论文汇报讲稿2_英文论文汇报讲稿

论文汇报讲稿2由刀豆文库小编整理，希望给你工作、学习、生活带来方便，猜你可能喜欢“英文论文汇报讲稿”。

字面意思就是使用定量radiomics方法通过非侵入性成像解码肿瘤表型。

首先解释Radiomics是一种从放射影像图中高通量地提取图像特征的手段。

在人类癌症中实体肿瘤具有空间上和时间上的异质性，可以通过医学影像非侵入性地观察。拿图1来说+【图表题】，就可以发现在肿瘤的图像、形状和瘤内纹理方面有很强的差异，这就限制了侵入性活检的使用，却给医疗影像的使用保留了巨大的潜能。但现阶段临床实践中，仅仅用一维或二维的图像描述出的肿瘤特征通常很主观和定性。而随着肿瘤个体化治疗的发展，Radiomics影像组学应运而生。Radiomics影像组学利用自动化高通量的数据特征提取算法将影像数据转化为具有高分辨率的可挖掘的影像特征数据，通过这些数据挖掘描述组织特性。有研究报道，影像组学数据可以判断组织特性、对治疗的反应，并预测患者的预后。应用影像组学数据对患者或肿瘤表型进行精确区分，可以成为对临床参数的一种有效补充。

该研究的数据是 + 【内容】

获取ct影像数据后，就要提取radiomics数据。首先由有经验的医师勾画出肿瘤区域，然后将医学数字成像和通信图像以及医学数字成像和通信勾画结构一起上传到MATLAB软件上以自动的方式提取出440个能够描述肿瘤特点的radiomics特征。特征可分为四组：

（1）肿瘤强度，使用一阶统计，从所有肿瘤体素强度值直方图计算肿瘤强度特征。（2）肿瘤形状，包括基于肿瘤形状的特征（例如，肿瘤的球形或致密）。

（3）肿瘤纹理，在肿瘤体积内的所有三维方向上计算，由此考虑每个体素与周围体素相比的空间位置。（4）小波特征，通过原始图像的小波分解来计算强度和纹理特征，由此将特征聚焦在肿瘤体积内的不同频率范围上。

之后用这些特征进行分析，分析过程如下图，它分为训练和验证两个阶段。把1019个肺癌和头颈部肿瘤患者分成7个独立的数据集。训练阶段包括3个数据集：

（1）RIDER数据集包括31名NSCLC患者，两次CT扫描相隔大约15分钟。使用这个数据集通过重测信度和观察者间设置来确定radiomics特征的稳定性。使用组内相关系数（ICC）计算每个特征的稳定性等级，其中较高的组内相关系数等级对应于更稳定的特征。

（2）多重描述数据集由21名NSCLC患者组成，其中肿瘤体积由5位独立的肿瘤学家在CT / PET图上手动描绘。我们使用这个数据集通过Friedman检验来计算评估radiomics特征对于人工描绘变化的稳定性。使用组内相关系数（ICC）计算每个特征的稳定性等级，其中较高的组内相关系数等级对应于更稳定的特征。

（3）Lung1数据集由422例NSCLC患者组成。我们使用这个数据集来评估radiomics特征的预后价值并建立一个radiomics标志。稳定性等级确定后，将分析的重点放在了100个最稳定的特征上，然后，从四个radiomic特征组的每一个中，选择在Lung1数据集中性能表现最好的特征组。将这四个最重要的特征组合成多变量Cox比例风险回归模型以预测病人存活即预后价值。最后建立radiomics标签。建立过程如图：

由此产生的radiomic签名包括

（I）描述肿瘤总体密度的“统计能量”（补充方法特征1）（II）“形状紧密度”（特征16），量化肿瘤形状是多么紧凑，（III）（特征48）是肿瘤内异质性的测量

（IV）小波“灰度不均匀性HLH”（特征组4），也描述了在中频内分解图像后的肿瘤内异质性。

验证阶段包括4个数据集：为确保完全独立的验证，计算Lung1数据集上每个特征的中间阈值，然后在验证数据集（Lung2，H＆N1和H＆N2）中使用该阈值来分割存活曲线。

