影像组学对非小细胞肺癌患者分期的机器学习预测模型研究
周洁1
郑燕婷1
江舒琪1
安杰1
邱士军1
陈淮2
1.广州中医药大学第一附属医院影像科,广州 5104052.广州医科大学附属第二医院放射科,广州 510260
摘要：目的:探讨CT影像组学机器学习分类模型对非小细胞肺癌患者分期进行预测的价值.方法:从癌症影像数据库(TCIA)下载lung1数据集,选用符合条件的 291例非小细胞肺癌(NSCLC)患者的数据并将其分为两组,1组(Ⅰ期、Ⅱ期)和2组(Ⅲ期、Ⅳ期).从每个肿瘤病灶分别提取 1037个影像组学特征,运用t检验、最小绝对收缩和选择算子(LASSO)算法进行特征筛选.病灶的CT形态学特征通过t检验和卡方检验进行筛选.采用Logistic回归、随机森林、高斯朴素贝叶斯、支持向量机、AdaBoost等 5种机器学习分类器进行模型训练并建立预测模型,用受试者操作特征曲线(ROC)来评价这些预测模型的效能并选出最优模型.最后使用在本院收集的 91例患者数据进行外部验证.结果:本研究在特征筛选后,得到 13个具有较高诊断价值的影像组学特征用于后续建立NSCLC患者分期预测模型.在 5种机器学习分类模型中,随机森林分类预测模型是最佳模型,运用此模型的验证集AUC值最高,为 0.740.经过外部验证,该模型在训练集AUC值为 1.000,敏感度为1.000,特异度为1.000;测试集AUC值为0.698,敏感度为0.873,特异度为0.500.病例的CT形态学特征里面,除了病灶大小之外,其他特征在不同分期患者的差异无统计学意义.结论:CT影像组学机器学习分类模型对NSCLC患者的分期有一定的预测能力.
关键词：机器学习预测模型影像组学肺癌肿瘤分期
分类号：TP18(自动化基础理论)R734(呼吸系肿瘤)R814(放射医学)
资助基金：广东省基础与应用基础研究基金(2022A1515011028)
论文发表日期：2025-09-30
在线出版日期：2025-10-28（本平台首次上网日期，不代表文献的发表时间）
页数：9( 855-863 )
英文信息