分享:
分享到微信朋友圈
X
经验交流
基于瘤周1 cm内ADC值构建的列线图模型预测胶质瘤术后进展的临床价值
程梦雨 杨哲 范嘉玮 李文菲 王文希 王占秋

Cite this article as: CHENG M Y, YANG Z, FAN J W, et al. Clinical value of a nomogram model based on ADC values within 1 cm around the tumor for predicting the postoperative progression of glioma[J]. Chin J Magn Reson Imaging, 2023, 14(1): 136-142, 150.本文引用格式:程梦雨, 杨哲, 范嘉玮, 等. 基于瘤周1 cm内ADC值构建的列线图模型预测胶质瘤术后进展的临床价值[J]. 磁共振成像, 2023, 14(1): 136-142, 150. DOI:10.12015/issn.1674-8034.2023.01.024.


[摘要] 目的 构建基于瘤周1 cm内表观扩散系数(apparent diffusion coefficient, ADC)值的列线图模型对预测胶质瘤术后进展的临床价值。材料与方法 回顾性分析2016年1月至2020年12月间于秦皇岛市第一医院就诊的脑胶质瘤切除术患者的临床及影像资料,通过影像储存和传输系统(Picture Archiving and Communication Systems, PACS)收集并测量平均ADC(mean apparent diffusion coefficient, mADC)值。通过X-tile选取最优mADC阈值后进行Kaplan-Meier生存曲线分析。采用Cox回归分析筛选独立危险因素并构建列线图预测模型,进而预测胶质瘤患者术后进展。绘制受试者工作特征(receiver operating characteristic, ROC)曲线评价模型的准确性,决策曲线(decision curve analysis, DCA)评价模型的临床价值。结果 单因素及多因素Cox回归分析显示,瘤周mADC值、瘤周强化程度、年龄及肿瘤切除程度是预测胶质瘤术后进展的独立危险因素(P均<0.05)。列线图模型预测胶质瘤患者术后1、2年病情进展的ROC曲线下面积(area under the curve, AUC)分别为0.79、0.76。校正曲线显示模型中观察值与预测值之间有良好的一致性。DCA显示列线图模型有较好的临床应用价值。结论 基于瘤周1 cm内mADC值首次建立的列线图模型可直观全面地预测胶质瘤患者术后病情进展情况,为临床个性化评估患者生存预后及制订治疗方案提供有力工具。
[Abstract] Objective To investigate the clinical value of nomogram model based on the apparent diffusion coefficient (ADC) within 1 cm around the tumor for predicting the postoperative progression of glioma.Materials and Methods Clinical data of glioma patients underwent surgery retrospectively retrieved from First Hospital of Qinhuangdao were obtained. Mean apparent diffusion coefficient (mADC) was collected and measured by Picture Archiving and Communication Systems (PACS). Kaplan-Meier survival curve was performed with optimal mADC threshold determined by X-tile. Cox regression analysis was used to screen independent risk factors, then a nomogram was developed to predict the progression of postoperative glioma patients. The receiver operating characteristic (ROC) curve was drawn to evaluate the prediction accuracy of the model, and the decision curve analysis (DCA) was carried out to assess the clinical value of the nomogram.Results Univariate and multivariate Cox regression analysis showed that the peritumoral mADC values, the degree of peritumoral enhancement, age and the degree of tumor resection were independent risk factors for predicting the postoperative progression of glioma (all P<0.05). The ROC curve of the nomogram predicting 1 and 2 years postoperative progression was 0.79 and 0.76. The calibration curve showed that there was a good consistency between the observed values and the predicted values in the model. The curve showed that the nomogram model had good clinical application value.Conclusions The nomogram model established for the first time based on mADC value within 1 cm around the tumor can predict the postoperative condition of glioma patients intuitively and comprehensively. It can provide a relatively accurate prediction tool for neurosurgeons to individualized evaluation of survival and prognosis and formulated treatment plans for patients.
[关键词] 胶质瘤;瘤周水肿;瘤周强化;术后进展;磁共振成像;扩散加权成像;表观扩散系数;列线图
[Keywords] glioma;peritumoral edema;peritumoral enhancement;postoperative progression;magnetic resonance imaging;diffusion-weighted imaging;apparent diffusion coefficient;nomogram

程梦雨 1   杨哲 2   范嘉玮 1   李文菲 3   王文希 1   王占秋 3*  

1 河北医科大学放射医学教研室,石家庄 050000

2 河北北方学院,张家口 075000

3 河北医科大学附属秦皇岛市第一医院放射科,秦皇岛 066000

通信作者:王占秋,E-mail:wangzhanqiu2007@sina.com

作者贡献声明:程梦雨查阅文献、文献构思及收集资料、整理、分析并参与稿件撰写及统计分析;杨哲收集资料、整理及分析、图片编辑;范嘉玮查阅文献、统计分析;王文希收集资料;李文菲获得基金项目支持、文献构思及分析、参与论文重要内容修改;王占秋参与选题设计、同意最后的修改稿发表,对本研究工作各方面的诚信问题负责,并同意最后的修改稿发表。


基金项目: 秦皇岛市科技计划项目 201805A078
收稿日期:2022-07-12
接受日期:2022-11-08
中图分类号:R445.2  R730.264 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2023.01.024
本文引用格式:程梦雨, 杨哲, 范嘉玮, 等. 基于瘤周1 cm内ADC值构建的列线图模型预测胶质瘤术后进展的临床价值[J]. 磁共振成像, 2023, 14(1): 136-142, 150. DOI:10.12015/issn.1674-8034.2023.01.024.

