基于机器学习的CT影像组学模型预测低黏附性胃癌

摘要：

目的 探讨基于机器学习的CT影像组学模型预测低黏附性胃癌的价值.方法 回顾性分析经术后病理确诊的 116 例胃癌患者的临床及术前CT资料,根据 WHO 分型分为低黏附性胃癌 30 例、非低黏附性胃癌 86 例.于CT静脉期轴位图像勾画三维感兴趣区体积,提取影像组学特征,按照计算机随机数分为训练集和测试集,采用最小绝对收缩与选择算子(LASSO)筛选影像组学特征.由 4 种(逻辑回归、随机森林、决策树和支持向量机)机器学习算法构建预测低黏附性胃癌的模型,采用受试者工作特征(ROC)曲线评估模型诊断效能.结果 低黏附性与非低黏附性胃癌的静脉期(P=0.009)和延迟期 CT值(P<0.001)有统计学意义.筛选出 8 个影像组学特征构建的 4 种机器学习模型,模型的准确度均大于 70%.准确度最高的模型在训练集为随机森林,准确度为 93.54%;在测试集为决策树模型,准确度为 82.61%.结论 基于机器学习的 CT 影像组学模型术前预测低黏附性胃癌具有可行性,为胃癌的亚型诊断提供辅助信息.

关键词：计算机体层成像、胃癌、影像组学

所属期刊栏目：39

分类号：R814.42;R735.2;R445(放射医学)

在线出版日期：2023-09-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1453-1456,1461