全基因组关联研究(genome-wide association study,GWAS)已成功识别出众多与复杂疾病/性状显著相关的单核苷酸多态性位点(single nucleotide polymorphisms,SNPs)[1-2]。然而,研究表明高达90%的GWAS关联位点分布在基因间区或基因非编码...全基因组关联研究(genome-wide association study,GWAS)已成功识别出众多与复杂疾病/性状显著相关的单核苷酸多态性位点(single nucleotide polymorphisms,SNPs)[1-2]。然而,研究表明高达90%的GWAS关联位点分布在基因间区或基因非编码区域,其遗传功能和致病机制尚不明确,往往难以被实验验证,为后续生物学机制解释和临床转化带来了巨大挑战[1-3]。同时,GWAS所采用的从基因组直接跨越到疾病终点的关联分析策略,忽略了从遗传变异到疾病的连续生物过程,不利于从多组学角度解释复杂疾病机制,构筑从遗传变异经分子标记到疾病的完整链条,需吸纳多层面组学标记信息。近年来,高通量组学测序技术的成熟发展与检测成本的大幅降低,使得在群体水平获取多层面跨组学标记成为可能。为此,对多组学数据进行跨越式交叉整合,识别能够介导“SNP关联位点→复杂疾病”效应的潜在组学标记,打开遗传变异到疾病间的黑盒子,已成为后GWAS时代的研究热点[4-5]。展开更多
背景肺癌是全球最常见的恶性肿瘤。可以通过早期筛查显著提高患者生存率。基于影像组学特征的生物标志物能够提供肿瘤的重要病理信息,并可应用于肺癌早期筛查。在本研究中,我们旨在建立一种影像组学模型,以提高对良恶性肺结节的区分能...背景肺癌是全球最常见的恶性肿瘤。可以通过早期筛查显著提高患者生存率。基于影像组学特征的生物标志物能够提供肿瘤的重要病理信息,并可应用于肺癌早期筛查。在本研究中,我们旨在建立一种影像组学模型,以提高对良恶性肺结节的区分能力。方法我们对在2013年6月至2018年6月期间通过计算机断层扫描(computed tomography,CT)诊断为良性或恶性肺结节的875例患者进行回顾性研究。将612例患者纳入训练队列,将263例患者纳入验证队列。从每例患者的CT图像中提取影像组学特征。使用最小绝对收敛和选择算子(least absolute shrinkage and selection operator,LASSO)算法进行影像组学特征选择和评分计算。使用多因素logistic回归分析建立分类模型和影像组学诺模图。在回归模型中使用影像组学评分和临床变量区分良性和恶性肺结节。通过曲线下面积(area under the curve,AUC)、校正曲线和Hosmer-Lemeshow检验评估训练队列和验证队列的影像组学诺模图的性能。结果本研究建立了一种影像组学评分,该评分是通过LASSO算法从训练队列中的1288个影像组学特征中筛选出的20个特征组成。使用影像组学评分和患者年龄构建多因素logistic模型和影像组学诺模图。训练队列[AUC=0.836;95%置信区间(confidence interval,CI):0.793–0.879]和验证队列(AUC=0.809;95%CI:0.745–0.872)均能够很好地区分良性和恶性肺结节。在训练队列(P=0.765)和验证队列(P=0.064)中,Logistic回归模型经过Hosmer-Lemeshow检验也显示出良好性能。校准曲线一致性良好,表明诺模图性能良好。结论建立的影像组学诺模图是恶性肺结节术前无创诊断的判别工具。验证结果显示,该诺模图具有出色的辨别能力和校准能力,表明其可用于肺癌的临床早期筛查。展开更多
文摘全基因组关联研究(genome-wide association study,GWAS)已成功识别出众多与复杂疾病/性状显著相关的单核苷酸多态性位点(single nucleotide polymorphisms,SNPs)[1-2]。然而,研究表明高达90%的GWAS关联位点分布在基因间区或基因非编码区域,其遗传功能和致病机制尚不明确,往往难以被实验验证,为后续生物学机制解释和临床转化带来了巨大挑战[1-3]。同时,GWAS所采用的从基因组直接跨越到疾病终点的关联分析策略,忽略了从遗传变异到疾病的连续生物过程,不利于从多组学角度解释复杂疾病机制,构筑从遗传变异经分子标记到疾病的完整链条,需吸纳多层面组学标记信息。近年来,高通量组学测序技术的成熟发展与检测成本的大幅降低,使得在群体水平获取多层面跨组学标记成为可能。为此,对多组学数据进行跨越式交叉整合,识别能够介导“SNP关联位点→复杂疾病”效应的潜在组学标记,打开遗传变异到疾病间的黑盒子,已成为后GWAS时代的研究热点[4-5]。
文摘背景肺癌是全球最常见的恶性肿瘤。可以通过早期筛查显著提高患者生存率。基于影像组学特征的生物标志物能够提供肿瘤的重要病理信息,并可应用于肺癌早期筛查。在本研究中,我们旨在建立一种影像组学模型,以提高对良恶性肺结节的区分能力。方法我们对在2013年6月至2018年6月期间通过计算机断层扫描(computed tomography,CT)诊断为良性或恶性肺结节的875例患者进行回顾性研究。将612例患者纳入训练队列,将263例患者纳入验证队列。从每例患者的CT图像中提取影像组学特征。使用最小绝对收敛和选择算子(least absolute shrinkage and selection operator,LASSO)算法进行影像组学特征选择和评分计算。使用多因素logistic回归分析建立分类模型和影像组学诺模图。在回归模型中使用影像组学评分和临床变量区分良性和恶性肺结节。通过曲线下面积(area under the curve,AUC)、校正曲线和Hosmer-Lemeshow检验评估训练队列和验证队列的影像组学诺模图的性能。结果本研究建立了一种影像组学评分,该评分是通过LASSO算法从训练队列中的1288个影像组学特征中筛选出的20个特征组成。使用影像组学评分和患者年龄构建多因素logistic模型和影像组学诺模图。训练队列[AUC=0.836;95%置信区间(confidence interval,CI):0.793–0.879]和验证队列(AUC=0.809;95%CI:0.745–0.872)均能够很好地区分良性和恶性肺结节。在训练队列(P=0.765)和验证队列(P=0.064)中,Logistic回归模型经过Hosmer-Lemeshow检验也显示出良好性能。校准曲线一致性良好,表明诺模图性能良好。结论建立的影像组学诺模图是恶性肺结节术前无创诊断的判别工具。验证结果显示,该诺模图具有出色的辨别能力和校准能力,表明其可用于肺癌的临床早期筛查。
