| 杜自宏，伍志发，刘静，李新春，刘红艳.CT影像组学机器学习模型鉴别肺炎型黏液腺癌与机化性肺炎[J].放射学实践,2024,(04):461-467 |
| CT影像组学机器学习模型鉴别肺炎型黏液腺癌与机化性肺炎 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2024.04.006 |
| 中文关键词: 肺肿瘤 肺炎型黏液腺癌 机化性肺炎 影像组学 机器学习 体层摄影术，X线计算机 |
| 基金项目:市校联合资助项目基础与应用基础研究项目（202201020456）；广东省基础与应用基础联合基金青年项目（2019A1515111161） |
|
| 摘要点击次数: 144 |
| 全文下载次数: 176 |
| 中文摘要: |
| 【摘要】目的：评估CT影像组学结合机器学习方法鉴别原发肺炎型黏液腺癌（PTMA）与机化性肺炎（OP）的价值。方法：回顾性分析2010年1月－2020年1月在本院经病理证实的51例PTMA患者与50例OP患者的临床及影像学资料。分别在平扫及CT增强图像上提取病灶的影像组学特征，通过线性相关性分析和L1正则化方式进行特征的筛选和降维。对两组的临床特征、CT形态学特征及影像组学特征进行统计学分析,将3类特征中有统计学意义者分别或联合构建机器学习预测模型，共获得4个预测模型（临床、CT形态学征象、影像组学合联合模型）。采用ROC曲线分析评估各类模型的诊断效能。结果：临床特征中的性别、咳白黏痰、癌胚抗原和糖类抗原153、CT形态学征象中的小结节、空泡/假空洞征、血管造影征和重力分布在PTMA组与OP组之间的差异均有统计学意义（P<0.05）。二元logistic回归分析显示性别、小结节、空泡/假空洞征和血管造影征是鉴别PTMA与OP的独立预测因素（P<0.05）。在训练集和验证集中各类机器学习模型的AUC：影像组学模型为0.997和0.946，临床模型为0.869和0.814，CT形态学特征模型为0.919和0.797，联合模型为0.999和0.972。Delong检验显示影像组学模型的诊断效能显著优于临床模型及CT形态学特征模型（P均<0.05），与联合模型无显著差异（P>0.05）。结论：CT影像组学结合机器学习方法提取并分析多维度影像数据，可以有效鉴别PTMA与OP，辅助临床治疗决策。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
