目的通过构建基于原发灶影像组学、瘤周影像组学以及生境影像组学的机器学习模型,预测浸润性肺腺癌患者的淋巴结转移状态,并评估不同影像特征的预测性能与泛化能力。方法回顾性分析2016—2019年于江苏省人民医院胸外科接受手术的1263例...目的通过构建基于原发灶影像组学、瘤周影像组学以及生境影像组学的机器学习模型,预测浸润性肺腺癌患者的淋巴结转移状态,并评估不同影像特征的预测性能与泛化能力。方法回顾性分析2016—2019年于江苏省人民医院胸外科接受手术的1263例浸润性肺腺癌患者的临床资料。利用K-means聚类方法(平均聚类数为2)对CT图像的灰度值进行生境区域划分,瘤周区域定义为原发灶周围均匀扩展3 mm的区域,原发灶区域则通过V-net自动分割结合人工矫正标注完成。随后,基于上述区域分别提取影像组学特征,并构建堆叠机器学习模型。利用受试者工作特征曲线下面积(area under the curve,AUC)、F1分数、召回率和精确度评估模型在训练集、测试集和内部验证集的性能。结果剔除不符合筛选标准的患者,最终纳入患者651例。在训练集中,男181例、女287例,年龄29~78(58.39±11.23)岁;在测试集中,男56例、女84例,年龄34~82(58.81±10.70)岁;在内部验证集中,男14例、女29例,年龄29~78(60.16±10.68)岁。虽然生境影像组学模型在训练集中表现并非最优,但在内部验证集中表现突出,其AUC达0.952[95%CI(0.87,1.00)],F1分数为84.62%,精确率-召回率AUC为0.892,优于基于原发灶及瘤周区域的模型。结论基于生境影像组学构建的模型在内部验证集中表现更优,提示其可能在预测肺腺癌淋巴结转移状态方面具有更好的泛化能力与临床应用潜力。展开更多
文摘目的通过构建基于原发灶影像组学、瘤周影像组学以及生境影像组学的机器学习模型,预测浸润性肺腺癌患者的淋巴结转移状态,并评估不同影像特征的预测性能与泛化能力。方法回顾性分析2016—2019年于江苏省人民医院胸外科接受手术的1263例浸润性肺腺癌患者的临床资料。利用K-means聚类方法(平均聚类数为2)对CT图像的灰度值进行生境区域划分,瘤周区域定义为原发灶周围均匀扩展3 mm的区域,原发灶区域则通过V-net自动分割结合人工矫正标注完成。随后,基于上述区域分别提取影像组学特征,并构建堆叠机器学习模型。利用受试者工作特征曲线下面积(area under the curve,AUC)、F1分数、召回率和精确度评估模型在训练集、测试集和内部验证集的性能。结果剔除不符合筛选标准的患者,最终纳入患者651例。在训练集中,男181例、女287例,年龄29~78(58.39±11.23)岁;在测试集中,男56例、女84例,年龄34~82(58.81±10.70)岁;在内部验证集中,男14例、女29例,年龄29~78(60.16±10.68)岁。虽然生境影像组学模型在训练集中表现并非最优,但在内部验证集中表现突出,其AUC达0.952[95%CI(0.87,1.00)],F1分数为84.62%,精确率-召回率AUC为0.892,优于基于原发灶及瘤周区域的模型。结论基于生境影像组学构建的模型在内部验证集中表现更优,提示其可能在预测肺腺癌淋巴结转移状态方面具有更好的泛化能力与临床应用潜力。
