基于机器学习探究临床联合增强CT影像组学特征对肺结节良恶性的鉴别诊断价值

胡翔宇; 沈天赐; 王洋洋; 董佑红; 喻会; 陈俊文

doi:10.13819/j.issn.2096-708X.2024.01.008

湖北医药学院学报 ›› 2024, Vol. 43 ›› Issue (1) : 39 -45. DOI: 10.13819/j.issn.2096-708X.2024.01.008

基于机器学习探究临床联合增强CT影像组学特征对肺结节良恶性的鉴别诊断价值

胡翔宇, 沈天赐, 王洋洋, 董佑红, 喻会, 陈俊文

作者信息 +

Author information +

文章历史 +

摘要

目的:通过机器学习方式对肺结节的增强CT特征提取影像组学和临床特征分析对其定性诊断的价值。方法:回顾性分析本院2018年6月至2022年7月有明确手术标本病理证实的89例肺结节患者，其中良性结节患者37例，恶性结节患者52例，按照8∶2比例将其分为训练集和测试集，逐层提取患者平扫期、动脉期、静脉期病灶区域的感兴趣区(ROI),采用软件提取影像组学纹理特征，使用单因素分析、多因素分析和最小绝对收缩和选择算子进行特征筛选，并采用多种机器学习的方法建立预测其良恶性的模型，基于特征权重建立SHAP值图，最后使用DCA曲线分析患者获益程度。结果:训练集72例，测试集17例，共提取了影像组学特征和临床特征数量分别为2800和31个。经特征筛选，共保留13个影像特征和4个临床特征。临床特征中既往肺部基础疾病史、细胞角蛋白19的可溶性片段(CYFRA21-1)及影像特征中的毛刺征、分叶征在良恶性组中差异有统计学意义(P<0.05),采用了多种机器学习算法，其中效能最高的是XGBoost算法，DCA结果表明患者可获得良好收益。结论:基于增强CT及肿瘤标志物等建立的XGBoost模型对鉴别肺结节的性质具有重要价值。