0 前言

       胶质瘤起源于神经胶质细胞,是颅内最常见的原发性肿瘤,占中枢神经系统肿瘤的27%[1]。手术是其主要的治疗方式[2]。胶质瘤侵袭性较强,有研究证实胶质瘤术后复发率高达65%[3],其较高侵袭性及复发性与瘤周水肿区的肿瘤细胞浸润密切相关[4, 5, 6]。近年来对于胶质瘤术后进展预测的研究较少,如何在胶质瘤术后早期预测病情进展对个体进行干预治疗具有较大的临床意义。现如今多种MRI技术被应用于胶质瘤预后评估研究中,常规MRI对胶质瘤瘤周评估存在一定的局限性,而扩散加权成像(diffusion-weighted imaging, DWI)的定量参数表观扩散系数(apparent diffusion coefficient, ADC)可以测量组织内水分子扩散速率,有效地反映肿瘤的病理异质性[7, 8],肿瘤异质性不仅限于癌细胞,还与肿瘤周围的浸润性细胞有关,称为微环境。肿瘤的微环境作用很重要,因为影响肿瘤进展的就是肿瘤细胞与周围环境之间的相互作用。近年来基于ADC值测量对肿瘤瘤体的评估、预测疾病的预后、组织病理分级、肿瘤的诊断鉴别和疾病放化疗治疗效果的研究应用较为广泛[5, 9, 10, 11, 12, 13, 14, 15],该技术不仅可以有效评估胶质瘤基因型,在预测其预后、生存分析方面也有较高的价值[16],有研究证实瘤周ADC值可以预测肿瘤的预后[8, 17, 18],而胶质瘤术后瘤周的应用鲜有。构建列线图预测模型改善了对肿瘤单一危险因素预测的局限性,能够将多个对肿瘤预后有影响的因素综合起来,对肿瘤患者的预后进行准确预测和指导个体化治疗[19, 20, 21]。因此本研究的目的是基于术后胶质瘤瘤周1 cm内平均ADC(mean apparent diffusion coefficient, mADC)值构建列线图预测模型,并且探讨预测模型的临床价值。

1 材料与方法

1.1 一般资料

       回顾性分析2016年1月至2020年12月间于秦皇岛市第一医院就诊的胶质瘤术后患者的影像资料与临床信息,经纳入排除标准筛选后,最终符合要求的病例为47例,术后患者均在一周内行增强MRI检查,且治疗期间患者均通过增强MRI检查进行随访,随访截止日期为2021年12月31日。术后1年内按照《脑胶质瘤诊疗规范(2018年版)》[22]于1个月、3个月、6个月随访检查,此后按照每6个月进行随访,终点事件为患者疾病进展,患者疾病进展的时间为术后第一次MRI检查时间至发现疾病进展时间。病情进展根据RANO标准进行评估,符合以下标准之一即可诊断[23, 24]:(1)T1WI增强病灶垂直直径的乘积总和增加≥25%或者最大直径增加>5 mm;(2)T2WI/液体衰减反转恢复(fluid attenuated inversion recovery, FLAIR)非增强性病变显著增加(如瘤周水肿占位效应显著逐渐加重);(3)出现新发病灶。

       纳入标准:(1)临床信息资料完整;(2)术后经病理组织学诊断为脑胶质瘤患者;(3)重要器官(心、肺、肝、肾等)功能基本正常;(4)术后第一次MRI检查为术后1周之内完成;(5)术后随访复查的MRI影像资料完整,均包含常规序列、增强序列及ADC完整图像且图像质量满足评估要求。

       排除标准:(1)术前放、化疗者;(2)影像资料不全或随访信息不全者;(3)不完整的MRI检查序列或图像存在伪影;(4)术后短期内死亡患者;(5)同时合并其他部位恶性肿瘤或颅脑疾病患者。

       本研究遵守《赫尔辛基宣言》,得到秦皇岛市第一医院伦理委员会批准,免除受试者知情同意,批准文号:2019A072。

1.2 影像学检查

       所有患者术前均使用西门子1.5 T磁共振扫描仪扫描,使用标准头部线圈采集数据。常规扫描序列包括:轴位T1WI、T2WI、压脂T2 FLAIR、DWI(b=0、1000)及轴位T1WI增强序列。T1WI序列扫描参数:TR 550 ms,TE 9.04 ms;T2WI序列扫描参数:TR 4400 ms,TE 107 ms;T2 FLAIR序列扫描参数:TR 8000 ms,TE 120 ms,层厚5 mm,无层间隔,FOV 230 mm×230 mm;T1WI增强扫描参数:TR 600 ms,TE 7.2 ms;DWI序列扫描参数:TR 3500 ms,TE 89 ms,矩阵256×256,层厚、层间距和FOV与FLAIR序列扫描参数一致[25],扩散敏感系数(b值)为0、1000 s/mm2,扫描时间为68 s。磁敏感对比增强扫描对比剂采用钆喷酸葡胺(中国北陆药业),剂量为0.2 mmol/kg,然后生理盐水20 mL冲管,速率为0.4 mL/s。

