基于CT平扫影像组学特征机器学习算法模型对高级别Bosniak分类囊性肾占位性病变的诊断效能

Value of machine learning algorithm model based on CT plain scan radiomics in diagnosis for cystic renal mass of high-grade Bosniak classification

二维码有效期 120s

摘要目的:比较基于CT平扫影像组学特征的机器学习算法模型与放射科医师对囊性肾占位性病变(CRM)的诊断效能.方法:招募来自广东省中医院5家分院经病理诊断的CRM患者207例,其中4家162例(内部测试集)按7:3比例随机分为训练集与验证集,训练集提取CT平扫影像组学特征用于机器学习算法建模,由2位放射科医师进行全肿瘤分割.使用单变量分析、最小绝对收缩和选择算子(LASSO)算法及双向消除法筛选ICC>0.75的特征,以构建朴素贝叶斯、梯度提升算法(GBM)及主成分分析(PCA)的监督与非监督影像组学机器学习算法模型,进行验证集验证,在珠海分院45例(外部测试集)中完成外部测试.使用ROC曲线评估机器学习算法模型诊断效能,并与放射科医师诊断结果进行比较.结果:207例中,良性92例,恶性115例.放射科医师诊断的敏感度、特异度、准确率分别为84.2％、91.1％和85.5％,AUC为0.87.机器学习算法模型在训练集和验证集中诊断效能相近[训练集敏感度(95.3％～100.0％)、特异度(93.4％～100.0％)、准确率(94.4％～100.0％)、AUC(0.97～1.00);验证集敏感度(83.3％～89.9％)、特异度(87.0％～95.7％)、准确率(85.4％～90.2％)、AUC(0.85～0.92)];在外部测试集中,PCA和朴素贝叶斯的敏感度、特异度、准确率和AUC均高于GBM.放射科医师的诊断效能与PCA及朴素贝叶斯模型相近.结论:CT平扫影像组学的多种机器学习算法模型对CRM具有较好的诊断效能,可作为CRM患者的潜在筛查方法.