基于增强CT深度学习影像组学术前预测胸腺瘤风险分类

作者：吴树剑; 俞咏梅; 范莉芳; 过永; 张虎; 朱浩雨; 任超; 徐争元^*

来源：中国肿瘤临床, 2023, 50(19): 999-1005.

• 计算机断层扫描
• 深度学习
• 影像组学
• 胸腺瘤
• 风险分类

目的：探讨基于增强CT深度学习影像组学术前预测胸腺瘤风险分类的价值。方法：收集2015年1月至2023年1月皖南医学院弋矶山医院139例胸腺瘤患者为训练集，池州市人民医院与芜湖市第二人民医院81例患者为外部验证集。其中低风险组（A、AB、B1型）137例、高风险组（B2、B3型）83例。基于CT静脉期图像分别提取手工影像组学（hand-crafted radiomics,HCR）特征与深度学习（deep learning,DL）特征，构建影像组学标签评分（Radscore）。单因素与多因素Logistic回归分析筛选预测胸腺瘤高风险的影像学独立影响因素，利用逻辑回归（Logistic regression,LR）、随机森林（random forest,RF）、决策树（decision tree,DT）及支持向量机（support vector machine,SVM）机器学习建模。选择最佳模型为输出模型，构建模型列线图、校准曲线及临床决策曲线（decision curve analysis,DCA）。受试者工作特征（receiver operating characteristics,ROC）曲线下面积（area under the curve,AUC）及净重新分类指数（net reclassification index,NRI）用于评估模型效能。结果：LR、RF、DT及SVM构建预测模型的AUC分别为训练集0.899、0.835、0.897、0.860，外部验证集0.889、0.830、0.905、0.858。由于训练集LR模型效能最佳，作为本研究输出模型，校准曲线及DCA表明模型具有较高的校准度及临床适用性。列线图与Radscore比较效能有改善，NRI训练集为7.5%(P=0.007)，外部验证集为5.3%(P=0.020)。结论：基于增强CT深度学习影像组学术前实现了胸腺瘤准确风险分类，列线图能够提供个性化预测结果。

• 单位
  皖南医学院; 芜湖市第二人民医院; 池州市人民医院; 皖南医学院弋矶山医院