首页 > 右江民族医学院学报 > 基于CT影像组学结合机器学习预测复杂性与非复杂性急性阑尾炎

基于CT影像组学结合机器学习预测复杂性与非复杂性急性阑尾炎

Prediction of complicated and uncomplicated acute appendicitis using CT-based radiomics combined with machine learning models

二维码有效期 120s

摘要目的探讨和验证不同影像组学模型在复杂性与非复杂性急性阑尾炎的术前鉴别诊断中的价值.方法回顾性分析212例经手术病理证实为急性阑尾炎患者的临床资料及CT平扫图像,从CT图像中提取影像组学特征,经过特征的降维和筛选,分别采用Logistic回归、支持向量机(SVM)和随机森林等算法构建影像组学模型,通过比较受试者工作特征(ROC)曲线下面积(AUC)、准确度、95％置信区间(95％ CI)等指标获得最佳的影像组学模型.此外,应用单因素和多因素Logistic回归分析来筛选临床特征并建立临床模型.通过多变量逻辑回归将影像组学标签与临床标签相结合,构建一个组合模型.最后,采用ROC曲线分析来评估模型的性能,并利用决策曲线分析(DCA)来评估模型的临床价值.结果最终筛选出年龄和C反应蛋白2个临床特征.从每个患者CT图像共提取出1 834个影像组学特征,并确定了 16个最有价值的影像组学特征.在影像组学模型中,SVM表现出最佳的预测效率和稳定性,训练集和测试集的AUC分别为0.916(95％ CI为0.862～0.970)和0.842(95％ CI为0.739～0.945).在所有模型中,组合模型的诊断效能最佳,训练集和测试集的AUC分别为0.943(95％ CI为0.896～0.990)和0.855(95％ CI为0.759～0.951).DCA提示组合模型具有更好的预测性能和临床价值.结论结合影像组学特征与临床特征的组合模型对复杂性与非复杂性急性阑尾炎具有良好的预测能力,可以为临床决策提供了一种无创、有效的方法,避免不必要的手术切除.