非小细胞肺癌PD-L1表达预测:基于双期相融合增强CT影像组学模型
韩心舒1
马俊丽2
山长平2
王寻3
杨君东2
张子秋1
叶书成2
1.济宁医学院临床医学院(附属医院),山东 济宁 272000;济宁医学院附属医院肿瘤科,山东 济宁 2720002.济宁医学院附属医院肿瘤科,山东 济宁 2720003.济宁医学院附属医院医学影像科,山东 济宁 272000
摘要：目的 构建双期相融合增强CT影像组学模型预测非小细胞肺癌(NSCLC)患者PD-L1表达.方法 回顾性纳入2019年11月～2023年7月在济宁医学院附属医院就诊且经病理证实的150例NSCLC患者,按7∶3的比例分为训练队列(n=105)和测试队列(n=45).影像组学特征提取自CT图像的动脉期和静脉期,经过最小绝对收缩和选择算子(LASSO)算法进行降维和关键特征筛选,分别采用逻辑回归等8种机器学习算法构建影像组学模型.通过ROC曲线分析筛选出最佳预测模型,并融合2个期相的影像组学特征构建双期相融合影像组学模型.采用单因素及多因素logistic回归分析其临床特征,并确定用于建立临床模型的独立预测因子.将影像组学特征和临床特征相结合,构建影像组学-临床模型.采用ROC曲线评估模型性能,使用决策曲线分析评估模型的临床实用性.结果 从动脉期和静脉期CT图像中各提取出1835个影像组学特征,通过降维和筛选,最终分别选出9个影像组学特征.在影像组学模型中,逻辑回归模型显示出更高的预测效率和稳健性.所构建的双期相融合增强CT影像组学模型的效能优于单期相模型,联合临床因素构建的影像组学-临床模型的区分能力最好,AUC在训练组与测试组中分别为0.822、0.681,且决策曲线显示了最佳临床疗效.结论 NSCLC的影像组学特征和临床特征相结合的诊断模型具有良好的预测PD-L1表达的能力,可为临床提供一种无创、有效的诊断方法.
关键词：计算机断层扫描非小细胞肺癌影像组学机器学习PD-L1
资助基金：吴阶平医学基金(320.6750.19088-74)中华国际医学交流基金会肿瘤精准放疗星火计划科研项目(2019-N-11-22)济宁市重点研发计划(2024YSNS090)
论文发表日期：2025-09-20
在线出版日期：2025-10-22（本平台首次上网日期，不代表文献的发表时间）
页数：10( 1099-1108 )
英文信息