| 张榕，刘子蔚，林韵莹，康丽君，陈盔，孙毅，申可，包陈政任，胡秋根.CT平扫的可解释性深度学习联合模型预测肺腺癌气腔播散[J].放射学实践,2025,(10):1248-1256 |
| CT平扫的可解释性深度学习联合模型预测肺腺癌气腔播散 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2025.10.009 |
| 中文关键词: 肺腺癌 深度学习 体层摄影术，X线计算机 |
| 基金项目:广东省医学科学技术研究基金项目（A2024112、A2024022）；南方医科大学顺德医院科研启动计划项目（SRSP2023003、SRSP2024013、SRSP2024032）、佛山市科技局项目（2320001006640、2220001005383） |
|
| 摘要点击次数: 28 |
| 全文下载次数: 27 |
| 中文摘要: |
| 【摘要】目的：预测肺腺癌气腔播散(STAS)对及时进行干预、选择合适的治疗方法和提高患者的生活质量具有重要意义。因此，开发一种术前模型预测肺腺癌STAS至关重要。方法：回顾性纳入2019年1月至2023年12月共4家医院经手术后病理诊断为肺腺癌患者689例，将HospitalⅠ和HospitalⅡ患者根据7:3随机比例分为训练组和内部验证组，HospitalⅢ和HospitalⅣ纳入为外部验证组Ⅰ和Ⅱ。采用ResNet-101为构架构建预测肺腺癌STAS的深度学习评分（DL-socre）。使用7种机器学习算法，包括逻辑回归(LR)、极端梯度增强(Xgboost)、支持向量机(SVM)、随机森林(RF)、决策树(DT)，k近邻(KNN)和人工神经网络(ANN)来区分STAS阴性和阳性。采用SHapley加性方法(SHAP)对模型进行可视化及解释。结果：对比7种不同的机器学习模型，最优联合模型(ANN模型)表现出最佳预测效能，在训练组和内部验证组中受试者工作特征曲线(ROC)下面积(AUC)分别为0.906(95%CI:0.873~0.936)和0.903(95%CI:0.855~0.944)。基于SHAP方法得出重要特征为DL-socre、分叶征、空泡征、微血管征。SHAP汇总图和蜜蜂图能够准确反映模型每个特征对单个预测的贡献度。两个外部验证组中AUC分别为0.841(95%CI:0.757~0.923)和0.882(95%CI:0.806~0.953)，显示出令人满意的推广效果。结论：基于DL-socre和临床独立危险因素构建的联合模型(ANN模型)可以准确评估肺腺癌STAS，此外，SHAP可解释性技术增加了模型的透明度，可以直观显示特征重要性和决策过程，不仅提高了机器学习模型的可解释性，还为临床医生制定个性化治疗决策提供了辅助参考。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
