能谱CT影像组学非小细胞肺癌淋巴结转移的预测模型构建

摘要

目的：构建基于能谱CT影像组学对非小细胞肺癌（NSCLC）术前淋巴结转移（LNM）的预测模型，并分析其诊断效能。方法：收集2019年1月—2023年1月在我院行能谱CT检查的NSCLC且接受肺癌切除术及淋巴结清扫术的153例患者的影像图像、肿瘤标记物及临床资料，按照7∶3比例分为训练集（n=107，其中LNM 37例，无LNM 70例）和验证集（n=46，其中LNM 15例，无LNM 31例），分别用于预测模型的训练和验证，比较两组患者一般临床资料及能谱CT参数，在CT平扫及增强图像上手动勾画肺癌病灶和目标淋巴结的感兴趣区（ROI）。应用人工智能软件自动化提取ROI的纹理参数，并从中筛选出能够鉴别LNM的纹理参数。利用LASSO回归筛选影像组学特征并建立影像组学标签，纳入多因素Logistic回归构建基于肿瘤组织及目标淋巴结纹理参数与影像组学特征的联合预测模型，采用受试者工作特征（ROC）曲线下面积（AUC）来评估能谱参数模型、影像组学模型及联合模型对术前LNM的诊断效能。运用DeLong检验对比各预测模型AUC的差异。通过决策曲线分析（DCA）对各预测模型的临床获益度进行评估。P<0.05为差异有统计学意义。结果：训练集和验证集中，LNM患者静脉期标准化碘浓度（NIC）低于无LNM患者，淋巴结短径高于无LNM患者（P<0.05）；共提取207个影像组学特征，经LASSO回归筛选，最终纳入5个影像组学特征，包括灰度大小区域矩阵、灰度游程矩阵各2个，灰度依赖矩阵1个；多因素Logistic回归分析显示，淋巴结短径、静脉期NIC、Rad-score是预测NSCLC LNM的独立影响因素（P<0.05）;ROC曲线分析显示，能谱参数模型预测训练集和验证集LNM的AUC分别为0.746、0.739，影像组学模型预测训练集和验证集LNM的AUC分别为0.747、0.726，联合模型预测训练集和验证集LNM的AUC分别为0.847、0.813，经Delong检验联合模型预测LNM的AUC高于能谱参数模型和影像组学模型预测LNM的AUC(P<0.05)。结论：基于能谱CT影像组学对NSCLC术前LNM具有较好的预测价值。

关键词

癌,非小细胞肺 / 淋巴转移 / 体层摄影术,X线计算机