pm s $ /n（%））指标 SD（n = 78） PD（n = 41） χ2 P 化疗前血常规 白细胞（×109） 7.25 ± 2.44 6.88 ± 7.22 1.432 0.396 淋巴细胞（×109） 2.24 ± 1.55 2.44 ± 3.67 1.543 0.435 单核细胞（×109） 0.41 ± 0.30 0.41 ± 0.16 0.764 0.927 中性粒细胞（×109） 4.45（1.23，8.54） 4.21（1.06，5.63） 0.754 0.240 血小板（×109） 302（123，423） 301（106，467） 0.912 0.973 血红蛋白（g/L） 144.57（59.32，187.34） 145.05（67.43，194.32） 1.533 0.437 淋巴细胞/白细胞比值（LWR） 0.36（0.12，1.15） 0.32（0.13，1.65） 2.214 0.015* 中性粒细胞/淋巴细胞比值（NLR） 2.36 ± 1.24 1.80 ± 1.77 2.765 0.035* 淋巴细胞/单核细胞比值（LMR 7.13（3.42，9.23） 6.53（3.52，8.86） 1.095 0.462 血小板/淋巴细胞比值（PLR） 143.77 ± 190.01 138.24 ± 165.48 1.043 0.195 化疗后血常规 白细胞（×109） 4.03 ± 3.26 3.8 ± 2.12 1.432 0.711 淋巴细胞（×109） 1.32（0.98，1.65） 1.37（0.79，1.43） 1.654 0.425 单核细胞（×109） 0.49（0.12，0.97） 0.86（0.64，1.05） 1.123 0.267 中性粒细胞（×109） 1.99（0.75，2.45） 2.04（1.43，4.21） 1.186 0.234 血小板（×109） 266.04（201.43，296.34） 235.02（198.43，302.43） 2.412 0.146 淋巴细胞/白细胞比值（LWR） 0.46（0.34，1.87） 0.54（0.13，1.43） 1.154 0.678 中性粒细胞/淋巴细胞比值（NLR） 1.68（0.87.1，43） 1.75（0.98，2.12） 1.643 0.732 淋巴细胞/单核细胞比值（LMR） 11.16 ± 19.18 9.07 ± 19.10 0.543 0.545 血小板/淋巴细胞比值（PLR） 245.90 ± 169.48 211.48 ± 125.38 1.432 0.258 化疗前生化指标 白蛋白 45.49 ± 6.83 48.15 ± 8.12 1.123 0.007* 白球比值 1.62（1.43，2.54） 1.74（1.54，2.54） 3.234 0.876 谷丙转氨酶（ALT） 19.99（10.32，56.53） 21.98（12.32，54.76） 0.656 0.237 谷草转氨酶（AST） 19.31（9.43，33.43） 27.49（12.32，43.53） 1.654 0.037* 碱性磷酸酶（ALP） 337.91 ± 287.19 321.27 ± 230.94 1.212 0.775 乳酸脱氢酶（LDH） 225.26（165.23，298.32） 221.90（154.53，276.43） 0.543 0.573 肌酐 64.68（56，43，75.45） 64.95（46.23，87.54） 1.654 0.922 尿素氮 4.84（2.42，6.34） 4.89（2.54，5.43） 1.665 0.976 尿酸 344.38（154.34，452.34） 383.56（143.32，413.65） 1.098 0.038* 血钾（K） 4.41 ± 4.26 4.43 ± 4.23 0.543 0.776 血钠（NA） 140.32 ± 139.32 140.71 ± 139.42 2.665 0.449 血氯（CL） 102.01（98.65，103.32） 102.10（97.43，106.34） 1.767 0.879 血钙（CA） 2.21（1.21，3.43） 2.34（1.12，5.32） 2.713 0.176 血清铁 14.29 ± 16.61 15.29 ± 24.13 0.234 0.584 血清镁 0.88（0.45，1.23） 0.85（0.43，0.91） 5.432 0.485 血清磷 4.46 ± 2.12 5.51 ± 1.67 1.155 0.381 血糖 4.84（3.23，5.43） 4.94（3.35，5.32） 0.543 0.234 化疗后生化指标 白蛋白 38.52（26.54，41.42） 40.10（37.23，46.34） 0.547 0.259 白球比值 1.60（1.12，2.43） 1.58（1.23，2.53） 1.112 0.749 谷丙转氨酶（ALT） 90.40（50.34，123.32） 78.46（46.43，112.43） 1.765 0.745 谷草转氨酶（AST） 63.86（45.34，98.43） 66.85（42.34，78.43） 1.543 0.879 碱性磷酸酶（ALP） 224.92（210.32，298.43） 235.29（203.43，276.32） 1.756 0.855 乳酸脱氢酶（LDH） 229.04（201.23，245.34） 224.27（193.43，254.43） 1.121 0.824 尿素氮 3.44（2.43，4.32） 4.10（2.25，5.12） 1.766 0.012* 尿酸 