基于CT影像组学预测肾移植后患者肺部感染发生的研究

摘要

目的：构建CT影像组学对肾移植受者术后1年内发生肺部感染风险的预测模型并评估其预测价值。方法：回顾性分析于2016年1月—2020年6月在昆明市第一人民医院接受肾移植的110例患者的临床资料及CT影像资料，按7︰3比例将患者分为训练集(77例)和验证集(33例)，后进行全肺的勾画和特征提取，并进行特征筛选、降维，确定与肾移植后肺部感染显著相关的影像组学特征。使用10折交叉验证训练了逻辑回归(LR)、K近邻(KNN)、多层感知器(MLP)3种机器学习算法对肾移植后肺部感染进行早期预测。使用Logistic回归分析筛选危险因素并分别构建影像组学模型、临床模型和结合影像组学-临床特征的联合预测模型，通过应用受试者工作特征(ROC)曲线，计算曲线下面积(AUC)对预测模型的效能进行评价。结果：110例肾移植患者术后1年内发生肺部感染的有感染70例，无肺部感染40例，肺部感染者中男52例，女18例，非肺部感染者中男30例，女10例。最终确定14个与肾移植后肺部感染显著相关的影像组学特征，并训练了LR、KNN、MLP 3种机器学习算法，显示LR在预测肾移植后肺部感染方面表现较好。在构建的影像组学模型中，验证集和训练集AUC分别为0.839和0.854。在构建的临床模型中，验证集和训练集的AUC值分别为0.689和0.550。在结合影像组学-临床特征的联合模型中验证集和训练集的AUC值分别为0.856和0.850。结论：基于肾移植患者术前的肺部CT图像提取的影像组学特征构建3种机器学习模型显示LR具有好的临床适用性，有助于预测肾移植后肺部感染的发生，同时以影像组学特征结合临床特征模型可进一步有效预测肾移植受者术后1年内肺部感染的发生，具有较高的诊断价值。

关键词

肺部感染 / 肾移植术后 / 机器学习 / 影像组学 / 风险预测模型