| 任梦婷，陈基明，昌杰，杨利，牛冉冉，翟建.基于CT生境影像组学和深度学习模型预测进展期胃癌HER2表达状态的价值[J].放射学实践,2025,(04):501-508 |
| 基于CT生境影像组学和深度学习模型预测进展期胃癌HER2表达状态的价值 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2025.04.012 |
| 中文关键词: 胃肿瘤 生境分析 深度学习 影像组学 体层摄影术，X线计算机 |
| 基金项目: |
|
| 摘要点击次数: 131 |
| 全文下载次数: 153 |
| 中文摘要: |
| 【摘要】目的：探讨基于CT生境影像组学和深度学习（DL）模型在预测进展期胃癌（AGC）患者人表皮生长因子受体2（HER2）表达状态中的价值。方法：回顾性分析2013年12月－2023年9月在本院经术后病理证实的201例AGC患者的临床及影像学资料。根据HER2表达水平将患者分为HER2阳性组（60例）和阴性组（141例）。按照7∶3的比例采用随机分组法将患者分为训练集（n=141）和验证集（n=60）。在增强CT静脉期图像上手动逐层勾画肿瘤ROI，使用生境成像技术根据聚类情况将胃癌病灶划分为3个亚区（ITH1、ITH2、ITH3），提取肿瘤整体及各亚区的影像组学特征，并使用ResNet50网络提取肿瘤的深度学习特征；采用最小冗余最大相关（mRMR）和最小绝对收缩和选择算子（LASSO）两种方法进行特征降维，分别构建基于肿瘤整体、各亚区及DL算法的影像组学模型，并计算基于肿瘤整体及各亚区的影像组学得分。在训练集中，比较HER2阳性组与阴性组的临床病理和影像学特征的差异，并采用多因素Logistic回归分析筛选独立预测因子和构建临床模型。结合临床独立预测因子和ITH1的影像组学得分构建联合模型。根据ROC曲线下面积（AUC）评估各模型的预测效能，使用校准曲线和Hosmer-Lemeshow检验分析模型的拟合优度，应用决策曲线（DCA）分析模型的临床价值。结果：临床模型、肿瘤整体模型、ITH1模型、ITH2模型、ITH3模型、DL模型及联合模型在训练集中预测HER2阳性的AUC（95%CI）分别为0.833（0.757~0.909）、0.782（0.700~0.864）、0.868（0.802~0.934）、0.848（0.779~0.916）、0.806（0.726~0.886）、0.848（0.785~0.911）和0.918（0.869~0.968），在验证集中分别为0.718（0.574~0.863）、0.701（0.551~0.851）、0.821（0.693~0.950）、0.778（0.652~0.904）、0.738（0.600~0.876）、0.753（0.617~0.888）和0.873（0.780~0.966），以联合模型的AUC最大。Hosmer-Lemeshow检验结果显示联合模型校准曲线的拟合度良好（P>0.05）。DCA结果显示ITH1模型及联合模型的临床获益高于临床模型及其它影像组学模型。结论：基于CT生境影像组学模型可以用于术前评估胃癌患者的HER2表达状态，结合ITH1得分与临床病理、影像学特征构建的联合模型可以进一步提高其预测效能，临床获益最优。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
