CT影像组学模型在小细胞肺癌与非小细胞肺癌鉴别的价值

作者：王晓瑞

来源：华南国防医学杂志, 2021, 35(03): 188-192.

DOI：10.13730/j.issn.1009-2595.2021.03.008

• 肺肿瘤
• 小细胞肺癌
• 非小细胞肺癌
• 体层摄影
• X线计算机
• 影像组学

目的探讨肺癌CT影像组学特征用于鉴别小细胞肺癌(small cell lung cancer, SCLC)和非小细胞肺癌(non-small cell lung cancer, NSCLC)的价值。方法回顾性分析经2010-01/2020-12年来自首都医科大学电力教学医院和首都医科大学大兴教学医院的89例肺癌患者的临床和影像资料的病理证实,其中SCLC 24例,NSCLC 65例。采用Python语言PyRadiomics软件包提取影像组学特征,使用最大相关-最小冗余(max-relevance and minredundancy, mRMR)算法和最小绝对收缩和选择算法(least absolute shrinkage and selection operator, LASSO)回归分析筛选影像组学特征。利用多变量Logistic回归构建预测模型,应用受试者工作特征曲线(receiver operating characteristic curve, ROC)评价预测模型的诊断效能,联合影像组学标签与临床特征构建列线图。结果从所提取的788种影像组学特征中,最终筛选了其中8种重要特征用于构建影像组学模型。训练组、测试组影像组学模型鉴别SCLC与NSCLC的ROC曲线下面积(area under thecurve, AUC)分别为0.93(95%CI:0.85～1.00)、0.92(95%CI:0.80～1.00)。联合诊断模型在测试组的诊断效能(AUC=0.93,95%CI:0.84～1.00)高于临床预测模型(AUC=0.73,95%CI:0.52～0.93)和影像组学模型(AUC=0.92,95%CI:0.80～1.00)。结论基于CT平扫的影像组学模型鉴别SCLC与NSCLC有较高的诊断效能,结合患者临床资料的联合模型较影像组学模型有更高的诊断效能。

• 单位
  首都医科大学