基于CT影像组学及临床病理特征预测非小细胞肺癌PD-L1表达

Prediction of PD-L1 Expression in Non-Small Cell Lung Cancer Based On CT Radiomics And Clinicopathological Features

二维码有效期 120s

摘要目的探讨基于CT影像组学及临床病理特征在预测非小细胞肺癌(NSCLC)患者PD-L1表达中的价值.方法回顾性分析经病理证实为NSCLC的215例患者CT影像及临床资料,将患者按8:2的比例分为训练集和测试集.用ITK-SNAP软件勾画肿瘤感兴趣体积(VOI);FAE软件提取影像组学特征;用皮尔逊相关系数、Kruskal-Wallis检验选择特征;构建线性判别分析、逻辑回归、支持向量机三种机器学习预测模型.采用单因素、多因素logistic回归分析临床病理资料并构建临床模型.将临床病理危险因素联合最佳影像组学特征构建联合模型并生成列线图.采用受试者工作特征曲线(ROC)、校准曲线和决策曲线(DCA)评估模型的预测性能.结果患者年龄、吸烟史及病理类型是PD-L1表达的独立影响因素(P＜0.05),临床模型在训练集和测试集的AUC分别为0.709、0.703.在提取的851个影像组学特征中选出6个特征用于构建模型,其中支持向量机(SVM)模型预测效能最佳,训练集、测试集中AUC分别为0.754、0.736.联合模型在训练集和验证集的AUC分别为0.804、0.700.结论基于CT的影像组学模型可预测非小细胞肺癌患者PD-L1表达,联合临床病理特征可进一步提高预测效能.