基于影像组学的胃癌术前阳性淋巴结比率预测模型的研究

摘要

目的：构建并验证一个基于术前增强CT影像组学特征联合临床因素的列线图模型，用于术前预测胃癌患者的阳性淋巴结比率（lymph node ratio,LNR），以期为个体化治疗决策提供依据。方法：回顾性收集380例行胃癌根治术患者的临床及术前增强CT资料，按7∶3的比例划分为训练集（n=266）与验证集（n=114）。使用PyRadiomics平台提取动脉期和静脉期图像的影像组学特征，经特征筛选后，采用支持向量机（support vector machine,SVM）、随机森林（random forest,RF）和逻辑回归（logistic regression,LR）3种机器学习算法构建预测模型。通过受试者工作特征（receiver operating characteristic,ROC）曲线下面积（area under the curve,AUC）、决策曲线分析（decision curve analysis,DCA）评估模型性能。将显著预测因素纳入多因素Logistic回归分析并构建列线图。结果：RF模型预测性能最佳，其在训练集和验证集中的AUC值分别为0.733和0.778。多因素分析确定性别、临床N分期（cN）和影像组学评分（Rad-score）是LNR的独立预测因素（P均<0.05）。基于上述因素构建的列线图模型在验证集中表现出优异的预测效能，AUC为0.821，且DCA显示其具有较高的临床净获益。结论：成功构建了一个融合影像组学与临床因素的列线图模型，能够在术前有效预测胃癌患者的LNR状态，有助于识别高危患者并指导个体化治疗。

关键词

胃癌 / 淋巴结转移 / 阳性淋巴结比率 / 影像组学 / 机器学习 / 列线图