机器学习算法对术前肺癌患者纵隔淋巴结转移的预测研究

摘要：

目的:基于CT影像组学探讨机器学习算法对术前肺癌纵隔淋巴结转移(LNM)的预测价值.方法:收集医院经CT检查及病理结果证实的131例肺癌患者影像资料,根据病理结果将患者分为LNM组(97例)和无LNM组(34例).两组患者均在CT检查图像上勾画原发肿瘤区域,使用开源的医学影像软件(3D-Slicer)提取影像组学特征,筛选出与肺癌纵隔LNM高度相关的特征.通过轻量级梯度提升机、自适应增强、梯度提升决策树、支持向量机(SVM)和多层感知器5种机器学习算法分别建立分类预测模型,并评价其预测效能,选择效能最好模型作为最终的分类预测模型.结果:从肺癌患者的851个影像组学特征和14个临床特征中筛选出10个影像组学特征和1个临床特征,并利用SVM算法构建对淋巴结是否转移的分类预测模型.SVM分类预测模型在训练集的受试者工作特征(ROC)曲线下的面积(AUC)、准确率、灵敏度和特异度分别为0.955、83.7%、92.2%和96.3%;测试集分别为0.886、85.2%、80.0%和85.7%.测试集的校正曲线和临床决策曲线均显示SVM分类预测模型具有较高的预测精度.结论:基于CT影像组学和临床特征的SVM预测模型能够识别肺癌患者的LNM状态,具有无创和低成本的特点,有助于预测术前肺癌患者纵隔LNM,为开发个性化的治疗方案及优化肺癌患者预后提供依据.

关键词：机器学习、影像组学、肺癌、淋巴结转移(LNM)、预测模型

所属期刊栏目：20

分类号：R734.2;R734.5(肿瘤学)

资助基金：国家级大学生创新创业训练计划项目202210545021

在线出版日期：2023-09-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：24-30