基于能谱CT影像组学构建肝癌微血管侵犯与CD105表达术前预测模型的研究

Postoperative recurrence of liver cancer is closely associated with microvascular invasion. CD105 is a molecular marker related to microvascular invasion of liver cancer. How to preoperatively predict microvascular invasion and CD105 expression in liver cancer is a hot and difficult topic. Our preliminary experimental results show that spectral CT monochromatic images radiomic features are obviously related to microvascular invasion of liver cancer, but their value in the prediction of microvascular invasion and CD105 expression in liver cancer remains to be further discussed. To this end, we propose the hypothesis that spectral CT radiomics may be of great value in the prediction of microvascular invasion and relevant molecular marker CD105 high expression in liver cancer. To test this hypothesis, firstly, monochromatic images are obtained with spectral CT scanning in the present study. Secondly, radiomic features of liver cancer are extracted and selected with MaZda software, and the optimal feature subsets of radiomics obtained are analyzed using linear discriminant analysis (LDA) or nonlinear discriminant analysis (NDA). Finally, the best preoperative prediction model is established with artificial neural network (ANN) and proven clinically. This study will provide us new quantitative analysis methods for the preoperative precise prediction of microvascular invasion and CD105 high expression in liver cancer, and new ideas for the preoperative evaluation of hepatectomy and liver transplantation.

肝癌术后复发与微血管侵犯密切相关，CD105是一个与肝癌微血管侵犯相关的分子标记。如何在术前预测肝癌微血管侵犯与CD105表达是目前研究的热点和难点。我们的预实验结果提示能谱CT单能量图像影像组学特征与肝癌微血管侵犯具有明显的相关性，但其在预测肝癌微血管侵犯与CD105表达中的价值还有待进一步探讨。为此，我们提出假说，能谱CT影像组学技术在预测肝癌微血管侵犯及相关的分子标记CD105的高表达中可能有较大的应用价值。为了验证该假说，本研究利用能谱CT扫描获得肝癌单能量图像，用MaZda软件对肝癌进行特征提取和特征筛选，得到影像组学最优特征子集，再使用线性判别分析法（LDA）或非线性判别分析法（NDA）进行分析。最后，通过人工神经网络（ANN）建立最佳的术前预测模型，并进行临床验证，为肝癌微血管侵犯与CD105高表达的术前精准预测提供新的定量分析方法，为肝切除和肝移植术前评估提供新的思路。

肝癌术后复发与微血管侵犯密切相关，CD105是一个与肝癌微血管侵犯相关的分子标记。如何在术前预测肝癌微血管侵犯与CD105表达是目前研究的热点和难点。本项目利用能谱CT扫描获得肝癌动脉期和门脉期70keV单能量图像，利用影像组学方法进行特征提取和特征筛选，筛选出高稳定性、高区分度和高独立性的定量特征，再利用机器学习算法成功构建了预测肝癌微血管侵犯的4种机器学习模型，结果显示，基于动脉期影像组学特征构建的随机森林（训练集AUC=1.000；验证集AUC=0.911）和支持向量机模型（训练集AUC=0.997；验证集AUC=0.921），基于门脉期影像组学特征构建的随机森林模型（训练集AUC=1.000；验证集AUC=0.921）在术前预测肝癌微血管侵犯中具有较高的效能。同时，基于肝癌动脉期和门脉期70keV单能量图像影像组学特征，利用机器学习算法成功构建了肝癌CD105高表达术前预测模型，结果显示，基于门脉期影像组学特征构建的随机森林模型具有较高的预测效能（验证集AUC=0.855）。研究表明，基于肝癌动脉期和门脉期能谱CT 70keV单能量图像影像组学特征的机器学习模型可用于术前预测肝癌微血管侵犯和CD105高表达，其中，随机森林模型具有较高的预测效能。本项目明确了与肝癌微血管侵犯及CD105高表达相关的能谱CT影像组学特征，成功构建了术前预测模型，为肝癌微血管侵犯与CD105高表达的术前精准预测提供了新的定量分析方法，为其临床决策提供了新思路，具有重要的临床意义和科学价值。此外，项目组还成功将影像组学和机器学习方法应用于肝癌血管包绕肿瘤细胞簇（VETC）术前预测、肺部结节的鉴别诊断及肺癌表皮生长因子受体（EGFR）突变预测中，取得了较好的应用效果。本项目已获得了一系列研究成果，在肝癌影像学研究方面，项目组研究人员已发表SCI论文5篇和中华期刊论著4篇；在肺癌影像学方面，已发表中华期刊论著2篇。