| 摘要: |
| 基于不同机器学习 (ML) 算法构建 CT 影像组学模型，以预测进展期胃癌患者新辅助化疗 (NAC) 的疗效，探索新的成像生物标志物，并比较不同算法的效能。方法 回顾性分析 2019 年 1 月至 2022 年 12 月宁波大学附属第一医院 100 例进展期胃癌患者的临床及 CT 影像数据。将患者按照 7∶3 的比例随机分为训练组 70 例和验证组 30 例。在 NAC 前的 CT 平扫、动脉期、门静脉期和延迟期图像上，采用人工方法分割胃癌病灶作为体积感兴趣区，提取相关影像组学特征，并进行降维处理。利用十折交叉验证法和 5 种 ML 算法 [逻辑回归 (LR)、决策树、K 近邻、随机森林 (RF)、极致梯度提升树] 分别构建预测模型。采用 ROC 曲线和 AUC 评估模型预测效能。结果 采用降维方法从 CT 4 期图像的影像组学特征中分别筛选出 20、20、24 和 22 个与疗效预测相关的特征。在 4 个 CT 期相中，基于 5 种 ML 算法分别构建 20 组预测模型。基于动脉期图像构建预测胃癌 NAC 有效性的影像组学模型，LR 算法模型对胃癌 NAC 有效性的训练集及验证集 AUC 分别为 0.924 和 0.800，预测效能最佳。此外，基于静脉期图像构建预测胃癌 NAC 有效性的影像组学模型，RF 算法也可获得预测效能较好的胃癌 NAC 有效性预测模型，训练集 AUC 为 0.819，验证集 AUC 为 0.756。结论 基于 LR 及 RF 算法构建的影像组学模型表现出对进展期胃癌 NAC 疗效的良好预测效能。 |
| 关键词: |
| DOI： |
| 分类号: |
| 基金项目:宁波市自然科学基金项目 |
|
|
|
|
| Abstract: |
|
| Key words: |
