目的探讨放射组学特征与CT影像学征象相结合在预测周围型非小细胞肺癌(NSCLC)发生胸膜浸润(VPI)中的价值。方法选取经手术病理证实的周围型NSCLC患者398例,根据有无胸膜浸润将患者分为阴性组209例和阳性组189例,评估所有患者的CT征象。...目的探讨放射组学特征与CT影像学征象相结合在预测周围型非小细胞肺癌(NSCLC)发生胸膜浸润(VPI)中的价值。方法选取经手术病理证实的周围型NSCLC患者398例,根据有无胸膜浸润将患者分为阴性组209例和阳性组189例,评估所有患者的CT征象。以7∶3的比例将患者随机分配到训练集和验证集,使用随机森林回归分析构建预测模型(纹理特征模型、CT影像学特征模型和联合预测模型),用ROC曲线评价其诊断性能。结果阴性组和阳性组患者在平均直径、平均CT值、密度、病灶与胸膜的关系(RAP)分型、胸膜凹陷征方面差异均有统计学意义(P<0.05),且多因素回归分析显示肿瘤平均直径、密度、RAP类型和淋巴结转移是VPI的独立预测因子。共选出786个纹理参数,通过mRMR和LASSO特征分析识别出12个具有预测意义的纹理特征。RF回归分析构建预测模型,结果显示联合预测模型对训练集和验证集的AUC分别为0.915、0.887,且联合预测模型的AUC分别显著高于纹理特征模型和CT影像学特征模型(0.915 vs 0.856 vs 0.852;0.887 vs 0.855 vs 0.827);联合预测模型的特异度也高于纹理特征模型和CT影像学特征模型(91.2%vs 88.2%vs 85.3%;94.1%vs 85.3%vs 70.6%)。结论放射组学特征联合CT影像学征象可有效预测直径≤3.0 cm周围型NSCLC患者胸膜浸润的存在。展开更多
文摘目的探讨放射组学特征与CT影像学征象相结合在预测周围型非小细胞肺癌(NSCLC)发生胸膜浸润(VPI)中的价值。方法选取经手术病理证实的周围型NSCLC患者398例,根据有无胸膜浸润将患者分为阴性组209例和阳性组189例,评估所有患者的CT征象。以7∶3的比例将患者随机分配到训练集和验证集,使用随机森林回归分析构建预测模型(纹理特征模型、CT影像学特征模型和联合预测模型),用ROC曲线评价其诊断性能。结果阴性组和阳性组患者在平均直径、平均CT值、密度、病灶与胸膜的关系(RAP)分型、胸膜凹陷征方面差异均有统计学意义(P<0.05),且多因素回归分析显示肿瘤平均直径、密度、RAP类型和淋巴结转移是VPI的独立预测因子。共选出786个纹理参数,通过mRMR和LASSO特征分析识别出12个具有预测意义的纹理特征。RF回归分析构建预测模型,结果显示联合预测模型对训练集和验证集的AUC分别为0.915、0.887,且联合预测模型的AUC分别显著高于纹理特征模型和CT影像学特征模型(0.915 vs 0.856 vs 0.852;0.887 vs 0.855 vs 0.827);联合预测模型的特异度也高于纹理特征模型和CT影像学特征模型(91.2%vs 88.2%vs 85.3%;94.1%vs 85.3%vs 70.6%)。结论放射组学特征联合CT影像学征象可有效预测直径≤3.0 cm周围型NSCLC患者胸膜浸润的存在。
文摘目的基于机器学习建立并验证放射组学预测非小细胞肺癌(non-small cell lung cancer,NSCLC)表皮生长因子受体(epidermal growth factor receptor,EGFR)基因突变模型。方法收集462例病理证实的NSCLC且术前行CT和明了EGFR基因状态的患者。从患者术前薄层CT中提取107个放射组学特征。采用随机森林(random forest)建立机器学习模型预测NSCLC的EGFR突变状态,并采用5-折叠交叉验证进行校正。结果462例NSCLC患者中,EGFR突变型214例(46.3%)。单因素分析发现5个特征以及吸烟状况和性别与EGFR突变相关。利用这5个放射组学特征以及吸烟状态和性别构建随机森林模型在训练集对EGFR突变的ROC曲线下面积(he area under the ROC curve,AUC)为0.774,敏感性为74.5%,特异性为79.1%。在验证集中AUC为0.756,敏感性为79.7%,特异性为65.7%。结论基于机器学习的放射组学模型能较好的预测NSCLC的EGFR的突变,有助于临床医生术前治疗方案的选择。