肺结节超高分辨率CT靶扫描影像组学联合机器学习在原位腺癌与微浸润腺癌鉴别中的价值

摘要

目的基于肺结节超高分辨率CT(UHRCT)靶扫描影像组学特征,分别采用Logistic回归(LR)和支持向量机(SVM)构建机器学习模型,以鉴别磨玻璃结节(GGN)中的原位腺癌(AIS)和微浸润腺癌(MIA)。方法回顾性分析手术病理证实肺腺癌的198例患者(AIS 56例;MIA 142例),按分层抽样将患者随机分为训练组(n=138)和验证组(n=60)。手动分割GGN,从中提取影像组学特征。采用最小冗余最大相关性算法和套索算法对影像组学特征进行降维,分别使用LR和SVM构建预测模型。采用受试者操作特征(ROC)曲线评价模型的预测性能。结果在训练组中,LR和SVM曲线下面积(AUC)分别为0.787(95%CI:0.712~0.863)和0.896(95%CI:0.842~0.951)。在验证组中,LR和SVM的AUC分别为0.824(95%CI:0.713~0.936)和0.839(95%CI:0.734~0.945)。结论基于肺结节UHRCT靶扫描影像组学结合机器学习能较好鉴别AIS与MIA,为患者GGN个性化分析提供潜在方法。