目的:基于增强CT影像组学特征构建列线图预测模型对肝硬化患者肝储备功能进行Child-Pugh分级。方法:回顾性分析经临床证实的144例肝硬化患者,按照Child-Pugh评分标准分成Child-Pugh A级33例,B级60例,C级51例。构建Child-Pugh A vs Child...目的:基于增强CT影像组学特征构建列线图预测模型对肝硬化患者肝储备功能进行Child-Pugh分级。方法:回顾性分析经临床证实的144例肝硬化患者,按照Child-Pugh评分标准分成Child-Pugh A级33例,B级60例,C级51例。构建Child-Pugh A vs Child-Pugh B/C及Child-Pugh A/B vs Child-Pugh C两个数据集,分别以8:2的比例随机分成训练集和测试集。在3期增强CT图像上手动勾画肝脏区域作为感兴趣区(ROI),于感兴趣区中提取并筛选特征。建立影像组学标签并构建列线图预测模型,将模型用于训练集及测试集,并绘制受试者工作特性曲线(ROC)评估其效能。结果:在Child-Pugh A vs Child-Pugh B/C数据集中,列线图在训练集与测试集中AUC分别为0.920和0.807,敏感度分别为0.933和0.741,特异度分别为0.846和0.826。在Child-Pugh A/B vs Child-Pugh C数据集中,列线图在训练集与测试集中AUC分别为0.880和0.821,敏感度分别为0.805和0.818,特异度分别为0.878和0.947。结论:基于不同肝脏储备功能肝硬化患者的腹部3期CT增强图像组学特征建立的列线图模型可作为预测Child-Pugh分级较为可靠的辅助诊断工具。展开更多
文摘目的:基于增强CT影像组学特征构建列线图预测模型对肝硬化患者肝储备功能进行Child-Pugh分级。方法:回顾性分析经临床证实的144例肝硬化患者,按照Child-Pugh评分标准分成Child-Pugh A级33例,B级60例,C级51例。构建Child-Pugh A vs Child-Pugh B/C及Child-Pugh A/B vs Child-Pugh C两个数据集,分别以8:2的比例随机分成训练集和测试集。在3期增强CT图像上手动勾画肝脏区域作为感兴趣区(ROI),于感兴趣区中提取并筛选特征。建立影像组学标签并构建列线图预测模型,将模型用于训练集及测试集,并绘制受试者工作特性曲线(ROC)评估其效能。结果:在Child-Pugh A vs Child-Pugh B/C数据集中,列线图在训练集与测试集中AUC分别为0.920和0.807,敏感度分别为0.933和0.741,特异度分别为0.846和0.826。在Child-Pugh A/B vs Child-Pugh C数据集中,列线图在训练集与测试集中AUC分别为0.880和0.821,敏感度分别为0.805和0.818,特异度分别为0.878和0.947。结论:基于不同肝脏储备功能肝硬化患者的腹部3期CT增强图像组学特征建立的列线图模型可作为预测Child-Pugh分级较为可靠的辅助诊断工具。