1.3 瘤周常规影像学参数及mADC值的测量与勾画

       本研究的常规参数包括肿瘤位置(左侧、右侧、中线部位及弥漫分布)、累及几个脑叶、是否累及重要功能区(运动、语言功能区、基底节区)、病灶最大层面瘤腔的最大直径与最小直径、瘤周水肿、瘤周强化程度及患者术后是否进行放化疗治疗。瘤周水肿区域是指T2 FLAIR序列呈高信号,相应T1增强序列未强化,同时在ADC序列上呈高信号的区域(相对于脑实质,见图1病例图)。瘤周强化分为无强化、轻度强化、中度强化和明显强化,若表现为细线样强化(局限性或全层残腔壁强化厚度<3 mm,图1B)定义为轻度强化;若瘤腔边缘出现粗线样强化(局限性或全层残腔壁强化厚度为3~5 mm,图1C)定义为中度强化;若是表现为结节样强化(残腔壁为5~10 mm的结节性强化,图1D)则定义为明显强化[26]。新增强化病灶为距离残腔>1.5 cm的新发病灶[27]。感兴趣区(region of interest, ROI)的选取[17]及mADC值测量方法:先由一名研究生在一位具有10年影像诊断经验的主治医师的监督下使用空间定位工具[影像储存和传输系统(Picture Archiving and Communication Systems, PACS)]定位瘤周区域,避开颅骨、脑沟、脑池及瘤周异常强化区域,在距离瘤腔<10 mm之内的水肿范围内逆时针挑选5个区域进行ROI勾画,ROI勾画面积约15 mm2左右,勾画同时计算出每个ROI的ADC值,最后计算5个ADC值之间的均值,数据均保留小数点后两位,最终得出mADC值。两个月后由另一位具有15年影像诊断经验的主任医师监督,进行第二遍ROI勾画,若与上一次差距较明显,则由主任医师确定。

图1  胶质瘤术后患者不同强化方式增强MRI图像及病例展示。1A~1D:术后T1增强序列瘤周不同强化方式。1A:无强化;1B:轻度强化(细线样强化);1C:中度强化(粗线样强化);1D:明显强化(结节样强化)。1E~1H:男,63岁,全切术,胶质瘤术后未进展患者。1E:术后一周T2 液体衰减反转恢复(FLAIR)序列见术区囊腔周围片状高信号影(瘤周水肿);1F:T1增强序列显示术区囊腔边缘及瘤周水肿未见明显强化;1G:表观扩散系数(ADC)序列显示术区囊腔呈明显高信号,瘤周水肿为略高信号;1H:随访41个月增强T1序列显示病灶未见明确复发征象。1I~1L:男,53岁,次全切除术,胶质瘤术后进展患者。1I:术后一周T2 FLAIR显示术区囊腔周围见片状高信号影(瘤周水肿);1J:T1增强序列显示术区囊腔瘤周水肿未见明显强化,瘤腔边缘见结节样强化;1K:ADC序列显示术区囊腔呈明显高信号,瘤周水肿为略高信号;1L:随访3个月增强T1序列显示原病灶边缘强化结节范围较前明显增大。

1.4 统计学分析

       本研究对两次测量的瘤周mADC值进行了一致性相关分析,确保mADC具有良好的稳定性。通过X-tile软件确定最佳瘤周mADC阈值,将患者分为高风险和低风险两组,通过R 4.1.3软件(https://www.r-project.org)进行Kaplan-Meier生存曲线的绘制,用时序轶检验(Log-rank test)比较生存率的差异。使用R软件包(survival)对收集的临床及影像信息进行单因素及多因素Cox回归分析,筛选出胶质瘤术后进展的独立危险因素(P<0.05)。在此基础上构建列线图模型进行直观分析。为进一步评估模型的准确性及有效性,通过Med Calc软件绘制受试者工作特征(receiver operating characteristic, ROC)曲线,采用曲线下面积(area under the curve, AUC)预测术后1、2年患者进展的准确性,通过校正曲线对模型进行准确性的拟合,最后通过决策曲线(decision curve analysis, DCA)评价列线图模型临床价值。

2 结果

2.1 纳入患者基线资料

       本研究共收集符合纳入标准的患者47例,其中术后进展者26例(55.3%),未进展者21例(44.7%);男26例(55.3%),女21例(44.7%);年龄14~79岁,<50岁24例(51.1%),≥50岁23例(48.9%),中位年龄为49岁。患者详细信息见表1

表1  胶质瘤患者术后瘤周临床及影像学特征

2.2 确定最佳瘤周mADC阈值

       本研究对两次测量的瘤周mADC值进行了一致性分析,一致性相关系数为0.83,具有良好相关性(图2)。通过X-tile软件将mADC阈值设置为1358.9 ×10-3 mm2/s,分为高风险和低风险两组。R软件绘制Kaplan-Meier生存曲线,并用时序轶检验(Log-rank test)比较生存率的差异(图3)。

图2  一致性相关分析散点图。mADC1、mADC2分别为两次测量的平均表观扩散系数值。
图3  最优截断值的选取及Kaplan-Meier生存曲线分析。mADC1为第一次测量的平均表观扩散系数值。

