基于CT的计算机视觉特征和影像组学特征的诺模图术前预测胃腺癌淋巴结转移.pdf

ABDOMINALIMAGING524腹部影像学基于CT的计算机视觉特征和影像组学特征的诺模图术前预测胃腺癌淋巴结转移唐浩彭杨灵沈合松李小芹陈秋智张久权【摘要】目的：建立并验证一个基于计算机视觉特征（CVFs）和影像组学特征（RFs）的诺模图用于术前预测胃腺癌患者的淋巴结转移。方法：回顾性收集2 0 13年7 月至2 0 18 年8 月经病理证实的17 1例GAC患者，并随机分为训练组和验证组。从每位患者的静脉期CT图像中提取CVFs和RFs。采用基于随机森林的Boruta方法进行关键特征的筛选。选定的关键CVFs和RFs分别通过logistic回归方法计算每个患者的CV-score和R-score。使用单因素和多因素分析筛选胃腺癌淋巴结转移的独立预测因子。从分辨力、校准和临床实用性方面评估诺模图的性能。结果：分别筛选出6 个关键RFs和11个关键CVFs，并计算出每个患者的R-score和CV-score。单因素和多因素分析显示R-score（O R：1.8 7 6；9 5%CI：1.0 6 6 3.58 6）和CV-score（O R：5.2 6 8；95%CI：2.6 7 2 12.2 40）是淋巴结转移的独立危险因素。在训练组和验证组中，诺模图的预测效能均优于单独的R-score（0.8 50 对0.7 30，P=0.003；0.8 2 0 对0.7 0 9，P=0.042）。诺模图和R-score对训练组中淋巴结转移概率的校准曲线显示了预测结果和观察结果之间具有良好一致性。决策曲线分析表明，诺模图获得了较高的临床净收益。结论：基于CV-score和R-score的诺模图可用于术前预测胃腺癌患者的淋巴结转移，可为临床术前个体化评估提供依据，并提高临床决策的信心。【关键词】淋巴结转移；胃腺癌；计算机视觉；影像组学中图分类号：R735.2文献标志码：A文章编号：10 0 6-57 41(2 0 2 3)0 5-0 52 4-0 7Nomogram Based on CT Computer Vision Features and Radiomics Features forPreoperative Prediction of Lymph Node Metastasis in Gastric AdenocarcinomaTANG Hao,PENG Yangling,SHEN Hesong,LI Xiaoqin,CHEN Qiuzhi,ZHANG JiuquanAbstract】Pu r p o s e:T o e s t a b l i s h a n d v a l i d a t e a n o m o g r a m b a s e d o n c o m p u t e r v i s i o n f e a t u r e s (CVFs)a n dradiomic features(RFs)for preoperative prediction of lymph node metastasis(LNM)in patients with gastricadenocarcinoma(GAC).Methods:A total of 171 patients with pathologically confirmed GAC between July 2013 andAugust 2018 were retrospectively enrolled and randomly divided into training and test cohort.CVFs and RFs wereextracted from the venous phase CT images of each patient.The Boruta method based on random forest was used toselect key features.The selected key CVFs and RFs were used to calculate the CV-score and R-score of each patientby logistic regression.Univariate and multivariate analysis were used to identify independent predictors of LNM inGAC patients.The nomogram was assessed in the aspects of discrimination,calibration and clinical usefulness.Results:Six key RFs and 11l key CVFs were selected,and R-score and CV-score were calculated for each patient.Univariate and multivariate analysis revealed that R-score(OR:1.876;95%CI:1.066-3.586)and CV-score(OR:5.268;95%CI:2.672-12.240)were independent risk factors for LNM.In the training and test