280.30（210.43，302.43） 320.51（228.32，385.23） 1.554 0.032* 血钠（NA） 135.84 ± 160.18 131.91 ± 29.96 1.667 0.425 血糖 6.88（4.32，8.53） 8.47（5.34，9.23） 1.231 0.630 化疗前血脂 甘油三酯 1.28（0.98，1.54） 1.16（1.02，1.45） 1.554 0.824 总胆固醇 3.75 ± 0.90 4.31 ± 1.45 1.546 0.100 高密度脂蛋白 1.07 ± 0.25 1.14 ± 0.45 0.349 0.581 低密度脂蛋白 2.27 ± 0.64 2.76 ± 1.16 1.526 0.043* 病理指标 TGF-β评分 6 ± 5.94 7.6 ± 3.42 1.634 0.033* 肿瘤坏死率 0.35（0.21，0.45） 0.53（0.34，0.65） 1.985 0.036* *P < 0.05。
下载: 导出CSV
表 4 评分系统
Table 4. Scoring system
分类 得分 分期 ≥III期 1 < III期 0 化疗周期 ≤2周期 1 > 2周期 0 化疗药物种类 ≤3种 1 > 3种 0 化疗前淋巴细胞/白细胞 ≤0.32 1 > 0.32 0 化疗前中性粒细胞/淋巴细胞 ≤1.98 1 > 1.98 0 化疗前白蛋白 ≥48 g/L 1 < 48 g/L 0 化疗后尿素氮 ≥4.22 mmol/L 1 < 4.22 mmol/L 0 化疗后尿酸 ≥305 μmol/L 1 < 305 μmol/L 0 TGF-β总得分 ≥8.分 1 < 8.5分 0
下载: 导出CSV
-
[1] MirabelloL,Troisi R J,Savage S A. Osteosarcoma incidence and survival rates from 1973 to 2004:Data from the surveillance,epidemiology,and end results program[J]. Cancer,2009,115(7):1531-1543. doi: 10.1002/cncr.24121 [2] Singh R,Shirali R,Chatterjee S,et al. Epidemiology of cancers among adolescents and young adults from a tertiary cancer center in Delhi[J]. Indian Journal of Medical & Paediatric Oncology Official Journal of Indian Society of Medical & Paediatric Oncology,2016,37(2):90-94. [3] Allison D C,Carney S C,Ahlmann E R,et al. A Meta-Analysis of Osteosarcoma Outcomes in the Modern Medical Era[J]. Sarcoma,2012,1(10):704872. [4] Luetke A,Meyers P A,Lewis I,et al. Osteosarcoma treatment-Where do we stand? A state of the art review[J]. Cancer Treatment Reviews,2014,40(4):523-532. doi: 10.1016/j.ctrv.2013.11.006 [5] A Biazzo,M De Paolis. Multidisciplinary approach to osteosarcoma.[J]. Acta Orthop Belg,2016,82(4):690-698. [6] Kansara,Maya,Teng,et al. Translational biology of osteosarcoma[J]. Nature Reviews Cancer,2014,14(11):722-735. doi: 10.1038/nrc3838 [7] Hogendoorn P C W,Athanasou N,Bielack S,et al. Bone sarcomas:ESMO Clinical Practice Guidelines for diagnosis,treatment and follow-up[J]. Ann Oncol,2010,21(5):21-26. [8] Guenther L M,Rowe R G,Acharya P T,et al. Response Evaluation Criteria in Solid Tumors(RECIST)following neoadjuvant chemotherapy in osteosarcoma[J]. Pediatric Blood & Cancer,2018,65(4):e26896. [9] Kim M S,Lee S Y,Cho W H,et al. Initial tumor size predicts histologic response and survival in localized osteosarcoma patients[J]. Journal of Surgical Oncology,2008,97(5):456-461. doi: 10.1002/jso.20986 [10] Lettieri C K,Appel