基于增强CT影像组学特征可有效预测肾癌P504S表达状态
周静1
杨雨琼1
马宜传2
王哲3
姬若诗4
王颖2
徐加利2
1.蚌埠医科大学第一附属医院放射科,安徽 蚌埠 233004;蚌埠医科大学研究生院医学影像学院,安徽 蚌埠 2330302.蚌埠医科大学第一附属医院放射科,安徽 蚌埠 2330043.蚌埠医科大学第一附属医院放射科,安徽 蚌埠 233004;阜阳市第五人民医院放射科,安徽 阜阳 2360004.蚌埠医科大学第一附属医院放射科,安徽 蚌埠 233004;蚌埠医科大学第二附属医院放射科,安徽 蚌埠 233000
摘要：目的 构建并验证基于增强CT影像组学的机器学习模型预测肾癌免疫组化指标P504S/α-甲基酰基辅酶A消旋酶(P504S/AMACR)表达状态.方法 回顾性收集并分析蚌埠医科大学第一附属医院2019年1月～2024年9月经病理证实为肾癌且明确了P504S表达状态的117例患者的临床、病理及影像资料.基于对比增强CT提取病灶三维影像组学特征,建立预测模型对P504S阴性和P504S阳性进行鉴别.将患者按7∶3的比例随机分为训练集和测试集,对训练集进行5倍交叉验证选择最优超参数建立预测模型,使用测试集进行验证,采用ROC曲线、校准曲线及决策曲线分析评估模型诊断效能.采用合成少数派过采样技术进行均衡化,基于CT的动脉期和静脉期勾画感兴趣体积,通过Min-max进行数据归一化,主成分分析和皮尔森相似度降维,采用Relief算法进行特征筛选,支持向量机和Native Bayes作为分类器分别构建动脉期和静脉期影像组学模型.结果 动脉期影像组学模型在训练集和测试集上的曲线下面积(AUC)和准确度可分别达到0.801和0.805、0.833和0.743.静脉期影像组学模型在训练集和测试集的AUC和准确度可分别达到0.791和0.683、0.808和0.714.动静脉期联合模型对所有病例诊断的AUC可达0.846(95%CI:0.768～0.906),高于动脉期影像组学模型[0.804(95%CI:0.720～0.871)]和静脉期影像组学模型[0.823(95%CI:0.742～0.887)],但差异无统计学意义(P>0.05).结论 基于肾癌增强CT影像组学特征的机器学习模型可以预测免疫组化指标P504S表达状态.
关键词：P504S肾癌影像组学CT
资助基金：蚌埠医学院重点自然科学项目(2022byzd076)
论文发表日期：2025-07-20
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：8( 840-847 )
英文信息