CT影像组学联合免疫炎症指标鉴别胃淋巴瘤与Borrmann Ⅳ型胃癌
经LASSO筛选关键特征后构建Stacking集成学习模型,验证集AUC为0.958,外侧测试集AUC为0.912,诊断效能优于单一模型。
要点
- 「白线征」及SII是预测Borrmann Ⅳ型胃癌的独立危险因素
- Stacking集成模型鉴别两者效能最高且稳定性较好
- 增强CT门脉期影像组学特征可辅助术前鉴别诊断
核心结论
- CT增强门脉期影像组学特征联合外周血免疫炎症指标及影像学特征构建的Stacking集成学习模型可有效鉴别原发性胃淋巴瘤与Borrmann Ⅳ型胃癌
研究设计与样本
- 双中心回顾性研究,中心1(建湖医院)纳入PGL 50例、Borrmann Ⅳ型GC 82例,中心2(盐城第一医院)纳入PGL 40例、GC 40例
- 所有患者术前均行全腹部增强CT扫描并检测外周血免疫炎症指标
- 使用MaZda软件提取CT增强门脉期影像组学特征,LASSO回归筛选重要特征
- 基于XGBoost、Logistic回归及随机森林构建模型,采用Stacking策略聚合
- 以ROC曲线评估模型诊断效能,采用验证集与外侧测试集评价
关键影像表现/征象
- PGL组与Borrmann Ⅳ型GC组在胃腔狭窄、「白线征」上差异有统计学意义(P<0.05)
诊断标准与关键数值
- LASSO算法筛选出S(0,1)Correlat及S(0,1)DifVarnc两个关键影像组学特征构建影像组学评分
- 「白线征」及SII是预测Borrmann Ⅳ型胃癌的独立危险因素
- PGL组与Borrmann Ⅳ型GC组在LMR、PIV及SII指标上差异有统计学意义(P<0.05)
- Stacking模型验证集AUC为0.958,XGBoost为0.878,Logistic回归为0.840,随机森林为0.866
- 外侧测试集Stacking AUC为0.912,XGBoost为0.804,Logistic回归为0.798,随机森林为0.745
临床应用与阅片要点
- 阅片时注意观察胃腔狭窄程度及「白线征」有无,有助于提示Borrmann Ⅳ型胃癌可能
- 结合外周血免疫炎症指标LMR、PIV及SII可辅助鉴别诊断
- Stacking集成模型较单一机器学习模型诊断效能更高,可用于术前决策参考
局限性
- 回顾性双中心研究,样本量有限,未报告外部多中心大样本独立验证
原文图文
【摘要】目的:探讨基于CT影像组学联合常规图像特征、外周血免疫炎症指标构建的集成学习模型鉴别原发性胃淋巴瘤(PGL)与Borrmann Ⅳ型胃癌(GC)的价值。方法:回顾性收集中心1(建湖医院)PGL 50例、Borrmann Ⅳ型GC 82例,中心2(盐城第一医院)PGL 40例、GC 40例。所有患者术前均行全腹部增强CT扫描并检测外周血免疫炎症指标。使用MaZda软件提取CT增强门脉期影像组学特征,LASSO回归筛选影像组学重要特征;单因素及多因素分析筛选独立危险因素。基于极端梯度提升(XGBoost)、Logistic回归及随机森林构建模型,并采用集成学习Stacking策略聚合。绘制受试者工作特征曲线(ROC)评估模型诊断效能。结果:经LASSO算法筛选出S(0,1)Correlat及S(0,1)DifVarnc两个关键特征,以此构建影像组学评分。PGL组与Borrmann Ⅳ型GC组在胃腔狭窄、“白线征”、LMR、PIV及SII指标上差异有统计学意义(P<0.05),其中“白线征”及SII是预测Borrmann Ⅳ型GC的独立危险因素。Stacking、XGBoost、Logistic回归及随机森林模型在验证集中的AUC值分别为0.958、0.878、0.840及0.866;在外侧测试集中的AUC值分别为0.912、0.804、0.798及0.745,Stacking集成模型诊断效能最高,稳定性较好。结论:CT增强门脉期影像组学特征联合外周血免疫炎症指标及影像学特征构建的Stacking集成学习模型可有效鉴别PGL与Borrmann Ⅳ型GC。
引用
- fsxsj.tjh.com.cn:CT 影像组学联合免疫炎症指标构建集成学习模型在胃淋巴瘤与Borrmann Ⅳ型胃癌鉴别中的价值:一项双中心研究
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。