基于增强CT影像组学结合机器学习预测结直肠癌肿瘤出芽等级的价值
RSS 订阅 · 放射学实践
SVM模型表现最优，联合分化程度、强化方式及CT-N分期构建的列线图模型在外部验证集AUC达0.858，可术前无创预测TB等级。
要点
- 列线图模型（影像组学+分化程度+强化方式+CT-N分期）外部验证AUC 0.858，可术前预测结直肠癌高肿瘤出芽等级。
- 分化程度、强化方式、CT-N分期是TB等级的独立预测因素，阅片时应在报告中明确记录这三项特征。
- SVM单独影像组学模型外部验证AUC 0.835，纳入临床影像特征后性能进一步提升至0.858。
核心结论
- 基于增强CT影像组学结合机器学习的模型可术前较好预测结直肠癌TB等级，列线图模型（SVM+临床影像特征）性能最优，外部验证集AUC为0.858。
研究设计与样本
- 回顾性双中心研究，中心1纳入467例（训练集327例、内部验证集140例），中心2纳入209例作为外部验证集，参考标准为术后病理TB等级。
- 影像采集基于增强三期CT，在三期图像上逐层手动勾画肿瘤轮廓并提取影像组学特征。
- 机器学习模型包括多层感知器、SVM、逻辑回归和朴素贝叶斯；临床影像独立预测因素经单因素及多因素Logistic回归筛选。
关键影像表现/征象
- 分化程度、强化方式和CT-N分期是TB等级的独立临床影像学预测因素。
- 病理分组为中低TB组与高TB组，高TB组预测是本模型的核心目标。
诊断标准与关键数值
- SVM影像组学模型AUC：训练集0.918，内部验证集0.863，外部验证集0.835。
- 列线图模型（SVM+分化程度+强化方式+CT-N分期）AUC：训练集0.951，内部验证集0.904，外部验证集0.858。
临床应用与阅片要点
- 报告结直肠癌增强CT时，应明确描述肿瘤分化程度（影像提示）、强化方式及CT-N分期，这三项是TB等级的独立预测因素。
- 列线图模型可作为术前辅助工具，为外科医生提供TB等级风险分层参考，高TB等级提示预后较差。
- 影像组学需逐层勾画肿瘤轮廓，勾画准确性直接影响特征提取质量，需注意勾画规范性。
局限性
- 回顾性研究设计，存在选择偏倚风险。
- 仅为双中心研究，外部泛化能力有待更大规模多中心前瞻性研究验证。
- 肿瘤轮廓勾画为手动操作，观察者间一致性未在摘要中详细报告。
原文图文
【摘要】目的：探讨基于增强CT影像组学结合机器学习对结直肠癌肿瘤出芽（TB）等级的预测价值。方法：回顾性收集两个中心经术后病理证实的结直肠癌患者。中心1纳入467例患者，按7：3随机分为训练集（327例）和内部验证集（140例）；中心2纳入209例患者，均用作外部验证集。根据术后病理结果分为中低TB组和高TB组。在增强三期图像上逐层勾画肿瘤轮廓，并提取其影像组学特征。使用多层感知器、支持向量机（SVM）、逻辑回归和朴素贝叶斯构建预测模型。同时，利用单因素和多因素Logistic回归分析选取临床影像学特征中的独立预测因素，并作为额外的特征输入至最优影像组学模型中构建列线图模型。结果：SVM表现出良好的预测性能，在训练集、内部验证集和外部验证集的AUC分别为0.918、0.863、0.835。分化程度、强化方式和CT-N分期是结直肠癌TB等级的独立预测因素，将其输入至SVM模型中构建的列线图模型具有最高的预测性能，在训练集、内部验证集和外部验证集中的AUC分别为0.951、0.904、0.858。结论：基于增强CT影像组学和机器学习的预测模型可在术前较好地预测结直肠癌TB等级，纳入临床影像学特征构建的列线图模型可进一步提升性能。
来源：放射学实践，查看原文。版权归原作者所有。
引用
- fsxsj.tjh.com.cn：基于增强CT影像组学结合机器学习预测结直肠癌肿瘤出芽等级的价值
供执业医师工作参考，不替代临床判断；数值与分级以指南原文为准。