基于人工智能分析软件构建原发肺腺癌PD-L1表达的分层预测模型

作者：骆雅婷; 徐文北; 谢智雯; 孟闫凯; 汪秀玲^*

来源：中国ct和mri杂志, 2023, 21(12): 48-51.

• 肺腺癌
• 细胞程序性死亡因子配体-1
• 计算机断层扫描
• 定量参数
• 纹理分析

目的 利用人工智能分析软件获取的影像学特征构建原发肺腺癌PD-L1表达的分层预测模型。方法 回顾性分析2020年6月至2021年6月共129例经手术证实为原发肺腺癌的患者影像资料,由人工智能肺结节分析软件自动获得病灶影像表征、CT定量参数及纹理特征,再由1名具有5年胸部CT诊断经验的影像科医师进行复核,有争议时由一名具有25年诊断经验的医师最终阅片决定。采用免疫组织化学染色法检测患者病理标本中PD-L1的表达,将患者分为PD-L1阳性表达组(TPS≥1%)、PD-L1阴性表达组(TPS<1%)。采用SPSS 26.0软件进行统计分析,Logistic回归分析筛选预测因子,构建预测模型,受试者工作特征曲线(ROC)分析评价模型效能。P<0.05为差异有统计学意义。结果 PD-L1阳性表达组实性体积、实性体积占比均明显高于阴性表达组,P值均<0.001。两组间实性质量分别为5.57、1.59mg×103,差异具有明显统计学意义(P=0.000),阳性表达组实性质量占比也明显高于阴性组,分别为0.73、0.41(P=0.000)。阳性组、阴性组总质量分别为6.40、2.76mg×103 (P=0.015)。P D-L1阳性表达组CT最大值、平均值均高于阴性表达组(P值均=0.000)。两组间偏度及熵值差异有统计学意义(P=0.001、0.002)。将实性成分、CT值、纹理特征纳入Logistic回归分析,构建组合变量,ROC曲线分析显示,组合变量预测高危组结节的AUC值为0.887,敏感度74.5%,特异度90.2%,差异具有统计学意义(P<0.001)。结论 基于人工智能分析软件的影像学定量特征能够用于预测原发肺腺癌PD-L1表达水平,多参数组合变量的预测模型最佳。

• 单位
  徐州医科大学