肿瘤分割策略对机器学习预测肾透明细胞癌病理分级影响的研究
目的 探究肿瘤边缘分割策略对基于CT的机器学习预测肾透明细胞癌(ccRCC)病理分级的影响.方法 回顾性分析2009年1月至2019年12月经病理证实的ccRCC患者三期CT图像数据及临床病理学资料共546例,分为建模及内部验证集(n=311)、独立外部验证集(n=235).按以下肿瘤图像分割策略进行分组:聚焦肿瘤边缘分割(MF组);边缘范围分别扩大1 mm(E1组)、3 mm(E3组);边缘范围分别缩小1 mm(S1组)、3 mm(S3组).基于三期CT图像并利用CatBoost建立ccRCC病理分级(高/低级别)的机器学习预测模型.对比分析各组所提取的纹理特征及权重因子、预测模型的敏感度(SEN)、特异度(SPC)、阳性预测值(PPV)、阴性预测值(NPV)、准确率(ACC)、受试者工作特征曲线(ROC)及曲线下面积(AUC).结果 分割边缘范围与所提取的纹理特征权重因子大小成正比,权重因子随着肿瘤图像分割边缘收缩而减小.采用如上述肿瘤图像分割策略的ccRCC病理分级预测模型的AUC分别为:MF 0.8037、E1 0.8161、E3 0.8165、S1 0.8010、S3 0.7974.组间AUC两两比较差异无统计学意义(P＞0.05).结论 基于多期CT图像的ccRCC病理分级机器学习预测模型具有较高的诊断效能,且不容易受到分割边缘微小范围(3 mm内)变化的影响.
机器学习、肿瘤分割、肾透明细胞癌、病理分级
42
TP391.41;R737.11;R3
广东省基础与应用基础研究基金项目2021A1515220080
2023-08-08（万方平台首次上网日期，不代表论文的发表时间）
共6页
981-986
