首页 > 中国普通外科杂志 > MRI影像组学结合临床特征的机器学习模型对结直肠癌肝转移的预测价值

MRI影像组学结合临床特征的机器学习模型对结直肠癌肝转移的预测价值

The predictive value of MRI imaging omics combined with clinical features in machine learning models for colorectal cancer liver metastasis

二维码有效期 120s

摘要背景与目的:结直肠癌肝转移(CRCLM)是影响患者预后的主要原因,术前无创、精准诊断对制定治疗方案至关重要.传统临床标志物特异性有限,本研究旨在基于多模态MRI影像组学特征,结合机器学习算法,构建预测CRCLM的高效模型,并评价其临床价值.方法:收集2022年5月—2024年5月于河南省南阳市第一人民医院行术前MRI检查并经病理证实的150例结直肠癌患者,随机分为训练集(n=120)和验证集(n=30).其中CRCLM 57例,无CRCLM 93例.采用单因素与多因素分析筛选CRCLM独立危险因素,建立临床诊断模型.提取多模态MRI影像组学特征,经LASSO筛选后分别构建Logistic回归(LR)、支持向量机(SVM)、随机森林(RF)模型,并比较其诊断效能.建立临床及影像组学联合诊断模型,并通过受试者操作特征和决策曲线(DCA)评估效能与临床获益.结果:癌胚抗原(OR=1.323,95%CI=1.079～1.567)、糖类抗原19-9(OR=2.512,95%CI=1.225～3.799)及中性粒细胞/淋巴细胞比值(OR=1.881,95%CI=1.354～2.409)是CRCLM独立危险因素(均P<0.05),以上 3 个因素构建的临床诊断模型曲线下面积(AUC)为 0.793.RF模型在训练集与验证集AUC最高(0.770、0.763),优于LR和SVM.基于RF的联合诊断模型在训练集与验证集AUC分别为 0.913 和0.947,明显优于单独临床或影像组学诊断模型,DCA显示联合诊断模型具有最高临床净获益.结论:RF模型在影像组学预测中表现最佳,其与临床特征结合的联合模型能显著提高CRCLM的无创诊断效能,具备较高的临床应用价值.