基于CT影像组学模型鉴别诊断小细胞肺癌与非小细胞肺癌

目的观察基于CT影像组学模型鉴别诊断小细胞肺癌(SCLC)与非小细胞肺癌(NSCLC)的效能。方法回顾性分析1 524例经手术病理确诊的肺癌患者,其中526例SCLC (SCLC组), 998例NSCLC(NSCLC组)。采用特征提取软件MaZda(Version 4.6)提取CT图像中病灶最大层面的纹理特征参数,以Correlation相关性分析和最小绝对收缩和选择算子(LASSO)算法对数据进行降维,筛选组间差异明显的影像组学特征,构建影像组学模型。以7∶3比例将全部患者分为训练集和验证集,采用7种机器学习模型,包括Logistic回归、随机森林(RF)、贝叶斯算法(NB)、决策树(DT)、卷积神经网络(CNN)、邻近算法(KNN)和支持向量机(SVM)模型对数据集进行处理,根据其在验证集的准确率选择最佳分类器模型,采用受试者工作特征(ROC)曲线分析该分类器模型对SCLC与NSCLC的鉴别诊断效能。结果针对每个病灶提取306个纹理特征参数,最终筛选出20个组间差异明显的影像组学特征,并以之构建预测模型。模型训练结果显示,KNN模型鉴别诊断SCLC与NSCLC的准确率最高,其在训练集的AUC为0.88、准确率81.34%、特异度97.00%、敏感度51.63%,在验证集的AUC为0.82、准确率78.82%、特异度95.00%、敏感度48.10%。结论基于CT影像组学结合机器学习算法建立的诊断模型可用于鉴别SCLC与NSCLC,以KNN模型的效能更优。