CT影像特征预测胸腺上皮性肿瘤病理分型

摘要

目的 探讨基于临床及CT影像特征构建机器学习模型预测胸腺上皮性肿瘤病理分型并评估其预测效能。方法 回顾性收集2006年1月～2023年6月在南方医科大学南方医院经病理证实的221例胸腺上皮性肿瘤患者资料，包括临床信息、CT影像和病理结果，并根据简化病理分型将患者分为低危型（A、AB、B1型）和高危型（B2、B3、胸腺癌）。以7:3的比例将患者随机划分为训练集（n=159）和验证集（n=62）；在训练集中，采用单因素Logistic回归分析低危组和高危组临床及CT特征的差异性，应用逐步回归和LASSO回归进一步降维筛选特征，构建4种机器学习模型（Logistic回归、随机森林、决策树和支持向量机模型）。在验证集中通过ROC曲线分析曲线下面积评价模型预测效能。结果 221例胸腺上皮性肿瘤患者中105例为低危型（训练集74例，验证集31例），116例为高危型（训练集85例，验证集31例）。单因素分析结果显示，高危组与低危组比较性别、胸痛差异有统计学意义（P<0.05）；通过逐步回归法选取3个CT影像特征（肿瘤强化程度、心包或大血管侵犯、胸膜侵犯）构建多因素Logistic回归模型，通过LASSO回归分析最终筛选出8个临床及CT影像特征构建随机森林、决策树及支持向量机模型。模型在训练集上的曲线下面积分别为0.793、0.854、0.761、0.816，在验证集上的曲线下面积分别为0.819、0.742、0.710、0.811。结果表明Logistic回归模型泛化性优于其他3个模型。结论 基于CT影像特征构建的Logistic回归模型在预测胸腺上皮性肿瘤病理分型上具有良好的诊断效能，有望协助临床早期无创性识别高危型胸腺瘤及胸腺癌。

关键词

胸腺上皮性肿瘤 / 影像学特征 / 临床特征 / 预测模型