CT影像组学模型在小细胞肺癌与非小细胞肺癌鉴别的价值

目的 探讨肺癌CT影像组学特征用于鉴别小细胞肺癌(small cell lung cancer,SCLC)和非小细胞肺癌(non-small cell lung cancer,NSCLC)的价值.方法 回顾性分析经2010-01/2020-12年来自首都医科大学电力教学医院和首都医科大学大兴教学医院的89例肺癌患者的临床和影像资料的病理证实,其中SCLC 24例,NSCLC 65例.采用Python语言PyRadiomics软件包提取影像组学特征,使用最大相关-最小冗余(max-relevance and minredundancy,mRMR)算法和最小绝对收缩和选择算法(least absolute shrinkage and selection operator,LASSO)回归分析筛选影像组学特征.利用多变量Logistic回归构建预测模型,应用受试者工作特征曲线(receiver operating characteristic curve,ROC)评价预测模型的诊断效能,联合影像组学标签与临床特征构建列线图.结果 从所提取的788种影像组学特征中,最终筛选了其中8种重要特征用于构建影像组学模型.训练组、测试组影像组学模型鉴别SCLC与NSCLC的ROC曲线下面积(area under the curve,AUC)分别为0.93(95％CI:0.85～1.00)、0.92(95％CI:0.80～1.00).联合诊断模型在测试组的诊断效能(AUC=0.93,95％CI:0.84～1.00)高于临床预测模型(AUC=0.73,95％CI:0.52～0.93)和影像组学模型(AUC=0.92,95％CI:0.80～1.00).结论 基于CT平扫的影像组学模型鉴别SCLC与NSCLC有较高的诊断效能,结合患者临床资料的联合模型较影像组学模型有更高的诊断效能.

Value of CT Radiomics Model for the Classification of Small Cell Lung Cancer and Non-small Cell Lung Cancer