术前鉴别混合型肝细胞-胆管癌和肝细胞癌的诊断效能胆管癌和肝细胞癌的诊断效能：基于临床-超声影像组学的机器学习模型

摘要

目的 探讨基于临床-超声影像组学特征构建的机器学习模型在术前鉴别混合型肝细胞-胆管癌（cHCC-CC）和肝细胞癌（HCC）中的诊断效能。方法 回顾性纳入徐州市中心医院在2010年1月～2024年10月期间经病理证实的42例cHCC-CC患者作为研究对象,按照1:2的比例采用倾向性评分匹配收集同期病理证实为HCC的84例患者作为对照组。对肿瘤和瘤周区域提取影像组学特征,计算Rad-score。通过单因素和多因素Logistic回归分析筛选与cHCC-CC显著相关的独立危险因素。使用支持向量机（SVM）、随机森林（RF）及逻辑回归（LR）3种机器学习算法构建模型,并选择AUC值最高的模型作为最优模型。按照7:3的比例将患者随机分为训练集（n=89）和测试集（n=37）,通过10折交叉验证方法验证最优模型的性能。结果 肿瘤形态、肝硬化病史、CA19-9水平、Rad-score_tumor、Rad-score_10mm是鉴别2种肿瘤的独立危险因素。LR模型在3种机器学习模型中表现最佳,曲线下面积为0.883（95%CI:0.826～0951）。LR模型在训练集、验证集和测试集的曲线下面积分别为0.888（95%CI:0.805～0.971）、0.841（95%CI:0.633～0.994）和0.893（95%CI:0.793～0.992）。校准曲线显示良好的一致性。决策曲线分析显示具有较高的净收益。结论 基于临床-超声影像组学的LR模型在鉴别cHCC-CC和HCC中具有术前诊断价值,有助于临床精准诊疗。

关键词

机器学习 / 混合型肝细胞癌-胆管癌 / 肝细胞癌 / 模型