基于磁共振影像组学列线图预测中晚期鼻咽癌放化疗疗效.pdf

鼻咽癌是临床常见的头颈部恶性肿瘤之一 1。由于鼻咽癌解剖位置隐蔽，手术治疗一般不用于鼻咽癌的初治，目前主要的治疗方式为放疗与化疗相结合的综合治疗。近十年来流行病学趋势表明：鼻咽癌的发病率及死亡率正逐步下降，但仍有10%20%的患者在初次治疗后出现局部复发，这可能与部分患者存在辐射抵抗有关 2-3。鼻咽癌患者出现复发或转移后预后非常差，中位生存时间仅20月左右 4。在治疗前预测患者对放化疗的效能，及时调整治疗方案，做到规范化及时效性的治疗，减少鼻咽癌患者的不良反应，提高生存质量，显得尤为重要。传统磁共振成像技术在鼻咽癌放化疗疗效中的预测价值有限，而可从图像中提取肉眼无法识别的高维定量特征的影像组学的兴起，正好为此研究提供了新的机遇 5-6。有研究采用治疗前磁共振图像构建列线图模型预测其在鼻咽癌不同方案放化疗下疗效中的应用Predicting the efficacy of chemoradiotherapy for advanced nasopharyngeal carcinomabased on MRI radiomic nomogramWANG Xuelian,ZHAO Cancan,ZHOU Muye,WANG Xin,ZHANG Yuwen,WANG Zhiyuan,CHEN LiuchengDepartment of Radiology,The First Affiliated Hospital of Bengbu Medical College,Bengbu 233000,China摘要：目的 探讨基于多模态磁共振的影像组学特征结合临床信息构建的列线图在中晚期鼻咽癌临床放化疗疗效中的预测价值。方法 回顾性分析160例经病理证实为鼻咽癌的初诊患者的影像及临床资料。按照7:3的比例将患者分为训练组（n=112）与验证组（n=48）。在训练组提取T2加权脂肪抑制序列、T1加权增强序列和弥散加权成像序列图像的影像组学特征，经过最小绝对收缩和选择算子数据降维，筛选出最有效的特征构建影像组学预测模型。纳入相关的临床信息，利用Logistic逻辑回归，筛选最有价值的临床信息并构建临床信息模型；联合临床信息模型与组学特征模型构建联合模型，并构建列线图。通过ROC曲线及曲线下面积来评估各模型的诊断效能，通过决策曲线分析和校正曲线评估列线图的临床应用价值。结果 联合2项临床信息和9项影像组学特征构建的临床-影像组学模型在训练组和验证组的曲线下面积分别为0.852（95%CI:0.7650.940）、0.736（95%CI:0.5740.898），显示出良好的预测效能。结论 基于多模态磁共振的影像组学列线图在预测中晚期鼻咽期临床放化疗疗效中具有可行性，具有较好的临床应用价值。关键词：鼻咽癌；疗效预测；影像组学；列线图；磁共振成像Abstract:Objective To investigate the predictive value of nomogram based on the radiomics features of multimodal magneticresonance combined with clinical information in the efficacy of chemoradiotherapy in advanced nasopharyngeal carcinoma.Methods The imaging and clinical data of 160 patients with pathologically confirmed nasopharyngeal carcinoma at firstdiagnosis were retrospectively analyzed.Patients were divided into training group(n=112)and validation group(n=48)according to a ratio of 7:3.In the training group,the radiomics features of T2-weighted fat suppression sequence,T1-weightedenhancement sequence and diffusion-weighted imaging sequence images were extracted,and the most effective features werefiltered to construct the radiomics prediction model after dimensionality reduction of the LASSO data.The relevant clinicalinformation were incorporated,and the most valuable clinical information were screened a clinical information modelconstructed using logistics regression.The clinical information model was combined with the radiomics feature model toconstruct a combined model,and the nomogram was constructed.The diagnostic efficacy of each model was assessed by theROC curve and area under the curve.The clinical application value of the nomogram was