基于CA125的机器学习在CT预测浆液性卵巢癌腹腔复发中的应用

作者：刘春艳^*; 郑佳连

来源：国际医药卫生导报, 2021, 27(08).

• CA125
• CT
• 浆液性卵巢癌
• 腹腔复发
• 机器学习

目的利用机器学习,在监测晚期卵巢癌患者糖类抗原(carbohydrate antigen,CA)125水平的基础上,通过CT预测腹部复发。方法回顾分析本院2018年1月至2020年1月接受CT检查的卵巢癌患者78例的临床资料,患者年龄(65.3±3.8)岁。由两位高年资医师阅读患者CT影像评估是否腹腔复发并检测患者血清CA125水平。构建机器学习支持向量机来预测患者腹腔复发,采用COX回归模型分析相关因素与患者腹腔复发的关系。结果最佳拟合模型为线性模型,其CA125绝对值、绝对变化量、相对变化量、相对变化率分别为0.54、0.55、0.57、0.61;多项式模型CA125绝对值、绝对变化量、相对变化量、相对变化率分别为0.53、0.51、0.55、0.59;径向基核模型CA125绝对值、绝对变化量、相对变化量、相对变化率分别为0.49、0.44、0.51、0.53。多因素回归显示年龄(OR=1.48,95%CI:1.35～1.88)、原发肿瘤大小(OR=1.58,95%CI:1.46～1.79)、肿瘤减灭术程度(OR=1.61,95%CI:1.53～1.82)、CA125相对变化率(OR=1.75,95%CI:1.59～1.90)均与患者腹腔复发相关,差异均有统计学意义(均P<0.05)。结论基于CA125的机器学习能较好预测CT监测的浆液性卵巢癌腹腔复发,相关因素按危险程度由高及低依次为CA125相对变化率、肿瘤减灭术程度、原发肿瘤大小、年龄。