2.3 单因素、多因素回归分析及列线图预测模型的构建

       将单因素回归分析筛选出的危险因素(P<0.05)纳入多因素回归分析(表2),发现肿瘤切除程度、瘤周mADC值、年龄以及瘤周强化程度是胶质瘤术后进展的独立危险因素,构建了基于瘤周1 cm内mADC值预测胶质瘤术后进展的列线图模型(图4A)。

图4  列线图的构建及评估。4A:预测胶质瘤术后患者进展的列线图预测模型;4B:胶质瘤术后进展预测模型的受试者工作特征曲线;4C:预测胶质瘤术后进展列线图模型的校准曲线;4D:列线图模型预测胶质瘤术后进展的决策曲线。
表2  47例胶质瘤术后患者首次进展的单因素及多因素回归分析

2.4 列线图预测模型的评估

       列线图模型预测胶质瘤术后1、2年进展AUC分别为0.79、0.76,提示模型的预测能力好(图4B)。校准曲线发现预测值与理想值之间拟合度较高,表明本研究所做列线图模型具有较高的准确性(图4C)。DCA曲线获得的临床净收益较高,表现出较好的临床实用性(图4D,典型病例应用于预测模型使用参考图1)。

3 讨论

       本研究基于临床和影像危险因素首次建立了瘤周多参数列线图模型预测胶质瘤术后患者病情进展,胶质瘤术后瘤周的mADC值、瘤周的强化程度是影像学独立危险因素,年龄、肿瘤切除程度是临床独立危险因素。本研究模型具有良好的预测效能,可作为术后胶质瘤复发的有效预测工具,有望为患者的个性化治疗提供重要的指导价值。

3.1 胶质瘤患者术后进展的影像学影响因素分析

       近年来利用MRI多种成像技术对胶质瘤瘤体及瘤周的研究日益增多,其中运用ADC值预测脑胶质瘤复发的研究较少。在一项测定直肠癌瘤体本身及瘤周ADC值进而对其预后评估的研究[8]中,两者均可作为评估可切除直肠癌术后的预后因素。国外另一项通过对瘤周ADC值测定进而评估乳腺腋窝淋巴结转移的侵袭性及预后的研究中,乳腺癌具有较高的浸润及侵袭性[28],瘤周ADC值是肿瘤浸润的重要影像学指标[17]。多项研究显示胶质瘤术后预后差、复发率高[3, 29, 30, 31]与其广泛的侵袭性及瘤周恶性浸润有关。有研究证实胶质瘤局部复发率较高,在瘤腔周围复发的概率大约为80% [32]。此外一项多中心研究发现,瘤周水肿是胶质瘤患者预后的独立危险因素,严重水肿患者的总生存期明显短于轻度水肿患者[33]。同时早期研究也表明,胶质瘤的复发几乎总是发生在瘤周区域2 cm内[34],我们在进行ROI勾画时所设定勾画的范围要略小于前者,更为精准[35]。本研究首次证实术后瘤周1 cm内mADC值是胶质瘤术后进展的独立危险因素,当阈值小于1358.9时,低风险组与高风险组复发率存在显著差异。宋珍珍等[4]通过影像组学研究认为,胶质瘤瘤周区域对肿瘤进展有一定研究价值,本研究表明1 cm内瘤周区域水分子活动的异质性对复发预测更为重要。ZHOU等[35]和LIANG等[36]研究证明根据瘤周水肿区的范围扩大手术切除范围,可以延缓甚至减少胶质瘤的早期复发。本研究进一步证实了mADC值可以反映胶质瘤的异质性,为增加mADC值的可重复性及可信度,在此次研究中分别测量了两次瘤周mADC值,且两次测量值具有良好的相关性,相关系数高达0.83,表明mADC值在预测胶质瘤术后进展中具有良好的可信度。本次研究进一步验证了瘤周的强化程度是胶质瘤术后复发的独立危险因素,风险比为1.75(1.22~2.49),证明残腔的强化程度与术后病人的预后及复发密切相关,这与之前KIM等[37]、GITTLEMAN等[38]的研究结果相一致。多项研究表明瘤周水肿对肿瘤的预后和复发均有较大意义[4, 33, 34, 35],与本研究结果不一致,主要由于缺乏对瘤周水肿的定量评估。

3.2 胶质瘤患者术后进展的临床影响因素分析

       此外,肿瘤的切除程度对于胶质瘤复发也是一项关键因素,因肿瘤位置深度、大小以及是否累及重要脑内组织结构等因素都会影响手术切除范围,使肿瘤不能完全切除。据文献报道,有症状的胶质瘤患者即使手术切除达到99%,仍会有1×108个肿瘤细胞的残留,只有当残留的肿瘤小于1×104或者1×103时,肿瘤细胞才可能由自身机体消灭[32],本次研究中肿瘤残留患者(18例/复发18例)、肿瘤全切患者(29例/复发8例)多因素回归表明与全切患者相比,残留患者复发率是其6倍,与先前研究[39-41]基本一致。本次研究中年龄<50(24例/复发8例)及≥50(23例/复发13例)与以往多项研究[41, 42]的结论基本一致。年龄较大患者的预后与其身体状态、接受手术及放化疗的耐受力有关,有研究证实年长者肿瘤增殖指数相对较高[41, 42, 43]。本研究得出的列线图同样证实,随着年龄的增长,胶质瘤术后复发率越高,预后越差。

