基于机器学习的CT平扫影像组学鉴别CE1型肝囊型包虫病与肝囊肿

目的开发CT平扫影像组学的机器学习分类器,鉴别CE1型肝囊型包虫病与肝囊肿。方法回顾性搜集接受手术治疗的48例CE1型肝囊型包虫病患者的CT平扫影像资料以及接受治疗的119例肝囊肿患者的CT平扫影像资料用于开发分类器。同时搜集果洛和玉树地区的24例CE1型肝囊型包虫病患者与28例肝囊肿患者的CT平扫影像资料进行外部验证。通过Python进行影像标准化和重采样,以减少因不同设备和参数引起的偏倚。采用LASSO回归筛选影像特征,并随机以7∶3的比例将其分为训练集和测试集。建立包括逻辑回归(LR)、决策树(DT)、随机森林(RF)、K近邻(KNN)、Catboost、XGBoost、LightGBM、Adaboost、多层感知器(MLP)、朴素贝叶斯(GNB)等10种机器学习算法的分类器。通过3折交叉网格搜索调整超参数,优化分类器性能,最终使用AUC值、准确率、F1值、敏感度、特异度评估在测试集和验证集上的分类器性能。结果LASSO回归筛选出14个影像特征,包括1个形态特征、10个纹理特征和3个一阶特征。在测试集中,Catboost分类器表现出最佳性能,AUC值为97.9%,准确率为96.1%。在外部验证中,Catboost分类器的表现最优,AUC值为0.932,准确率为90.4%。结论基于平扫CT影像组学区分肝囊型包虫(CE1)与肝囊肿是可行的,具有很大的潜力。Catboost分类器表现出卓越的性能,具有较强的泛化能力。

基于影像组学及临床特征的机器学习模型鉴别肝细粒棘球蚴病病灶活性的研究

目的开发影像组学和临床特征的机器学习模型,以精准鉴别肝细粒棘球蚴病(HCE)病灶的生物活性。方法收集2018—2022年就诊于青海大学附属医院肝胆胰外科的521例HCE患者和就诊于果洛州人民医院普外科和玉树州人民医院普外科的236例HCE患者的CT图像及临床资料,提取影像特征并进行筛选。对临床资料采用单因素及多因素Logistic回归分析,筛选构建模型的特征。采用Logistic回归(LR)、支持向量机(SVM)、K-近邻算法(KNN)、随机森林(RandomForest)、极限梯度提升(XGBoost)、轻量级梯度提升机(LightGBM)、极端随机树(ExtraTrees)等7种机器学习算法构建影像组学模型和临床模型,结合影像组学模型和临床模型的预测结果,基于软投票法构建联合模型,采用Delong检验比较影像组学模型、临床模型和临床-影像联合模型的性能,并通过外部验证评估模型性能。结果共430例患者被纳入进行模型开发训练,171例患者作为外部验证,筛选出51个影像特征及5个临床特征用于构建模型。7种机器学习模型中,以XGBoost算法性能表现最佳,其构建的临床模型在训练集和外部验证集上的AUC值均最大,分别为0.977[95%置信区间(95%CI):0.964~0.990]和0.839(95%CI:0.776~0.901);其构建的影像组学模型AUC值均最大,分别为0.998(95%CI:0.997~1.000)和0.874(95%CI:0.822~0.927);其构建的联合模型AUC值均最大,分别为1.000(95%CI:0.999~1.000)和0.931(95%CI:0.894~0.968)。DeLong检验结果表明,联合模型在训练集上的性能优于临床模型(Z=2.154,P<0.05),与影像组学模型差异无统计学意义(Z=0.562,P>0.05);在外部验证集上的性能优于临床模型和影像组学模型(Z=3.338、3.331,P<0.05)。校准曲线和决策分析(DCA)曲线表明,联合模型在训练集和外部验证集的校准性能最佳、净收益最高,在不同数据集上性能稳定,在外部验证中展现了良好的泛化能力和可靠性。结论基于影像组学以及临床数据开发的机器学习模型能够精准鉴别肝细粒棘球蚴病病灶的生物活性,联合模型具更高的诊断精度和临床应用潜力,可为HCE患者的治疗方案提供参考。