4种增强能谱CT影像组学模型鉴别肺磨玻璃结节良恶性的预测价值比较

摘要

目的 目的比较4种基于增强能谱CT(Dual-energy computed tomography, DECT)影像组学特征构建的机器学习(Machine learning, ML)模型，鉴别肺磨玻璃结节(Ground-glass nodule, GGN)良恶性的预测价值。方法 选取2021年3月至2023年6月三亚中心医院223名GGN患者的临床资料及DECT图像数据，根据术后的病理类型将患者分为良性组(n=122)和恶性组(n=101)。采用3D-Slicer软件在动脉期70 keV图像上手动勾画感兴趣区域(Region of interest, ROI)并提取影像组学特征，采用最小绝对收缩和选择算子(Least absolute shrinkage and selection operator, LASSO)算法筛选影像组学特征。按照7∶3的比例抽取训练集(n=152)及验证集(n=71),选择支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)、逻辑回归(Logistic regression, LR)、梯度提升决策树(Gradient boosting decision tree, GBDT)构建4种ML模型，根据评估参数筛选最佳模型。采用决策曲线(Decision curve analysis, DCA)分析最佳模型的临床获益程度。结果 与良性组比较，恶性组患者平均年龄、吸烟史比例、mGGN占比、胸膜凹陷占比、浅分叶与深分叶占比和毛刺征发生率升高，结节直径增大，无分叶占比降低，差异均有统计学意义(P<0.001)。基于LASSO降维筛选出的18个影像组学特征，构建的SVM、RF、LR及GBDT模型验证集工作特征曲线下面积(Area under the curve,AUC)分别为0.891、0.906、0.875、0.959,其中GBDT模型最优，验证集AUC为0.959,准确率为0.851,F1值为0.808。DCA决策曲线分析表明GBDT模型对GGN的良恶性具有较好的临床预测价值。结论 通过增强能谱CT影像组学特征构建的GBDT模型能有效预测GGN的良恶性，具有较好的临床决策价值与研究前景。

关键词

肺磨玻璃结节 / 肺癌 / 影像组学 / 机器学习 / 增强能谱CT