获取途径

作者

李永亮 王翠艳

作者单位

山东大学齐鲁医学院 山东第一医科大学附属省立医院医学影像科 济南市第四人民医院放射科

刊名

医学影像学杂志

年份

2025

卷号

第9期

ISSN

1006-9011

关键词

体层摄影术 X线计算机 影像组学 机器学习 胃癌 人表皮生长因子受体2

分类号

R445.3;R735.2

摘要

目的 探讨术前基于静脉期增强CT 影像组学特征构建的7 种机器学习模型对胃癌人表皮生长因子受体2表达的预测价值。方法 选取胃癌患者119 例，按7∶3 随机分为训练集83 例、测试集36 例。术前均行上腹部或全腹部CT 扫描，获取静脉期CT 图像。采用3D Slicer 软件对静脉期图像进行瘤体三维勾画，使用Pyradiomics 包提取影像组学特征。使用组内相关系数、Pearson 相关性分析及最小绝对收缩和选择算子算法等进行影像组学特征降维与筛选。选取决策树、K 最邻近、线性支持向量机、极端梯度提升树、随机森林、支持向量机、逻辑回归7 种机器学习方法，根据最优影像组学特征子集构建机器学习模型。采用受试者工作特征曲线及其曲线下面积来评估模型的预测效能。结果 术前基于静脉期增强CT图像提取了129 个影像组学特征，通过ICC、Pearson 相关性分析及LASSO 算法进行特征筛选和降维，最终保留33 个最优影像组学特征子集。在训练集中，基于DT、KNN、Linear SVC、XGBoost、RF、SVM、Logistic Regression 等7 种机器学习模型术前预测胃癌HER2...更多

目的 探讨术前基于静脉期增强CT 影像组学特征构建的7 种机器学习模型对胃癌人表皮生长因子受体2表达的预测价值。方法 选取胃癌患者119 例，按7∶3 随机分为训练集83 例、测试集36 例。术前均行上腹部或全腹部CT 扫描，获取静脉期CT 图像。采用3D Slicer 软件对静脉期图像进行瘤体三维勾画，使用Pyradiomics 包提取影像组学特征。使用组内相关系数、Pearson 相关性分析及最小绝对收缩和选择算子算法等进行影像组学特征降维与筛选。选取决策树、K 最邻近、线性支持向量机、极端梯度提升树、随机森林、支持向量机、逻辑回归7 种机器学习方法，根据最优影像组学特征子集构建机器学习模型。采用受试者工作特征曲线及其曲线下面积来评估模型的预测效能。结果 术前基于静脉期增强CT图像提取了129 个影像组学特征，通过ICC、Pearson 相关性分析及LASSO 算法进行特征筛选和降维，最终保留33 个最优影像组学特征子集。在训练集中，基于DT、KNN、Linear SVC、XGBoost、RF、SVM、Logistic Regression 等7 种机器学习模型术前预测胃癌HER2 表达的AUC 分别为0.912、0.922、0.966、0.968、0.961、0.941、0.947；在测试集中，7 种机器学习模型术前预测胃癌HER2 表达的AUC 分别为0.665、0.720、0.809、0.732、0.780、0.874、0.776；7 种机器学习模型在训练集与测试集中的预测效能两两比较，差异均无统计学意义。测试集校准曲线显示，7 种机器学习模型的理论曲线和实际曲线接近参考线。结论 术前基于静脉期增强CT 影像组学特征构建的7 种机器学习模型对胃癌HER2表达均具有较高的预测效能；在7 种机器学习模型中，SVM 模型对胃癌HER2 表达的预测效能最高。收起

文献类型

期刊