N,Labban N,et al. Progress and opportunities for immune therapeutics in osteosarcoma[J]. Immunotherapy,2016,8(10):1233-1244. doi: 10.2217/imt-2016-0048 [11] Yugui sun,lifeiZhang. The clinical use of pretreatment nlR,PlR,and lMR in patients with esophageal squamous cell carcinoma:evidence from a meta-analysis[J]. Cancer Management and Research,2018,10(22):6167-6179. [12] Munn,Lance L. Cancer and inflammation[J]. Wiley Interdisciplinary Reviews:Systems Biology and Medicine,2017,9(2):e1370. doi: 10.1002/wsbm.1370 [13] Guthrie G J K,Charles K A,Roxburgh C S D,et al. The systemic inflammation-based neutrophil–lymphocyte ratio:Experience in patients with cancer[J]. Critical Reviews in Oncology/Hematology,2013,88(1):218-230. doi: 10.1016/j.critrevonc.2013.03.010 [14] Abe S,Kawai K,Nozawa H,et al. LMR predicts outcome in patients after preoperative chemoradiotherapy for stage II-III rectal cancer[J]. Journal of Surgical Research,2018,222(2):122-131. [15] Hsu,Jun-Te,Wang,Chia-Cheng,Le,Puo-Hsien. Lymphocyte-to-monocyte ratios predict gastric cancer surgical outcomes[J]. Journal of Surgical Research,2016,202(2):284-290. [16] M Whirl-Carrillo,E M McDonagh,J M Hebert. Pharmacogenomics Knowledge for Personalized Medicine[J]. Clinical Pharmacology & Therapeutics,2012,92(4):414-417. [17] Zhou J,Wen Q,Li S F,et al. Significant change of cytochrome P450s activities in patients with hepatocellular carcinoma[J]. Oncotarget,2016,7(31):50612-50623. doi: 10.18632/oncotarget.9437 [18] Nanayakkara A K,Follit C A,Chen G,et al. Targeted inhibitors of P-glycoprotein increase chemotherapeutic-induced mortality of multidrug resistant tumor cells[J]. Scientific Reports,2018,8(1):967. doi: 10.1038/s41598-018-19325-x [19] LvY,Ding X S,Li Y,et al. High BMI and low HDL-C predict the chemotherapy-related hepatic dysfunction in Chinese advanced NSCLC patients[J]. Cancer Biomarkers,2016,16(1):89-97. doi: 10.3233/CBM-150544 [20] Holmes K E,Thompson V,Piskun C M,et al. Canine osteosarcoma cell lines from patients with differing serum alkaline phosphatase concentration display no behavioural differences in vitro[J]. Veterinary & Comparative Oncology,2015,13(3):166-175. 期刊类型引用(2)
1. 陈锐，李节，朱嘉伟，徐鑫，孙晓磊，陈仁富. 肾上腺腺瘤与小直径肾上腺嗜铬细胞瘤鉴别诊断的临床-影像组学列线图模型的构建. 现代泌尿外科杂志. 2023(09): 785-790 . 
百度学术2. 黄梦雪，朱胡佳，徐梦莎，万强. 肾上腺疾病合并顽固性高血压2例报道. 中西医结合心脑血管病杂志. 2023(21): 4040-4043 . 百度学术其他类型引用(0)
-
点击查看大图
计量
- 文章访问数: 3635
- HTML全文浏览量: 2292
- PDF下载量: 22
- 被引次数: 2