       先前研究[41, 44]证实高级别胶质瘤预后较差,但是本研究多因素结果表明肿瘤级别不是独立危险因素,主要原因可能本研究纳入高级别胶质瘤较多。尽管先前研究[37, 45-46]证实放化疗是影响胶质瘤预后的重要因素,但本研究与之前研究不符。主要原因是本次研究并未对化疗药物、治疗周期、放射剂量等因素进行定量分析。

3.3 列线图预测模型的临床应用价值

       本研究基于临床和影像危险因素首次建立了瘤周多参数列线图模型预测胶质瘤术后进展,通过列线图将影响术后进展的多因素可视化,不同危险因素对应评分的总和越高,预测胶质瘤患者术后进展的风险越大,联合预测模型具有良好的诊断效能,1年AUC高达0.79,与张可心等[47]研究相一致。同时校准曲线表现出良好的一致性,DCA也表明该模型具有较高的临床应用价值。为临床个性化评估预测患者预后提供有力依据。同时列线图显示瘤周mADC对应线段长度最长,其权重在模型中最大,表明瘤周mADC在预测胶质瘤患者术后进展方面的应用价值。

3.4 不足与展望

       本研究仍存在以下缺陷:(1)本次研究为回顾性研究,样本量较小,纳入样本量多为高级别胶质瘤,在患者的选取上可能存在选择性偏差;(2)模型缺少外部或大样本的验证,未来可与临床合作、进行多中心探讨,提高统计学分析意义;(3)术后未对放化疗治疗方案精细收集,未来需要进一步补充相关临床信息。

4 结论

       mADC值在术后胶质瘤瘤周测定研究中具有良好的敏感性及特异性,基于瘤周mADC值测量构建的列线图模型,可以有效地评估胶质瘤术后患者的生存及预后,并帮助临床医生通过评估所得的患者信息,进行早期干预和积极治疗。

