基于CT影像组学及深度学习模型预测临床ⅠA期非小细胞肺癌脏层胸膜侵犯的价值

摘要

目的:探讨基于肿瘤和病变胸膜的CT常规及深度学习影像组学模型预测临床ⅠA期非小细胞肺癌(NSCLC)患者脏层胸膜侵犯(VPI)的价值。方法:回顾性分析155例病理确诊为NSCLC的患者，收集其临床及影像学资料。根据病理结果将患者分为VPI组(n=49)和非VPI组(n=106)，按7∶3的比例将其随机分为训练组(n=116)和验证组(n=39)。基于CT图像手动逐层勾画肿瘤及其邻近最厚层病变胸膜的感兴趣区域(ROI)，并提取手工影像组学(HCR)特征及深度学习影像组学(DLR)特征。特征降维和影像组学标签的建立采用mRMR和LASSO回归分析，通过10折交叉验证评估模型的可靠性，采用多因素Logistic回归分析构建临床模型及联合模型。利用ROC曲线评估模型的预测能力，并通过DCA评估其临床应用价值。结果:临床模型、肿瘤HCR模型、肿瘤DLR模型、肿瘤HCR-DLR模型、胸膜HCR模型、胸膜DLR模型、胸膜HCR-DLR模型及联合模型在训练组中的AUC分别为0.82、0.82、0.80、0.86、0.72、0.82、0.90和0.94;在验证组中的AUC分别为0.62、0.83、0.80、0.86、0.88、0.50、0.56和0.91。DCA显示，联合模型及肿瘤HCR-DLR模型的临床获益均高于临床模型，联合模型最优。结论:结合临床资料、影像特征与肿瘤影像组学及深度学习标签建立的联合模型预测临床ⅠA期NSCLC患者VPI具有较高的效能，临床获益高于临床模型。

关键词

非小细胞肺癌 / 脏层胸膜侵犯 / 影像组学 / 深度学习

基金资助

安徽省教育厅高校科研计划项目(2023AH040253)