基于MRI的深度学习结合放射组学技术，用于术前预测膀胱癌患者的淋巴血管侵犯情况

《Cancer Imaging》：MRI-based deep learning combined with radiomics for the preoperative prediction of lymphovascular invasion in patients with bladder cancer

　　

摘要

背景

淋巴血管侵犯（LVI）是膀胱癌预后不良的标志，然而可靠的术前预测仍然具有挑战性，这限制了个性化治疗计划的制定。

方法

在这项多中心回顾性研究中，共纳入了543名膀胱癌患者。其中，来自两个中心的473名患者被随机分为训练集和内部测试集，比例为8:2，而另外六个中心的70名患者构成了独立的外部测试集。在对肿瘤及其周围组织进行分割后，开发了一种结合深度学习和放射组学特征的混合模型。该混合模型与十个基线模型进行了比较，这些基线模型包括仅使用图像数据的深度学习模型、仅使用放射组学数据的深度学习模型以及基于放射组学的机器学习方法。模型性能通过接收者操作特征曲线下面积（AUC）和五折交叉验证来评估。预后价值通过Kaplan–Meier生存分析和对数秩检验进行评估。

结果

混合模型的AUC分别为0.77（内部测试）和0.75（外部测试），超过了所有基线模型。该模型预测的LVI状态在训练集（p < 0.001）和内部测试集（p = 0.003）中显著区分了患者的总体生存情况，而在外部测试集中未观察到显著趋势（p = 0.151）。

结论

所提出的非侵入性混合模型能够准确预测术前LVI状态，并显示出预后潜力，从而有助于膀胱癌的风险分层。