Sci Rep:肺癌与头颈癌相关影像组学特征类与预后信号
2017-06-26 佚名 Nature自然科研
《科学报告》发表的一项研究将影像组学应用于肿瘤诊断，文章名为Radiomic feature clusters and Prognostic Signatures specific for Lung and Head & Neck cancer，此项研究有望让人们不用开刀就可以对肿瘤特征进行诊断与监控。
《科学报告》发表的一项研究将影像组学应用于肿瘤诊断，文章名为Radiomic feature clusters and Prognostic Signatures specific for Lung and Head & Neck cancer，此项研究有望让人们不用开刀就可以对肿瘤特征进行诊断与监控。
影像组学是近年新兴的精密医学方法之一，旨在通过量化手段对医学成像数据进行充分的利用与挖掘，这项技术可为肿瘤表型诊断提供非创伤性的综合量化方法。
为了降低图像数据的冗余性，并针对不同癌症类型比较影像组学特征的预后特征，来自荷兰马斯特里赫特大学的Chintan Parmar与来自哈佛医学院的Hugo J.W.L. Aerts及同事选取了4个独立的肺癌与头颈癌队列（共878名病人），对不同癌症特异性影像组学特征类进行了研究。
他们从患者治疗前电脑断层扫描（CT）的图像中提取了影像组学特征，对这些特征进行一致性聚类分析，结果在肺癌和头颈癌患者中分别得到11组和13组稳定的影像组学特征类。随后他们使用兰德系数，在独立的外部验证队列上对这些类进行检验（肺癌RS = 0.92， p < 0.001， 头颈癌 RS = 0.92， p < 0.001）。作者的分析结果包括一系列正常和癌症特异性影像组学特征类，以及临床参数与影像组学特征类的相关性，相关性中最强的包括：肺癌预后临床表现CI = 0.60 ± 0.01，头颈癌预后临床表现CI = 0.68 ± 0.01；肺癌组织学参数AUC = 0.56 ± 0.03，肺癌分期AUC = 0.61 ± 0.01，头颈癌HPV感染状态AUC = 0.58 ± 0.03，头颈癌分期AUC = 0.77 ± 0.02。
肺癌与头颈癌相关影像组学特征类与预后信号。
作者指出，充分利用这些癌症特异性图像特征，将进一步改进影像组学生物标志物，为临床实践中的肿瘤表型特征量化与监控提供非创伤的新方法。
原始出处：
Chitan Parmar.et al.Radiomic feature clusters and Prognostic Signatures specific for Lung and Head & Neck cancer.Scientific Reports.
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#头颈癌#
35
学习了，谢谢分享
68