CT影像组学联合临床指标及肿瘤标志物预测非小细胞肺癌Ki-67表达水平的可行性研究

作者：魏宇泽; 柯炜炜; 孙祥林; 李国强; 卢再鸣^*

来源：临床放射学杂志, 2022, 41(09): 1665-1670.

DOI：10.13437/j.cnki.jcr.2022.09.007

• 非小细胞肺癌
• 体层摄影术,X线计算机
• 影像组学
• Ki-67
• 肿瘤标志物

目的 探讨基于增强CT机器学习的影像组学模型与临床病理及血清学肿瘤标志物模型联合预测非小细胞肺癌(NSCLC)Ki-67表达水平的可行性和性能。方法 回顾性分析符合纳入标准的131例NSCLC患者，男84例，女47例，所有患者在获取Ki-67病理结果之前均接受常规增强CT检查。手动分割所有NSCLC患者的平扫期与动脉期图像，并使用后处理软件自动提取影像组学特征。根据病理报告将所有NSCLC患者划分为Ki-67高表达组(68例)及Ki-67低表达组(63例),分析两组间影像组学特征及临床特征。利用Logistic回归构建预测模型，绘制受试者工作特征曲线，评估模型对Ki-67高水平表达的诊断效能。结果 每例患者的平扫及动脉期图像分析后共得到401个影像组学特征，经筛选后动脉期选取7个显著性较强的影像组学特征，平扫期筛选出9个影像组学特征，根据以上参数构建影像组学模型，模型具有良好的预测能力[平扫期模型曲线下面积(AUC)值为0.842,动脉期AUC值为0.809]。此外，平扫联合动脉双期影像组学模型AUC为0.865,敏感度为0.882,特异度为0.746;结合临床独立危险因子吸烟史、肿瘤病理类型、肿瘤分化程度、肿瘤临床分期、血CYFRA21-1水平及影像组学特征的联合预测模型AUC为0.922,敏感度为0.891,特异度为0.857,显示出更好的预测效能(P<0.001)。结论 利用基于机器学习的影像组学模型与临床病理及血清学肿瘤标志物模型联合预测非小细胞肺癌Ki-67表达水平是可行的，有助于临床更好地评估患者的病情，进一步提供个体化治疗。

• 单位
  中国医科大学附属盛京医院