换一批低剂量CT特征及组织NRF2、Ki-67表达对低分化浸润性非黏液肺腺癌的预测价值
Prediction value of low-dose CT features and NRF2 and Ki-67 expressions for poorly dif-ferentiated invasive non-mucinous lung adenocarcinoma
摘要目的 基于低剂量CT(LDCT)定量-定性特征及组织核因子E2 相关因子2(NRF2)、Ki-67 表达构建低分化浸润性非黏液肺腺癌(INMA)的机器学习预测模型,并验证其效能.方法 回顾性收集 2023-01 至 2025-01 陆军第七十三集团军医院 196 例INMA患者资料作为训练集,按训练集与测试集 7∶3 的比例另于 2025-02 至 2025-07 选取 85 例INMA患者资料作为测试集.根据病灶分化程度将训练集分为高/中分化组(n=146)和低分化组(n=50).对变量进行单因素、LASSO回归和多因素logistic回归分析,采用筛选的独立预测因子建立逻辑回归(LR)、随机森林(RF)、极端梯度提升(XGBoost)和支持向量机(SVM)的机器学习预测模型,并采用受试者操作特征(ROC)曲线比较 4 种方法构建的模型对发生低分化INMA的预测价值.结果 单因素、LASSO回归及多因素logistic筛选出来的独立预测因子为结节平均直径、结节体积、结节平均密度、NRF2 蛋白表达及 Ki-67.训练集的 LR、SVM、RF、XGBoost 四种机器学习模型的曲线下面积(AUC)分别是 0.958、0.952、0.977、0.987,其中XGBoost的准确率(94.39%)、灵敏度(96.00%)、AUC均最高,其预测性能优于其他模型.结论 基于低剂量CT定量-定性特征及组织NRF2、Ki-67 表达的XGBoost模型可精准预测发生低分化INMA的风险,为高危患者的早期识别及靶向干预提供循证依据.
更多相关知识
关键词
低剂量CTNRF2Ki-67机器学习预测模型low-dose CTnuclear factor erythroid 2-related factor 2Ki-67machine learningpredictive model
栏目名称
DOI
10.3969/j.issn.1004-3594.2026.02.007
发布时间
2026-03-18（万方平台首次上网日期，不代表论文的发表时间）
基金项目
厦门市医疗卫生指导性项目（3502Z20224ZD1240）
- 浏览4
- 被引0
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
