基于静脉期增强CT影像组学的机器学习模型术前预测局部进展期胃癌脉管侵犯

作者：梁盼; 雍刘亮; 程铭; 胡志伟; 任秀春; 吕东博; 朱兵兵; 刘梦茹; 张安琪; 陈奎生; 高剑波^*

来源：中华放射学杂志, 2023, 57(05).

• 胃肿瘤
• 体层摄影术, X线计算机
• 脉管侵犯
• 影像组学

目的评估基于静脉期增强CT影像组学特征的机器学习模型术前预测局部进展期胃癌脉管侵犯(VI)的价值。方法回顾性分析2011年7月至2020年12月郑州大学第一附属医院经病理证实的296例局部进展期胃癌患者, VI阳性213例、阴性83例, 采用分层抽样方法按7∶3的比例将数据分为训练集(207例)和测试集(89例)。记录患者临床特征, 采用多因素logistic回归筛选胃癌VI的独立危险因素。利用Pyradiomics软件提取肿瘤静脉期CT影像组学特征, 采用最小绝对收缩和选择算法(LASSO)进行特征筛选, 得到最优特征子集, 建立影像组学标签。使用极端梯度提升(XGBoost)、逻辑回归(logistic)、朴素贝叶斯(GNB)和支持向量机(SVM)4种机器学习算法, 对影像组学标签和筛选出的临床独立危险因素构建预测模型。采用受试者操作特征曲线评估模型预测胃癌VI的效能。结果分化程度(OR=13.651, 95%CI 7.265～25.650, P=0.003)、Lauren分型(OR=1.349, 95%CI 1.011～1.799, P=0.042)和CA199(OR=1.796, 95%CI 1.406～2.186, P=0.044)是预测局部进展期胃癌VI的独立危险因素。基于静脉期增强CT图像提取了864个影像组学特征, 经LASSO筛选出18个最优特征构建组学标签。训练集中, XGBoost、logistic、GNB和SVM模型预测胃癌VI的曲线下面积(AUC)分别为0.914(95%CI 0.875～0.953)、0.897(95%CI 0.853～0.940)、0.880(95%CI 0.832～0.928)和0.814(95%CI 0.755～0.873), 测试集中分别是0.870(95%CI 0.769～0.971)、0.877(95%CI 0.788～0.964)、0.859(95%CI 0.755～0.961)和0.773(95%CI 0.647～0.898)。logistic模型在测试集中AUC最大且稳定性高。结论基于静脉期增强CT影像组学特征的机器学习模型术前预测局部进展期胃癌VI均具有较高的效能, 其中logistic模型的诊断效能最佳。

• 单位
  郑州大学第一附属医院