cohort,the predictive中国医学计算机成像杂志，2 0 2 3，2 9：52 4-530作者单位：重庆大学附属肿瘤医院影像科通信地址：重庆市沙坪坝区汉渝路18 1号，重庆40 0 0 30通信作者：张久权（电子邮箱：zhangjq_）ChinComputMedImag,2023,29:524-530Department of Radiology,Chongqing University Cancer HospitalAddress:181Hanyu Road,Chongqing 400030,ChinaCorrespondence to:ZHANG Jiuquan（E-m a i l:z h a n g j q _r a d i o l f o x-)525ChinComputMedImag,2023,29(5)中国医学计算机成像杂志2 0 2 3年第2 9 卷第5期efficacy of the nomogram was superior to the R-score(0.850 vs 0.730,P=0.003;0.820 vs 0.709,P=0.042,respectively).The calibration curves of the nomogram and R-score for the LNM probability in the training groupshowed a good consistency between the predicted results and the observed results.The decision curve analysisshowed that the nomogram obtained a higher net clinical benefit.Conclusions:The nomogram integrated CV-scorewith R-score can be used to preoperatively predict for LNM in GAC patients,and can be used as a basis forindividualized evaluation before operation.Key words Lymph node metastasis;Gastric adenocarcinoma;Computer vision;Radiomics胃癌（gastriccancer，G C）是全球第五大最常见癌症，也是全球癌症相关死亡率的第三大原因【。在2008年10 0 万新诊断的胃癌中，7 4%的病例发生在亚洲，中国占大约一半2 。而淋巴结转移（lymphnodemetastasis，LNM）是胃癌最常见的转移方式3。LNM是胃癌最常见且重要的预后影响因素，因此，术前评估LNM对于临床辅助治疗的确定和手术方式的选择是至关重要的4腹部多期增强CT是胃癌术前评估LNM的首选影像学方法【2 。以往的研究中，根据淋巴结大小评估，CT报告的淋巴结状态的准确性大约是6 0%，这个结果是不令人满意的5。准确性低可能导致假阴性和假阳性转移【6 。因此，它在临床上使用受到了限制。影像组学是一种新兴的方法，可以从医学图像中提取出高通量的定量特征【7 。已有相关研究表明，影像组学具有术前预测胃癌患者LNM的能力【8 ，其准确性远优于CT报告的淋巴结状态。影像组学特征（r a d i o m i c s f e a t u r e s，RFs）是通过数学公式提取得到的，但是这些特征容易受到噪声的影响9 。计算机视觉特征（computervisionfeatures，CVFs）广泛应用于医学图像处理【10 ，且对噪声不敏感。几项研究9 报道CVFs可用于疾病检测、疾病诊断、肿瘤分化和LNM的预测，但CVFs在临床上的应用有限。因此，本研究旨在探索基于CV-score和R-score的诺模图用于术前预测胃腺癌（gastricadenocarcinoma,GAC)患者的LNM。方法1.一般资料收集回顾性收集2 0 13年7 月一2 0 18 年8 月于重庆大学附属肿瘤医院经手术病理证实为胃腺癌患者17 1例。纳人标准：病理证实为胃腺癌；术前2 周内完成腹部多期增强CT检查。排除标准：术前进行新辅助化疗和放疗疗（n=1）；患有其他恶性疾病(n=1);未经手术切除（n=115）；胃扩张不良(n=56);具有伪影的CT图像（n=29），例如呼吸运动伪影、蠕动伪影、食物残渣的影响；CT图像上很难识别出病变（n=10)。患者招募流程图如图1所示，患者随机分组：训练组（n=120）和验证组（n=51）。本研究通过医院伦理委员会批准，患者知情同意书被豁免。2013年7 月至2 0 18 年8 月于我院经手术病理证实为胃腺癌患者。纳人标准如下：(1)病理证实为胃腺癌；(2)术前2 周内完成腹部多期增强CT检查。排除标准(1)术前进行新辅助化疗和放疗(n=1)(2)患有其他恶性疾病(n=1)(3)未经手术切除(n=115)(4)胃扩张不良(n=56)(5)具有伪影的CT图像(n=29)(6)CT图像上很难识别出病变(n=10)纳人患者(n=171)训练组(n=120)验证组(n=51)图1患者招募流程图2.图像采集采用2 台CT扫描仪(SOMATOMDefinition AS和SOMATOMDRIVE）行腹部多期增强CT。