assessed by decision curve analysisand calibration curve.Results The clinic-radiomics model constructed by combining two clinical information and nineradiomics features showed good predictive efficacy with AUCs of 0.852(95%CI:0.765-0.940)and 0.736（95%CI:0.574-0.898）inthe training and validation groups,respectively.Conclusion Multimodal MRI-based radiomics nomograms are feasible inpredicting the efficacy of chemoradiotherapy in advanced nasopharyngeal carcinoma and have good clinical application.Keywords:nasopharyngeal carcinoma;efficacy prediction;radiomics nomogram;magnetic resonance imaging基于磁共振影像组学列线图预测中晚期鼻咽癌放化疗疗效基于磁共振影像组学列线图预测中晚期鼻咽癌放化疗疗效王雪莲，赵灿灿，周牧野，王 欣，张玉文，王志远，陈刘成蚌埠医学院第一附属医院放射科，安徽 蚌埠 233000收稿日期：2023-03-06基金项目：蚌埠医学院自然科学重点项目(2020byzd128)作者简介：王雪莲，住院医师，在读硕士研究生，E-mail:通信作者：陈刘成，副主任医师，副教授，硕士生导师，E-mail:doi 10.12122/j.issn.1674-4500.2023.04.14分子影像学杂志,2023,46(4):654-660 654评价 7，但此类文献相对较少，且未纳入弥散加权成像序列（DWI）图像进行勾画，因而影像信息不完整。DWI作为鼻咽部磁共振扫描的常规序列，在鼻咽癌的疗效评估及预后方面有重要参考意义 8-9。本研究旨在构建一个联合治疗前T2加权脂肪抑制序列（T2WI-STIR）、T1加权增强序列（T1WI+C）及DWI的多模态磁共振影像组学特征及传统临床信息的列线图模型，探讨其在预测中晚期鼻咽癌放化疗疗效中的应用价值。1 资料与方法1.1 一般资料回顾性分析蚌埠医学院第一附属医院2018年8月2022年11月160例鼻咽癌初诊患者的临床及影像资料，包括患者的年龄、性别、肿瘤长径、有无涕血、首诊有无淋巴结转移等。其中男性患者119例，女性患者41例，年龄1179岁，平均51.98岁。纳入标准：经病理确诊的鼻咽癌初诊患者；临床分期期（AJCC第8版）；治疗前2周内接受3.0 T磁共振检查；接受同步放化疗；随访资料完整；排除标准：治疗前接受其他抗肿瘤治疗；合并其他原发性肿瘤；合并严重心、肝等脏器疾病。本研究已经通过伦理委员会审批同意。1.2 肿瘤反应的评估所有患者均接受调强放疗，采用高能直线加速器6mV-X线，2 Gy/次，5次/周，放疗25次剂量达50 Gy。同步化疗，患者从放疗第1天开始接受顺铂单药化疗，静脉滴注，剂量为100 mg/m2，与放疗同时结束。IIIIV期鼻咽癌患者行2周期诱导化疗后再进行同步化疗，化疗方案基于铂类（顺铂/奈达铂）。在治疗结束后23月内行鼻咽部及颈部MRI检查，按照RECIST1.1疗效评价标准 10 进行效果评价，将完全缓解和部分缓解归为有效组，将疾病稳定和疾病进展归为无效组。并按照7:3的比例将病例随机分为训练组（n=112，其中有效组81例、无效组31例）和验证组（n=48，其中有效组35例、无效组13例）。1.3 仪器与方法采用飞利浦Achieva 3.0T双梯度超导磁共振仪；头颈联合线圈。增强扫描对比剂为钆喷酸葡胺；图像后处理采用ITK-SNAP及AK软件。MRI 平扫：轴位 T2WI、轴位 T2WI-STIR、轴位T1WI、轴位DWI。设置参数：T1WI：TR 400 ms，TE 3ms；T2WI：TR 3500 ms，TE 83 ms：层厚和层距分别为2mm和0.5 mm，激励次数为1次。DWI扫描：SE-EPI序列，TR 5100 ms，TE 70 ms，FOV为20 mm20 mm，层厚和层距分别为2 mm和0.5 mm，激励次数为1次，b值取0 s/mm、1000 s/mm。然后经肘静脉注入对比剂，总量以0.1 mmol/kg计算，速率2 mL/s，进行多方位的T1WI-STIR增强检查，包括轴位、冠状位、矢状位。1.4 图像分割将患者轴位T2WI-STIR、T1WI+C及DWI图像以原始图像的格式（DICOM）导入医准-达尔文平台，采用手动分割的方法，在软件中分别对轴位T2WI-STIR、T1WI+C及DWI显示肿瘤实性成分的最大同一层面病灶进行勾画ROI（图1）。图1 基于肿瘤最大层面手动勾画ROI示意图Fig.1 Manually outline the ROI schematic based on the maximum tumor level.A-C:Results of manual lesionsegmentation on T2WI-STIR,T1WI+C and DWI images respectively.ABC1.5 特征提取和特征筛选为了去除冗余及不相关的特征，首先对提取出的特征运用最小最大值归一化法及Select K Best筛选特征，去除低性能特征。最后采用最小绝对收缩和选择算子（LASSO）进一步降维。1.6 模型构建对上述筛选出的特征使用Logistic回归方法构建组学标签，并对每位患者的影像组学分数值进行计算。