目的基于机器学习建立并验证放射组学预测非小细胞肺癌(non-small cell lung cancer,NSCLC)表皮生长因子受体(epidermal growth factor receptor,EGFR)基因突变模型。方法收集462例病理证实的NSCLC且术前行CT和明了EGFR基因状态的患者。从患者术前薄层CT中提取107个放射组学特征。采用随机森林(random forest)建立机器学习模型预测NSCLC的EGFR突变状态,并采用5-折叠交叉验证进行校正。结果462例NSCLC患者中,EGFR突变型214例(46.3%)。单因素分析发现5个特征以及吸烟状况和性别与EGFR突变相关。利用这5个放射组学特征以及吸烟状态和性别构建随机森林模型在训练集对EGFR突变的ROC曲线下面积(he area under the ROC curve,AUC)为0.774,敏感性为74.5%,特异性为79.1%。在验证集中AUC为0.756,敏感性为79.7%,特异性为65.7%。结论基于机器学习的放射组学模型能较好的预测NSCLC的EGFR的突变,有助于临床医生术前治疗方案的选择。
目的:探讨乳腺癌术前X线影像特征之间的分子亚型及病理类型的差异。方法:收集本院术前行全数字化乳腺成像(full-field digital mammography,FFDM)检查且经手术病理证实为乳腺癌的患者121例作为研究对象,按照乳腺癌的数字化X线影像基本特征、肿块形态及肿块边界情况进行分组,比较分析各组间的分子亚型及病理类型。结果:数字化X线片表现,按照基本特征划分,单纯肿块、单纯钙化及肿块伴钙化乳腺癌患者中,3种分子亚型的比率不完全相同,其中单纯肿块与单纯钙化的三阴型乳腺癌比率比较,差异无统计学意义(P>0.05),其余两两比较,差异均有统计学意义(P<0.05);按照肿块边界划分,清晰、模糊、小分叶及星芒状的乳腺癌患者中,3种分子亚型的比率不完全相同,其中小分叶及星芒的HER-2过表达型比率比较,清晰及模糊的Luminal型、HER-2过表达型的比率比较,差异均无统计学意义(P>0.05),其余两两比较,差异均有统计学意义(P<0.05)。按照肿块边界划分,清晰、模糊、小分叶及星芒状乳腺癌患者中,4种病理类型的比率不完全相同,其中清晰及模糊的其他病理类型比率比较,模糊及小分叶的浸润性小叶癌比率比较,小分叶及星芒的导管内癌比率比较,差异均无统计学意义(P>0.05),其他两两比较,差异均有统计学意义(P<0.05)。结论:乳腺癌数字化X线成像中部分征象与分子亚型及病理类型有关。
