科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的基于肺癌患者放疗前的CT影像组学特征, 综合临床信息与放疗剂量学特征, 利用机器学习方法构建症状性放射性肺炎的预测模型。方法回顾性收集2018年11月至2020年4月在江南大学附属医院接受放疗的103例肺癌患者的临床与剂量学资料。获取这些患者放疗前胸部CT影像, 勾画双侧正常肺组织结构, 提取250种影像组学特征。用单因素分析研究临床、剂量学特征与放射性肺炎发生的相关性。收集所有影像组学特征、临床和剂量学特征作为潜在预测因子, 通过LASSO回归机器学习方法筛选特征, 并得到肺炎预测模型。然后根据筛选的特征建立放射性肺炎发生风险的列线图。结果单因素分析结果表明, 症状性放射性肺炎与双侧正常肺组织的平均肺剂量(MLD)、V20 Gy和V30 Gy的相关性具有统计学意义(t=2.20、2.34、2.93, P<0.05)。在综合所有影像组学特征、临床和放疗剂量学特征后, 本研究共筛选出4个特征, 为肺的剂量体积百分数V30 Gy, 和3个影像组学特征, 包括灰度共生矩阵类别的熵特征、小波变换直方图类别的均值及中位数特征。基于这些特征所构建的肺炎预测模型的曲线下面积(AUC)为0.757。绘制了可根据特征值给予个体化的风险预测与提前干预的列线图。结论放疗前的CT影像组学结合剂量学特征可用于预测症状性肺炎的发生, 可望为临床提前干预提供帮助。
