CT纹理分析在区分非小细胞肺癌组织学亚型中的应用价值

作者：陈亮^*; 巴哈提

来源：肿瘤学杂志, 2023, 29(02): 123-128.

[目的]探讨CT纹理分析在区分肺鳞状细胞癌（squamous cell carcinoma,SCC）和腺癌（adenocarcinoma,AD）中的应用价值。[方法 ] 2020年3月至2022年3月从新疆医科大学第一附属医院共收集70例术后确诊的NSCLC患者资料。将患者随机分配到训练队列（n=50）和测试队列（n=20）。从每例患者CT数据的瘤内和瘤周区域中提取了7类放射组学特征，共涉及2 055个指标。采用基于线性SVM的递归特征消除（SVM-RFE）特征选择算法确定最佳特征。使用具有这些最佳特征的5个常见机器学习分类器（QDA、SVCrbf、SVCsigmoid、RFC和Xgboost）开发了一个集成分类器。通过受试者工作特征曲线（ROC）在训练队列和测试队列评估集成分类器区分SCC和AD的性能。[结果]经过基于统计分析的特征选择，最终获得了来自瘤内和瘤周区域选择的9个最佳特征，包括2个firstorder特征，2个glrcm特征和5个glszm特征。从瘤内和瘤周区域确定的分类模型在预测SCC和AD方面整体性能较好，与5个独立分类器开发的模型相比，集成分类器开发的模型在训练集和测试集中显示了较好的性能。集成分类器在训练集中的AUC为0.87（灵敏度为0.80，特异度为0.84），在测试集中的AUC为0.78（灵敏度为0.72，特异度为0.75）。[结论]基于CT的放射组学策略从瘤内和瘤周区域提取纹理特征，采用SVM-RFE进行最佳特征选择，并利用集成学习进行分类模型开发，在术前预测区分不同非小细胞肺癌组织学亚型时具有良好的精度和稳定性。

• 单位
  新疆医科大学第一附属医院