Comparative Study of Multiple Models Based on Baseline T2WI Images for Predicting Pathological Complete Remission of Progressive Rectal Cancer after Neo-adjuvant Chemoradiotherapy
-
摘要:
目的 探究基于基线T2WI联合机器学习影像组学，预测进展期直肠癌（locally advanced rectal cancer，LARC）患者对新辅助同期放化疗（neo-adjuvant chemoradiotherapy，nCRT）后病理完全缓解的有效性及多种模型预测效能比较。 方法 回顾性分析了2017年1月至2021年12月期间131例非转移性进展期直肠癌的患者资料，患者均在治疗前后进行盆腔MRI检查，并接受标准nCRT治疗后进行直肠全系膜切除术（total mesorectal excision，TME）。采用AK软件（Analysis Kit，GE Healthcare）在新辅助治疗前在轴向T2WI图上手动勾画感兴趣区（region of interest，ROI），通过AK软件提取影像组学特征。运用双样本t检验+LASSO回归对影像组学特征进行特征筛选，将筛选的影像组学数据，分别采用随机森林（random forest，RF）、支持向量机 （support vector machine，SVM）、逻辑回归（logistic regression，LR）方法构建预测模型。采用受试者工作特征（ROC）曲线来分别检验三种模型预测效能。 结果 131例患者中，26例（19.8%）达到病理完全缓解（pathologic complete response，pCR）。通过AK软件共提取1 308个影像组学特征，经筛选保留12个特征对pCR进行预测，3个预测模型在测试集上都展现了不错的预测效能，支持向量机（SVM）预测模型的曲线下面积（area under curve，AUC）为0.8810，准确率为81.48%，灵敏度和特异度分别为90.48%和50%；随机森林（RF）预测模型AUC为0.7579，准确率为81.48%，灵敏度和特异度分别为95.24%和33.33%；逻辑回归（LR）预测模型AUC为0.9206，准确率为92.59%，灵敏度和特异度分别为95.24%和83.33%。 结论 所构建的3种机器学习模型，在预测局部进展期直肠癌放化同期治疗后病理完全缓解方面有可观的准确率，其中采用逻辑回归（LR）方法建立的机器学习模型较其他机器学习模型诊断效能更高，有潜力应用于临床实践。 Abstract:Objective To investigate the predictive effectiveness of different models and the efficacy of baseline T2WI combined with machine learning imaging and to predict the pathological complete remission after the neo-adjuvant chemoradiotherapy （nCRT） in patients with locally advanced rectal cancer （LARC）. Methods A retrospective analysis was conducted on the data of 131 patients with non metastatic advanced rectal cancer from January 2017 to December 2021. All patients underwent the pelvic MRI examination before and after the treatment, received standard nCRT treatment, and then underwent the total mesorectal resection （TME）. AK software （Analysis Kit, GE Healthcare） was used to manually draw the regions of interest （ROI） on the pre-treatment axial T2WI maps, and AK software also extracted the imaging omics features. The imaging omics data were used to build the prediction models by using the support vector machine （SVM）, random forest （RF）, and logistic regression （LR） methods after the the imaging omics features were feature-screened using a two-sample t-test + LASSO regression. The effectiveness of the model prediction was evaluated using the receiver operating characteristic curve （ROC）. Results 26 （19.8%） of the 131 patients had a pathologic complete response （pCR）. The AK software extracted 1308 imaging omics features in total, and after the screening, 12 features were selected for pCR prediction. The SVM model had an AUC, accuracy of 0.8810 and 81.48%, sensitivity and specificity of 90.48% and 50%. The RF model had an AUC, accuracy of 0.7579 and 81.48%, sensitivity and specificity of accuracy 95.24% and 33.33%. The LR model had an AUC, accuracy of 0.9206 and 92.59%, sensitivity and specificity of 95.24% and 83.33%. Conclusion The three machine learning models constructed have the considerable accuracy in predicting complete pathological remission after the concurrent radiotherapy and chemotherapy for locally advanced rectal cancer. Among them, the machine learning model established with the use of logistic regression （LR） method has the higher diagnostic efficiency than other machine learning models, and has the potential to be applied in the clinical practice. -
急性缺血性脑卒中（acute ischemic stroke，AIS）是一种常见的致残率和死亡率较高的神经系统疾病，好发于中老年人。根据TOAST分型可将AIS分为大动脉粥样硬化（large-artery atherosclerosis，LAA）、心源性栓塞（cardio-embolism，CE）、小动脉闭塞（small-artery occlusion，SAO）、其他明确病因（stroke of other determined，ODC）[1]。根据CISS分型可将大动脉粥样硬化缺血性脑卒中分为动脉到动脉栓塞、原位血栓形成、灌注不足和穿支动脉粥样斑块[2]。大动脉粥样硬化型脑梗死（acute ischemic stroke with large-artery atherosclerosis，AIS-LAA）是亚洲人群中最常见的一种脑梗死亚型，该型临床症状较重，病情进展快，预后差[3]。出血转化（hemorrhagic transformation，HT）为脑梗死后继发颅内出血，发生率约为10%，常常提示预后不佳[3]。众所周知，炎症反应和免疫状态是影响脑梗死发展的重要因素，中性粒细胞与淋巴细胞比值（neutrophil-to-lymphocyte ratio，NLR）和衍生中性粒细胞与淋巴细胞比值（derived neutrophil-to-lymphocyte ratio，dNLR）作为新型炎症标志物，目前尚无NLR和dNLR与AIS-LAA患者HT的研究报道，本研究旨在探讨NLR和dNLR对AIS-LAA患者HT的预测价值，可以有效、及时采取合理干预措施，避免HT发生。现报道如下。
1. 资料与方法
1.1 研究对象
选取2020年10月至2021年2月首都医科大学附属北京友谊医院神经内科住院的AIS-LAA患者151例，根据HT发生的情况分为HT组19例和non-HT组132例。
1.2 纳入与排除标准
纳入标准：（1）AIS诊断依据2018年中国急性缺血性脑卒中诊治指南的相关标准，并经影像学证实[4]；（2）患者自症状出现3 d内就诊，入院后即刻行头CT、血常规、血生化等检查，入院3 d内完善头MRI，头颈MRA或CTA检查，若突发神经系统症状改变，即刻完善头CT。
排除标准：（1）首诊头CT提示脑出血；（2）感染、自身免疫性疾病、肿瘤、肝功能异常、肾功能异常、血液系统疾病。根据HT将所有患者分为HT组19例，non-HT组132例。本研究经首都医科大学附属北京友谊医院伦理委员会审核批准。
1.3 方法
收集临床资料及实验室检查指标，观察指标比较两组患者一般资料（年龄、性别、高血压病史、糖尿病病史、高脂血症病史、脑卒中病史、吸烟史、饮酒史、入院时NIHSS评分、入院时收缩压）、入院后治疗（抗血小板治疗、抗凝治疗、溶栓治疗）、LAA机制分型、实验室检查指标（白细胞计数、中性粒细胞计数、淋巴细胞计数、NLR、dNLR）。其中NLR = 中性粒细胞计数/淋巴细胞计数；dNLR = 中性粒细胞计数/（白细胞计数 - 中性粒细胞计数）。用多因素Logistic回归分析及ROC曲线评价NLR、dNLR对AIS-LAA患者HT的预测价值。
1.4 统计学处理
应用SPSS 23.0统计学软件进行数据分析，符合正态分布的连续变量以平均数±标准差（
$\bar x\pm s $ ）表示，通过独立t检验分析；非正态分布的连续性变量在表格中通常以中位数（四分位数间距）表示；计数资料分析采用χ2检验；多因素Logistic回归分析AIS-LAA患者HT影响因素；ROC曲线评价NLR、dNLR对AIS-LAA患者HT的预测价值。以P < 0.05为差异有统计学意义。2. 结果
