机器学习算法对术前肺癌患者纵隔淋巴结转移的预测研究

作者：宋超玲; 蒋磊; 郭烨昂; 李梅; 罗江; 李庆; 檀韬; 谢辉^*

来源：中国医学装备, 2023, 20(09): 24-30.

• 机器学习
• 影像组学
• 肺癌
• 淋巴结转移(LNM)
• 预测模型

目的：基于CT影像组学探讨机器学习算法对术前肺癌纵隔淋巴结转移(LNM)的预测价值。方法：收集医院经CT检查及病理结果证实的131例肺癌患者影像资料，根据病理结果将患者分为LNM组(97例)和无LNM组(34例)。两组患者均在CT检查图像上勾画原发肿瘤区域，使用开源的医学影像软件(3D-Slicer)提取影像组学特征，筛选出与肺癌纵隔LNM高度相关的特征。通过轻量级梯度提升机、自适应增强、梯度提升决策树、支持向量机(SVM)和多层感知器5种机器学习算法分别建立分类预测模型，并评价其预测效能，选择效能最好模型作为最终的分类预测模型。结果：从肺癌患者的851个影像组学特征和14个临床特征中筛选出10个影像组学特征和1个临床特征，并利用SVM算法构建对淋巴结是否转移的分类预测模型。SVM分类预测模型在训练集的受试者工作特征(ROC)曲线下的面积(AUC)、准确率、灵敏度和特异度分别为0.955、83.7%、92.2%和96.3%；测试集分别为0.886、85.2%、80.0%和85.7%。测试集的校正曲线和临床决策曲线均显示SVM分类预测模型具有较高的预测精度。结论：基于CT影像组学和临床特征的SVM预测模型能够识别肺癌患者的LNM状态，具有无创和低成本的特点，有助于预测术前肺癌患者纵隔LNM，为开发个性化的治疗方案及优化肺癌患者预后提供依据。

• 单位
  湘南学院; 澳门理工大学; 湘南学院附属医院