非小细胞肺癌患者预后生存时间范围的机器学习预测模型研究 |
| |
引用本文: | 周洁,郑燕婷,江舒琪,安杰,邱士军,陈淮.非小细胞肺癌患者预后生存时间范围的机器学习预测模型研究[J].放射学实践,2024(5):622-628. |
| |
作者姓名: | 周洁 郑燕婷 江舒琪 安杰 邱士军 陈淮 |
| |
作者单位: | 510405广州,广州中医药大学第一附属医院影像科(周洁、郑燕婷、江舒琪、安杰、邱士军);510260广州,广州医科大学附属第二医院放射科(陈淮) |
| |
基金项目: | 广东省基础与应用基础研究基金(编号:2022A1515011028) |
| |
摘 要: | 【摘要】目的:开发并验证一种基于CT影像组学及形态学特征对非小细胞肺癌患者预后生存时间范围进行预测的机器学习分类模型。方法:在癌症影像数据库(TCIA)中下载lung1数据集,选取符合条件的243例周围型非小细胞肺癌患者,根据截止生存时间将患者分为两组(1组为生存期≤3年,2组为生存期>3年)。在每个病灶中提取1037个影像组学特征,采用最小绝对收缩和选择算子(LASSO)算法进行特征筛选。记录每个病灶的形态学特征,运用t检验和卡方检验进行筛选。将两者结合起来,运用Logistic回归、随机森林、AdaBoost、高斯朴素贝叶斯、神经网络这5种机器学习分类方法建立预测模型,采用受试者工作特征(ROC)曲线评价5种预测模型的效能,并选出最优模型。最后使用广州中医院大学第一附属医院搜集的77例患者数据进行外部验证。结果:高斯朴素贝叶斯分类预测模型是本研究中最好的模型,稳定性相对较好,在所有模型中,运用此模型的AUC值在训练集和验证集中均较高。经过外部验证,该模型在训练集的AUC值为0.735,敏感度为0.685,特异度为0.700;测试集AUC值为0.771,敏感度为0.571,特异度为0.898。结论:CT影像组学结合形态学特征的机器学习分类模型能较准确地对NSCLC患者的预后生存时间范围进行预测。
|
关 键 词: | 肺癌 体层摄影术,X线计算机 影像组学 预后生存时间 机器学习 预测模型 |
|
| 点击此处可从《放射学实践》浏览原始摘要信息 |
| 点击此处可从《放射学实践》下载免费的PDF全文 |
|