扫描范围覆盖整个胃部区域，动脉期经肘前静脉以3.0 mL/s的速率注射碘普罗胺（37 0 mgl/mL），总共8 0 10 0mL（1.5m L/k g），利用团注追踪技术，扫描在触发阈值（10 0 HU）后7 s开始，在动脉期扫描后延迟2 5s开始静脉期，平衡期在静脉期扫描后延迟9 0 s开始。扫描参数：管电压12 0 kV，参考管电流150 2 0 0mA，螺距1.0，旋转时间0.5s。重建参数：层厚1.5mm，层间距1mm，软组织卷积核核(131)。3.图像分析2名腹部诊断经验丰富的放射学医师（医师1和（526中国医学计算机成像杂志2 0 2 3年第2 9 卷第5期Chin Comput Med Imag,2023,29(5)医师2，均具有5年以上腹部CT诊断经验），在根据CT图像评估淋巴结状态时，均对病理结果不知情。如有分歧，两者协商达成一致结果。对于胃周淋巴结，短径大于6 mm被认为是淋巴结阳性；对于胃周外淋巴结，短径大于8 mm被认为是淋巴结阳性 。由腹部放射学医师（医师1）使用Philips_Radiomics_v94_distribution，在腹部多期增强CT的静脉期图像上，手动勾画肿瘤最大横截面作为感兴趣区（r e g i o n s o f i n t e r e s t，RO I）。3个月后，随机选择30 名患者，由医师1和医师2 再次勾画ROI，以评估观察者内和观察者间ROI的可重复性。4.牛特征选择和模型构建根据IBSI参考手册【12 ，我们使用自制软件对图像特征提取进行了标准化处理。影像组学特征是基于pyradiomics（h t t p s:/p y r a d i o mi c s.r e a d t h e d o c s.i o/）提取的，使用最小-最大归一化方法在范围1，10 0 内对原始图像进行重新缩放。最终提取12 2 7 个定量的影像组学特征。包括三类定量影像组学特征：一阶特征，描述肿瘤大小；形状特征，描述肿瘤形状和强度特性；纹理特征，描述肿瘤异质性。从分割图像中来提取计算机视觉特征。包括局部二值模型特征（localbinarypattern）59 4个、有向梯度直方图特征（histogram of oriented gradients）17 6 4个、加速鲁棒特征（speeded up robust features）12 8 0个和haar样特征（haar-like features）40 9 6 个。基于Python3.7计算得到7 7 34个计算机视觉特征(https:/www.python.org/)。为了筛选出关键特征，我们采用由粗到细的特征选择策略。第一步，应用单因素分析（Mann-WhitneyU检验）来比较LNM+和LNM-组间的RFs和CVFs。计算所有特征的P值并按升序排列，选择前5%的特征进行进一步分析。第二步，计算每对特征之间的Pearson相关系数（r），并检测到较小的P值，其中Irl0.85。最后，应用一种基于随机森林的Boruta方法进行关键特征的筛选。经过特征筛选后，这些选定的关键RFs和CVFs分别在训练组中通过logistic回归方法建立术前预测LNM的识别标志。同时，计算每个患者的R-score和CV-score。采用单因素分析选择具有统计学意义的临床病理特征（P0.75被认为可重复性较好。AUC值评估模型在训练组和验证组中的预测效能。DeLong检验用于比较模型的AUC差异。P0.05）。表1训练组和验证组的临床病理特征训练组(n=120)验证组(n=51)特征P值LNM-(n=57)LNM+(n=63)P值LNM-(n=18)LNM+(n=33)P值年龄岁59.710.858.79.40.35160.010.561.59.10.3570.791性别n(%)0.1650.0370.896-中国医学计算机成像杂志2 0 2 3年第2 9 卷第5期Chin ComputMed Imag,2023,29(5)527一续表训练组(n=120)验证组(n=51)特征P值LNM-(n=57)LNM+(n=63)P值LNM-(n=18)LNM+(n=33)P值男41(71.90)52(82.50)11(61.10)29(87.90)女16(28.10)11(17.50)7(38.90)4(12.10)肿瘤位置n(%)0.6310.9740.461贵门/胃底17(29.80)16(28.60)6(33.30)12(36.40)胃体8(14.00)13(20.60)3(16.70)5(15.20)胃窦32(56.10)32(50.80)9(50.00)16(48.50)CA19-9水平n(%)0.0500.9080.755正常50(87.70)45(71.40)14(77.80)25(75.80)升高2(3.50)10(15.90)2(11.10)5(15.20)未明确5(8.80)8(12.70)2(11.10)3(9.10)CEA水平n(%)0.6200.3980.284正常51(89.50)59(93.70)17(94.40)27(81.80)升高6(10.50)4(6.30)1(5.60)6(18.20)组织学等级n(%)0.4450.3370.537高分化15(26.30)19(30.20)4(22.20)8(24.20)中分化5(8.80)2(3.20)2(11.10)1(3.00)低分化18(31.60)16(25.40)7(38.90)8(24.20)未明确19(33.30)26(41.30)5(27.80)16(48.50)CT报告淋巴结状态n(%)0.001*0.0620.607阴性30(52.60)15(23.80)9(50.00)8(24.20)阳性27(47.40)48(76.20)9(50.00)25(75.80)CR-score0.449(0.394 0.497)0.514(0.463 0.602)0.001*0.460(0.429 0.501)0.529(0.472 0.561)0.015*0.190CV-score0.436(0.3160.539)0.559(0.518 0.597)0.001*0.422(0.3820.501)0.551(0.496 0.582)0.001*0.949P值来源于每个临床病理特征和LNM之间的单变量分析。