在训练组中，将每例患者的年龄、肿瘤长径、性别、有无涕血、首诊有无淋巴结转移、T分期、临床分期这7个临http:/www.j-分子影像学杂志,2023,46(4):654-660 655床危险因素逐一运用Logistic回归的向后逐步回归法进行分析，获得具有预测鼻咽癌放化疗疗效的特征，构建临床信息模型。然后结合影像组学评分和临床信息，采用RStudio软件绘制列线图对预测模型进行可视化。采用ROC曲线评价联合预测模型在训练集和验证集的区分度，并且与临床信息模型和影像组学模型比较ROC曲线下面积（AUC）。应用Boostrap重抽样法绘制训练集和验证集的校准曲线来评价预测模型的校准度，对比模型预测概率和观测概率的一致性。分别在训练集和验证集中对预测模型进行决策曲线分析（DCA），以评价模型的临床实用性，并且与临床指标模型和影响组学模型进行比较。1.7 统计学分析采用SPSS26.0及RStudio软件对数据进行统计学分析。定量资料采用Kolmogorov-Smirnov检验方法进行正态性检验，符合正态分布的资料以均数标准差表示，两组间比较采用独立样本t检验；定性资料以n(%)表示，两组间比较采用卡方检验或Fisher确切概率法。以P0.05，表1）。IndexAge(years,MeanSD)Tumor length(cm,MeanSD)Gender n(%)FemaleMaleBloody nasal discharge n(%)NoYesLN metastasis n(%)NoYesT stage n(%)T1-T2T3-T4Clinical stage n(%)IIIIIIVTraining groupIneffectiveness(n=31)52.80612.2573.1420.7319(29.0)22(71.0)23(74.2)8(25.8)3(9.7)28(90.3)11(35.5)20(64.5)18(58.1)13(41.9)Effectiveness(n=81)51.79012.1603.1980.54620(24.7)61(75.3)49(60.5)32(39.5)7(8.6)74(91.4)48(59.3)33(40.7)65(80.2)16(19.8)P0.6940.6630.6390.1760.8630.0240.016Validation groupIneffectiveness(n=13)52.69214.4193.1620.6172(15.4)11(84.6)8(61.5)5(38.5)0(0.0)13(100.0)5(38.5)8(61.5)9(69.2)4(30.8)Effectiveness(n=35)51.40014.5223.2230.50910(28.6)25(71.4)16(45.7)19(54.3)4(11.4)31(88.6)19(54.3)16(45.7)29(82.9)6(17.1)P0.7850.7280.3480.3300.2030.3300.302表1 患者临床信息比较Tab.1 Comparison of patient clinical information n(%)2.2 特征筛选与模型的建立从每位患者的多模态MRI图像中提取到共3375个影像组学特征，首先单因素特征筛选和相关性分析筛选出19个特征，然后使用LASSO回归筛选出对预测鼻咽癌放化疗疗效最有价值的9个特征（图2）。临床危险因素经过单因素和多因素Logistic回归分析最终筛选出2个临床信息（T分期、临床分期）（表2）。最后联合筛选得到的临床信息及影像组学特征，分别建立临床模型、影像组学模型及临床-影像组学模型。表2 临床信息单因素、多因素Logistic回归分析Tab.2 Univariate and multivariate Logistic regression analysis of clinical informationParametersAgeTumor lengthGenderBloody nasal dischargeLN metastasisT stageClinical stageUnivariate Logistic regressionOR0.991.171.251.881.130.380.3495%CI0.96-1.030.58-2.350.49-3.150.75-4.710.27-4.690.16-0.890.14-0.84P0.6910.660.6390.1790.8640.0260.019Multivariate Logistic regressionOR-0.360.3295%CI-0.15-0.860.13-0.82P-0.0250.018分子影像学杂志,2023,46(4):654-660http:/www.j- 6562.3 模型对比与验证通对以上构建的3组模型的AUC、特异性、敏感度进行比较，可以得出临床-影像组学模型在训练组（AUC=0.852）和验证组（AUC=0.736）中的预测效能均高于单一临床或单一影像组学模型（表3、图3）。通过Delong检验进行比对，3组模型间AUC在训练组和验证组中的差异均有统计学意义（P0.05）。最后构建基于临床-影像组学模型的列线图，实现预测模型可视化（图4）。该模型计算得出的数值越高，表明患者放化疗后短期疗效好的可能性越大。在训练组和验证组中，列线图的校准曲线显示，预测鼻咽癌放化疗疗效的概率与真实概率之间吻合度较好（图5）。DCA曲线也表明，与其他两组模型对比，联合模型净获益最高（图6）。