临床放射学杂志

作者：马长宜, 崔恩铭, 林帆, 崔晋, 周涛, 龙晚生

单位：529000 江门市中心医院放射科马长宜、崔恩铭、崔 晋、周 涛、龙晚生;518035 深圳市第二人民医院放射科林 帆

关键词：机器学习,肿瘤分割,肾透明细胞癌,病理分级

基金：本研究系广东省基础与应用基础研究基金项目(编号:2021A1515220080)

<b>目的</b> 探究肿瘤边缘分割策略对基于CT的机器学习预测肾透明细胞癌(ccRCC)病理分级的影响。<b>方法</b> 回顾性分析2009年1月至2019年12月经病理证实的ccRCC患者三期CT图像数据及临床病理学资料共546例,分为建模及内部验证集(n=311)、独立外部验证集(n=235)。按以下肿瘤图像分割策略进行分组:聚焦肿瘤边缘分割(MF组);边缘范围分别扩大1 mm(E1组)、3 mm(E3组);边缘范围分别缩小1 mm(S1组)、3 mm(S3组)。基于三期CT图像并利用CatBoost建立ccRCC病理分级(高/低级别)的机器学习预测模型。对比分析各组所提取的纹理特征及权重因子、预测模型的敏感度(SEN)、特异度(SPC)、阳性预测值(PPV)、阴性预测值(NPV)、准确率(ACC)、受试者工作特征曲线(ROC)及曲线下面积(AUC)。<b>结果</b> 分割边缘范围与所提取的纹理特征权重因子大小成正比,权重因子随着肿瘤图像分割边缘收缩而减小。采用如上述肿瘤图像分割策略的ccRCC病理分级预测模型的AUC分别为:MF 0.8037、E1 0.8161、E3 0.8165、S1 0.8010、S3 0.7974。组间AUC两两比较差异无统计学意义(P＞0.05)。<b>结论</b> 基于多期CT图像的ccRCC病理分级机器学习预测模型具有较高的诊断效能,且不容易受到分割边缘微小范围(3 mm内)变化的影响。

来源：2023年第6期

《临床放射学》期刊编辑部

查看临床放射学杂志2023年第6期