P0.05。2.观察者内和观察者间ROI可重复性观察者内和观察者间ROI的可重复性较好子（ICC分别为0.8 58 和0.8 6 2）。3.特征筛选和Signature构建利用上述特征筛选方法，分别选择了6 个关键影像组学特征（分别为radiomicsFeatures_WaveletGLDMwavelet-HLH_DependenceNonUniformityradiomicsFeatures_NGTDM_Coarseness、radiomicsFeatures_WaveletGLSZMwavelet-HLHLargeAreaLowGrayLevelEmphasis,radiomicsFeatures_LogarithmGLSZM_logarithm_LargeAreaLowGrayLevelEmphasisradiomicsFeatures_ExponentialGLSZM_exponential_ZonePercentage,radiomicsFeatures_FirstOrder_TotalEnergy）和11个关键计算机视觉特征（分别为surf202、s u r f 116 6、h o g 148 6、haar3703、h o g 2 8 6、s u r f 1148、s u r f 19 0、s u r f 118 7、hog1246、s u r f 9 30、h a a r 2 8 1。R-s i g n a t u r e 是使用这6 个关键影像组学特征通过logistic回归构建的。同样地，CV-signature由11个关键计算机视觉特征构建。然后，计算每个患者的R-score和CV-score。4.诺模图的建立在训练组中，LNM+患者的R-score（0.514对0.449，P 0.0 0 1）和CV-score（0.559 对0.436，P0.05）。单因素分析显示，在训练组中，CT报告的淋巴结阳性患者比CT报告的淋巴结阴性患者在胃腺癌中具有更高的LNM风险（P=0.001）。多因素logistic回归分析结果显示，R-score（O R：1.8 7 6；9 5%CI 1.0 6 6 3.586;P=0.041）和CV-score（O R:5.2 6 8;9 5%C I:2.67212.240，P=0.0 0 1）是术前预测胃腺癌患者LNM的独立预测因素（表2）。整合R-score和CV-score建模形成胃腺癌患者术前预测LNM的诺模图528ChinComputMedImag,2023,29(5)中国医学计算机成像杂志2 0 2 3年第2 9 卷第5期（图2 A）。CT 报告的淋巴结状态在训练和验证组中的预测性能分别为0.6 4和0.6 3。表2胃腺癌患者淋巴结转移多因素logistic回归分析结果诺模图R-score变量/截距值OR2.50%97.50%P值值OR2.50%97.50%P值R-score0.6291.8761.0663.5860.041*0.9672.6301.6384.5790.001*CV-score1.6625.2682.67212.2400.001*截距-0.5670.1400.1490.455值是回归系数；P0.05。得分1020304050 60708090100得分0102030405060708090100L11CR-score0.20.30.40.50.60.70.80.91.0CR-score0.20.30.40.50.60.70.80.91.07CV-score总得分厂0102030405060708090总得分1000102030405060708090100110120130140淋巴结转移风险淋巴结转移风险0.010.10.350.60.850.950.350.60.850.952A2B图2 用于预测胃腺癌患者LNM的诺模图A.整合R-score和CV-score构建；B.仅使用R-score构建。2.5诺模图性能评估及验证在训练组和验证组中，诺模图术前预测胃腺癌患者LNM的预测效能良好，AUC分别为0.8 50 和0.820。诺模图的AUC显著高于R-score（在训练组和验证组中，AUC分别为0.7 30 和0.7 0 9；DeLong检验：P=0.003和0.0 42），如图3A和图3B所示。诺模图和R-score术前鉴别胃腺癌患者LNM的灵敏度、特异度和准确度见表3。诺模图和R-score对训练组中LNM概率的校准曲线显示了预测和观察之间具有良好一致性（图3C、图3D）。决策曲线分析表明相比R-score，诺模图有更多的临床受益（图4)。