1918171815120-8-7-6-5-4-3-2Log Lambda1.00.50.0-0.5Coeffcients19 19 19 18 17 17 18 17 16 14 12 9 51.61.41.21.0Binomial deviance-8-7-6-5-4-3-2Log(）图2 LASSO回归模型筛选出9个影像组学特征Fig.2 Nine radiomics features screened by LASSO regression model.ABGroupsTraining groupClinical modelRadiomics modelCombined modelValidation groupClinical modelRadiomics modelCombined modelAUC（95%CI）0.669（0.558-0.780）0.841（0.759-0.923）0.852（0.765-0.940）0.636（0.471-0.802）0.725（0.582-0.869）0.736（0.574-0.898）Specificity0.7740.6450.6490.7690.5430.692Sensitivity0.4570.9010.9630.4860.9230.771Youden index0.2310.5460.6120.2550.4660.463表3 3组模型比较Tab.3 Comparison of three modelsSensitivity1-Specificity1.00.80.60.40.20.01.00.80.60.40.20.0Clinical,AUC=0.669(0.558-0.780)Radscore,AUC=0.841(0.759-0.923)Combined,AUC=0.852(0.765-0.940)Sensitivity1.00.80.60.40.20.01.00.80.60.40.20.01-SpecificityClinical,AUC=0.636(0.471-0.802)Radscore,AUC=0.725(0.582-0.869)Combined,AUC=0.736(0.574-0.898)AB图3 3个模型在训练组（A）及验证组（B）中的ROC曲线Fig.3 ROC curves of three models in the training group(A)and the validation group(B).http:/www.j-分子影像学杂志,2023,46(4):654-660 657图4 预测鼻咽癌放化疗疗效的列线图Fig.4Nomogramn for predicting the efficacy of radiotherapy and chemotherapy fornasopharyngeal carcinoma.T stage:1 represents T3-T4,0 represents T1-T2;Clinical stage:1represents stage IV,0 represents stage IIIII.0.00.20.40.60.81.0Predicted probabilityActual probability1.00.80.60.40.20.0Actual probability1.00.80.60.40.20.00.00.20.40.60.81.0Predicted probabilityAB图5 训练组（A）及验证组（B）列线图的校正曲线Fig.5 Correction curves of nomogramn for training group(A)and validation group(B).Standardized net benefit1.00.80.60.40.20.00.00.20.40.60.81.0High risk threshold1 1001 42 33 24 1100 1Cost Benefit ratio0.00.20.40.60.81.0High risk thresholdStandardized net benefit1.00.80.60.40.20.01 1001 42 33 24 1100 1Cost Benefit ratioAB图6 训练组（A）和验证组（B）的DCA曲线Fig.6 DCAcurves for training group(A)and validation group(B).CombinedClinicalradscoreAllNoneCombinedClinicalradscoreAllNonePointsT stageClinical stageRadscoreTotal pointPredicted value分子影像学杂志,2023,46(4):654-660http:/www.j- 6583 讨论鼻咽癌的治疗手段多样，包括手术、放化疗、中医药治疗、免疫靶向治疗等多种治疗手段，常涉及多学科合作 11。目前针对鼻咽癌的治疗方案正朝着个体化精准治疗的方向迈进，即针对不同患者对治疗敏感性的不同，制定个体化治疗方案，因而准确评估其放化疗疗效，对指导鼻咽癌的综合治疗及预后起着至关重要的作用。本文通过磁共振T2WI-STIR、T1WI+C及DWI图像及其影像组学的联合模型可以对中晚期鼻咽癌放化疗疗效进行无创且准确地预测，以避免出现治疗不足或者过度治疗。近年来，影像组学已经成为研究热点，它通过数据表征算法，高通量提取大量图像数据，将影像图像转换为定量、客观的可挖掘数据，无创且定量地评估肿瘤异质性 12-13。学界致力于影像组学模型的探讨和挖掘，其在食管、肺部、直肠及乳腺等部位肿瘤的病理分化、疗效预测及良恶性鉴别方面均发挥着一定的作用 14-18。研究发现，基于鼻咽癌患者治疗前磁共振影像组学可以良好地预测放化疗的疗效，从而早期对其治疗方案进行干预 19-21。Yu等 19 将LASSO和Logistic回归筛选特征后，构建了基于T1WI、T2WI和联合T1-T2的放射组学模型，结果表明联合T1-T2模型优于单独的T1WI或T2WI模型，基于MRI的影像组学在治疗前识别鼻咽癌患者的适应性放疗资格方面具有良好的能力。