2.1 2组患者一般资料和实验室检查指标比较
HT组患者入院时NHISS评分、入院时收缩压高于non-HT组，HT组接受溶栓治疗的患者多于non-HT组，HT组淋巴细胞计数、NLR及dNLR高于non-HT组（P < 0.05），见表1。
表 1 2组患者基线资料和实验室检查数据[（$\bar x \pm s $ ）/n（%）/[M（P25，P75）]Table 1. Baseline characteristics and laboratory examination data in 2 groups of patients [（$\bar x \pm s $ ）/n（%）/[M（P25，P75）]基线信息 总例数（n = 151） 非 HT组（n = 132） HT组（n = 19） t/χ2/z P 年龄（岁） 64±10.8 64±10.4 65±11.2 0.163 0.684 男性 107（72.6） 93（70.5） 14（73.7） 0.084 0.774 高血压病史 81（53.6） 70（53.0） 11（57.9） 0.158 0.699 糖尿病病史 61（40.4） 53（40.2） 8（42.1） 0.026 0.876 高脂血症病史 17（11.3） 14（10.6） 3（15.8） 0.447 0.507 脑卒中病史 12（7.9） 10（7.6） 2（10.5） 0.198 0.657 吸烟史 55（36.4） 47（35.6） 8（42.1） 0.303 0.582 饮酒史 89（58.9） 77（58.3） 12（63.2） 0.160 0.689 入院时NIHSS评分，
中位数4[2，9] 4[2，7] 7[4，11] 4.768 0.022* 入院时收缩压（mmHg） 140.5±16.5 138.6±16.2 153.4±15.7 8.833 0.003* 抗血小板治疗 149（98.7） 130（98.5） 19（100） 0.292 0.589 抗凝治疗 6（4.0） 5（3.8） 2（10.6） 1.706 0.192 溶栓治疗 7（4.6） 4（3.0） 3（15.8） 6.100 0.013* 机制 动脉到动脉栓塞 73（48.3） 63（47.7） 10（52.6） 0.160 0.689 原位血栓形成 40（26.5） 36（27.3） 4（21.1） 0.330 0.566 灌注不足 12（7.9） 10（7.6） 2（10.5） 0.198 0.657 穿支动脉粥样斑块 26（17.2） 23（17.4） 3（15.8） 0.031 0.860 实验室检查结果 白细胞 （109/L） 6.93[5.64，8.33] 6.81[5.36，7.89] 8.3[5.22，10.47] 3.874 0.052 中性粒细胞（109/L） 4.67[3.54，6.66] 4.47[3.54，6.13] 6.98[3.21，9.30] 3.531 0.058 淋巴细胞（109/L） 1.73[1.39，2.07] 1.75[1.53，2.11] 1.38[1.04，1.49] 8.826 0.003* NLR 2.57[1.88，4.46] 2.49[1.69，3.82] 4.91[2.10，7.89] 10.218 < 0.001* dNLR 1.91[1.18，2.90] 1.75[1.13，2.63] 3.63[1.78，5.48] 10.872 < 0.001* *P < 0.05。 2.2 多因素Logistic分析
因变量为是否发生脑梗死出血转化，0 = 未发生脑梗死出血转化，1 = 发生脑梗死出血转化。自变量纳入准则为：根据纳入样本的基线信息（表1）， 2组具有统计学差异的因素，即入院时收缩压、入院时NIHSS评分、是否接受溶栓治疗。自变量赋值：0 = 未接受溶栓治疗，1 = 接受溶栓治疗。以上结果提示，NLR和dNLR可能是AIS-LAA患者HT的独立影响因素（P < 0.05），见表2。
表 2 多因素Logistic回归分析NLR、dNLR和大动脉粥样硬化所致脑梗死后出血转化的相关性Table 2. Multivariate analysis for the association between NLR,dNLR and HT in AIS-LAA检测变量§ β Wald Adjusted OR（95% CI） P NLR 1.365 10.444 1,441（1.154-1.798） 0.001* dNLR 1.938 12.405 1.505（1.163-2.165） < 0.001* §多因素Logistic回归分析校正了入院时收缩压、入院时NIHSS评分、溶栓治疗。*P < 0.05。 2.3 ROC曲线分析
NLR预测AIS-LAA患者HT的AUC为0.71 [95% CI （0.63-0.78），P = 0.004]，NLR的cut-off值为4.61，灵敏度63.16%，特异度80.3%；dNLR预测AIS-LAA患者HT的AUC为0.75 [95% CI （0.67-0.82），P < 0.001]，dNLR的cut-off值为2.78，灵敏度63.16%，特异度83.3%，见图1、表3。
