目的应用随机森林(Random Forest,RF)算法建立模型在CT平扫数据上对原发性肺癌,包括小细胞肺癌、腺癌以及鳞癌进行分类鉴别和预测,并评估其可行性。方法回顾性纳入2013年1月至2018年8月在复旦大学附属中山医院经穿刺或手术后病理证实的...目的应用随机森林(Random Forest,RF)算法建立模型在CT平扫数据上对原发性肺癌,包括小细胞肺癌、腺癌以及鳞癌进行分类鉴别和预测,并评估其可行性。方法回顾性纳入2013年1月至2018年8月在复旦大学附属中山医院经穿刺或手术后病理证实的,且在术前接受CT检查的852例原发性肺癌患者(肺腺癌525例、肺鳞癌161例、小细胞肺癌166例)。将病理结果与患者CT平扫数据进行匹配并添加标签,利用影像组学特征和RF算法模型对3种不同病理类型的肺癌进行分类诊断和预测。纳入数据分为训练组(724例)和测试组(128例),用于测试评估分类模型诊断效能,采用F1值、受试者工作特征曲线分析及曲线下面积(Area Under Curve,AUC)评估模型的分类预测能力。结果测试组中RF分类模型对腺癌、鳞癌和小细胞肺癌分类诊断的AUC分别为0.74、0.77、0.88,对肺腺癌、鳞癌及小细胞肺癌分类诊断的F1值分别为0.80、0.40、0.73,F1加权平均值为0.71,其中,分类模型对腺癌、鳞癌、小细胞肺癌的分类预测的精确率分别为0.76、0.64、0.70;召回率分别为0.86、0.29、0.76;特异性分别为0.55、0.96、0.92。结论利用影像组学提取特征和RF算法分类模型结合,能够有效地在CT平扫数据上对肺腺癌、鳞癌和小细胞肺癌进行分类预测,可为发展无创性的原发性肺癌病理分类诊断方法提供参考依据。展开更多
文摘目的应用随机森林(Random Forest,RF)算法建立模型在CT平扫数据上对原发性肺癌,包括小细胞肺癌、腺癌以及鳞癌进行分类鉴别和预测,并评估其可行性。方法回顾性纳入2013年1月至2018年8月在复旦大学附属中山医院经穿刺或手术后病理证实的,且在术前接受CT检查的852例原发性肺癌患者(肺腺癌525例、肺鳞癌161例、小细胞肺癌166例)。将病理结果与患者CT平扫数据进行匹配并添加标签,利用影像组学特征和RF算法模型对3种不同病理类型的肺癌进行分类诊断和预测。纳入数据分为训练组(724例)和测试组(128例),用于测试评估分类模型诊断效能,采用F1值、受试者工作特征曲线分析及曲线下面积(Area Under Curve,AUC)评估模型的分类预测能力。结果测试组中RF分类模型对腺癌、鳞癌和小细胞肺癌分类诊断的AUC分别为0.74、0.77、0.88,对肺腺癌、鳞癌及小细胞肺癌分类诊断的F1值分别为0.80、0.40、0.73,F1加权平均值为0.71,其中,分类模型对腺癌、鳞癌、小细胞肺癌的分类预测的精确率分别为0.76、0.64、0.70;召回率分别为0.86、0.29、0.76;特异性分别为0.55、0.96、0.92。结论利用影像组学提取特征和RF算法分类模型结合,能够有效地在CT平扫数据上对肺腺癌、鳞癌和小细胞肺癌进行分类预测,可为发展无创性的原发性肺癌病理分类诊断方法提供参考依据。
