目的通过CT影像组学特征和肺癌血清肿瘤标志物(SCC、NSE、CEA、PRO-GRP、CYFRA21-1)联合检测,建立肺腺癌与鳞癌的鉴别预测模型。方法回顾性分析2018年1月至2020年6月期间通过活检、纤维支气管镜或手术确诊的100例患者,其中所有患者在治...目的通过CT影像组学特征和肺癌血清肿瘤标志物(SCC、NSE、CEA、PRO-GRP、CYFRA21-1)联合检测,建立肺腺癌与鳞癌的鉴别预测模型。方法回顾性分析2018年1月至2020年6月期间通过活检、纤维支气管镜或手术确诊的100例患者,其中所有患者在治疗前均进行胸部CT平扫和五个血清学指标(SCC、NSE、CEA、PRO-GRP、CYFRA21-1)的检测。在肺窗勾画感兴趣区(Region of Interest,ROI),使用最小绝对收敛和选择算子(leastabsolute shrinkage and selection operator,LASSO)算法来选择影像组学特征。使用多因素Logistic回归分析建立预测模型,通过曲线下面积(area under the curve,AUC)评估训练集和测试集的影像组学诺模图的性能。结果从训练集中的1217个影像组学特征中经过LASSO降维筛选出11个特征,计算影像组学评分。并使用性别、年龄、影像组学评分和血清肿瘤标志物构建多因素Logistic模型。经ROC曲线分析,训练集(AUC=0.944;95%置信区间(confidence interval,CI):0.894-0.993)和测试集(AUC=0.944;95%CI:0.867-1.000)能够很好地区分肺鳞癌和腺癌。结论CT影像组学和肺癌血清肿瘤标志物联合检测的结合可用于预测肺腺癌和肺鳞癌亚型,两者的结合为非小细胞肺癌的亚型诊断及治疗提供了更为可靠的临床依据。展开更多
文摘目的通过CT影像组学特征和肺癌血清肿瘤标志物(SCC、NSE、CEA、PRO-GRP、CYFRA21-1)联合检测,建立肺腺癌与鳞癌的鉴别预测模型。方法回顾性分析2018年1月至2020年6月期间通过活检、纤维支气管镜或手术确诊的100例患者,其中所有患者在治疗前均进行胸部CT平扫和五个血清学指标(SCC、NSE、CEA、PRO-GRP、CYFRA21-1)的检测。在肺窗勾画感兴趣区(Region of Interest,ROI),使用最小绝对收敛和选择算子(leastabsolute shrinkage and selection operator,LASSO)算法来选择影像组学特征。使用多因素Logistic回归分析建立预测模型,通过曲线下面积(area under the curve,AUC)评估训练集和测试集的影像组学诺模图的性能。结果从训练集中的1217个影像组学特征中经过LASSO降维筛选出11个特征,计算影像组学评分。并使用性别、年龄、影像组学评分和血清肿瘤标志物构建多因素Logistic模型。经ROC曲线分析,训练集(AUC=0.944;95%置信区间(confidence interval,CI):0.894-0.993)和测试集(AUC=0.944;95%CI:0.867-1.000)能够很好地区分肺鳞癌和腺癌。结论CT影像组学和肺癌血清肿瘤标志物联合检测的结合可用于预测肺腺癌和肺鳞癌亚型,两者的结合为非小细胞肺癌的亚型诊断及治疗提供了更为可靠的临床依据。