临床放射学杂志

作者：王亚婷, 黄敏, 张晰, 柏根基, 陈伟

单位：223300 淮安,南京医科大学附属淮安第一医院

关键词：胃肠道间质瘤,机器学习,支持向量机,影像组学,计算机断层摄影

<b>目的</b> 构建并验证基于增强CT影像组学特征联合传统CT特征的机器学习SHAP模型术前预测胃肠道间质瘤(GIST)患者Ki-67表达状态。<b>方法</b> 回顾性搜集我院 149例GIST患者临床、影像及病理资料。根据术后病理将患者分为Ki-67低表达组和高表达组。分析术前增强CT图像中的传统CT特征并从静脉期图像中提取影像组学特征。采用组内相关系数(ICCs)、最大相关最小冗余(MRMR)和最小绝对收缩和选择算子(LASSO)方法筛选影像组学特征并构建影像组学标签。然后采用 SVM机器学习算法对影像组学特征并联合传统CT语义特征进行模型构建,以受试者工作特征(ROC)曲线评估机器学习模型对GIST患者Ki-67表达的预测效能,并使用SHAP方法分析并研究不同变量的贡献度及风险阈值。<b>结果</b> 在训练集中和验证集中,Ki-67高表达和Ki-67低表达患者的 Radscore 分别为(5.50±8.27)vs(-2.16±5.56)和(2.15±1.71)vs(-3.43±6.90),差异均有统计学意义(<i>P</i>&lt;0.001)。Radscore在预测GIST患者Ki-67表达在训练集和验证集中的AUC分别为0.749和0.729。联合影像组学特征和传统CT特征SVM分类模型显示训练集和验证集的AUC分别为0.812和0.791。SHAP分析结果显示Radscore和肿瘤直径对模型具有高度正贡献。个性化特征归因结果显示Radscore＞-0.1175、肿瘤直径＞5.5 cm对GIST患者Ki-67高表达的风险预测能力越大。<b>结论</b> 基于增强CT影像组学特征和传统语义特征的可解释SVM模型可以术前个性化预测GIST患者Ki-67表达状态,可为临床个体化治疗决策提供可靠的影像学生物标志物。

来源：2024年第9期

《临床放射学》期刊编辑部

查看临床放射学杂志2024年第9期