机器学习结合 18F-FDG PET/CT影像组学特征对肺腺癌EGFR突变亚型的预测价值

摘要：

目的:探究
18F-脱氧葡萄糖(FDG) PET/CT影像结合机器学习算法对肺腺癌(LUAD)表皮生长因子受体(EGFR)突变亚型的预测价值。
方法:回顾性收集2016年4月至2020年5月于天津医科大学肿瘤医院行
18F-FDG PET/CT检查的238例LUAD患者的影像及病理资料，其中EGFR突变型为126例(男54例，女72例，中位年龄62岁)；EGFR野生型112例(男68例，女44例，中位年龄61岁)。分别对PET、CT图上感兴趣体积(VOI)进行三维勾画，提取三维和二维影像组学特征。使用K-最近邻(KNN)、支持向量机(SVM)和Adaboost分别对CT、PET和PET/CT融合组学特征进行学习，并对EGFR突变亚型进行预测。使用受试者工作特征(ROC)曲线对预测性能进行评估。
结果:126例EGFR突变型患者中3例为18号外显子突变，6例为20号外显子突变，42例为19号外显子突变，75例为21号外显子突变。前2个亚型患者因数量较少，分类器难以进行充分的训练而被排除。PET/CT平均融合特征模型预测EGFR突变亚型的效果[Adaboost：曲线下面积(AUC)＝0.87, 95%
CI：0.75～0.99]优于PET特征模型(Adaboost：AUC＝0.64, 95%
CI：0.46～0.83；
z＝2.04，
P<0.05)和CT特征模型(Adaboost：AUC＝0.64, 95%
CI：0.45～0.83;
z＝2.06，
P<0.05)。PET/CT平均融合特征模型(SVM：AUC＝0.76，95%
CI：0.56～0.96)和PET/CT拼接融合特征模型(SVM：AUC＝0.75，95%
CI：0.59～0.92)预测EGFR突变亚型的效果差异无统计学意义(
z＝1.14，
P>0.05)。
结论:机器学习结合
18F-FDG PET/CT融合影像组学特征在EGFR突变亚型预测中有一定的价值。

关键词：肺肿瘤、腺癌、受体，表皮生长因子、突变、正电子发射断层显像术、体层摄影术，X线计算机、脱氧葡萄糖、预测

所属期刊栏目：41

在线出版日期：2023-05-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：479-485