临床放射学杂志

作者：李泽茂, 王雅静, 周伟, 王星稳, 陈伟彬

单位：063000 唐山,华北理工大学附属医院医学影像中心

关键词：结直肠癌,影像组学,CT能谱成像,KRAS基因,机器学习

基金：本研究系2023年度唐山市人才资助项目(编号:C202303027)

<b>目的</b> 探讨基于临床、能谱CT及CT影像组学特征构建的不同机器学习模型对术前预测结直肠癌(CRC)患者Kirsten大鼠肉瘤病毒癌基因同源物(KRAS)基因状态的应用价值。<b>方法</b> 回顾性搜集2020年6月至2023年12月经病理确诊为结直肠腺癌204例。依据KRAS基因检测结果分为KRAS野生型组(n=87)和KRAS突变型组(n=117)。于CT静脉期薄层增强图像勾画病灶感兴趣区(ROI),提取影像组学特征,按照7∶3比例随机划分为训练集和测试集,采用最小绝对收缩与选择算子(LASSO)算法筛选影像组学特征。由支持向量机(SVM)、极端梯度提升(XGBoost)及逻辑回归(LR)机器学习算法构建术前预测CRC患者KRAS基因亚型的模型(共六种,组学数据构建的SVM模型,XGBoost模型及LR模型;临床、能谱CT-CT影像组学联合数据构建的SVM模型,XGBoost模型及LR模型),绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评价各模型预测CRC患者KRAS基因亚型的效能;以DeLong检验比较各模型间效能差异。以决策曲线分析(DCA)评价临床、能谱CT及CT影像组学联合数据构建的三种机器学习模型临床应用价值。<b>结果</b> KRAS野生型组和KRAS突变型组间静脉期能谱参数碘基值(IC)、标准化碘基值(NIC)及有效原子序数(Eff-Z)具有统计学差异(P＜0.05);年龄、性别及血清肿瘤标志物等临床指标均无显著差异(P＞0.05)。相较于单纯CT影像组学数据,联合静脉期能谱参数后进一步提高了模型的预测效能,由CT影像组学数据及能谱CT-CT影像组学联合数据构建的SVM模型AUC值分别为0.810,0.866;准确率分别为0.758,0.790。由CT影像组学数据及能谱CT-CT影像组学联合数据构建的XGBoost模型AUC值分别为0.804,0.918;准确率分别为0.790,0.855。由CT影像组学数据及能谱CT-CT影像组学联合数据构建的LR模型AUC值分别为0.827,0.910;准确率分别为0.774,0.806。其中,能谱CT-CT影像组学联合数据构建的XGBoost模型的AUC值、准确率、灵敏度及特异度方面均达到了最优的水平,经Delong检验AUC值差异均有统计学意义(P均＜0.05)。临床决策曲线显示,当风险阈值为25%~98%时,采用XGBoost模型术前预测KRAS基因状态的净受益最高且风险阈值范围更大。<b>结论</b> 基于静脉期能谱参数特征联合CT影像组学特征构建的多种机器学习模型可以有效地在术前评估CRC患者KRAS基因状态;利用XGBoost算法获得的联合模型具有最佳效能。

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