胰腺影像组学对乙肝肝硬化患者肝源性糖尿病的预测价值

王司琪; 郭东强; 武志峰

摘要：目的:分析乙肝肝硬化患者胰腺CT平扫及双能量CT(DECT)增强扫描动静脉期影像组学特征,及其对肝源性糖尿病(HD)的预测价值.方法:回顾性分析乙肝肝硬化患者胰腺 CT平扫及 DECT增强扫描动静脉期图像资料,采用慧影科研平台"慧医慧影"提取影像组学特征,筛选出最优特征,收集患者肝功能分级(Child-Pugh分级)等多项临床数据,采用高斯朴素贝叶斯(Gaussian NB)、被动攻击型算法(PA)和支持向量机(SVM)三种机器学习分类算法,构建仅基于影像组学特征的模型(影像组学模型)和基于影像组学特征联合临床变量预测模型(联合模型),预测患者是否合并 HD.采用受试者工作特征曲线下面积(AUC)等比较各算法构建的影像组学模型和联合模型的预测诊断效能.结果:肝炎肝硬化患者 141 例,经纳入和排除标准筛选后,共计 134 例患者纳入研究.依据临床诊断是否合并糖尿病分为HD组(49 例)和nHD组(85 例).两组Child-Pugh分级比较,差异有统计学意义(P＜0.05).两组影像组学特征比较,差异有统计学意义(P＜0.05).Gaussian NB,PA和SVM联合模型对训练组预测诊断AUC值分别为0.919,0.821 和 0.845.将 134 例患者数据按照 7∶3 的比例随机分为训练组(94 例)和测试组(40 例),分别构建基于影像组学特征、基于影像组学特征和临床变量(联合模型).测试组的 Gaussian NB,PA和 SVM预测诊断 AUC值分别为 0.579,0.614 和 0.670.经Delong检验显示,三种机器学习分类算法构建的联合模型效能比较,差异无统计学意义(P＞0.05).与联合模型相比,影像组学模型预测效能较低.结论:基于 CT平扫及 DECT增强扫描动静脉期影像组学特征,联合肝功能分级等多项临床数据构建的机器学习网络模型,对乙肝肝硬化患者是否合并 HD有一定的预测价值.