Predict treatment response to chemoradiotherapy in esophageal carcinoma

目录：

1:INTRODUCTION

2:MATERIALS

3:METHODS

4:RESULTS

5:CONCLUSIONS

1:   INTRODUCTION

        食管癌是最常见的第八大恶性肿瘤类型，包括超过每年有450000人被诊断为癌症，这也是癌症相关死亡的第六大原因，每年约有400000人死亡。目前，同步放化疗已成为的标准治疗方法。然而，局部晚期食管癌经过放化疗术后5年总生存率只有36-47%。因此，一种非侵入性预测方法有望识别出放化疗之后反应差的高危人群。早期选择CRT反应较差的患者可从抢救性手术中获益，获得长期生存。因此，在治疗前对这些患者进行识别，预测患者对放化疗的反应很有必要。也就是说，我们就是想在没进⾏化疗之前知道哪些病⼈适合辅助化疗，哪些病⼈不适合辅助化疗，这样可以对病人情况做相应的治疗方案。（二分类的问题---适合或者不适合

         除了肉眼可见的宏观影像学特征，影像图像被认为存在大量可被挖掘的、高维的定量特征。这些特征能一定程度上反映肿瘤分子水平的信息以及内部的微环境，从而用来辅助病灶定性、疗效预测、疗效评估等，研究者称之为影像组学 。通过充分利用影像中所包含的信息，利用算法寻找与结果之间的关联关系，进而对肿瘤进行评估。影像组学的发展能够解决肿瘤异质性难以确定的问题，对于肿瘤患者来说，尽早对肿瘤作出正确评估意义非常重大。

     

2:    MATERIALS

实验包含49例组织学诊断为食管鳞癌的患者，他们在2015年3月至2016年12月在南京鼓楼医院肿瘤中心就诊。患者特征如下表。所有患者均被认为在CT扫描前不能手术，未接受化疗或放疗。其他入选标准包括:正常的心脏、肺和血液功能。

临床病例信息统计
 

3:    mathods

3.1   图像预处理

虽然患者在标准的临床获取方案下使用相同的扫描仪进行CT检查，但参数设置的改变可能导致强度范围的变化。为了最小化图像采集参数变化的影响，增强定量图像分析中的特征特征，将轮廓ROIs内的体素值归一化为有限的灰度范围如下:

其中2k表示离散值的数量(16-128),I是原始图像的强度,Ω是像素的集合的波状外形的ROI。这种离散化过程提高了对原始数据的敏感度，减弱了所有患者组的图像噪声。

处理之后我们需要得到肿瘤的感兴趣区域也就是对应的ROI区域，本文采用两个经验丰富的医师进行肿瘤ROI进行分割。具体示意图见下图：

在得到中瘤对应的ROI区域之后，可以对ROI区域进行特征提取。

3.2   Radiomics特征提取

使用MATLAB 2015a开发了一个特征计算模块(Mathworks, Natick, MA, USA)，计算radiomic features。本研究提取了60个三维(3D)和154个二维(2D)特征。具体来说，三维ROI基于密度直方图、灰度共生矩阵(GLCM)、灰度运行长度矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)、邻域灰度差矩阵(NGTDM)得到的三维纹理特征。总共从四种主要方法中提取了214个放射体特征:基于形状的(传统度量)、基于直方图的、基于纹理的(GLCM_2D/3D、GLRLM_2D/3D、GLSZM_2D/3D、NGTDM_2D/3D、GLGCM_2D和日志过滤器)，以及包括Gabor转换得来的特征。

 

3.3    统计分析（特征降维）

采用Kruskal-Wallis检验比较各特征对放化疗后患者治疗反应的鉴别能力(n = 49)。P < 0.05为差异有统计学意义。(Receiver operating characteristic, ROC)曲线分析，评估各研究特征在区分不同治疗反应方面的表现(计算特异性、敏感性和95%置信区间)。曲线下面积(AUC)值为1表示比较理想，小于0.5表示不显著。Delong’s检验用于评估影响特征的auc之间的统计学意义。此外，使用类内相关系数(intra-class correlation coefficient, ICC)来量化重复描述的特征再现性。ICC大于0.8的放射学特征被认为是可重复的。
 

4  RESULTS

采用支持向量机(SVM)和人工神经网络(ANN)算法建立治疗反应预测模型。将患者分为两组:培训组37例(26例应答者，11例无应答者)，检测组12例(7例应答者，5例无应答者)。为了避免模型过拟合，减少训练时间，首先要减少特征的数量。在训练组的基础上，采用基于包装器的特征选择方法，得到特定模型(SVM或ANN)的最优特征子集。它通过递归删除特征，然后评估其余特征的预测能力，而不遗漏任何关键特征。将选取到的特征分别使用SVM和ANN进行分类预测。

5  CONCLUSION

基于放射学的特征对区分完全病例反应具有重要意义。五个特征被发现区分无应答者和应答者(auc从0.686到0.727)。

结论：基于ct的放射学特征可作为预测EC患者肿瘤对放化疗反应的影像学生物标志物。

这篇文章需要可以值得借鉴的地方：

1:可以将提取的文本特征输入到神经网络而不单单是输入到简单的机器学习网络。

2:一些常用的实验方法，比如组内相关性系数（icc）、Kruskal-Wallis test、McNemars test、Delongs test。