有研究通过两步特征选择方法，进一步交叉验证，支持向量机生成的影像组学模型，通过整合临床数据和影像组学特征，构建了列线图模型来预测鼻咽癌诱导化疗的疗效，结果表明：基于MRI的多参数影像组学列线图对于鼻咽癌患者接受诱导化疗治疗的个体化风险分层和治疗有帮助 20。有学者采用方差分析/Mann-Whitney U检验来选择特征，滤波阈值为0.9，Spearman等级相关系数分析进行降维，采用LASSO与Cox回归模型进行特征筛选并建立预测模型，结果表明基于MR的影像组学可预测鼻咽癌患者接受新辅助化疗的疗效，指导鼻咽癌患者的个体化治疗 21。虽然以上研究中所采用的特征筛选手段与算法不一，但结果皆证实了基于MRI的影像组学模型能够对鼻咽癌患者接受放化疗后临床疗效进行良好的预测。本研究基于多模态磁共振图像提取了9个最优的影像组学特征（包括4个一阶统计特征、2个相邻灰度矩阵特征、1个灰度级大小区域矩阵特征、1个灰度依赖矩阵特征、1个灰度游程矩阵特征）构建影像组学模型，该模型的预测能力（AUC=0.841）优于临床模型（AUC=0.669），而将影像组学特征与临床信息相结合构建的联合模型，其预测能力显著提高（AUC=0.852），优于影像组学和临床模型，这表明联合模型能将影像组学特征与临床信息互补，进一步提高模型的预测效能。Hu等 22 学者的既往研究也证明了联合模型的优越性，研究显示磁共振影像组学预测鼻咽癌对新辅助化疗的敏感性较高，其分别建立了临床模型、影像组学模型和基于T2WI的临床-影像组学模型，结果表明：联合模型的预测能力优于另外两种模型，AUC达到0.86。因此，影像组学特征结合临床信息构建的联合模型是预测中晚期鼻咽癌放化疗疗效的最优模型，列线图的建立实现了预测模型的可视化，同时DCA曲线也表明该模型的优越性，对临床医生治疗方案选择的制定具有重要参考意义。在临床资料信息方面，本研究首先对肿瘤长径、有无涕血、首诊有无淋巴结转移、T分期、临床分期等因素进行单因素Logistic回归分析，后将差异有统计学意义的指标纳入多因素Logistic回归分析，最终得出T分期、临床分期为独立预测因素（P0.05）。有学者认为初诊症状存在涕血或淋巴结转移是鼻咽癌患者中晚期临床分期的独立危险因素 23，二者作为临床常规指标，具有易观察、易获取等优点。本研究尝试纳入这两个指标进行相关性分析，寻找其对鼻咽癌患者放化疗疗效的预测价值，但结果显示其在预测放化疗疗效上并无显著差异，原因可能是本研究样本量相对较少，也可能是作为常规指标且具有共性，以后有待进一步探究。本研究存在的不足：本研究为单一机构的回顾性研究，可能存在选择偏倚，模型不具有普遍适用性；本研究样本量有限，后续研究中会扩充样本量，有望发掘更多特征；本研究只在最大层面上勾画了二维的ROI，可能致部分肿瘤信息丢失；所有 ROI均通过手动分割，分割图像具有主观性，存在有一定的误差。综上所述，基于磁共振影像组学开发的联合预测列线图在预测鼻咽癌放化疗疗效中具有一定优势，可作为一种无创的预测工具，辅助临床治疗决策向个体化精准医疗时代迈进。参考文献：1 Sung H,Ferlay J,Siegel RL,et al.Global cancer statistics 2020:GLOBOCAN estimates of incidence and mortality worldwide for36 cancers in 185 countries J .CA Cancer J Clin,2021,71(3):209-49.2 Chen YP,Chan ATC,Le QT,et al.Nasopharyngeal carcinoma J .Lancet,2019,394(10192):64-80.3 Lee AWM,Ng WT,Chan JYW,et al.Management of locally recur-rent nasopharyngeal carcinoma J .Cancer Treat Rev,2019,79:101890.4 张 力.鼻咽癌的综合治疗进展 J .肿瘤防治研究,2019,46(8):667-71.5 Lambin P,Rios-Velazquez E,Leijenaar R,et al.Radiomics:extract-ing more information from medical images using advanced featureanalysis J .Eur J Cancer,2012,48(4):441-6.http:/www.j-分子影像学杂志,2023,46(4):654-660 659 6 Gillies RJ,Kinahan PE,Hricak H.Radiomics:images are morethan pictures,they are data J .Radiology,2016,278(2):563-77.7 Zhong LZ,Dong D,Fang XL,et al.A deep learning-basedradiomic nomogram for prognosis and treatment decision inadvanced nasopharyngeal carcinoma:a multicentre study J .EBioMedicine,2021,70:103522.8 Paprad T,Lertbutsayanukul C,Jittapiromsak N.Value of diffusion-weightedimaginganddynamiccontrast-enhancedmagneticresonance imaging for prediction of treatment outcomes innasopharyngeal carcinoma J .J Comput Assist Tomogr,2022,46(4):664-72.9 芮银芳,周 楠,杨 阳,等.