术前鉴别混合型肝细胞-胆管癌和肝细胞癌的诊断效能:基于临床-超声影像组学的机器学习模型
张秀梅1
马会会1
韩森1
纵瑞龙2
1.徐州市中心医院超声科,江苏 徐州 2210002.徐州市中心医院影像科,江苏 徐州 221000
摘要：目的 探讨基于临床-超声影像组学特征构建的机器学习模型在术前鉴别混合型肝细胞-胆管癌(cHCC-CC)和肝细胞癌(HCC)中的诊断效能.方法 回顾性纳入徐州市中心医院在2010年1月～2024年10月期间经病理证实的42例cHCC-CC患者作为研究对象,按照1∶2的比例采用倾向性评分匹配收集同期病理证实为HCC的84例患者作为对照组.对肿瘤和瘤周区域提取影像组学特征,计算Rad-score.通过单因素和多因素Logistic回归分析筛选与cHCC-CC显著相关的独立危险因素.使用支持向量机(SVM)、随机森林(RF)及逻辑回归(LR)3种机器学习算法构建模型,并选择AUC值最高的模型作为最优模型.按照7∶3的比例将患者随机分为训练集(n=89)和测试集(n=37),通过10折交叉验证方法验证最优模型的性能.结果 肿瘤形态、肝硬化病史、CA19-9水平、Rad-scoretumor、Rad-score10 mm是鉴别2种肿瘤的独立危险因素.LR模型在3种机器学习模型中表现最佳,曲线下面积为0.883(95%CI:0.826～0.951).LR模型在训练集、验证集和测试集的曲线下面积分别为0.888(95%CI:0.805～0.971)、0.841(95%CI:0.633～0.994)和0.893(95%CI:0.793～0.992).校准曲线显示良好的一致性.决策曲线分析显示具有较高的净收益.结论 基于临床-超声影像组学的LR模型在鉴别cHCC-CC和HCC中具有术前诊断价值,有助于临床精准诊疗.
关键词：机器学习混合型肝细胞癌-胆管癌肝细胞癌模型
论文发表日期：2025-04-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 509-515 )
英文信息