[1]
OSTROM Q T, GITTLEMAN H, FULOP J, et al. CBTRUS Statistical Report: Primary Brain and Central Nervous System Tumors Diagnosed in the United States in 2008-2012[J]. Neuro Oncol, 2015, 17(Suppl 4): iv1-iv62. DOI: 10.1093/neuonc/nov189.
[2]
WESSELING P, CAPPER D. WHO 2016 Classification of gliomas[J]. Neuropathol Appl Neurobiol, 2018, 44(2): 139-150. DOI: 10.1111/nan.12432.
[3]
ZHONG Q Y, FAN E X, FENG G Y, et al. A gene expression-based study on immune cell subtypes and glioma prognosis[J/OL]. BMC Cancer, 2019, 19(1): 1116 [2022-07-11]. https://pubmed.ncbi.nlm.nih.gov/31729963/. DOI: 10.1186/s12885-019-6324-7.
[4]
宋珍珍, 孙小玲, 李海鸥, 等. 120例胶质瘤及瘤周水肿MRI影像组学在评估肿瘤复发中的价值[J]. 山东大学学报(医学版), 2021, 59(11): 53-60 DOI: 10.6040/j.issn.1671-7554.0.2021.0997.
SONG Z Z, SUN X L, LI H O, et al. Value of MRI radiomics of glioma and peritumoral edema in evaluating tumor recurrence[J]. J Shandong Univ (Health Sci), 2021, 59(11): 53-60. DOI: 10.6040/j.issn.1671-7554.0.2021.0997.
[5]
LIU J L, HAN H N, XU Y, et al. A comparison of the multimodal magnetic resonance imaging features of brain metastases vs. high-grade gliomas[J/OL]. Am J Transl Res, 2021, 13(4): 3543-3548 [2022-07-11]. https://pubmed.ncbi.nlm.nih.gov/34017534/.
[6]
SUN X, PANG P, LOU L, et al. Radiomic prediction models for the level of Ki-67 and p53 in glioma[J/OL]. J Int Med Res, 2020, 48(5): 300060520914466 [2022-10-11]. https://www.ncbi.nlm.nih.gov/pubmed/32431205. DOI: 10.1177/0300060520914466.
[7]
KOH D M, COLLINS D J. Diffusion-weighted MRI in the body: applications and challenges in oncology[J]. AJR Am J Roentgenol, 2007, 188(6): 1622-1635. DOI: 10.2214/AJR.06.1403.
[8]
YUAN Y, CHEN X L, LI Z L, et al. The application of apparent diffusion coefficients derived from intratumoral and peritumoral zones for assessing pathologic prognostic factors in rectal cancer[J]. Eur Radiol, 2022, 32(8): 5106-5118. DOI: 10.1007/s00330-022-08717-3.
[9]
胡光超, 张倩倩, 毛宁, 等. 术前MRI预测肝细胞癌微血管侵犯研究进展[J]. 磁共振成像, 2022, 13(2): 159-162. DOI: 10.12015/issn.1674-8034.2022.02.040.
HU G C, ZHANG Q Q, MAO N, et al. Research progress of preoperative prediction of microvascular invasion of hepatocellular carcinoma based on magnetic resonance imaging[J]. Chin J Magn Reson Imaging, 2022, 13(2): 159-162. DOI: 10.12015/issn.1674-8034.2022.02.040.
[10]
王雪岩, 刘艳. 应用MRI扫描ADC值评估乳腺浸润性导管癌组织学分级及预后的可行性研究[J]. 中国CT和MRI杂志, 2020, 18(8): 56-59. DOI: 10.3969/j.issn.1672-5131.2020.08.019.
WANG X Y, LIU Y. Feasibility Study of Evaluating the Histological Grade and Prognosis of Infiltrating Ductal Carcinoma of Breast with MRI ADC Value[J]. Chin J CT & MRI, 2020, 18(8): 56-59. DOI: 10.3969/j.issn.1672-5131.2020.08.019.
[11]
匡婕, 时高峰, 李如迅, 等. 基于ADC图的不同影像组学模型在预测局部进展期直肠癌新辅助放化疗疗效中的应用[J]. 肿瘤影像学, 2020, 29(5): 467-475. DOI: 10.19732/j.cnki.2096-6210.2020.05.008.
KUANG J, SHI G F, LI R X, et al. Application of ADC imaging-based different radiomics models in predicting the efficacy of neoadjuvant chemoradiotherapy for locally advanced rectal cancer[J]. Oncoradiology, 2020, 29(5): 467-75. DOI: 10.19732/j.cnki.2096-6210.2020.05.008.
[12]
卢瑞梁, 徐志锋, 高明勇, 等. ADC值和SUVmax值与乳腺浸润性导管癌预后因素关系研究[J]. 放射学实践, 2017, 32(7): 710-714. DOI: 10.13609/j.cnki.1000-0313.2017.07.010.
LU R L, XU Z F, GAO M Y, et al. Study of the relationship of ADC value, SUVmax value and p prognostic factors in patients with invasive ductal carcinoma of breast[J]. Radiol Practice, 2017, 32(7): 710-714. DOI: 10.13609/j.cnki.1000-0313.2017.07.010.
[13]
耿磊, 孙毅, 赵妍, 等. 不同区域的ADC值、rADC值对原发性中枢神经系统淋巴瘤诊断与鉴别及其与Ki-67相关性[J]. 实用医学杂志, 2021, 37(19): 2530-2534. DOI: 10.3969/j.issn.1006-5725.2021.19.019.
GENG L, SUN Y, ZHAO Y, et al. Application of ADC values and rADC values in the diagnosis and differentiation of primary central ner-vous system lymphoma and its correlation with Ki-67[J]. The J Pract Med, 2021, 37(19): 2530-2534. DOI: 10.3969/j.issn.1006-5725.2021.19.019.
[14]
MARDOR Y, ROTH Y, OCHERSHVILLI A, et al. Pretreatment prediction of brain tumors' response to radiation therapy using high b-value diffusion-weighted MRI[J]. Neoplasia, 2004, 6(2): 136-142. DOI: 10.1593/neo.03349.
[15]
LIU J, LI Q, TANG L, et al. Correlations of Mean and Mimimum Apparent Diffusion Coefficient Values With the Clinicopathological Features in Rectal Cancer[J]. Acad Radiol, 2021, 28(Suppl 1): S105-S111. DOI: 10.1016/j.acra.2020.10.018.
[16]
赵焕, 白岩, 王梅云. 多模态磁共振成像技术在脑胶质瘤基因分型及预后评估中的研究进展[J]. 磁共振成像, 2021, 12(9): 98-102. DOI: 10.12015/issn.1674-8034.2021.09.025.