图 1 NLR、dNLR预测大动脉粥样硬化所致脑梗死患者出血转化的ROC曲线Figure 1. Predictive value of NLR and dNLR for HT in AIS-LAA表 3 NLR和dNLR对大动脉粥样硬化所致脑梗死出血转化的预测价值Table 3. Comparison of predictive power between dNLR and NLR检测变量 Cut-off值 特异性 敏感度 曲线下面积 （95%CI） z P NLR 4.61 80.3% 63.16% 0.71（0.63-0.78） 2.915 0.004* dNLR 2.78 83.3% 63.16% 0.75（0.67-0.82） 4.423 < 0.001* *P < 0.05。 3. 讨论
急性脑梗死出血转化是急性脑梗死患者的常见并发症，也是脑梗死预后不良的重要因素，其发生率为30.0%～76.1%[5]。亚洲人脑梗死后出血转化发生率显著高于西方人群且西方人群中心源性栓塞所致脑梗死占比更高[3]。当AIS发生时，外周免疫及炎性细胞被激活并进入缺血脑组织对脑梗死预后发挥双重作用[6-7]。本研究通过中性粒细胞和淋巴细胞计数寻找大动脉粥样硬化所致脑梗死后出血转化的预测因素，为改善脑梗死预后提供线索。
本研究为回顾性临床研究，结果提示：伴随入院时NIHSS评分和收缩压升高，出现脑梗死后出血转化更易发生。其原因可能是AIS后局部脑组织血氧供应不足，大量神经细胞死亡，血管扩张，加重脑水肿，使AIS症状加重，增高HT的发生风险。与此同时，当AIS发生时，机体反应性致血压升高形成脑缺血组织内高灌注趋势，血脑屏障功能受到进一步损伤，加重脑梗死后出血转化。一项Meta研究表明，心房颤动所致栓子脱落堵塞血管是AIS患者发生出血转化的独立影响因素，NLR是心源性栓塞所致脑梗死患者出血转化的独立影响因素[8]。同时，AIS后接受溶栓治疗和血管内治疗的AIS患者较易出现脑梗死后出血转化，溶栓使缺血性脑组织受到再灌注损伤，进一步加重炎性反应及血脑屏障功能障碍，红细胞外渗，引起血管源性水肿导致出血转化[7]。然而，中国急性脑梗死患者中大动脉粥样硬化是导致AIS的主要因素，炎症反应是大动脉粥样硬化的病理基础[9]，所以研究炎症反应对大动脉粥样硬化所致脑梗死后出血转化尤为重要。
本研究结果显示：HT组淋巴细胞计数低于non-HT组，HT组NLR及dNLR高于non-HT组且具有统计学差异，NLR和dNLR是AIS-LAA后HT的独立影响因素，表明炎症反应参与大动脉粥样硬化所致急性脑梗死后出血转化的发生发展。一项脑梗死后出血转化的尸检研究发现，中性粒细胞在脑梗死区域大量募集，局部基质金属蛋白酶9（matrix metalloproteinase-9，MMP-9）增加，基底层IV型胶原降解，血脑屏障破坏导致出血转化[10]。动脉粥样硬化可以使颅内血管发生慢性的炎症反应，当AIS-LAA发生时，炎症反应加剧，中性粒细胞合成并释放细胞因子MMP-9，这些因子通过降解血管周围脊膜蛋白影响血管基底膜，破坏血脑屏障完整性导致HT发生[11]。此外脑梗死可诱导中性粒细胞活化产生弹性蛋白酶、髓过氧化物酶，与组蛋白、DNA形成中性粒细胞胞外网状陷阱（NETs），从而破坏血脑屏障[12- 13]。有研究表明，卒中后血小板活化，血小板p-选择素集合T淋巴细胞的p-选择素糖蛋白配体或CD162因子使炎症细胞粘附于细胞内皮上促进血栓炎症反应，破坏血管通透性诱发出血转化[14]。当AIS发生时，皮质醇激素水平升高导致淋巴细胞减少，加剧神经细胞死亡[15]。
NLR和dNLR可反映机体免疫功能和炎性状态，是新型炎症治疗。NLR已广泛应用于脑梗死、心肌梗死及肿瘤的生存期预测中，dNLR仅应用于肿瘤患者生存时间的预测，目前尚没有两者在大动脉粥样硬化所致脑梗死出血转化的研究。本研究结果显示，dNLR预测AIS-LAA患者HT的AUC为0.75，dNLR的cut-off值为2.78，灵敏度63.16%，特异度83.3%；NLR预测AIS-LAA患者HT的AUC为0.71，NLR的cut-off值为4.61，灵敏度63.16%，特异度80.3%。本研究结果与既往研究结果一致。有大量研究表明，急性缺血性脑卒中患者NLR越高，提示HT发生风险越高[16-18]。然而笔者的研究表明，虽然NLR和dNLR可能为大动脉粥样硬化所致急性缺血性脑梗死出血转化的独立影响因素，但dNLR具有更高的灵敏度和特异度，且数据可取性更为便捷。
综上所述，NLR和dNLR可能是AIS-LAA患者HT的独立影响因素，且dNLR具有更高的灵敏度和特异度。通过二者的预测，可积极预防高风险患者，从而有助于降低AIS-LAA患者致残率和致死率。本研究存在一定的局限性：首先，本研究是单中心回顾性分析且样本量较小，统计时存在偏倚，笔者将在今后的工作中进一步验证结果；其次，本研究仅分析入院时NLR和dNLR指标，需动态观察两者变化，更客观的阐述二者与HT之间的关系。
-
图 1 患者基线轴位T2WI图上ROI绘制、病理学表现和病理完全缓解病理学表现
A：患者基线病理学表现 （H-E×400）； B：患者病理完全缓解病理学表现（H-E×400）； C：患者基线轴位T2W1图上ROI绘制。
Figure 1. ROI on patient baseline T2WI、pathological manifestations and pathological complete response of pathological manifestations
图 2 LASSO回归筛选特征参数系数图
A：通过10次交叉验证寻找LASSO的超参数Lamda（λ），模型偏差最低点对应的横坐标为最优的Lamda（λ）值，即虚线所在位置;B：图示彩线代表特征系数随λ值的变化曲线，通过Lamda（λ）值（虚线代表的位置）来确定最终非零系数特征，并将这些特征用于最后的模型构建。
Figure 2. LASSO regression screening feature parameter coefficient map
