| 摘 要： | 目的 探索基于CT门静脉期的影像组学模型结合腹部脂肪面积参数构建的联合模型对肝细胞癌(HCC)微血管侵犯(MVI)的预测价值。方法 回顾性搜集134例经病理证实是否存在MVI的HCC患者的平扫及增强CT图像。根据随机分层抽样的原则将患者以7∶3的比例划分为训练集(n=93)和测试集(n=41),在CT平扫图像上测量所有患者的腹部脂肪面积,通过单因素及多因素逻辑回归构建脂肪模型。通过自动化特征提取算法提取门静脉期肿瘤的影像组学特征,采用Spearman相关性分析和最小绝对收缩和选择算子(LASSO)进行特征筛选,并分别构建六种机器学习模型,将性能较优模型联合腹部脂肪面积参数构建联合模型。采用受试者工作特征曲线(ROC)曲线下面积(AUC)来评估模型的预测效能,校准曲线来验证校准能力,决策曲线用于分析和比较模型的临床实用性,Delong检验评估各模型之间预测效能的差异。结果 单因素及多因素逻辑回归提示内脏及皮下脂肪面积参数均为HCC-MVI的独立危险因素,以此构建的脂肪模型在训练集和测试集的AUC值为0.747(0.648～0.845)和0.696(0.536～0.857)。基于门静脉期肿瘤提取的影像组学特征经过逐层特征筛选及降维方法后得到10个影像组学特征用于六种机器学习模型的构建,其中支持向量机(SVM)模型的预测性能较好,在训练集和测试集中的AUC值分别为0.904(0.844～0.965)和0.838 (0.717～0.959),与腹部脂肪参数联合后构建联合模型,并用列线图对其进行可视化。结果显示,联合模型在训练集中的性能0.925(0.872～0.978)显著高于影像组学模型(P=0.029)和脂肪模型(P=0.0054),测试集中该模型性能0.877(0.772～0.983)显著高于脂肪模型(P=0.0165),高于影像组学模型(P=0.207),校准曲线显示模型拟合良好,决策曲线提示联合模型较其他模型具有较好的临床实用价值。结论 基于CT门静脉期的影像组学特征联合腹部脂肪面积构建的联合模型对HCC-MVI具有较高的预测价值。
|