相较于R-score，诺模图的预测效能明显提高（训练组：NRI=0.819，P0.001；验证组：NRI=1.010，P 0.0 0 1)。讨论在本研究中，我们建立并验证了诺模图用于术前预测胃腺癌患者LNM，该图整合了R-score和CV-score。在训练组和验证组中，诺模图的预测效能均优于单独的R-score（0.8 50 对0.7 30，P=0.003；0.8 2 0对0.7 0 9，P=0.042）。诺模图是一种基于回归模型而创建的图形计算工具，可用于胃腺癌患者术前预测LNM。术前准确预测LNM对胃腺癌患者的预后和最佳临床治疗策略的选择具有重要意义。在临床上，腹部多期增强CT是术前检测LNM最常用的成像方式。在我们的研究中，CT报告的淋巴结状态在训练和验证组中的预测性能分别为0.6 4和0.6 3。我们研究结果与之前的研究一致5，表明CT报告的淋巴结状态界定淋巴结大小标准不足以准确预测淋巴结状态。尽管在我们的研究中，CT报告的淋巴结状态单因素分析结果有统计学意义，但未纳入最终的独立预测因素中，其原因可能是所筛选出的CV-score和R-score强大的区分能力大大减弱了CT报告的淋巴结状态在最终多因素logistic回归模型中的贡献。R-score在训练组和验证组中的AUC分别为0.7 30和0.7 0 9，与CT报告的淋巴结状态相比，我们发现R-score在区分LNM方面有更好的性能。这与之前的一项研究相似【13，表明影像组学特征比CT报告的淋巴结状态具有更好的鉴别能力。影像组学转换的高通量定量特征可以反映肿瘤的异质性14。这些高通量定量特征是通过数学公式提取的，这些特征易受噪声影响9 。由于没有预学习过程，计算机视觉特征对噪声529ChinComputMedImag,2023,29(5)中国医学计算机成像杂志2 0 2 3年第2 9 卷第5期训练组验证组1.01.00.80.80.60.60.40.40.20.2R-soore(AUC=0.730)-R-s0ore(AUC=0.709)诺模图(AUC=0.850)二诺模图(AUC=0.800)0000.20.40.60.81.000.20.40.60.81.01-特异度1-特异度3A3B训练组-诺模图训练组-R-soore1.00.80.80.70.60.60.50.40.40.2实际预测结果0.3实际预测结果校正预测结果校正预测结果理想预测结果理想预测结果0.2000.20.40.60.81.00.20.30.40.50.60.70.8预测概率预测概率3C3D图3诺模图和R-score在训练组（A)和验证组(B)中的ROC曲线以及训练组诺模图(C)和R-score(D)的校准曲线表3鉴别淋巴结转移的预测性能截止灵敏特异准确模型AUC(95%CI)P值a值度度度训练组0.003*0.850(0.781 诺模图0.4870.7140.8770.7920.919)0.730(0.640 R-score0.4990.6190.7720.6920.821)验证组0.042*0.820(0.698 诺模图0.6820.8180.7780.8040.942)0.709(0.556 R-score0.5040.6360.8330.7060.861)*：P 0.0 5；a：D e Lo n g 检验；选择截止值是为了实现Youden指数。不敏感，我们探索了计算机视觉特征在胃腺癌患者术前预测LNM的有效性。在我们的研究中，CV-score1.0R-score0.8一诺模图一所有0.6无0.40.20-0.200.20.40.60.81.0高风险阅值图4训练组中诺模图和R-score的决策曲线分析y轴代表净收益；粉红色线代表R-score；蓝线代表诺模图；灰线表示所有患者都有淋巴结转移的假设；黑线表示没有患者有淋巴结转移的假设。决策曲线表明，本研究中的诺模图可以获得更多的收益。和R-score是预测胃腺癌患者LNM的独立预测因子。在胃腺癌患者中，CV-score和R-score越高，发生LNM的风险越高。结合CV-score和R-score的诺模图530ChinComputMedImag,2023,229(5)中国医学计算机成像杂志2 0 2 3年第2 9 卷第5期在LNM预测中的性能优于R-score（D e Lo n g 检验：在训练组和验证组中分别P=0.003和0.0 42）。决策曲线分析表明相比R-score，诺模图有更多的临床受益。相较于R-score，诺模图的预测效能明显提高（训练组：NRI=0.819，P 0.0 0 1；验证组：NRI=1.010，P0.001），表明CV-score的添加可以提高诺模图性能。这一结果与Wu等9 的研究结果一致。尽管他们的研究对象是食管鳞癌患者，但结果仍然表明计算机视觉特征的加人显著提高模型的重新分类能力。计算机视觉特征能获得更加详细的、不能被数学公式定义的肿瘤信息。我们的研究有几个局限性。首先，这是一个回顾性的单中心研究，样本量较少。第二，计算机视觉在胃癌中的应用尚不成熟，有待大样本的进一步研究。第三，本研究特征是基于2 DROI提取。尽管3D特征可以提供更多的信息，但是以往的一些研究表明，与2D特征相比，3D特征并没有显著的改善【15。最后，本研究仅关注了胃腺癌患者的二元分类（有/无LNM)。准确预测N分期有待进一步研究。总之，诺模图结合CV-score和R-score对胃腺癌患者LNM的预测优于单纯的R-score。作为一种非侵人性的方法，诺模图提供了对LNM的个体化术前评估，并可能提高临床决策的信心。