基于CT影像组学和集成学习预测肝细胞癌微血管侵犯的研究  

作　　者：李铭浩 王琛[1,2,3] 杨帅 范建新 苏丹柯 

机构地区：[1]广西医科大学附属肿瘤医院影像中心,广西南宁530022 [2]广西临床重点专科医学影像科,广西南宁530021 [3]广西医科大学附属肿瘤医院优势培育学科医学影像科,广西南宁530021 [4]广西医科大学生命科学研究院,广西南宁530021

出　　处：《影像研究与医学应用》2023年第4期90-92,96,共4页Journal of Imaging Research and Medical Applications

基　　金：广西影像医学临床医学研究中心建设项目(桂科AD20238096)。

摘　　要：目的:研究计算机断层扫描(computed tomography,CT)影像组学的集成学习模型和融合模型方法模型在术前预测肝细胞癌(hepatocellular carcinoma,HCC)患者的微血管侵犯(microvascular invasion,MVI)状态的应用价值。方法:选取广西医科大学附属肿瘤医院2017年1—12月收治的孤立性HCC患者218例。通过ITK-SNAP软件勾画CT资料静脉期的肝脏肿瘤边缘,使用Python(3.8.1)提取影像组学特征,采用t检验,最小绝对收缩、算子回归算法和梯度下降树进行影像组学特征筛选。最后使用6种集成学习算法构建预测模型,并通过模型融合的方法构建了基于6种模型的融合预测模型。结果:共提取出组学特征1046个,经过t检验,最小绝对收缩和算子回归和梯度下降树筛选出10个最重要影像组学特征。基于10个特征构建的梯度提升决策树、随机森林、极端梯度提升算法、极端随机树、轻梯度提升算法、自适应增强算法模型在验证集的曲线下面积(area under curve,AUC)值分别为0.79、0.81、0.80、0.78、0.76和0.77,6种集成学习模型之间预测结果差异无统计学意义(P>0.050)。基于6种集成模型的融合模型预测验证集MVI的AUC值最高为0.89,预测结果与6种集成模型差异均有统计学意义(P<0.05)。结论:集成学习算法在HCC影像组学特征具有术前预测MVI的潜力,且多模型的融合模型显著提升了预测性能,在MVI预测上具有较高的诊断价值。

关 键 词：肝细胞癌 微血管侵犯 影像组学 CT 集成学习 模型融合 

分 类 号：R445.3[医药卫生—影像医学与核医学]