图 3 影像特征及影像组学标签
A：12个筛选出的影像特征权重图；B：该矩阵图显示了预测模型中所用特征之间的相关性。
Figure 3. Image features and radiomics labels
图 4 基线T2WI预测LARC患者nCRT治疗后达pCR预测模型ROC曲线
Figure 4. Baseline T2WI predicts the ROC curve of the pCR prediction model for LARC patients after nCRT treatment
表 1 直肠癌MRI扫描序列及参数
Table 1. MRI scan series and parameters of rectal cancer
扫描序列 TR/ms TE/ms 层厚/mm 层间隔/mm 视野 激励次数 矩阵 轴位T2WI 4101 90 3 0.3 220 mm×220 mm 2 264×240 冠状位T2WI 4101 90 3 0.3 200 mm×200 mm 2 288×256 矢状位T2WI 4101 90 3 0.3 200 mm×200 mm 2 288×256 垂直于直肠长轴T2WI 4101 90 3 0.3 200 mm×200 mm 2 264×240 
下载: 导出CSV
表 2 临床流行病学特征[（
$\bar x \pm s $ ）/n（%）]Table 2. Clinical epidemiological characteristics [（
$\bar x \pm s $ ）/n（%）]训练集（n = 104） 测试集（n = 27） 特征 pCR（n = 20） 非pCR（n = 84） P t/χ2 pCR（n = 6） 非pCR（n = 21） P t/χ2 年龄（岁） 59 ± 10.3 57.45 ± 11.82 0.591 0.539 49.5 ± 7.94 58.33 ± 12.97 0.129 1.572 性别 0.108 2.589 0.127 2.328 男 10（50） 26（31） 3（50） 4（19） 女 10（50） 58（69） 3（50） 17（81） 分化程度 0.334 2.193 0.480 1.467 高分化 16（80） 58（69） 5（91） 18（86） 中分化 4（20） 18（21） 1（9） 1（4） 低分化 0 8（10） 0 2（10） MRI肿瘤T分期 0.132 4.046 0.793 0.464 T0/1/2 0 4（5） 0 1（5） T3a/b/c 15（75） 43（51） 4（67） 15（71） T4 5（15） 37（44） 2（33） 5（24） MRI肿瘤N分期 0.129 4.089 0.825 0.386 N0 3（15） 3（3） 1（16.5） 5（24） N1 4（20） 15（18） 1（16.5） 5（24） N2 13（65） 66（79） 4（67） 11（52）
下载: 导出CSV
表 3 Lasso回归筛选特征及其权重系数
Table 3. Lasso regression screening features and their weight coefficients
特征 权重系数 lbp-3D-k_glcm_MCC −0.691 log-sigma-3-0-mm-3D_glszm_SmallAreaEmphasis 0.113 log-sigma-5-0-mm-3D_gldm_DependenceNonUniformityNormalized −0.305 log-sigma-5-0-mm-3D_gldm_SmallDependenceHighGrayLevelEmphasis 0.193 log-sigma-5-0-mm-3D_glszm_SizeZoneNonUniformityNormalized 0.524 log-sigma-5-0-mm-3D_glszm_SmallAreaEmphasis −0.286 original_firstorder_Skewness 0.324 wavelet-HHL_firstorder_Skewness 0.628 wavelet-HHL_glcm_JointAverage −0.912 wavelet-HHL_glcm_SumAverage 0.009 wavelet-HHL_glszm_SmallAreaLowGrayLevelEmphasis 0.078 wavelet-LLH_firstorder_Skewness −0.375
下载: 导出CSV
表 4 预测临床结局最终模型的诊断指标
Table 4. Diagnostic indicators of the final model for predicting clinical outcomes
项目 训练集 验证集 测试集 模型 支持向量机（SVM） 随机森林（RF） 逻辑回归（LR） 支持向量机（SVM） 随机森林（RF） 逻辑回归（LR） 支持向量机（SVM） 随机森林（RF） 逻辑回归（LR） AUC 0.9979
（95% CI：
99.5～100）1.0000
（95% CI：
100～100）0.8868
（95% CI：
84.06～92.39）0.9115
（95% CI：
79.85～99.09）0.9789
（95% CI：
95.68～99.56）0.8493
（95% CI：
72.86～95.52）0.8810
（95% CI：
76～98.18）0.7579
（95% CI：
57.86～91.67）0.9206
（95% CI：
80.56～100）准确度 0.9702