参考文献1 Bray F,Ferlay J,Soerjomataram I,et al.Global cancer statistics2018:GLOBOCAN estimates of incidence and mortality worldwidefor 36 cancers in 185 countries.CA Cancer J Clin,2018,68:394-424.2 Shen L,Shan YS,Hu HM,et al.Management of gastric cancer inAsia:resource-stratified guidelines.Lancet Oncol,2013,14:e535-e547.3 Young JJ,Pahwa A,Patel M,et al.Ligaments and lymphaticpathways in gastric adenocarcinoma.Radiographics,2019,39:668-689.4 Pyo JH,Shin CM,Lee H,et al.A risk-prediction model based onlymph-node metastasis for incorporation into a treatment algorithmfor signet ring cell-type intramucosal gastric cancer.Ann Surg,2016,264:1038-1043.5 Saito T,Kurokawa Y,Takiguchi S,et al.Accuracy of multidetector-row CT in diagnosing lymph node metastasis in patients with gastriccancer.Eur Radiol,2015,25:368-374.6 Dai CL,Yang ZG,Xue LP,et al.Application value of multi-slicespiral computed tomography for imaging determination of metastaticlymph nodes of gastric cancer.World J Gastroenterol,2013,19:5732-5737.【7】陈武杰,许茂盛.进展期胃癌影像组学研究现状.中国医学计算机成像杂志,2 0 2 0,2 6:6 0 3-6 0 6.【8 李靖,高剑波,王睿,等.基于增强CT影像组学术前预测胃腺癌淋巴结转移.中国医学影像技术，2 0 2 2,38:8 7 8-8 8 3.9 Wu L,Yang X,Cao W,et al.Multiple level CT radiomics featurespreoperatively predict lymph node metastasis in esophageal cancer:amulticentre retrospective study.Front Oncol,2019,9:1548.10 Lehmann TM,Guld MO,Thies C,et al.Content-based imageretrieval in medical applications.Methods Inf Med,2004,43:354-361.11 Kim AY,Kim HJ,Ha HK.Gastric cancer by multidetector row CT:preoperative staging.Abdom Imaging,2005,30:465-472.12 Zwanenburg A,Vallieres M,Abdalah MA,et al.The imagebiomarker standardization initiative:standardized quantitativeradiomics for high-throughput image-based phenotyping.Radiology,2020,295:328-338.13 Huang YQ,Liang CH,He L,et al.Development and validation of aradiomics nomogram for preoperative prediction of lymph nodemetastasis in colorectal cancer.J Clin Oncol,2016,34:2157-2164.14 Aerts HJ,Velazquez ER,Leijenaar RT,et al.Decoding tumourphenotype by noninvasive imaging using a quantitative radiomicsapproach.Nat Commun,2014,5:4006.15 Shen C,Liu Z,Guan M,et al.2D and 3D CT radiomics featuresprognostic performance comparison in non-small cell lung cancer.Transl Oncol,2017,10:886-894.（收稿日期：2 0 2 3-0 3-16；修回日期：2 0 2 3-0 8-11）