基于多种机器学习模型预测膀胱癌病理分级的价值研究

摘要

目的：构建多期相CT影像组学以及融合相关临床指标进行膀胱癌病理分级的预测模型。方法：回顾性分析208例膀胱癌患者的CT和临床资料，以8∶2的比例分为训练组（n=166）和验证组（n=42），采用汇医慧影Radcloud科研平台对平扫、动脉和静脉期的图像进行逐层勾画分割获得感兴趣区并提取影像组学特征，经过方差选择法、单变量选择法以及LASSO算法排除冗余特征，使用3种机器学习算法基于平扫、增强扫描和联合扫描构建9种模型，并选取预测效能较优的模型与临床独立危险因素结合建立融合模型。应用受试者工作特征（ROC）曲线对各模型的预测效能进行评价。结果：基于各期相和各个分类器建立的模型预测效能均表现良好，其中基于联合扫描使用BernoulliNB分类器构建的影像组学模型综合诊断效能最高，训练组AUC为0.836，验证组AUC为0.820，将其结合独立危险因素建立的融合模型显示使用BernoulliNB分类器的预测模型效能最优，训练组AUC为0.781，验证组AUC为0.861。结论：基于多期相CT影像组学特征和临床独立危险因素建立的融合模型在膀胱癌病理分级中具备良好的预测效能。

关键词

膀胱肿瘤 / 体层摄影术,X线计算机

基金资助

福建省科技创新联合资金项目资助（编号：2024Y9442）