4种机器学习模型在双中心PET/CT影像组学鼻咽癌鉴别中的性能比较

摘要

目的：比较逻辑回归（LR）、支持向量机（SVM）、多层感知机（MLP）及随机森林（RF）4种机器学习模型在双中心¹⁸F-脱氧葡萄糖正电子发射体层成像-CT(¹⁸F-FDG PET-CT)影像组学鼻咽癌鉴别中的性能，通过SHAP方法明确关键鉴别特征。方法：回顾性分析2022年1月—2025年1月广西医科大学第一附属医院（中心1）和广西医科大学附属肿瘤医院（中心2）979例¹⁸F-FDG PET/CT病例（中心1：731例，中心2：248例），含鼻咽癌489例、良性病变490例，按7∶3分层随机抽样分为训练集（n=685）与测试集（n=294）。依据标准化指南提取PET/CT图像3 376个影像组学特征，经Spearman相关性分析、最小绝对收缩和选择算子回归及递归特征消除三级筛选后，构建4种机器学习模型。以AUC、准确率、灵敏度、特异度及Kappa值等指标评估性能，结合SHAP方法解析特征重要性。结果：测试集中SVM与MLP模型性能最优（AUC分别为0.992、0.994，准确率均96.26%，Kappa值均0.925），分类结果与病理一致性极强；LR与RF模型亦满足临床辅助诊断需求。所有模型训练集与测试集性能无显著衰减，泛化稳定性良好。SHAP分析表明，PET小波变换-三级低频子带-一阶统计最小值为跨模型稳定关键特征，其取值升高可显著提升鼻咽癌预测概率。结论：SVM与MLP模型兼具优异鉴别性能与泛化稳定性，SHAP解析的关键特征为临床辅助诊断工具开发提供了高质量参考。

关键词

鼻咽癌 / ¹⁸F-脱氧葡萄糖 / 正电子发射体层成像-CT / 影像组学 / 机器学习 / 模型比较