
-
生物通官微
陪你抓住生命科技
跳动的脉搏
结合临床与Delta影像组学特征的两阶段模型用于放化疗后高级别胶质瘤的预后评估:一项回顾性研究
《La radiologia medica》:A two-stage model combining clinical and delta-radiomics features for prognosis in high-grade gliomas after chemoradiotherapy: a retrospective study
【字体: 大 中 小 】 时间:2026年10月15日 来源:La radiologia medica 5.3
编辑推荐:
摘要目的本研究旨在评估将放疗前与放疗中期影像组学、放化疗过程中肿瘤影像组学的时间变化(delta影像组学)以及临床变量整合入预后模型,用于高级别胶质瘤(HGG)患者个体化总生存期(OS)预测的疗效。方法从两个中心回顾性纳入143例接受标准放化疗的HGG患者。患者被分为训练队列
本研究旨在评估将放疗前与放疗中期影像组学、放化疗过程中肿瘤影像组学的时间变化(delta影像组学)以及临床变量整合入预后模型,用于高级别胶质瘤(HGG)患者个体化总生存期(OS)预测的疗效。
从两个中心回顾性纳入143例接受标准放化疗的HGG患者。患者被分为训练队列(n = 116),进行5折交叉验证,以及外部测试队列(n = 27)。从放疗前和放疗中期的MRI扫描中提取影像组学特征,并将两个时间点之间的差值计算为delta影像组学特征。采用基于弹性网络的特征稳定性选择进行特征筛选,并使用Cox模型为每组筛选出的特征生成影像组学评分(Rad-scores)。随后将Rad-scores与临床变量结合,构建随机生存森林(RSF)模型进行OS预测。进行Kaplan–Meier生存分析以评估预后分层。
整合临床变量和delta影像组学的联合模型在验证队列和外部测试队列中的C-指数分别为0.818和0.761,优于仅基于影像组学或临床特征的单模型。在外部测试队列中,时间依赖判别结果显示12、18、24和30个月OS的AUC分别为0.842、0.856、0.796和0.943,Kaplan–Meier分析显示风险分层具有统计学显著性(p = 0.002)。
本回顾性研究的结果表明,将多时间点影像组学、delta影像组学特征和临床变量进行整合,可能有助于HGG患者接受标准放化疗后的OS预测。尽管结果令人鼓舞,但考虑到外部验证队列规模有限以及主要模型中未纳入MGMT启动子甲基化状态,这些探索性发现仍需在更大的前瞻性队列中进一步验证。
本研究旨在评估将放疗前与放疗中期影像组学、放化疗过程中肿瘤影像组学的时间变化(delta影像组学)以及临床变量整合入预后模型,用于高级别胶质瘤(HGG)患者个体化总生存期(OS)预测的疗效。
从两个中心回顾性纳入143例接受标准放化疗的HGG患者。患者被分为训练队列(n = 116),进行5折交叉验证,以及外部测试队列(n = 27)。从放疗前和放疗中期的MRI扫描中提取影像组学特征,并将两个时间点之间的差值计算为delta影像组学特征。采用基于弹性网络的特征稳定性选择进行特征筛选,并使用Cox模型为每组筛选出的特征生成影像组学评分(Rad-scores)。随后将Rad-scores与临床变量结合,构建随机生存森林(RSF)模型进行OS预测。进行Kaplan–Meier生存分析以评估预后分层。
整合临床变量和delta影像组学的联合模型在验证队列和外部测试队列中的C-指数分别为0.818和0.761,优于仅基于影像组学或临床特征的单模型。在外部测试队列中,时间依赖判别结果显示12、18、24和30个月OS的AUC分别为0.842、0.856、0.796和0.943,Kaplan–Meier分析显示风险分层具有统计学显著性(p = 0.002)。
本回顾性研究的结果表明,将多时间点影像组学、delta影像组学特征和临床变量进行整合,可能有助于HGG患者接受标准放化疗后的OS预测。尽管结果令人鼓舞,但考虑到外部验证队列规模有限以及主要模型中未纳入MGMT启动子甲基化状态,这些探索性发现仍需在更大的前瞻性队列中进一步验证。