基于CT影像组学和集成学习预测肝细胞癌微血管侵犯的研究

二维码有效期 120s

摘要目的:研究计算机断层扫描(computed tomography,CT)影像组学的集成学习模型和融合模型方法模型在术前预测肝细胞癌(hepatocellular carcinoma,HCC)患者的微血管侵犯(microvascular invasion,MVI)状态的应用价值.方法:选取广西医科大学附属肿瘤医院2017年1—12月收治的孤立性HCC患者218例.通过ITK-SNAP软件勾画CT资料静脉期的肝脏肿瘤边缘,使用Python(3.8.1)提取影像组学特征,采用t检验,最小绝对收缩、算子回归算法和梯度下降树进行影像组学特征筛选.最后使用6种集成学习算法构建预测模型,并通过模型融合的方法构建了基于6种模型的融合预测模型.结果:共提取出组学特征1046个,经过t检验,最小绝对收缩和算子回归和梯度下降树筛选出10个最重要影像组学特征.基于10个特征构建的梯度提升决策树、随机森林、极端梯度提升算法、极端随机树、轻梯度提升算法、自适应增强算法模型在验证集的曲线下面积(area under curve,AUC)值分别为0.79、0.81、0.80、0.78、0.76和0.77,6种集成学习模型之间预测结果差异无统计学意义(P>0.050).基于6种集成模型的融合模型预测验证集M V I的A U C值最高为0.89,预测结果与6种集成模型差异均有统计学意义(P<0.05).结论:集成学习算法在HCC影像组学特征具有术前预测MVI的潜力,且多模型的融合模型显著提升了预测性能,在MVI预测上具有较高的诊断价值.