放射神经学对脊索瘤复发的影响

　　脊索瘤是一种起源于原始脊索残留物的恶性肿瘤。它占全部原发性恶性骨肿瘤的1%至4%。是一种发病率低、每年0.5-0左右的少见疾病.8/100万。脊索瘤生长缓慢，攻击性强，局部侵袭性强，预后差。在转移表现出来之前，它可能有很长的潜伏期。脊索瘤通常根据颅骨、脊柱或骶骨部位进行描述。颅底发生了25%到35%的病例。

　　在治疗策略方面，颅底脊索瘤需要更多方位地考虑保留神经功能，这通常比其他部位的病变更复杂。治疗策略通常包括较大但顺利的切除术和术后外束放射治疗。结果不佳主要是由于局部复发广泛。局部复发率高达43%至85%，较复发发生在术后4年，无法评估复发。

　　radiomics从数字图像中提取的数量特征与给定的基本病理生理学之间的关系为研究人员提供了强大的工具。基于大型成像数据集的放射性分析已成功应用于肿瘤学研究。并在兴趣领域确定增加肿瘤的异质性和成像特征之间的映射。放射医学使肿瘤学家能够在肿瘤检测、表型亚型、治疗反应评估和预后等方面提供更个性化的医疗保健。

　　放射组学、非侵入性的方式好转肿瘤学的决策支持，提供了前所未有的机会。随着放射学分析在肿瘤学领域的成功应用，研究人员假设放射组学分析可以为颅底脊索瘤术后复发提供可靠的评估。进行放射学分析，确定与颅底脊索瘤术后复发相关的定量成像特征、开发和内部验证T2加权磁共振成像作为一种新型的个性化预处理评估方法，为颅底脊索瘤患者提供4年的复发概率。

　　研究人员关注了80例颅底脊索瘤患者。全部患者均于2010年6月至2014年1月入选首都医科大学北京天坛医院。BTH-CMU伦理委员会批准了研究人员的研究，并获得了全部患者的书面知情同意。

　　研究人员研究的标准如下：

　　（a）在BTH-CMU诊断和手术，

　　（b）肿瘤位于颅底脊柱区。病人按以下标准排除：

　　　　（a）通信系统中的图片存档和无脑治疗前的通信系统T2-wMRI，

　　　　（b）临床病理学或随访数据不完整，

　　　　（c）随访时间小于4年，未复发，

　　　　（d）复发时间超过4年。

　　全部登记患者按手术时间按1:1的比例分为两队。40名患者被分配到训练组，另外40名患者被分配到独自验证队。全部患者在前一年每三个月随访一次，2-5岁每六个月随访一次，5年后每年随访一次。这项研究的主要终点是PFS时间。根据随访情况MRI结果确定了复发日期。随访时间从手术时间到复发时间或较终接触时间计算。

　　脑成像和肿瘤掩蔽使用12通道只接收头部线圈，在脑成像和肿瘤掩蔽中MagnetomTrio3.0T在扫描仪上获得MR图像。对于特征选择，研究人员使用它PACS中存档的对比T2-w数字成像和医学通信图像，的数字成像和医学通信图像。研究人员使用它。ITK-SNAP软件进行三维手动分割。两名经委员会认证的放射科医生在原始空间内对每个病人进行了手动分割。

　　MR这些放射科医生不知道患者的临床信息。感兴趣的区域覆盖整个肿瘤，并在每个切片上MR图像描述。当两位放射科医生确定的每个面罩之间的差异小于5%时，将肿瘤面罩合并。当这两个面罩之间有超过5%的差异时，使用的面罩由高级放射科医生确定。

　　通过提取大量的定量特征来捕获描述肿瘤特征的放射学图像特征。本研究提取了620个通常用于放射组学分析的3D成像特征分为四组，包括：

　　(1)一阶统计，17个特征；

　　(2)基于形状和尺寸的特征，8个特征；

　　(3)质地，51个特征；

　　(4)小波特征，544特征。

　　一组采用一阶统计量化肿瘤强度特征，由全部肿瘤体素强度值的直方图计算，通过常用和基本度量描述MR体素强度在图像中的分布。二组由肿瘤形状的特征组成。三组由文本特征组成，可以量化肿瘤体积内可观察到的异质性差异。在肿瘤体积的全部三维方向上计算，从而考虑每个体素与周围体素相比的空间位置。包括灰度共现、灰度级游程长度、灰度级纹理矩阵和邻域灰度差矩阵。