（4）Lung2数据集由225例NSCLC患者组成。我们使用这个独立的数据集来验证非小细胞肺癌中的radomics特征和radiomics标志的预后价值。

（5）H和N1的数据集包括136例头颈部鳞状细胞癌患者。我们用这个数据集验证radiomic特征和radiomics标志对于头颈部鳞癌患者的预后价值。

（6）H和N的数据集包括95头颈部鳞癌患者。我们用这个数据集验证radiomic特征和鲜明特征对于第二批头颈部鳞癌患者的预后价值。

（7）lung3数据集包含89的NSCLC患者。我们使用这个数据集来将radiomics特征与基因表达谱相关联。为了评估radiomics标记与基因表达的关联，我们使用Lung3数据集。测量了89例患者的基因表达，21,766个基因。使用基因组富集分析（GSEA）将放射性标记与基因表达谱进行比较。（表达值归一化。对于radiomic签名的四个特征中的每一个，我们计算Spearman等级相关性到基因表达，并使用相应的P值来获得代表从高到低一致性的基因的等级。使用这些基因序列中的每一个在MSigDB 28的C5集合上执行GSEA 14的预排序版本，其包含与特定GO术语相关联的基因集合。我们只考虑了大小为15-500的基因组。局部FDR是根据GSEA的主要统计量的归一化富集分数（NES）计算的，只保留了富含20％FDR的基因组。图4b显示了对于四个放射量特征中的至少一个（用星号表示）显着富集的基因组（FDR r20％）。所有四个特征中的相应的绝对NES被给予颜色编码，其中浅蓝色表示低而深蓝色表示高NES。）

结果：结果显示，这些影像特征捕捉的肿瘤异质性，与肿瘤病理类型、T分期、基因表达的模式相关，并且与患者的预后有显著关联。

1、radiomic数据与临床数据有关联。

无监督聚类显示出有类似radiomic表达模式的患者群（图3）。我们比较了三组患者的临床参数（图3b），发现与原发肿瘤分期（T分期;p

2、radiomic数据的预测价值。

在补充图1中，我们显示了四个代表性特征的Kaplan-Meier生存曲线。

【补充图1 | 单基因组特征的Kaplan Meier生存曲线。a统计能量，b形状紧凑性，c灰度级不均匀性和d小波HLH灰度级不均匀性。对于每个特征，中值在Lung1数据集上被训练，并被选作验证数据集Lung2，H＆N1和H＆N2中的分割阈值。】

总体而言，Lung1验证数据集中，来自Lung1的阈值在238个特征（总440的54％;G-rho检验，错误发现率（FDR）10％）中产生显着的生存差异。此外，H＆N1中的135个特征（31％）和H＆N2中的186个特征（42％）存在显着的生存差异。在所有三个验证数据集（Lung2，H＆N1和H＆N2）中，66（15％）个来自Lung1的特征对于存活是显着的。而且，肿瘤更紧凑的患者生存的可能性更大。

4、Radiomic标记的预测验证 比较radiomics标记与TNM分期（恶性肿瘤国际临床病期分期），我们发现在Lung2和H＆N2中的标记性能好于H＆N1（补充表1）。

此外，我们发现，对于肺癌和H＆N癌症患者（补充表2），所有治疗组（放疗或同步放化疗）均保留了其预后表现，证明了每种治疗类型的放射组学的互补价值。

我们发现了签名特征和基因表达模式之间的显着关联（图4b）。此外，基因组的特征与不同的生物基因组显着相关，表明基因组的特征探测了不同的生物学机制。

总的来说，这项研究结果表明，radiomics数据对肺癌和头颈部肿瘤患者都有很强的预后信息，并与底层的基因表达模式有关联。这些结果表明，radiomics对多种类型的癌症都能解码出一个大致的显性预示。radiomics可以有一个大的临床影响，提供一个可以量化的，在治疗过程中监测的表型变化的方法，就像成像技术被用在日常实践中逐步遍及全球。