研究对象（P）
：
接受诱导化疗(induction chemotherapy, IC)和同步放化疗(Concurrent chemoradiation, CCRT)
治疗的200例经组织学证实的鼻咽癌患者
分类器（I/C）
：
SVM算法构建分类器+基于多变量 Logit模型的列线图
结局指标（O）
：
IC 应答者(CR/PR)和无应答者(SD/PD)+生存PFS
研究类型（S）
：
回顾性队列研究，诱导化疗应答预测，预后预测
研究目的
：
基于多模态 MRI 的影像组学构建列线图，用于预测非地方性局部晚期鼻咽癌患者对于诱导化疗的应答以及生存情况。
结局变量（Y）
: IC 应答者(CR/PR)和无应答者(SD/PD)）+生存PFS
协变量（Z）
：
性别、白细胞水平、临床病理、EB-DNA等
临床问题及研究GAP：
肿瘤对 IC 的反应是影响鼻咽癌调
强
放疗后生存率的独立预后因素。
然而，并非所有患者对 IC 反应良好。
无应答者的识别有利于更个性化的治疗选择，能够避免毒性和不必要的成本。
然而，目前还没有理想的临床特征或生物标志物。
还没有研究报道基于 MRI 的影像组学在预测非地方性 IC 反应中的作用。
它在预测 IC 反应和存活率方面的作用尚不清楚。
本文解决方式：
本研究旨在探讨基于MRI的影像组学在预测中国西北地区局部晚期鼻咽癌患者 IC 反应中的作用
B.特征提取：
从单个分割中计算出每个患者MRI图像的四种特征
C.特征选择：
采用双样本 t 检验和基于 LOOCV 的 LASSO Logit模型选择有用的特征
E.
临床应用：
多变量逐步回归（后退法） Logit模型用于构建列线图，DCA曲线评价模型临床获益
单
中心医院队列：
2012年1月至2016年12月在西京医院接受 IC 和 CCRT 治疗的200例经组织学证实的鼻咽癌患者
➤
可获得3个MRI序列影像（T1-WI、 T2-WI 和增强 T1-WI 图像），可以进行分析的MRI影像质量
➤
地方性局部晚期鼻咽癌，接受IC+CCRT化疗方案（IC was given to all the patients. It consisted
of 2-3 cycles of TP regimen (Docetaxel 75 mg/m2 IV in d1, cisplatin 30
mg/m2/ d IV for 3 days) or GP regimen (gemcitabine 1000 mg/m2 IV in d1
and d8, cisplatin 30 mg/m2/ d IV for 3 days) at a 2 week interval prior
to the initiation of RT treatment.）
本文：
训练集男性n=32，女性n=69，年龄48.5±10.5；
验证集男性n=5，女性n=18，年龄46.7±10.2
病人分类：
根据患者对IC的反应分为有应答(n=28) ，无应答(n=72)
影像设备：
MRI （3-T GE or Siemens MRI scanners）；
扫描序列：
T1-WI, T2-WI, and T1-C (T1 contrast)
最终，共纳入123名患者，分为训练集（100例患者，28名应答者对72名无应答者）和验证集（23例患者，6名应答者和17名无应答者），并从中获得MRI影像数据、病理特征及临床特征资料。
（表1）
① 使用 FLIRT将T1-WI 和T1-C 图像与T2-WI图像配准，从而矫正头位。
② 图像强度归一化。
③ 3名经验丰富的医生使用Medical Imaging Interaction Toolkit (MITK)手动分割肿瘤并划定ROI。
工具
：
本文特征提取及计算采用
MATLAB平台的软件进行。
(1)13 first-order intensity statistics features;
(2)
7
shape and size based features;
(3) 33 textural features, and
①采用基于选择频率的滤波方法，得到判别能力最强的特征排序
② 计算每个特征在100个训练分区的两步特征选择方法所选择的频率，包括训练队列中应答者和无应答者之间的双样本 t 检验，以及使用基于
LOOCV LASSO Logit模型
③ 分别使用 T1-C、 T1-WI 和 T2-WI 的特征或组合进行后续分析。
从
unimodal
MR 图像中提取的肿瘤区域计算出每个患者的4503个成像特征，选择概率>50%的排序前29个特征被用来训
练
SVM模型以及生成特征子集（subset）。
✦
根据29个特征构建特征子集（第一个子集由前两个特性组成，第二个子集由前三个特性组成，依此类推。
总共生成了28个特征子集）
✦
由增强的 T1-C 中的5个，T1-WI 中的4个和 T2-WI 图像中的10个组成的前19个特征在训练模型中表现最好（1000次 5x交叉验证被用来估计组分类和预测的准确性；
采用AUC最高的特征子集分别在训练队列和验证队列中对最终的SVM模型进行训练和验证）
✦
Radscore计算：
Radscore 的最佳cutoff值是基于 Cox 回归模型的得分得到，并根据“ surMisc”R 软件包的“ cutp”函数计算得出的。
使用三种模式MRI的signature结合五倍交叉验证的分类准确率和 AUC 值分别为88.58% 和0.8866
✦
多模态SVM模型优于基于随机森林RF构建的模型
❶
训练和验证队列中每个患者的影像学特征的分布
❷
准确性(ACC)、正面预测值(PPV)、负面预测值(NPV)和 ROC曲线曲线下面积(AUC)被用来评估模型的性能。
❸
ROC曲线：
➀
用于构建模型的特征：
Radscore，年龄，性别，T、N、clinical stage，EB-DNA，组织学类型，IC方案，IC前淋巴结直径及体积，IC前白细胞、血小板、淋巴细胞、白蛋白水平。
➁
筛选特征：
The likelihood ratio test with Akaike’s information criterion + backward
stepwise logistic regression analysis
➂
评价模型：
Harrell’s C-index, AUC, ACC, PPV, 以及NPV
➃
临床意义：
DCA分析
❶
临床列线图：
性别和治疗前的白细胞水平被认为是 IC 反应的独立预测因子(p < 0.05)，基于性别+治疗前白细胞水平构建临床
列
线图。
临床
列
线图的表现：
❷
影像组学列线图：
纳入Radscore构建影像组学列线图，并评价，预测性能良好。
❸
影像组学列线图校准曲线以及DCA分析
➀
生存分析显示 IC 反应者的 PFS 显着优于无反应者(3年 PFS 84.81% 比39.75% ，p < 0.001)
➁
根据radscore将患者分为高危组和低危组，低风险组患者的 PFS 显
着
优于高风险组患者(3年 PFS 76.24% 比48.04% ，p < 0.05)
本文建立了一个基于多模态MRI的影像组学模型来预测局部晚期非地方性鼻咽癌治疗前对于诱导化疗反应。
结合 T1-WI、 T2-WI 和增强 T1-WI 图像的影像组学特征显示出良好的预测价值。
将临床参数结合MRI 影像组学特征建立的列线图优于仅基于临床数据建立的列线图。
同时，基于显著不同的 PFS 率，影像组学特征可以将患者分为高风险组和低风险组。
▣ 预测结局： 对于诱导放疗的反应+生存，较为创新。 ▣ 多模态的应用，从3个MR序列提取影像组学特征；
■
单中心，回顾性研究，患者纳排标准较为宽泛，样本量较小，缺乏样本量较大的外部验证（受限于疾病，难以做到）；
■
仅仅分析了常规MRI序列，缺少其他MRI技术的特征，如DCE-MRI