　　根据原始图像的小波分解计算强度和纹理特征，将特征集中在肿瘤体积的不同频率范围上。将一维和未提取的三维小波变换应用于每一个MR图像，它将原始图像X分解为8个分解。Coiflet1小波应用于原始MR图像。研究人员计算了每个分解FOS和纹理特征。和纹理特征。使用MATLABR20115b实施全部预处理、特征提取和选择方法。

　　由于在这项研究中发现了如此多的特征，如果全部的特征都用于构建放射性组学特征，过度拟合可能是一个潜在的问题。特征选择与建模基于与与与和Glmnet训练队列。Pearson相关系数用于估计复发概率与每个特征之间的相关性作为单变量分析。P值<0.05的特征被认为与复发概率有关，并被选为以下过程。研究人员使用较小的收缩和计算方法来选择较重要的特征，然后建立一个包含选定变量的特征Logistic回归模型。

　　为避免过度拟合，研究人员将alpha设置为1，然后采用循环坐标下降法选择调整参数λ，其中较小λ设置为0.01，并且λ数量设置为100，选择参数λ，其中一个交叉验证错误是较小的，用于交叉验证的损失是类。大部分特征系数减少到零，并从LASSO所选特征的剩余非零系数被定义为Rad-Score：每个病人的Rad得分计算是所选特征的线性组合。按各自的系数加权。

　　全部Rad-score组合形成Radiomics签名。用接受者的操作特征曲线解释放射性组学特征评估4年内复发的能力，并在训练验证组中计算ROC曲线下面积。

　　人口统计和临床病理数据分类变量的频率和比例，连续变量报告中位数和范围。分别使用。Fisher精确检查与方差F检查分析检查分类与连续变量的区别。全部统计检查均为双侧，R版3分析.4.一中学。感兴趣的关键人口统计学和临床病理学数据是手术年龄、性别和组织学变异。在每组人口统计学和临床病理学数据中，两组之间没有差异。性设置为P<0.05。

　　在训练队列的基础上，研究人员从训练队列中学习，MR图像选择了与四年复发概率较强相关的五个特征来构建放射医学特征，包括原始球形不均匀，Coif1GLCM聚类阴影，Coif2GLCM相关性，Coif3GLCM和方差。，Coif5GLRLM短期强调。利用训练逻辑回归模型计算训练，验证群体中的放射学分析。

　　ROC曲线解释放射性组学特征，评估4年内复发的能力。它在训练组中达到了分类精度=85.00％，AUC=0.8600分类精度=85.00％，AUC=0.8568的表现。

　　采用放射组学方法MR研究图像数据，探讨颅底脊索瘤4年复发概率与放射组学特征的关系。采用图像数据。Pearson相关系数和LASSO回归分析选择与复发相关的特征。Logistic回归分类模型的结果表明，基于回归分类模型的结果表明，MRI放射性免疫学方法可根据患者4年复发的概率成功分层。

　　这是一个基础MR图像定量分析的放射学方法用于评估脊索瘤的复发。如果治疗前可以确定高复发的风险，应该进行更的治疗和更多的随访。可以为患者开发个性化的放射治疗和随访方案。这项研究有局限性。这是一项全部的回顾性和小样本研究MR同一扫描仪在同一成像协议下获得图像，降低了分类模型的泛化能力。

　　简而言之，研究人员确定了与颅底脊索瘤复发有关的放射学特征。根据选定的关键放射组学特征，建立了允许合适的非侵入性复发评估的机器学习模型。研究人员的评估模型结果表明，放射组学分析可以为脊索瘤的个性化评估提供合适的工具。

　　以上就是“放射神经学对脊索瘤复发的影响”的全部内容，想要了解更多“脊索瘤复发”相关问题，请拔打4000290925咨询我们，INC国际神经外科医生集团聚集10余位国际神经外科专家，致力于中外神经外科学术交流，为神经外科疑难手术案例提供国际前沿远程咨询意见和手术方案。