| 周澜，郭建峰，陈进兰，杨峰.基于增强CT影像组学联合机器学习模型术前预测甲状腺乳头状癌BRAFV600E基因突变的价值[J].放射学实践,2025,(11):1396-1402 |
| 基于增强CT影像组学联合机器学习模型术前预测甲状腺乳头状癌BRAFV600E基因突变的价值 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2025.11.009 |
| 中文关键词: 甲状腺乳头状癌 增强CT 影像组学 机器学习 BRAFV600E基因突变 体层摄影术，X线计算机 |
| 基金项目:襄阳市第一人民医院科技创新项目（XYY2025SD08）；湖北省自然科学基金-襄阳创新发展联合资助项目（2025AFD041）；湖北医药学院研究生科技创新项目（YC202522） |
|
| 摘要点击次数: 234 |
| 全文下载次数: 198 |
| 中文摘要: |
| 【摘要】目的：构建基于增强CT影像组学联合机器学习模型，探讨其术前预测甲状腺乳头状癌（PTC）BRAFV600E基因突变的价值。方法：回顾性收集2020年2月-2024年11月在襄阳市第一人民医院经手术病理证实的PTC患者181例，所有患者均接受术前甲状腺CT增强检查，并行BRAFV600E基因突变检测，按基因突变状态分为阳性组（98例）和阴性组（83例），按照8：2分为训练集与验证集。整合CT影像学特征及临床风险指标，通过单因素及多因素回归分析的方法筛选与BRAFV600E基因突变相关的临床风险因素，构建临床模型。结合CT平扫、动脉期、静脉期三期图像，进行配准并勾画感兴趣区（ROI），提取影像组学特征，采用最小绝对收缩和选择算子（LASSO）进行特征筛选，分别基于极度随机树（ET）、支持向量机（SVM）、K邻近算法（KNN）、监督学习集成模型（LightGBM）、XGBoost5种机器学习算法建立预测模型，通过绘制受试者操作特征（ROC）曲线评估各模型效能，选择最优影像组学模型并结合临床模型联合构建诺模图（Nomogram），最后，采用决策曲线分析（DCA）评价各模型的临床获益。结果：BRAFV600E基因突变阳性组与阴性组在甲状腺包膜侵犯、微钙化、TSH水平等临床指标上差异具有统计学意义（P＜0.05），构建的临床预测模型在训练集、验证集AUC值分别为0.799（95%CI：0.728～0.870）、0.770（95%CI：0.611～0.929）。筛选出三期图像中的14个最佳影像组学特征建模，结果表明SVM模型表现最佳，其在训练集和验证集中的AUC分别为0.894（95%CI：0.843～0.946）、0.820（95%CI：0.674～0.967）。而联合临床模型与影像组学模型构建诺模图能显著提升预测性能，在训练集中AUC值达到了0.927（95%CI：0.887～0.968），验证集中AUC值为0.887（95%CI：0.772～1.000），DCA显示该预测模型展现出良好的临床获益。结论：基于增强CT影像组学联合机器学习算法构建的模型在术前预测甲状腺乳头状癌BRAFV600E基因突变中表现出良好的性能，能够作为一种无创、可重复的预测工具，为个体化治疗决策提供辅助支持，具有潜在的临床应用价值。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
