基于CT构建多种学习模型术前预测肾透明细胞癌WHO/ISUP分级研究

摘要

目的：探究基于CT构建机器学习(ML)及深度学习(DL)模型术前预测肾透明细胞癌(ccRCC)WHO/国际泌尿病理协会(ISUP)分级的价值。方法：回顾性收集常州市第一人民医院2011年1月—2023年5月收治的210例经手术病理证实的ccRCC患者的临床资料，根据WHO/ISUP分级分为低级别组(Ⅰ级、Ⅱ级)、高级别组(Ⅲ级、Ⅳ级)，并按7:3随机分为训练集及验证集。从患者的CT平扫、皮髓质期及实质期中提取特征，采用支持向量机(SVM)、K近邻(KNN)、轻量梯度提升决策树(LightGBM)、随机森林(RF)、随机梯度下降(SGD)及极限梯度增强树(XGBoost)6种分类器构建ML及DL模型。结果：受试者工作特征(ROC)曲线下面积(AUC)显示在验证集中基于(平扫+皮髓质期+实质期)组合期构建的ML模型范围0.853～1.000、DL模型0.896～0.986；基于组合期，在验证集中采用RF、XGBoost及LightGBM分类器构建的ML模型AUC值均为1.000，DL模型分别为0.896、0.964、0.964(P<0.05)，Delong检验差异有统计学意义(P<0.05)；该三种分类器中，RF分类器的F1分数显示平扫0.722、皮髓质期0.648、实质期0.620、组合期1.000。结论：基于组合期，采用RF分类器构建的ML模型可为ccRCC肿瘤侵袭性术前评估提供可靠、无创的影像学方式。

关键词

肾细胞癌 / 机器学习 / 深度学习 / WHO/ISUP分级 / 多排螺旋计算机体层扫描