扩散加权成像和临床分期在鼻咽癌预后评估中的价值 J .中国耳鼻咽喉颅底外科杂志,2022,28(5):39-44.10 Eisenhauer EA,Therasse P,Bogaerts J,et al.New responseevaluation criteria in solid tumours:revised RECIST guideline(version 1.1)J .Eur J Cancer,2009,45(2):228-47.11 Tang LL,Chen YP,Chen CB,et al.The Chinese Society of Clini-cal Oncology(CSCO)clinical guidelines for the diagnosis andtreatment of nasopharyngeal carcinoma J .Cancer Commun(Lond),2021,41(11):1195-227.12 高玉青,王小雷,徐 鹤,等.基于增强CT影像组学术前预测胃癌淋巴结转移 J .中国CT和MRI杂志,2022,20(11):140-2.13 Lee SH,Park H,Ko ES.Radiomics in breast imaging from tech-niques to clinical applications:a review J .Korean J Radiol,2020,21(7):779.14 Wang YF,Yang YL,Sun JW,et al.Development and validation ofthe predictive model for esophageal squamous cell carcinoma dif-ferentiation degree J .Front Genet,2020,11:595638.15 吴佩琪,杨雅俪,周妍璐,等.乳腺良恶性病变鉴别的MRI影像组学预测模型构建:基于随机森林、支持向量机、逻辑回归分类器 J .分子影像学杂志,2021,44(5):764-70.16 Li HH,Gao L,Ma H,et al.Radiomics-based features for predic-tion of histological subtypes in central lung cancer J .Front Oncol,2021,11:658887.17 Yang FC,Zhang JY,Zhou L,et al.CT-based radiomics signaturescan predict the tumor response of non-small cell lung cancer pa-tients treated with first-line chemotherapy and targeted therapy J .Eur Radiol,2022,32(3):1538-47.18 Song M,Li S,Wang H,et al.MRI radiomics independent of clini-cal baseline characteristics and neoadjuvant treatment modalitiespredict response to neoadjuvant therapy in rectal cancer J .Br JCancer,2022,127(2):249-57.19 Yu TT,Lam SK,To LH,et al.Pretreatment prediction of adaptiveradiation therapy eligibility using MRI-based radiomics for ad-vanced nasopharyngeal carcinoma patients J .Front Oncol,2019,9:1050.20 Zhao LN,Gong J,Xi YB,et al.MRI-based radiomics nomogrammay predict the response to induction chemotherapy and survivalin locally advanced nasopharyngeal carcinoma J .Eur Radiol,2020,30(1):537-46.21 Piao YF,Jiang CE,Wang L,et al.The usefulness of pretreatmentMR-based radiomics on early response of neoadjuvant chemothera-py in patients with locally advanced nasopharyngeal carcinoma J .Oncol Res,2020,28(6):605-13.22 Hu CM,Zheng DC,Cao XS,et al.Application value of magneticresonance radiomics and clinical nomograms in evaluating thesensitivityofneoadjuvantchemotherapyfornasopharyngealcarcinoma J .Front Oncol,2021,11:740776.23 吴刚刚,边学飞,周 琪,等.鼻咽癌患者临床分期的相关因素分析 J .温州医科大学学报,2022,52(7):577-81.（编辑：林 萍）分子影像学杂志,2023,46(4):654-660http:/www.j- 660