基于基线T2WI图对进展期直肠癌经放化同期治疗后病理完全缓解的多模型预测比较

摘要：

目的 探究基于基线T2WI联合机器学习影像组学,预测进展期直肠癌(locally advanced rectal cancer,LARC)患者对新辅助同期放化疗(neo-adjuvant chemoradiotherapy,nCRT)后病理完全缓解的有效性及多种模型预测效能比较.方法 回顾性分析了 2017 年 1 月至 2021 年 12 月期间 131 例非转移性进展期直肠癌的患者资料,患者均在治疗前后进行盆腔MRI检查,并接受标准nCRT治疗后进行直肠全系膜切除术(total mesorectal excision,TME).采用AK软件(Analysis Kit,GE Healthcare)在新辅助治疗前在轴向T2WI图上手动勾画感兴趣区(region of interest,ROI),通过AK软件提取影像组学特征.运用双样本t检验+LASSO回归对影像组学特征进行特征筛选,将筛选的影像组学数据,分别采用随机森林(random forest,RF)、支持向量机(support vector machine,SVM)、逻辑回归(logistic regression,LR)方法构建预测模型.采用受试者工作特征(ROC)曲线来分别检验三种模型预测效能.结果 131 例患者中,26 例(19.8％)达到病理完全缓解(pathologic complete response,pCR).通过AK软件共提取 1308 个影像组学特征,经筛选保留 12 个特征对pCR进行预测,3 个预测模型在测试集上都展现了不错的预测效能,支持向量机(SVM)预测模型的曲线下面积(area under curve,AUC)为 0.8810,准确率为 81.48％,灵敏度和特异度分别为 90.48％和 50％;随机森林(RF)预测模型AUC为 0.7579,准确率为81.48％,灵敏度和特异度分别为95.24％和33.33％;逻辑回归(LR)预测模型AUC为0.9206,准确率为92.59％,灵敏度和特异度分别为 95.24％和 83.33％.结论 所构建的 3 种机器学习模型,在预测局部进展期直肠癌放化同期治疗后病理完全缓解方面有可观的准确率,其中采用逻辑回归(LR)方法建立的机器学习模型较其他机器学习模型诊断效能更高,有潜力应用于临床实践.

关键词：局部进展期直肠癌、新辅助放化疗、影像组学、预测模型

所属期刊栏目：44

分类号：R735.3+7(肿瘤学)

资助基金：云南省教育厅科学研究基金资助项目2022J0254

在线出版日期：2023-06-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：117-124