颅咽管瘤术后尿崩的预测模型和动物模型的构建.pdf

摘要

摘要

第一部分：基于MRI的影像组学模型预测颅咽管瘤术后尿崩

研究背景：人工智能在医疗领域的应用不断增加，影像组学作为一种医学

成像的量化方法，通过先进的数学算法，为临床工作提供了可靠的决策。影像

组学根据影像信号的空间分布和像素间相互关系，提取组织和病变的纹理信息。

深度学习算法可自动分割影像图像，但手动分割图像仍然为现在金标准。各种

不同的开放或商业软件，为影像组学的图像分割提供解决方案。数字化的影像

数据可以和临床、实验室、组织学、基因组或其他数据相结，能更好地解

决疾病的分级、分类和预测临床预后等。

研究目的：影像组学可以发掘肉眼无法认识的肿瘤特征，进而高通量提取

影像特征并用机器学习算法可以建立极为高效的预测模型，影像组学获取的重

要表型信息(如肿瘤内异质性)，为术后患者的个性化治疗提供了巨大的潜力。

现基于MRI的影像组学，构建颅咽管瘤术后尿崩的预测模型。

方法：1、顾性分析2013年1月至2020年12月期间，南昌大学第一附属

医院确诊为颅咽管瘤的132例颅咽管瘤的临床和MRI影像资料。使用MATLAB

软件的spm12进行MRI影像数据预处理。采用3DSLICER软件，提取1261个

影像组学特征，采用分层随机抽样方法将患者按照7：3的比例分为训练组(80

例)与测试组(52例)，然后采用曼惠特尼U秩和检验(Mann-WhitneyUtest)和套索

算法(Leastabsoluteshrinkageandselectionoperator,LASSO)进行特征筛选，进一

步采用支持向量积(SupportVectorMachine,SVM)模型构建,采用S折交叉验证

（S-FolderCrossValidation）和网格搜索（GridSearchCV）对模型进行优化，绘

制特征(ROC)曲线评价影像组学特征预测颅咽管瘤术后尿崩的效能，并绘制诺

谟图模型（nomogram）

结果：1、特征筛选出8个影像组学特征，用于构建颅咽管瘤的尿崩预测模

型。训练组中预测模型的ROC曲线下面积(AUC)为0.99(95%可信区间:0.97~1.00)

灵敏度和特异度分别为88%、82%。

测试组中AUC为0.92(95%可信区间:0.88~0.94),灵敏度和特异度分别为79%、

83%。最终优化后，预测模型ROC曲线下面积(AUC)为0.92。

II

摘要

结论：利用病人的MRI影像图像，基于机器学习构建的预测模型，可以高

效预测颅咽管瘤术后患者的尿崩情况。

关键词：颅咽管瘤，尿崩，影像组学，机器学习

第二部分：SD大鼠尿崩模型

研究背景：颅咽管瘤（craniopharyngioma,CP）被认为是一种罕见的良性肿

瘤，起源于Rathkes囊的显微及内镜手术切除技术已达到较高水平，ME-ARC

复合体位于下丘脑底和垂体柄交界的漏斗结节部，是CP肿瘤起源的好发部位。

鉴于CP与周围组织的结构关系复杂，肿瘤根治性切除术后手术并发症仍然很

高，但全切除是最好的治疗方法。通过内镜经鼻术肿瘤全切后，下丘脑损伤

ME-ARC复合体，带来的尿崩、内分泌和认知障碍等问题仍然是困扰手术疗效

的重要原因。途径ME-ARC复合体的AVP神经元受损可导致血液ADH水平下

降，继而引起尿崩和电解质平衡紊乱，对术后患者生命仍有较大的威胁。目前

国内外对下丘脑AVP神经元损伤后致尿崩和电解质平衡紊乱的相关机制研究仍

相对较少，构建下丘脑ARC-ME损伤的SD大鼠的尿崩模型，有利于开展颅咽

管瘤患者术后尿崩的相关机制研究

研究目的：构建颅咽管瘤术后的下丘脑ARC-ME损伤的SD大鼠的尿崩模

型，

方法：构建颅咽管瘤术后下丘脑损伤模型，进一步研究颅咽管瘤术后尿崩

的发生和恢复机制问题。我们课题组，使用立体定位仪和自制电极，损伤下丘

脑的弓状核-正中隆起（ARC-ME）复合体，以达到损伤绝大多数AVP神经元，

通过测量术后SD大鼠的饮水量