非小细胞肺癌PD-L1表达预测：基于双期相融合增强CT影像组学模型

摘要

目的 构建双期相融合增强CT影像组学模型预测非小细胞肺癌（NSCLC）患者PD-L1表达。方法 回顾性纳入2019年11月～2023年7月在济宁医学院附属医院就诊且经病理证实的150例NSCLC患者，按7∶3的比例分为训练队列（n=105）和测试队列（n=45）。影像组学特征提取自CT图像的动脉期和静脉期，经过最小绝对收缩和选择算子（LASSO）算法进行降维和关键特征筛选，分别采用逻辑回归等8种机器学习算法构建影像组学模型。通过ROC曲线分析筛选出最佳预测模型，并融合2个期相的影像组学特征构建双期相融合影像组学模型。采用单因素及多因素logistic回归分析其临床特征，并确定用于建立临床模型的独立预测因子。将影像组学特征和临床特征相结合，构建影像组学-临床模型。采用ROC曲线评估模型性能，使用决策曲线分析评估模型的临床实用性。结果 从动脉期和静脉期CT图像中各提取出1835个影像组学特征，通过降维和筛选，最终分别选出9个影像组学特征。在影像组学模型中，逻辑回归模型显示出更高的预测效率和稳健性。所构建的双期相融合增强CT影像组学模型的效能优于单期相模型，联合临床因素构建的影像组学-临床模型的区分能力最好，AUC在训练组与测试组中分别为0.822、0.681，且决策曲线显示了最佳临床疗效。结论 NSCLC的影像组学特征和临床特征相结合的诊断模型具有良好的预测PD-L1表达的能力，可为临床提供一种无创、有效的诊断方法。

关键词

计算机断层扫描 / 非小细胞肺癌 / 影像组学 / 机器学习 / PD-L1