基于原发灶及瘤周影像组学特征构建机器学习模型预测胃癌脉管浸润的价值
葛栋玮1
穆振纲1
韩立业1
纵瑞龙2
1.利辛县人民医院影像科,亳州 2367002.徐州市中心医院影像科
摘要：目的 探讨基于原发灶及瘤周影像组学特征构建的机器学习模型在术前预测胃癌脉管浸润(LVI)中的价值.方法 回顾性收集148例经手术病理证实为胃癌病人的临床及影像资料,根据病理结果将病人分为LVI阳性组(79例)和阴性组(69 例).按7∶3的比例将病人随机分为训练集(103例)和测试集(45例).基于原发灶及瘤周区域提取影像组学特征.最小绝对收缩和选择算子(LASSO)方法筛选最优影像组学特征,并计算影像组学评分(Rad-score).将 2组间差异有统计学意义的临床特征联合Rad-score进行多因素Logistic回归分析,筛选变量以构建机器学习模型.采用 7种机器学习算法[逻辑回归(LR)、极限梯度提升(XGBoost)、随机森林(RF)、高斯朴素贝叶斯(GNB)、支持向量机(SVM)、轻量级梯度提升机(LightGBM)和K-最近邻(KNN)]构建临床-影像组学模型.通过受试者操作特征(ROC)曲线分析模型的效能.采用校准曲线和决策曲线分析(DCA)评估模型的校准度和临床净获益.采用沙普利加和解释(SHAP)方法对预测模型提供可视化解释.结果 训练集中 7种机器学习模型的AUC均大于0.650,其中RF模型的AUC(0.858)、敏感度(0.895)、准确度(0.776)均最高.校准曲线显示RF模型的Brier评分(0.153)最低,预测准确性最好.DCA显示风险阈值在0.30～0.70时,RF模型可获得更高的临床净获益.测试集中RF模型的诊断效能较稳定,AUC为0.821.SHAP分析显示了胃癌病人LVI风险相关的重要因素,并为个体预测提供了可视化的解释.结论 基于原发灶、瘤周影像组学特征及临床因素构建的RF模型在术前预测胃癌LVI状态中具有重要价值.
关键词：影像组学机器学习胃癌脉管浸润危险因素
分类号：R814.42(放射医学)R816.5(放射医学)
论文发表日期：2025-03-15
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( 139-145 )
英文信息