（95% CI：
94.64～98.81）1.0000
（95% CI：
100～100）0.7857
（95% CI：
94.64～98.81）0.8813
（95% CI：
79.22～95.85）0.9228
（95% CI：
84.56～98.22）0.7554
（95% CI：
63.05～86.86）0.8148
（95% CI：
70.37～92.59）0.8148
（95% CI：
66.67～92.59）0.9259
（95% CI：
85.19～100）灵敏度 0.9643
（95% CI：
92.68～98.92）1.0000
（95% CI：
100～100）0.7738
（95% CI：
69.32～84.72）0.8114
（95% CI：
67.26～93.46）0.8879
（95% CI：
77.26～97.99）0.7485
（95% CI：
55.87～91.03）0.9048
（95% CI：
80～100）0.9524
（95% CI：
85.71～100）0.9524
（95% CI：
86.36～100）特异度 0.9762
（95% CI：
94.57～100）1.0000
（95% CI：
100～100）0.7976
（95% CI：
72.34～87.1）0.9332
（95% CI：
84.34～98.89）0.9889
（95% CI：
96～99.31）0.7674
（95% CI：
62.23～91.17）0.5000
（95% CI：
16.67～85.71）0.3333
（95% CI：
0～66.67）0.8333
（95% CI：
57.14～100）
下载: 导出CSV
-
[1] 郑荣寿,张思维,孙可欣,等. 2016年中国恶性肿瘤流行情况分析[J]. 中华肿瘤杂志,2023,45(3):212-220. [2] Siegel R L,Miller K D,Goding Sauer A,et al. Colorectal cancer statistics,2020[J]. CA:A Cancer Journal for Clinicians,2020,70(3):145-164. doi: 10.3322/caac.21601 [3] Arnaldo Stanzione,Francesco Verde,Valeria Romeo,et al. Radiomics and machine learning applications in rectal cancer:Current update and future perspectives[J]. World J Gastroenterol,2021,27(32):5306-5321. doi: 10.3748/wjg.v27.i32.5306 [4] Kanani A,Veen T,Søreide K. Neoadjuvant immunotherapy in primary and metastatic colorectal cancer[J]. The British Journal of Surgery,2021,108(12):1417-1425. doi: 10.1093/bjs/znab342 [5] Shimizu H,Nakayama K I. Artificial intelligence in oncology[J]. Cancer science,2020,111(5):1452-1460. doi: 10.1111/cas.14377 [6] Lambin P,Rios-Velazquez E,Leijenaar R,et al. Radiomics: Extracting more information from medical images using advanced feature analysis[J]. European Journal of Cancer (Oxford,England:1990),2012,48(4):441-446. [7] Aerts H J W L,Velazquez E R,Leijenaar R T H,et al. Erratum: Corrigendum: Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach[J]. Nature Communications,2014,5(1):1-8. [8] Gillies R J,Kinahan P E,Hricak H. Radiomics: Images are more than pictures,they are data[J]. Radiology,2016,278(2):563-577. doi: 10.1148/radiol.2015151169 [9] Horvat N,Veeraraghavan H,Khan M,et al. MR imaging of rectal cancer: Radiomics analysis to assess treatment response after neoadjuvant therapy[J]. Radiology,2018,287(3):833-843. doi: 10.1148/radiol.2018172300 [10] Avanzo M,Wei L,Stancanello J,et al. Machine and deep learning methods for radiomics[J]. Medical physics,2020,47(5):e185-e202. [11] Zhang X Y,Wang L,Zhu H