基于增强CT影像组学预测非肌层浸润性膀胱癌的病理分级

目的探讨基于增强CT影像组学建立的非肌层浸润性膀胱癌(non-muscle-invasivebladder cancer,NMIBC)病理分级预测模型的诊断价值。方法回顾性分析2015年1月至2018年12月嘉兴市第二医院病理确诊的81例NMIBC患者的临床资料,患者术前接受增强CT检查,收集其皮髓期和实质期影像资料,对膀胱肿瘤轮廓进行勾勒,提取一阶变量、纹理变量、形状特征、小波变换变量,总计1980个特征变量。采用最大相关最小冗余(max-relevance and min-redundancy,mRMR)算法与最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法进行特征选择,最后利用多种机器学习算法结合有意义的特征变量建立预测模型,用于比较其预测NMIBC病理分级的敏感度、特异性和准确率。结果运用mRMR联合LASSO筛选出19个特征变量,使用K近邻分类(K-nearest neighbor,KNN)、神经网络(neural networks,NNET)、随机森林(random forest,RF)、支持向量机(support vector machines,SVM)4种机器学习算法建立模型并验证。4种模型建立成功且结果相对一致,其中RF模型表现相对稳定,在验证集中准确率为91.4%。在测试集中准确率为70.0%。结论通过术前增强CT影像组学结合机器学习算法可精准预测NMIBC病理分级,对推动膀胱癌个性化治疗具有科学意义。