Please wait a minute...
图/表 详细信息
基于胸部增强CT影像组学模型用于胸腺瘤分类的研究
蒋佻宴, 贾田颖, 张琴
中国癌症杂志    2024, 34 (6): 581-589.   DOI: 10.19401/j.cnki.1007-3639.2024.06.006
摘要   (240 HTML8 PDF(pc) (1148KB)(1030)  

背景与目的:胸腺瘤术前分类对治疗决策很有帮助,但获取存在一定困难。本研究旨在建立基于增强对比计算机体层成像(contrast-enhanced computed tomography,CECT)影像组学的胸腺瘤风险分类训练模型,并验证其性能、可靠性和泛化能力。 方法:本回顾性队列研究分析了在上海交通大学医学院附属胸科医院2008年1月—2017年12月接受胸腺瘤切除手术的患者(Masaoka-Koga Ⅰ~Ⅲ期)的临床资料。将患者随机分层为训练组(80%)和测试组(20%),将术后病理学检查结果作为金标准。低风险组织学类型包括A、AB和B1。高风险组织学类型包括B2和B3。手动分割术前CECT图像相关肿瘤区域并提取影像组学特征。使用最小绝对收敛和选择算子(least absolute shrinkage and selection operator,LASSO)回归进行特征选择,并将临床特征添加到联合模型中。模型性能指标包括受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under curve,AUC)、灵敏度和特异度。结果:共纳入478例患者(平均年龄51.3±12.3岁,男性占48.1%)。临床模型、基于CECT的影像组学模型和在测试集上使用临床和CT特征的模型AUC分别为0.666、0.831和0.850。性能最佳的模型的灵敏度为0.829,特异度为0.764。结论:基于术前CECT的影像组学模型在胸腺瘤风险分类中表现良好。



View image in article
图3 训练集和测试集上风险组分类模型的ROC曲线
正文中引用本图/表的段落
模型性能在测试集(n=96)上进行评估。表现最佳的临床模型采用了QDA算法,在训练集和测试集上分别实现了AUC值为0.652(95% CI:0.596 ~ 0.707)和0.666(95% CI:0.550 ~ 0.780),准确率为68.8%。在测试集上最佳诊断决策点的灵敏度和特异度分别为0.341和0.945。表现最佳的14个特征的影像学模型采用了LDA算法,在训练集和测试集上分别实现了AUC值为0.849(95% CI:0.810 ~ 0.889)和0.800(95% CI:0.711 ~ 0.890)。表现最佳的4个特征的影像学模型采用了QDA算法,在训练集和测试集上分别实现了AUC值为0.831(95% CI:0.790 ~ 0.872)和0.831(95% CI:0.747 ~ 0.914)。与14个特征的LDA模型相比,4个特征的QDA模型对过度拟合更加稳健,并具有更好的灵敏度、特异度和准确率。选用的4个特征是:原始图像的形状特征“球度”、第一阶特征“中位数”(来自Wavelet-LHL和Wavelet-LLL)、灰度级运行长度矩阵特征(来自Wavelet-HLL)。采用4个临床特征和4个影像学特征的logistic回归模型在训练集和测试集上AUC值分别为0.830(95% CI:0.788 ~ 0.871)和0.850(95% CI:0.773 ~ 0.927)。对3个模型的比较显示,基于CECT的QDA模型明显优于临床模型(P=0.019)。临床信息的添加略微提高了模型性能,但差异无统计学意义(P=0.346 6,图3,表3)。
本文的其它图/表