T,et al. Predicting rectal cancer response to neoadjuvant chemoradiotherapy using deep learning of diffusion kurtosis MRI[J]. Radiology,2020,296(1):56-64. doi: 10.1148/radiol.2020190936 [12] Shin J,Seo N,Baek S E,et al. MRI radiomics model predicts pathologic complete response of rectal cancer following chemoradiotherapy[J]. Radiology,2022,303(2):351-358. doi: 10.1148/radiol.211986 [13] Liu Z,Zhang X Y,Shi Y J,et al. Radiomics analysis for evaluation of pathological complete response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer[J]. Clinical Cancer Research:An Official Journal of the American Association for Cancer Research,2017,23(23):7253-7262. doi: 10.1158/1078-0432.CCR-17-1038 [14] Yi X,Pei Q,Zhang Y,et al. MRI-based radiomics predicts tumor response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer[J]. Frontiers in Oncology,2019,9(9):552. [15] Horvat N,Bates D D B,Petkovska I. Novel imaging techniques of rectal cancer: What do radiomics and radiogenomics have to offer? A literature review[J]. Abdominal Radiology (New York),2019,44(11):3764-3774. doi: 10.1007/s00261-019-02042-y [16] Hiram Shaish,Andrew Aukerman,Rami Vanguri,et al. Radiomics of MRI for pretreatment prediction of pathologic complete response,tumor regression grade,and neoadjuvant rectal score in patients with locally advanced rectal cancer undergoing neoadjuvant chemoradiation: An international multicenter study[J]. Eur Radiol,2020,30(11):6263-6273. doi: 10.1007/s00330-020-06968-6 [17] Antunes J T,Ofshteyn A,Bera K,et al. Radiomic features of primary rectal cancers on baseline T2 -weighted MRI are associated with pathologic complete response to neoadjuvant chemoradiation: A multisite study[J]. Journal of Magnetic Resonance Imaging:JMRI,2020,52(5):1531-1541. doi: 10.1002/jmri.27140 期刊类型引用(7)
1. 陈海英，葛雅芳，潘顺，杨海鸥. 炎症衍生指标和胱抑素C对子痫前期的临床意义. 检验医学. 2024(06): 557-561 . 
百度学术2. 孙辉，王富鑫，祝孔辉. 阿加曲班联合双抗对大动脉粥样硬化脑梗死患者的疗效分析. 医药论坛杂志. 2024(17): 1873-1876 . 百度学术3. 田杨，李蕾，孟岳，薛明琛. IVIM-DWI灌注参数与中青年急性脑梗死神经功能缺损程度及溶栓后出血性转化的相关性. 中国CT和MRI杂志. 2023(11): 11-14 . 百度学术4. 黄露，金超伦，傅梦娜，陈金焕. 经皮冠状动脉介入术后心力衰竭的危险因素. 中国医师杂志. 2023(10): 1525-1529 . 百度学术5. 杨思敏，李梦杰，方贺，杨伟民. 急性缺血性脑卒中出血转化机制及预测因子的研究进展. 华西医学. 2022(06): 932-936 . 百度学术6. 陈欣，宋文慧，秦川，田代实，潘邓记. 粒淋比在中枢神经系统特发性炎性脱髓鞘疾病中的临床意义. 神经损伤与功能重建. 2022(10): 579-581+586 . 百度学术7. 师树荫. 新辅助化疗后行食管癌根治术NLR、dNLR与肺炎发生的关系. 华夏医学. 2022(06): 69-73 . 百度学术其他类型引用(3)
-
下载:
点击查看大图
计量
- 文章访问数: 3360
- HTML全文浏览量: 2092
- PDF下载量: 6
- 被引次数: 10
