基于增强CT影像组学的机器学习模型鉴别诊断低风险胃间质瘤

作者：范莉芳; 赵劲松^*; 吴树剑; 徐晓燕; 徐争元; 傅雨晨

来源：中国肿瘤临床, 2023, 50(08): 411-417.

• 影像组学
• 机器学习
• 鉴别诊断
• 低风险胃间质瘤

目的：探讨基于增强CT影像组学的机器学习（machine learning,ML）模型鉴别低风险胃间质瘤（gastric stromal tumor,GST）与良性胃黏膜下肿瘤（gastric submucosal tumor,GSMT）的价值。方法：回顾性分析2013年1月至2022年3月皖南医学院弋矶山医院84例低风险GST及51例良性GSMT患者的临床及影像资料。将患者随机分为训练集（n=94）和测试集（n=41）。基于增强CT静脉期利用ITK-SNAP软件分割图像，AK软件提取影像组学特征，m RMR、Spearman秩相关及LASSO回归对特征降维，建立影像组学标签评分（Radscore）。采用单因素及多因素Logistic回归筛选独立危险因素，使用支持向量机（suppor vector machine,SVM）建立预测模型，用测试集检测模型的泛化能力，受试者工作特征（receiver operating characteristic,ROC）曲线下面积（area under curve,AUC）评估模型效能。结果：多因素分析年龄、形态、生长部位、长径/短径（long diameter,LD/short diameter,SD）及Radscore为独立危险因素，SVM建立预测模型的AUC训练集为0.933、测试集为0.913。结论：基于增强CT影像组学的SVM算法构建的模型能够有效地鉴别低风险GST与良性GSMT，且模型具有较好的泛化能力。

• 单位
  皖南医学院弋矶山医院; 皖南医学院