ZHAO H, BAI Y, WANG M Y, et al. Progress of multimodality magnetic resonance imaging in genotyping and prognostic evaluation of gliomas[J]. Chin J Magn Reson Imaging, 2021, 12(9): 98-102. DOI: 10.12015/issn.1674-8034.2021.09.025.
[17]
KETTUNEN T, OKUMA H, AUVINEN P, et al. Peritumoral ADC values in breast cancer: region of interest selection, associations with hyaluronan intensity, and prognostic significance[J]. Eur Radiol, 2020, 30(1): 38-46. DOI: 10.1007/s00330-019-06361-y.
[18]
OKUMA H, SUDAH M, KETTUNEN T, et al. Peritumor to tumor apparent diffusion coefficient ratio is associated with biologically more aggressive breast cancer features and correla6tes with the prognostication tools[J/OL]. PLoS One, 2020, 15(6): e0235278 [2022-07-18]. https://www.ncbi.nlm.nih.gov/pubmed/32584887. DOI: 10.1371/journal.pone.0235278.
[19]
侯广东, 郑昱, 魏迪, 等. 微乳头状膀胱癌患者预后模型的建立与内部验证[J]. 临床泌尿外科杂志, 2019, 34(10): 759-763, 769. DOI: 10.13201/j.issn.1001-1420.2019.10.001.
HOU G D, ZHENG Y, WEI D, et al. Establishment and internal validation of the prognostic nomogram for patients with micropapillary bladder cancer[J]. J Clin Urology (China), 2019, 34(10): 759-763, 769. DOI: 10.13201/j.jssn.1001-1420.2019.10.001.
[20]
欧燕兰, 张琳, 张秀, et al. 宫颈癌患者预后预测列线图的建立[J]. 中华肿瘤防治杂志, 2015, 22(16): 1303-1307. DOI: 10.16073/j.cnki.cjcpt.2015.16.013.
OU Y L, ZHANG L, ZHANG X, et al. Nomogram prediction of overall survival for cervical cancer[J]. Chin J Cancer Trev Treat, 2015, 22(16): 1303-1307. DOI: 10.16073/j.cnki.cjcpt.2015.16.013.
[21]
李真, 蔡雄伟, 阎萍, 等. 卵巢上皮性癌患者预后列线图预测模型的建立与应用[J]. 中华妇产科杂志, 2022, 57(3): 190-197. DOI: 10.3760/cma.j.cn112141-20220110-00017.
LI Z, CAI X W, YAN P, et al. Establishment and application of a nomogram model for prognostic risk prediction in patients with epithelial ovarian cancer[J]. Chin J Obstet Gynecol, 2022, 57(3): 190-197. DOI: 10.3760/cma.j.cn112141-20220110-00017.
[22]
国家卫生健康委员会医政医管局. 脑胶质瘤诊疗规范(2018年版)[J]. 中华神经外科杂志, 2019, 35(3): 217-239. DOI: 10.3760/cma.j.issn.1001-2346.2019.03.001.
Medical Administration and Hospital Administration Bureau of the National Health Commission. Guidelines for the diagnosis and treatment of glioma (2018 edition)[J]. Chin J Neurosurg, 2019, 35(3): 217-239. DOI: 10.3760/cma.j.issn.1001-2346.2019.03.001.
[23]
ELLINGSON B M, SAMPSON J, ACHROL A S, et al. Modified RANO, Immunotherapy RANO, and Standard RANO Response to Convection-Enhanced Delivery of IL4R-Targeted Immunotoxin MDNA55 in Recurrent Glioblastoma[J]. Clin Cancer Res, 2021, 27(14): 3916-3925. DOI: 10.1158/1078-0432.CCR-21-0446.
[24]
WEN P Y, MACDONALD D R, REARDON D A, et al. Updated response assessment criteria for high-grade gliomas: response assessment in neuro-oncology working group[J]. J Clin Oncol, 2010, 28(11): 1963-1972. DOI: 10.1200/JCO.2009.26.3541.
[25]
李文美. MRI检查技术专家共识[J]. 中华放射学杂志, 2016, 50(10): 724-39 DOI: 10.3760/cma.j.issn.1005-1201.2016.10.002.
LI W M. Expert consensus on MRI examination technology[J]. Chin J Radiol, 2016, 50(10): 724-739. DOI: 10.3760/cma.j.issn.1005-1201.2016.10.002.
[26]
CHADDAD A, DESROSIERS C, ABDULKARIM B, et al. Predicting the Gene Status and Survival Outcome of Lower Grade Glioma Patients With Multimodal MRI Features[J]. IEEE Access, 2019, 7: 75976-75984. DOI: 10.1109/access.2019.2920396.
[27]
MISTRY A M, KELLY P D, GALLANT J N, et al. Comparative Analysis of Subventricular Zone Glioblastoma Contact and Ventricular Entry During Resection in Predicting Dissemination, Hydrocephalus, and Survival[J/OL]. Neurosurgery, 2019, 85(5): E924-E932 [2022-09-28]. https://www.ncbi.nlm.nih.gov/pubmed/31058968. DOI: 10.1093/neuros/nyz144.
[28]
WAKS A G, WINER E P. Breast Cancer Treatment: A Review[J]. JAMA, 2019, 321(3): 288-300. DOI: 10.1001/jama.2018.19323.
[29]
FABIAN C, HAN M, BJERKVIG R, et al. Novel facets of glioma invasion[J]. Int Rev Cell Mol Biol, 2021, 360: 33-64. DOI: 10.1016/bs.ircmb.2020.08.001.
[30]
高玉杰, 周妮娜, 李囡, 等. 11C-MET PET/CT诊断脑胶质瘤术后复发残留的初步研究[J]. 实用肿瘤杂志, 2021, 36(2): 154-159. DOI: 10.13267/j.cnki.syzlzz.2021.032.
GAO Y J, ZHOU N N, LI N, et al. A preliminary study of 11C-methionine PET/CT in diagnosis of recurrence or residue after glioma surgery[J]. J Pract Oncol, 2021, 36(2): 154-159. DOI: 10.13267/j.cnki.syzlzz.2021.032.
[31]
SHAW T B, JEFFREE R L, THOMAS P, et al. Diagnostic performance of 18F-fluorodeoxyglucose positron emission tomography in the evaluation of glioma[J]. J Med Imaging Radiat Oncol, 2019, 63(5): 650-656. DOI: 10.1111/1754-9485.12929.
