临床放射学杂志

作者：陈亚曦, 康文炎, 江长思, 罗德红, 龚静山

单位：518020 深圳,暨南大学第二临床医学院陈亚曦;518020 深圳,中国医学科学院肿瘤医院深圳医院放射科康文炎,罗德红;518020 深圳市人民医院暨南大学第二临床医学院,南方科技大学第一附属医院放射科江长思,龚静山

关键词：放射组学,机器学习,肺腺癌,气腔播散(STAS)

基金：本研究系国家自然基金面上项目(编号:82172026)

<b>目的</b> 探讨基于术前CT放射组学的机器学习模型预测肺腺癌气腔播散(STAS)的价值。<b>方法</b> 回顾性分析829例病理证实为肺腺癌并且术前3个月行CT检查的患者资料。在中心Ⅰ的709例患者中,采用单因素分析比较STAS状态与临床及放射组学特征间的差异(P&lt;0.05)。随机从中心Ⅰ的578例STAS阴性患者中,选取25%(150例)与131例STAS阳性患者构建放射组学信号。采用10折叠交叉验证(10-fold cross-validation)套索回归(LASSO)进一步特征筛选并用多元Logstic回归建立放射组学信号。将中心Ⅰ患者按0.7∶0.3比例分为训练集及内部验证集。在训练集中用利用放射组学信号和差异有统计学意义的临床特征采用多因素Logstic回归建立预测模型并绘制列线图(Nomogram)。以中心Ⅱ的120例患者作为测试集检验模型的预测效能。<b>结果</b> 多因素Logistics回归结果表明性别和组学分数为独立危险因素。联合模型的在训练集曲线下面积(AUC)为0.84(90%CI:0.80~0.88),在内部验证集和外部测试集的AUC分别为0.83(95%CI:0.78~0.90)及0.80(95%CI:0.68~0.92)。<b>结论</b> 基于术前CT放射组学的机器学习模型预测肺腺癌STAS状态可达到较高的诊断效能,可为临床手术方式的选择提供决策支持。

来源：2023年第4期

《临床放射学》期刊编辑部

查看临床放射学杂志2023年第4期