临床放射学杂志

作者：杨福军, 沈芳, 唐艳隆, 李祥宇, 张蝶, 王文丽, 王鹏, 苏宗友

单位：671014 大理白族自治州人民医院滇西区域医疗中心杨福军;671005 大理白族自治州第二人民医院沈 芳;671000 大理大学第一附属医院唐艳隆、李祥宇、张 蝶、王文丽、王 鹏、苏宗友

关键词：小细胞肺癌,非小细胞肺癌,影像组学,体层摄影术,X线计算机

<b>目的</b> 评估多期相融合CT影像组学鉴别小细胞肺癌(SCLC) 与非小细胞肺癌(NSCLC)的价值并建立鉴别SCLC与NSCLC的预测模型。<b>方法</b> 回顾性搜集2018年12月至2022年12月经病理学确诊的肺癌患者肺部CT(肺窗、纵隔窗、动脉期、静脉期薄层图像)及临床资料。提取影像资料和临床资料中最有价值的特征,分别用以构建多期相融合CT影像组学模型(为了突出多期相融合的有效性,将多期相融合影像组学模型与单一期相影像组学模型作对比),临床模型及联合模型,模型的构建使用三种较为常用的机器学习算法:Logistic回归(LR)、k-近邻(KNN)及多层感知器(MLP)。<b>结果</b> 结合LR机器学习算法构建的联合模型表现出最佳的效能[训练集曲线下面积(AUC)= 0.946,测试集AUC= 0.911]。融合期相影像组学模型的AUC(训练集:0.849,测试集:0.847)比单一期相影像组学模型更高且具有正向改善力[连续净重分类改善度(NRI),综合判别改善度(IDI)均＞0],同时,校准曲线显示,融合期相影像组学模型预测结果与真实结果之间一致性较高。<b>结论</b> 多期相融合CT影像组学在鉴别SCLC与NSCLC中具备较高的价值;融合期相影像组学模型诊断效能比单一期相影像组学模型更加出色;在联合神经元特异性烯醇化酶(NSE)和胃泌素释放肽前体(ProGRP)两个临床独立危险因素后,融合期相影像组学模型的效能有所改善,可为鉴别SCLC和NSCLC提供一种客观全面、准确快捷、无创安全及高成本效益的方法;LR机器学习算法比KNN及MLP机器学习算法表现更好。

来源：2024年第10期

《临床放射学》期刊编辑部

查看临床放射学杂志2024年第10期