机器学习结合^(18)F-FDG PET/CT影像组学特征对肺腺癌EGFR突变亚型的预测价值

摘要

目的:探究18F-脱氧葡萄糖(FDG)PET/CT影像结合机器学习算法对肺腺癌(LUAD)表皮生长因子受体(EGFR)突变亚型的预测价值。方法:回顾性收集2016年4月至2020年5月于天津医科大学肿瘤医院行18F-FDG PET/CT检查的238例LUAD患者的影像及病理资料,其中EGFR突变型为126例(男54例,女72例,中位年龄62岁);EGFR野生型112例(男68例,女44例,中位年龄61岁)。分别对PET、CT图上感兴趣体积(VOI)进行三维勾画,提取三维和二维影像组学特征。使用K-最近邻(KNN)、支持向量机(SVM)和Adaboost分别对CT、PET和PET/CT融合组学特征进行学习,并对EGFR突变亚型进行预测。使用受试者工作特征(ROC)曲线对预测性能进行评估。结果:126例EGFR突变型患者中3例为18号外显子突变,6例为20号外显子突变,42例为19号外显子突变,75例为21号外显子突变。前2个亚型患者因数量较少,分类器难以进行充分的训练而被排除。PET/CT平均融合特征模型预测EGFR突变亚型的效果[Adaboost:曲线下面积(AUC)=0.87,95%CI:0.75~0.99]优于PET特征模型(Adaboost:AUC=0.64,95%CI:0.46~0.83;z=2.04,P<0.05)和CT特征模型(Adaboost:AUC=0.64,95%CI:0.45~0.83;z=2.06,P<0.05)。PET/CT平均融合特征模型(SVM:AUC=0.76,95%CI:0.56~0.96)和PET/CT拼接融合特征模型(SVM:AUC=0.75,95%CI:0.59~0.92)预测EGFR突变亚型的效果差异无统计学意义(z=1.14,P>0.05)。结论:机器学习结合18F-FDG PET/CT融合影像组学特征在EGFR突变亚型预测中有一定的价值。