[32]
刘博, 沈宏, 黄红星, 等. 脑胶质瘤复发的相关因素分析[J]. 浙江创伤外科, 2010, 15(2): 139-141.
LIU B, SHEN H, HUANG H X, et al. Analysis of related factors of brain glioma recurrence[J]. Zhejiang J Traumat Surg, 2010, 15(2): 139-141.
[33]
SCHOENEGGER K, OBERNDORFER S, WUSCHITZ B, et al. Peritumoral edema on MRI at initial diagnosis: an independent prognostic factor for glioblastoma?[J]. Eur J Neurol, 2009, 16(7): 874-878. DOI: 10.1111/j.1468-1331.2009.02613.x.
[34]
ZHANG X, ZHANG W, MAO XG, et al. Malignant Intracranial High Grade Glioma and Current Treatment Strategy[J]. Curr Cancer Drug Targets, 2019, 19(2): 101-108. DOI: 10.2174/1568009618666180530090922.
[35]
ZHOU Q, KE X A, XUE C Q, et al. Nomogram for predicting early recurrence in patients with high-grade gliomas[J/OL]. World Neurosurg, 2022, 164: e619-e628 [2022-07-11]. https://pubmed.ncbi.nlm.nih.gov/35589036/. DOI: 10.1016/j.wneu.2022.05.039.
[36]
LIANG H T, MIZUMOTO M, ISHIKAWA E, et al. Peritumoral edema status of glioblastoma identifies patients reaching long-term disease control with specific progression patterns after tumor resection and high-dose proton boost[J]. J Cancer Res Clin Oncol, 2021, 147(12): 3503-3516. DOI: 10.1007/s00432-021-03765-6.
[37]
KIM B R, CHOI S H, YUN T J, et al. MR Imaging Analysis of Non-Measurable Enhancing Lesions Newly Appearing after Concomitant Chemoradiotherapy in Glioblastoma Patients for Prognosis Prediction[J/OL]. PLoS One, 2016, 11(11): e0166096 [2022-10-07]. https://www.ncbi.nlm.nih.gov/pubmed/27835666. DOI: 10.1371/journal.pone.0166096.
[38]
GITTLEMAN H, SLOAN A E, BARNHOLTZ-SLOAN J S. An independently validated survival nomogram for lower-grade glioma[J]. Neuro Oncol, 2020, 22(5): 665-674. DOI: 10.1093/neuonc/noz191.
[39]
TOH C H, WEI K C, CHANG C N, et al. Differentiation of primary central nervous system lymphomas and glioblastomas: comparisons of diagnostic performance of dynamic susceptibility contrast-enhanced perfusion MR imaging without and with contrast-leakage correction[J]. AJNR Am J Neuroradiol, 2013, 34(6): 1145-1149. DOI: 10.3174/ajnr.A3383.
[40]
YAMASHITA K, YOSHIURA T, HIWATASHI A, et al. Differentiating primary CNS lymphoma from glioblastoma multiforme: assessment using arterial spin labeling, diffusion-weighted imaging, and 18F-fluorodeoxyglucose positron emission tomography[J]. Neuroradiology, 2013, 55(2): 135-143. DOI: 10.1007/s00234-012-1089-6.
[41]
黄冠又, 张欣, 明悦, 等. 95例恶性胶质瘤患者术后生存情况及预后因素分析[J]. 重庆医学, 2016, 45(5): 664-666. DOI: 10.3969/J.ISSN.1671-8348.2016.05.028.95.
HUANG G Y, ZHANG X, MING Y, et al. Analysis of postoperative survival and prognostic factors in 95 patients with malignant glioma[J]. Chongqing Medicine, 2016, 45(5): 664-666. DOI: 10.3969/J.ISSN.1671-8348.2016.05.028.95.
[42]
LI F, ZHANG Y, WANG N, et al. Evaluation of the Prognosis of Neuroglioma Based on Dynamic Magnetic Resonance Enhancement[J]. World Neurosurg, 2020, 138: 663-671. DOI: 10.1016/j.wneu.2020.01.087.
[43]
DAS P, PURI T, JHA P, et al. A clinicopathological and molecular analysis of glioblastoma multiforme with long-term survival[J]. J Clin Neurosci, 2011, 18(1): 66-70. DOI: 10.1016/j.jocn.2010.04.050.
[44]
仇宇宁, 张静, 樊昊, 等. 胶质瘤患者术后复发时间相关因素研究及预后分析[J]. 医学与哲学, DOI: 10.12014/j.issn.1002-0772.2018.08b.14.
QIU Y N, ZHANG J, FAN H, et al. Related Factors Analysis on the Time of Gliomas Recurrence and Its Prognostics[J]. Medicine and Philosophy, 2018, 39(8): 47-49. DOI: 10.12014/j.issn.1002-0772.2018.08b.14.
[45]
TAN A C, ASHLEY D M, LOPEZ G Y, et al. Management of glioblastoma: State of the art and future directions[J]. CA Cancer J Clin, 2020, 70(4): 299-312. DOI: 10.3322/caac.21613.
[46]
WEN P Y, WELLER M, LEE E Q, et al. Glioblastoma in adults: a Society for Neuro-Oncology (SNO) and European Society of Neuro-Oncology (EANO) consensus review on current management and future directions[J]. Neuro Oncol, 2020, 22(8): 1073-1113. DOI: 10.1093/neuonc/noaa106.
[47]
张可心, 冀晓莉, 袁涛, 等. 高级别胶质瘤MRI复发模式及其对生存影响的初步研究[J]. 临床放射学杂志, 2021, 40(3): 601-606. DOI: 10.13437/j.cnki.jcr.2021.03.041.
ZHANG K X, JI X L, YUAN T, et al. Preliminary Study of MRI Recurrence Pattern of High-Grade Glioma and Its Effect on Survival[J]. J Clin Radiol, 2021, 40(3): 601-606. DOI: 10.13437/j.cnki.jcr.2021.03.041.

上一篇 SEMAC-VAT去金属伪影技术用于3D打印人工椎体脊柱重建术后成像的价值
下一篇 多模态影像诊断巨大浅表阴道肌纤维母细胞瘤一例
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2